HOC 3: Werken met strings

nchar()

number of characters: telt het aantal tekens

tolower()

convert to lower case: zet alles in kleine letters

toupper()

convert to upper case: zet alles in hoofdletters

casefold()

case folding: om alle letters in een tekst (string) om te zetten naar kleine letters of hoofdletters

heeft 1 belangrijke parameter genaamd upper:

• upper = FALSE (standaard): zet tekst om naar kleine letters (lowercase).

• upper = TRUE: zet tekst om naar hoofdletters (uppercase).

chartr()

character translation: bepaalde tekens in vector omzetten naar andere (bv.: om van DNA naar RNA te gaan “T” vervangen door “U”)

abbreviate()

abbreviation: de vector afkorten naar een gevraagd aantal tekens

substring()

substrings of a character vector: een deel van een tekststring (of vector van strings) te extraheren

substr()

substrings of a character vector: een deel van een tekststring (of vector van strings) te extraheren

substr() vs substring()

substr(): je moet een specifieke stopwaarde aangeven (bv.: als je bij een string van 23 tekens van teken 3 tot het laatste teken wilt zien, moet je een specifieke waarde geven (de naam/het cijfer tot waar je wilt); dus: van 3 tot 23)

substring(): je moet geen stopwaarde geven (bv.: als je bij een string van 23 tekens van teken 3 tot het laatste teken wilt zien, moet je geen specifieke waarde geven (je mag “last” gebruiken om de gegevens tot het einde te krijgen); dus: van 3 tot last)

length()

telt het aantal elementen

length() vs nchar()

length(): telt het aantal elementen in de vector

nchar(): telt het aantal tekens in de elementen

sep =

een separator: is een scheidingsfunctie

sep = “ “

sep = “,”

sep = “.”

sep = “_”

…

sep = “ “ : er is geen scheiding

sep = “,” : elementen worden gescheiden door een komma

sep = “.” : elementen worden gescheiden door een punt

sep = “_” : elementen worden gescheiden door een laag streepje

…

collapse

voegt elementen v.h. resultaat samen tot 1 string

readline()

geeft tekst terug

trimws()

verwijdert buitenste witruimte

grepl()

zoeken naar tekstpatronen (reguliere expressies) binnen een tekst of een vector van teksten; antwoord is altijd TRUE of FALSE

bv.:

we hebben een lijst met fruitsoorten:

fruit <- c("appel", "banaan", "aardbei", "peer")

als we willen controleren welke vruchten de letters "aa" bevatten, gebruiken we grepl():

grepl("aa", fruit)

resultaat

[1] FALSE  TRUE  TRUE FALSE

• "appel" en "peer" bevatten geen "aa" (FALSE).

• "banaan" en "aardbei" bevatten wel "aa" (TRUE).

\n

nieuwe regel

print() vs cat()

print():

• laat ruwe data zien zoals R deze intern opslaat

• result1 ← print(Text)

  • geeft de waarde volledig terug

cat():

• ( = concatenate, samenvoegen)

• maakt tekst mooi leesbaar voor de gebruiker

• result2 ← cat(Text)

  • geeft zelf geen bruikbare data terug aan R

  • het resultaat is leeg ( NULL )

complement

vervangt basen

reverse complement

vervangt basen en keert daarna de volgorde om

1) basen vervangen (complement maken)

r

# Voorbeeldsequentie
dna <- "ATGCGT"

# Vervang A->T, T->A, C->G, G->C
complement <- chartr("ATCG", "TAGC", dna)
print(complement)
# Output: "TACGCA"

2) complement omkeren

r

# 1. Knip de string in losse karakters (geeft een lijst terug)
gesplitst <- strsplit(complement, split = "")

# 2. Haal de losse letters uit de lijst en draai de volgorde om
omgedraaid <- rev(gesplitst[[1]])

# 3. Plak de letters weer samen tot één string
reverse_complement <- paste(omgedraaid, collapse = "")
print(reverse_complement)
# Output: "ACGCAT"

package installeren

install.packages()

install.packages(“readxl”)

installeert readxl

library(readxl)

maakt de functies beschikbaar zonder voorvoegsel

head(x)

toont eerste rijen v. een dataset

str(x)

toont de structuur en types v. een dataset

welk gereedschap past bij h. bestand? (bekijken)

read.csv()

gebruikt standaard komma’s als scheiding

read.cvs2()

gebruikt puntkomma’s en een decimale komma als scheiding

leesbaar programmeren

• betekenisvolle namen

  • tips:

    • gebruik letters, cijfers, punten en underscores

    • vermijd gereserveerde woorden zoals “if” en “for”

    • R onderscheidt hoofdletters v. kleine letters!!!

  • bv.: staal_id, bereken_bmi,…

• structuur v. een script

  • splits code op → samenhang verbetert

  • beschrijf bovenaan h. doel

• commentaar en witruimte: maak redenering leesbaar

  • commentaarregel begint met #

• blokken en inspringing: consistente opmaak helpt fouten zien

  • zet bij vooerkeur een if-blok op dezelfde regel als de voorafgaande accolade

uitvoer vs. teruggegeven waarde

soorten vectoren

1) atomaire vectoren (homogeen)

• eendimensionale reeksen waar elk element verplicht v. hetzelfde gegevenstype is

• soorten:

  • double (or numeric): slaat decimale getallen op

  • integer: bevat uitsluitend gehele getallen

  • logical: vertegenwoordigt logische waarden die alleen TRUE of FALSE kunnen zijn

  • character: voor tekst en tekenreeksen

  • complex: slaat complexe getallen op met een reëel en imaginair deel

  • raw: bewaart gegevens op het laagste niveau, als ruwe bytes

2) lijsten (heterogeen)

• gemengde inhoud: kunnen verschillende gegevenstypes tegelijk bevatten

• geneste structuur: kan bv. een combinatie v. getallen, tekst en zelfs andere lijsten opslaan

3) afgeleide objecten

• R bouwt complexere structuren door extra eigenschappen aan vectoren of lijsten toe te voegen

• soorten:

  • matrices en arrays: voegen structuren (rijen en kolommen) toe aan atomaire vector

  • factors: atomaire integer-vectoren met tekstlabels

    • voor categorische data

  • date time: datum- en tijdobjecten zijn numerieke atomaire vectoren die h. aantal dagen of seconden sinds een startdatum tellen

  
  

  • data frames: bekende datatabellen; zijn technisch gezien lijsten waarin elke kolom een atomaire vector van gelijke lengte is

  • “complex” objects: geavanceerde structuren, zoals de resultaten van een statistisch model, combineren vaak zowel lijsten als atomaire vectoren

datatypes

dimensieonaliteit: reeks, tabel of meerdere lagen

verschillende soorten structuren

c()

maakt een character-vector

bv.: c(12, “bloed”)

kenmerken factoren

• representeren categorische variabelen

• bevatten integercodes met labels in levels

• kunnen geordend of ongeordend zijn

• numeriek label is niet hetzelfde als numerieke meting

byrow

• in welke volgorde gegevens in een matrix worden geplaatst

• standaard staat deze waarde op FALSE

  • R vult matrix altijd kolom voor kolom in plaats van rij voor rij

• bv.:

  • r

    # 1. Standaard (byrow = FALSE): vult per kolom
    matrix(1:6, nrow = 2, ncol = 3, byrow = FALSE)
    # Resultaat:
    #      [,1] [,2] [,3]
    # [1,]    1    3    5
    # [2,]    2    4    6
    
    # 2. Met byrow = TRUE: vult per rij
    matrix(1:6, nrow = 2, ncol = 3, byrow = TRUE)
    # Resultaat:
    #      [,1] [,2] [,3]
    # [1,]    1    2    3
    # [2,]    4    5    6

diag()

maakt een diagonaalmatrix met het argument

rbind()

om vectoren, matrices of data frames verticaal onder elkaar te plakken tot één groter object

bv.:

r

# Twee kleine data frames maken
df1 <- data.frame(Naam = c("Jan", "Piet"), Leeftijd = c(25, 30))
df2 <- data.frame(Naam = c("Klaas", "Marie"), Leeftijd = c(28, 35))

# Samenvoegen onder elkaar
totaal <- rbind(df1, df2)

cbind()

om vectoren, matrices of data frames horizontaal aan elkaar te plakken tot één groter object

%*%

berekent het matrixproduct → ncol(A) = nrow(B)

$-operator

• algemene schrijfwijze is object$naam</code></p></li><li><p>om een specifiek onderdeel (zoals een kolom of element) bij naam op te halen of aan te passen uit een dataframe, een lijst (list) of een environment</p></li><li><p>bv.:</p><ul><li><p><span><strong>kolom uit een dataframe halen:</strong></span></p><ul><li><p><span>stel: dataset met de naam </span><code>klanten</code><span> en daarin zit een kolom </span><code>leeftijd</code></p></li><li><p><code>klanten$leeftijd geeft je alle waarden uit die kolom als een vector

• nieuwe kolom toevoegen:

  • je kunt de operator ook gebruiken om data toe te voegen of te overschrijven

  • met klanten$land <- "België"</code><span> maak je direct een nieuwe kolom aan</span></p></li></ul></li></ul><p></p><ul><li><p><span><strong>element uit een lijst (list) selecteren:</strong></span></p><ul><li><p><span>bij een lijst werkt het precies hetzelfde</span></p></li><li><p><span>als </span><code>mijn_lijst</code><span> een onderdeel </span><code>scores</code><span> heeft, roep je dat op met </span><code>mijn_lijst$scores

bij dataframes/matrices: [[ ]]

neemt de inhoud v. 1 kolom

bij dataframes/matrices: [ ]

[ ] met een kolomnaam bewaart een dataframe

apply(), lapply(), sapply()

bij for-lus: for (i in seq_along(x))

lus waarbij voor elk element in het object x één keer wordt uitgevoerd, waarbij de variabele i steeds de positie (index) van dat element aanneemt

lus stoppen

break

“next” bij een lus

• om de rest v.d. huidige iteratie (stap) in een lus over te slaan en direct door te gaan naar de volgende iteratie

• de lus zelf wordt hierdoor dus niet afgebroken, maar hervat meteen bij de volgende waarde