Einführung in R

Die Auswertung von wissenschaftlichen Daten mit R ist nicht schwierig und bietet unzählige Möglichkeiten zur Darstellung und Analyse. Im folgenden werden die grundlegenden Schritte aufgezeigt.
R Installieren
Installationspakete für R und RStudio können von dieser Seite herunterladen und installieren
Zuerst sollte R installiert werden
Danach wird die Oberfläche RStudio installiert
Starte danach RStudio
Beispiel: Clusteranalyse
Erstelle eine neuen Ordner für die Analyse (z.B. IntroR)
Lade nun den Beispieldatensatz deinen PC und kopiere ihn in diesen Ordner
aehnlichkeiten5j0123 (XLSX, 13.53 KB){.tm-download file-xlsx}
Kopiere folgenden Code in R Studio
data = read.csv("Aehnlichkeiten5J0123.csv")
rownames(data) = data$X
data$X = NULL
#data$X.1 = NULL
d = dist(scale(data))
hc = hclust(d, method = "complete")
plot(hc)
# principle component analysis
res = prcomp(scale(data))
plot(res)
biplot(res)
Experiment: Pflanzenwachstum
root shoot ratio (XLSX, 19.15 KB){.tm-download file-xlsx}
Vorgehen
.xlsx "aufräumen" und als .csv abspeichern
Daten in R importieren
Datentypen prüfen
grob graphisch darstellen für ersten Einblick
Relevante Messwerte wählen & Gruppen zuteilen
Spezifischen Plot erstellen
Unterschiede zwischen Gruppen testen
data = read.csv("Root_Shoot_Ratio_Br_Da_3G0320_clean.csv", sep=",")
data
plot(data)
plot(data$Dünger, data$Spross..mm.)
data$dünger_conc = 10^data$Dünger
data$ratio = as.double(data$ratio)
plot(data$dünger_conc, data$Spross..mm.)
plot(data$dünger_conc, data$Spross..mm.)
data$Dünger = factor(data$Dünger, levels = c(0,1,-1,-3), labels = c("kein", "viel", "wenig", "sehr wenig"))
plot(data$Dünger, data$Spross..mm.)