Всем привет.
В сегодняшнем уроке Вы узнаете как запускать R скрипты непосредственно из SAS.
Всем привет.
В сегодняшнем уроке Вы узнаете как запускать R скрипты непосредственно из SAS.
# Установка package:
install.packages("haven")
# Загрузка библиотеки в R
library(haven)
data = read_sas("D:/_tmp/hadley.sas7bdat")
Что-то давно никто не писал тут, походу все в отпусках. Раз так, то позволю себе написать пост про применение R для построения графиков. Данные будут взяты из предыдущего поста. Для этого можно пройти на страницу Wiki, скопировать и сохранить табличку в csv file: link.
Считываются данные одной строкой:
data <- read.table(«./AnscombeQuartet.csv», header = TRUE, sep =»,»)
После этого все столбцы доступны по соответствующему header name:
data$x1
Далее можно проверить статистики, соответствуют ли они заявленным значениям.
Сделать это можно двумя способами:
Все статистики совпадают с заявленными. Теперь построим графики:
Если нужно построить всего один график, то делается это очень просто;
plot(data$x1, data$y1, xlab = «x», ylab = «y») #xlab, ylab add label names
Но нам нужно пробежаться по всем столбцами и уместить все 4 графика в одну фигуру. Это можно сделать в цикле:
par(mfrow=c(2,2), mar=c(2.0, 1.5, 1.5, 1.5), oma = c(2,2,2,2), pch = 16)
for(i in 1:4){
x = eval(parse(text = paste( «data$x», i, sep=»» )))
y = eval(parse(text = paste( «data$y», i, sep=»» )))
plot( x, y )
abline( lm(y ~ x) )
grid( 10,10 )
}
Получаем график (на всякий случай в высоком разрешении: URL):
Пояснения:
Весь R код использованный при написании поста можно найти ТУТ.
Всем добрый день.
Недавно Николай пригласил меня в этот блог и я решил написать свой первый пост. Сразу оговорюсь, что я не использую на данный момент SAS в своей работе (зато раньше использовал, несколько лет). Но тем не менее, продолжаю интересоваться новосятми о том, что делает SAS в области аналитики и data mining. В своих экспериментах я буду использовать язык R, который бесплатен и Open Source. Надеюсь про него будет интересно почитать и SAS программистам, тем более что в некоторых своих продуктах SAS предоставляет возможность вызова функций написанных на R.
Итак, в первом своем коротком сообщении я расскажу про необычное, на первый взгляд, поведение функции, вычисляющей Гауссову плотность вероятности в точке, при заданных значениях среднего и стандартного отклонения. Как известно, общий вид этой функции:
[ f( x | mu, sigma^2 ) = frac{1}{sigma sqrt{2 pi}} exp(-frac{1}{2} (frac{x-mu}{sigma})^2 ) ]
Интуитивно я все время думал, что раз уж речь идет о вероятности, то значение ну никак не может быть больше 1. Изначально, первый пост я хотел написать про Байесовые классификаторы, но он еще не окончен. Так вот, вычисляя условные вероятности, во время имплементации классификатора, я столкнулся с этим явлением, и стал искать ошибку, ну а потом провел простой эксперимент.
Чтобы посчитать плотность вероятность в точке, запишем функцию:
probability <- function(x, mu, sigma) {
p <- (1/(sigma * sqrt(2 * pi))) * exp(-0.5 * ((x - mu)/sigma)^2)
return(p)
}
probability(5.1, 5.06, 0.35)
## [1] 1.132
То же самое можно сделать проще, используя встроенную функцию:
dnorm(5.1, 5.06, 0.35)
## [1] 1.132
Оказывается это совсем не ошибка, а хорошо известная вещь. Картина проясняется, если вспомнить, что речь идет именно о плотности веротности, которая действительно может принимать значения больше единицы. На просторах интернета я нашел следующий поясняющий пример. Рассмотрим непрерывное равноемерное распределение на интервале ( [0, frac{1}{2}] ) с плотностью вероятности в каждой точке интервала равным ( 2 ) и ( 0 ) во всех остальных точках. Тогда интеграл от ( 0 ) до ( 2 ) равен ( 1 ), как того и требует определение.