Kurs
Einführung in R
4 Std.
3.1M
R ist eine beliebte statistische Programmiersprache für Datenaufbereitung, Analyse und Visualisierung und bringt eine Reihe von Datenstrukturen mit, die für unterschiedlichste Aufgaben optimiert sind. Wer R’s vielfältige Datenstrukturen beherrscht, kann das volle Potenzial der Sprache ausschöpfen und Daten in überzeugende Erkenntnisse verwandeln.
Zum Einstieg empfiehlt sich unser Kurs Introduction to R Programming, in dem du diese Konzepte direkt an realen Datensätzen übst. Los geht’s.
Was sind Datenstrukturen in R?
Datenstrukturen in R helfen dabei, Daten für Analysen zu organisieren. Sie können einfach sein und nur einen Datentyp enthalten oder komplex und verschiedene Typen unterstützen. Diese Strukturen sind auf die Anforderungen datenbasierter Projekte zugeschnitten. Die wichtigsten Datenstrukturen in R sind Vektoren, Listen, Matrizen, Arrays, Faktoren und Data Frames.
Datenstrukturen in R
Die verschiedenen Arten von Datenstrukturen in R
Lass uns die Datenstrukturen in R kurz kennenlernen. Dabei begegnen uns auch häufig genutzte R-Funktionen.
Vektoren in R
Vektoren sind die einfachste Datenstruktur in R. Sie sind Sammlungen von Elementen gleichen Typs, zum Beispiel numerisch, Zeichenketten oder logisch.
R ist für die Arbeit mit Vektoren optimiert und unterstützt speziell sogenannte vektorisierte Operationen. Das bedeutet, du kannst Funktionen auf einen Vektor anwenden, ohne seine Elemente explizit zu durchlaufen. Beispiel: Beim Addieren zweier Vektoren werden die jeweiligen Positionen effizient und kürzer als mit Schleifen addiert.
Hier erstellen wir drei Vektoren für numerische, Zeichen- und logische Typen mit der Funktion c().
numeric_vector = c(10, 20, 30)character_vector = c("apple", "banana", "cherry")logical_vector = c(TRUE, FALSE, TRUE)
print(numeric_vector)print(character_vector)print(logical_vector)
Beispielvektoren in R
Auf Elemente eines Vektors greifst du mit eckigen Klammern zu.
# Access the first
elementprint(numeric_vector[1])
# Access multiple elements
print(character_vector[c(1, 3)])
Auf Vektorelemente in R zugreifen
Mit Vektoren kannst du außerdem mathematische und logische Operationen ausführen.
# Adding a scalar value to the vector
print(numeric_vector + 2)
# Multiplying elements by a scalar
print(numeric_vector * 10)
# Perform logical operations - Check which elements are greater than 15
print(numeric_vector > 15)
Vektoroperationen in R
Weitere wichtige Operationen sind Summe, Mittelwert sowie Minimum und Maximum.
# Summation
print(sum(numeric_vector))
# Mean
print(mean(numeric_vector))
# Max and min
print(max(numeric_vector))
print(min(numeric_vector))
Ausgabe grundlegender R-Funktionen
Matrizen in R
Matrizen sind zweidimensionale Arrays, die Daten eines einzigen Typs speichern. Sie eignen sich besonders gut für mathematische Berechnungen. In R erstellst du eine Matrix mit der Funktion matrix().
my_matrix <- matrix(1:9, nrow=3, ncol=3)print(my_matrix)
Eine Matrix in R erstellen
Auf einzelne Elemente, ganze Zeilen, Spalten oder Teilmengen greifst du über Indizes zu.
# Access the element in the first row and second column
print(my_matrix[1,2])
# Access the second row
print(my_matrix[2,])
# Access the third column
print(my_matrix[,3])
Auf Elemente einer Matrix in R zugreifen
Auch auf Matrizen lassen sich mathematische Operationen anwenden.
another_matrix <- matrix(9:1, nrow=3, ncol=3)
# Element-wise addition
print(my_matrix + another_matrix)
# Element-wise subtraction
print(my_matrix - another_matrix)
# Element-wise multiplication
print(my_matrix * another_matrix)
# Element-wise division
print(my_matrix / another_matrix)
Mathematische Operationen auf Matrizen in R
Arrays in R
Arrays erweitern Matrizen und können mehr als zwei Dimensionen haben, um mehrdimensionale Daten effizient zu speichern. Du erstellst ein Array in R mit der Funktion array().
Das Argument dim = c(2, 2, 2) legt die Dimensionen des Arrays fest. Hier bedeutet das: drei Dimensionen (ein 3D-Array) mit 2 Zeilen, 2 Spalten und 2 Ebenen (Tiefe). Die Ausgabe des obigen Codes siehst du unten. Mehr zu Arrays findest du im Tutorial Arrays in R.
my_array = array(1:8, dim = c(2, 2, 2))
print(my_array)
Ein Array in R erstellen
Listen in R
Listen sind vielseitige Datenstrukturen in R, die eine Mischung aus Objekten unterschiedlicher Typen und Größen aufnehmen können. Du erstellst eine Liste mit der Funktion list().
my_list <- list(name="DataCamp", year=2024, scores=c(80, 90, 85), active=TRUE)
print(my_list)
Der Inhalt einer Liste in R
Sobald die Liste erstellt ist, kannst du auf ihre Elemente per Index oder per Namen zugreifen.
print(my_list[[3]])
print(my_list$name)
print(my_list$scores)
Auf Listenelemente in R zugreifen
Faktoren in R
Anders als Vektoren, Matrizen oder Listen definieren Faktoren keine Speicherstruktur, sondern beschreiben, wie Daten innerhalb dieser Strukturen behandelt werden sollen. Du kannst Faktoren daher als Datentyp ähnlich zu Integer- oder Zeichentypen verstehen.
Ich habe Faktoren aufgenommen, weil sie in R für kategoriale Daten unverzichtbar sind – besonders bei statistischen Verfahren, in denen die Unterscheidung zwischen kategorialen und kontinuierlichen Variablen wichtig ist. Das unterscheidet R von Python, wo kategoriale Merkmale meist per Dummy- oder One-Hot-Encoding in numerische überführt werden müssen.
Faktoren erstellst du mit der Funktion factor() wie unten gezeigt:
gender <- factor(c("male", "female", "female", "male"))
print(gender)
Faktoren in R
Faktoren besitzen Ausprägungen (Levels) und können geordnet oder ungeordnet sein.
levels(gender) <- c("Female", "Male")
print(gender)
Factor Levels in R
Wenn du dir die Verteilung einer Faktorvariablen ansehen möchtest, nutze die Funktion summary(). Die Ausgabe zeigt hier, dass es jeweils zwei Einträge für Female und Male gibt.
summary(gender)
Zusammenfassung in R
Data Frames in R
Data Frames sind die bekannteste und am weitesten verbreitete Datenstruktur in R. Sie sind besonders praktisch, weil sie in verschiedenen Spalten unterschiedliche Datentypen enthalten können. Du kannst sie dir wie Tabellen in einer Datenbank oder CSV-Dateien vorstellen, da sie Daten in einem zweidimensionalen, rechteckigen Format speichern und verwalten.
Einen Data Frame erstellst du mit dem Befehl data.frame().
data_frame <- data.frame( Names = c("Kiran", "Ajey", "Carol"), Age = c(25, 30, 35), Gender = c("Female", "Male", "Female"))
# Printing the data frame
print(data_frame)
Ein Data Frame in R
Auf den Inhalt eines Data Frames kannst du auf mehrere Arten zugreifen, spalten- oder zeilenweise.
# Prints all names - use the $ sign
print(data_frame$Names)
# Access the first row
print(data_frame[1, ])
# Access the second column
print(data_frame[, 2])
Elemente eines Data Frames in R
Data Frames sind für Datenaufbereitung und -analyse enorm nützlich, weil sie Operationen wie Subsetting und Sortieren unterstützen und sich leicht für deskriptive Statistiken ausgeben lassen.
Einen Data Frame in R subsetten
subset_female <- data_frame[data_frame$Gender == 'Female', ]
print(subset_female)
Ein Subset eines Data Frames in R
Einen Data Frame in R sortieren
# Sorting
data_frame <- data_frame[order(data_frame$Age), ]
print(data_frame)
Ein sortierter Data Frame in R
Einen Data Frame in R zusammenfassen
# Statistical summary
summary(data_frame)
Deskriptive bzw. statistische Zusammenfassung in R
Wie du in den Ausgaben siehst, sind Operationen auf Data Frames in R sehr unkompliziert. Je tiefer du in die Datenanalyse einsteigst, desto deutlicher wird: Data Frames sind extrem vielseitig und mächtig für Datenmanipulation, Analyse und Visualisierung. Wenn du weitere Funktionen erkunden möchtest, schau dir unser Tutorial Data Frames in R an.
Mit R weiterarbeiten
Dieses Tutorial hat dir einen Überblick über die verschiedenen Datenstrukturen in R und ihren Einsatz in realen Analyseszenarien gegeben. Wenn du diese Strukturen beherrschst, steigerst du deine analytischen Kompetenzen und kannst Daten effektiv verwalten und auswerten.
Auf deinem weiteren Weg wirst du entdecken, dass R eine besondere Programmiersprache ist – bekannt für starke statistische Fähigkeiten und eine umfangreiche Bibliothekslandschaft. Die Einarbeitung lohnt sich für alle, die sich für Datenanalyse begeistern.
Weitere R-Tutorials findest du hier:
Wenn du noch tiefer einsteigen willst, lies unsere R Programming Interview Questions & Answers – ideal zur Interviewvorbereitung oder einfach zum Lernen. Der Artikel bietet viele Fragen und Antworten und hilft dir, Wissenslücken gezielt zu schließen.
Themen