Tipe Data R: Panduan Komprehensif untuk Pemula

Halo sana, calon pemrogram R! Saya sangat senang menjadi panduanmu dalam perjalanan menarik ini ke dunia tipe data R. Sebagai seseorang yang telah mengajarkan pemrograman selama tahun-tahun, saya bisa menjamin bahwa memahami tipe data adalah seperti belajar alfabet sebelum menulis novel. Ini adalah dasar, dan saya berjanji akan membuatnya sebanyak mungkin menyenangkan dan mudah. Jadi, mari kita masuk ke dalamnya!

Vektor: Blok Pembangun R

Vektor adalah struktur data paling sederhana dan fundamental dalam R. Pensejelas seperti baris kotak, masing-masing berisi satu piece data yang sama jenis.

Membuat Vektor

# Vektor numerik
numbers <- c(1, 2, 3, 4, 5)

# Vektor karakter
fruits <- c("apple", "banana", "cherry")

# Vektor logis
is_raining <- c(TRUE, FALSE, TRUE, FALSE)

Dalam contoh ini, c() adalah fungsi gabung yang membuat vektor. Itu seperti tongkat sihir yang mengelompokkan data kita bersama!

Mengakses Elemen Vektor

# Mencetak elemen kedua vektor fruits
print(fruits[2])  # Output: "banana"

# Mencetak elemen pertama dan ketiga
print(fruits[c(1, 3)])  # Output: "apple" "cherry"

Kita gunakan kurung siku [] untuk mengakses elemen tertentu. Itu seperti mencapai ke dalam baris kotak dan mengambil tepat apa yang kita butuhkan.

List: pisau swiss struktur data

List adalah seperti super-vektor yang dapat mengandung jenis data yang berbeda, bahkan list lainnya!

Membuat dan Mengakses List

my_list <- list(
name = "Alice",
age = 30,
likes = c("pizza", "coding", "cats")
)

# Mengakses elemen list
print(my_list$name)  # Output: "Alice"
print(my_list[[2]])  # Output: 30
print(my_list[["likes"]][2])  # Output: "coding"

List menggunakan $ atau [[]] untuk mengakses elemen. Itu seperti membuka tas dengan berbagai ruangan!

Matriks: Penataan Data 2D

Matriks seperti spreadsheet: mereka memiliki baris dan kolom, semua diisi dengan jenis data yang sama.

Membuat dan Memanipulasi Matriks

# Membuat matriks 3x3
my_matrix <- matrix(1:9, nrow = 3, ncol = 3)

# Mencetak matriks
print(my_matrix)

# Mengakses elemen di baris ke-2, kolom ke-3
print(my_matrix[2, 3])  # Output: 8

Matriks menggunakan notasi [baris, kolom] untuk mengakses. Itu seperti menemukan kursi di bioskop!

Array: Struktur Data Multi-dimensi

Array seperti matriks yang bertumpuk, sempurna untuk merepresentasikan data multi-dimensi.

Membuat dan Bekerja dengan Array

# Membuat array 2x3x2
my_array <- array(1:12, dim = c(2, 3, 2))

# Mencetak array
print(my_array)

# Mengakses elemen di baris pertama, kolom kedua dari matriks kedua
print(my_array[1, 2, 2])  # Output: 10

Array memperpanjang notasi matriks kita ke beberapa dimensi. Itu seperti menavigasi kubus 3D!

Faktor: Penanganan Data Kategorik

Faktor digunakan untuk data kategorik, seperti mengelompokkan item atau merepresentasikan tingkatan.

Membuat dan Menggunakan Faktor

# Membuat faktor
sizes <- factor(c("small", "medium", "large", "medium", "small"))

# Mencetak faktor
print(sizes)

# Mendapatkan tingkatan faktor
print(levels(sizes))

Faktor sangat cocok untuk data yang masuk ke kategori yang berbeda. Pensejelas seperti label dalam sistem berkas!

Data Frame: Kuda Kerja Analisis Data

Data frame seperti spreadsheet di R, mampu menahan jenis data yang berbeda dalam setiap kolom.

Membuat dan Memanipulasi Data Frame

# Membuat data frame
students <- data.frame(
name = c("Alice", "Bob", "Charlie"),
age = c(22, 25, 23),
grade = c("A", "B", "A")
)

# Mencetak data frame
print(students)

# Mengakses kolom tertentu
print(students$age)

# Memilih baris berdasarkan kondisi
print(students[students$age > 23, ])

Data frame menggabungkan yang terbaik dari vektor dan list. Itu seperti lemari berkas yang terorganisir baik untuk data Anda!

Tabel Metode

Berikut adalah tabel metode umum untuk setiap jenis data:

Tipe Data	Metode Pembuatan	Metode Akses	Fungsi Umum
Vektor	c()	[]	length(), sum(), mean()
List	list()	$, [[]]	names(), unlist()
Matriks	matrix()	[baris, kolom]	dim(), t(), rowSums()
Array	array()	[,,]	dim(), aperm()
Faktor	factor()	[]	levels(), nlevels()
Data Frame	data.frame()	$, []	nrow(), ncol(), subset()

Ingat, latihan membuat sempurna! Jangan takut untuk mencoba jenis data ini di konsol R Anda. Itu seperti bermain dengan LEGO blok – semakin banyak Anda membangun, semakin Anda akan memahami bagaimana mereka cocok bersama.

Saat kita mengakhiri panduan ini, saya harap Anda merasa lebih percaya diri tentang tipe data R. Setiap satu memiliki kekuatan tersendiri, dan mengetahui kapan untuk menggunakan yang mana adalah keterampilan yang akan membantu Anda dalam perjalanan analisis data Anda.

Tetap kode, tetap curiga, dan ingat – di dunia R, data adalah taman Anda! Selamat programming!

Credits: Image by storyset