dpexamples.txt

# Örnek 3.1: R'de basit aritmetik işlemler
3*5
a <- 3
b <- 5
a*b
x <- c(3, 2, 6, 8)
sum(x)
mean(x)

# Örnek 3.2: Paketlerin kurulması
install.packages()

# Örnek 3.3: Belirli bir paketin kurulması
install.packages("xlsx")

# Örnek 3.4: Paket kurulumunda hata
install.packages("xlsx")

# Örnek 3.5: Kurulu paketlerin (R kütüphanesinin) listelenmesi
library()

# Örnek 3.6: Kurulu paketin R çalışma alanına yüklenmesi
library(xlsx)

# Örnek 3.7: Kurulu paketin R çalışma alanına yüklenmesi
require(xlsx)

# Örnek 3.8: Paketteki fonksiyonların çalıştırılması 1
x <- read.xlsx("ornek1.xlsx", sheetIndex=1, header=TRUE)

# Örnek 3.9: Paketteki fonksiyonların çalıştırılması 2
x <- xlsx::read.xlsx("ornek1.xlsx", sheetIndex=1, header=TRUE)

# Örnek 3.10: Çalışma alanındaki paketin kaldırılması
detach(package:xlsx, unload=TRUE)

# Örnek 3.11: R komutlarının çalıştırılması 
x <- c(4, 5, 8, 10)
y <- c(3, 2, 5, 8)
xy <- x*y
topxy <- sum(xy)
print(topxy)

# Örnek 3.12: R betiğini çalıştırma
setwd("C:\\Rprogramlari")
source("xycarpim.R")

# Örnek 3.13: R betiğini çalıştırma 2
setwd("D:\\Rprogramlari")
source("xycarpim2.R")

# Örnek 3.14: R betiğini çalıştırma 3
setwd("D:\\Rprogramlari")
source("xycarpim3.R")

# Örnek 3.15: Kullanıcı tanımlı fonksiyonu çalıştırma 1
x <- c(4, 5, 8, 10)
y <- c(3, 2, 5, 8)
xycarptop(x, y)

# Örnek 3.16: Kullanıcı tanımlı fonksiyonu çalıştırma 2
a <- c(4, 5, 8, 10)
b <- c(3, 2, 5, 8)
xycarptop(a, b)

# Örnek 3.17: Kullanıcı tanımlı fonksiyonu çalıştırma 3
a <- c(4, 5, 8, 10)
b <- c(3, 2, 5, 8)
xycarptop(x=a, y=b)

# Örnek 3.18: Kullanıcı tanımlı fonksiyonu çalıştırma 3
a <- c(4, 5, 8, 10)
b <- c(3, 2, 5, 8)
xycarptop(y=b, x=a)

# Örnek 3.19: Kullanıcı tanımlı fonksiyonu çalıştırma 4
a <- c(4, 5, 8, 10)
b <- c(3, 2, 5, 8)
xycarptop(x=a)
xycarptop()

# Örnek 3.20: Kullanıcı tanımlı fonksiyonu çalıştırma 5
a <- c(2, 1, 1)
b <- c(10, 4, 6)
xycarptop(x=a, y=b)
b <- c(1, 2, 3)
xycarptop(x=a, y=b)

# Örnek 3.21: Kullanıcı tanımlı fonksiyonu çalıştırma 6
x <- c(4, 4) ; y <- c(3, 2)
xyt <- xycarptop(x=x, y=y)
print(xyt)

# Örnek 3.22: Fonksiyon çıktılarını kullanma 1
a <- c(4, 4)
b <- c(3, 2)
xyt <- xycarptop(x=a, y=b)
sqrt(xyt)

# Örnek 3.23: Fonksiyon çıktılarını kullanma 2
a <- c(4, 4)
b <- c(3, 2)
sqrt(xycarptop(x=a, y=b))

# Örnek 3.24: Fonksiyon çıktılarını kullanma 3
a <- c(4, 4)
b <- c(3, 2)
lnxycpt <- log(sqrt(xycarptop(x=a, y=b)))
print(lnxycpt)

# Örnek 3.25: magrittr paketini kurma ve çalışma alanına yükleme
install.packages("magrittr")
library(magrittr)

# Örnek 3.26: Fonksiyondan fonksiyona değer akıtma 1
lnxycpt <- xycarptop(a,b) %>% sqrt %>% log

# Örnek 3.27: Fonksiyondan fonksiyona değer akıtma 2
lnxycpt <- log(sqrt(xycarptop(x=a, y=b)))

# Örnek 3.28: R'den çıkma
q()

# Örnek 3.29: R'den çalışma alanını kaydederek çıkma 1
q(save = "default", status = 0, runLast = TRUE)

# Örnek 3.30: R'den çalışma alanını kaydederek çıkma 2
savehistory(file = "xkumeleme.Rhistory") # kaydetme
loadhistory(file = "xkumeleme.Rhistory") # geri yükleme

# Örnek 3.31: Çalışma geçmişini görüntüleme
history(max.show = 10, reverse = TRUE)

# Örnek 3.32: Çalışma geçmişini görüntüleme
ls()
rm(x)
ls()

# Örnek 3.33: R'nin güncellenmesi
if(!require(installr)) {
   install.packages("installr");  require(installr)} 
if(check.for.updates.R()){
   install.R() ; 
   copy.packages.between.libraries()}

# BÖLÜM 4 ###########################################################

# Örnek 4.1: Tamsayı sınırlarını öğrenme
.Machine$integer.max

# Örnek 4.2: Tamsayı tanımlama
yas <- 21L
hatakod <- 99L
ogrno <- 2017360055L

# Örnek 4.3: double tipinde sayı sınırlarını öğrenme
.Machine$double.xmax

# Örnek 4.4: double tipinde sayı tanımlama
suph <- 8.2
konstrasyon <- 2.38e-12
karecarpim <- 3e+64
yaricap <- 0.0005
xort <- 129.567788

# Örnek 4.5: Kompleks sayı tanımlama
x <- complex(real = 2, imaginary = 1)
x

# Örnek 4.6: Karakter dizesi tanımlama
mesaj <- "Merhaba" 
mesaj
d <- "Can"
ad
il <- 'Adana'
il
plaka <- "01WW999"
plaka
skod <- "T"
skod
ilkod <- "01"
ilkod

# Örnek 4.7: Karakter dizesini ham veriye dönüştürme
mesaj <- charToRaw("Merhaba")
mesaj
il <- charToRaw("Adana")
il

# Örnek 4.8: Mantıksal veri tanımlama
dosyaacik <- TRUE
dosyaacik
dosyaacik <- FALSE
dosyaacik
dosyasonu <- TRUE
dosyasonu

# Örnek 4.9: Vektör tanımlama
cesit <- c("İnek","Keçi","Koyun", "Manda")
cesit
su <- c(87.3, 87.1, 82.9, 82.1)
su
protein <- c(3.4, 3.7, 5.4, 4.2)
protein
yag <- c(3.5, 4.1, 6.2, 7.9)
yag
laktoz <- c(4.8, 4.2, 4.3, 4.9)
laktoz
sisesut <- c(TRUE, FALSE, FALSE, TRUE)
sisesut
mineral <- c(0.75, 0.78, 0.85, 0.78)
mineral

# Örnek 4.10: Boş vektör tanımlama
x <- c()
x

# Örnek 4.11: Vektör elemanlarına erişim
protein
protein[1]
protein[3]
protein[2:3]
protein[5]

# Örnek 4.12: Vektör elemanlarına erişim
protein[0]

# Örnek 4.13: Vektörün devriği
protein
t(protein)

# Örnek 4.13: Veri çerçevesi oluşturma
sutbilesen <- data.frame(cesit, protein, yag, laktoz, sisesut)
sutbilesen

# Örnek 4.14: Veri çerçevesine yeni sütun (değişken) ekleme 1
sutbilesen$mineral  <- mineral
sutbilesen

# Örnek 4.15: Veri çerçevesine yeni sütun (değişken) ekleme 2
sutbilesen <- sutbilesen[,-6] # daha önce ekleneni çıkar
sutbilesen  <- cbind(sutbilesen, mineral)
sutbilesen

# Örnek 4.16: Veri çerçevesindeki değerlere erişim 1
sutbilesen[3,2]

# Örnek 4.17: Veri çerçevesindeki değerlere erişim 2
sutbilesen[2,]

# Örnek 4.18: Veri çerçevesindeki değerlere erişim 3
sutbilesen[2:3,]

# Örnek 4.19: Veri çerçevesindeki değerlere erişim 4
sutbilesen[,5]

# Örnek 4.20: Veri çerçevesindeki değerlere erişim 5
sutbilesen[,4:6]
sutbilesen[,c(1,3,6)]

# Örnek 4.21: Veri çerçevesindeki değerlere erişim 6
sutbilesen$cesit 
sutbilesen$mineral

# Örnek 4.22: Matris tanımlama 1
m <- matrix(c(15,61,27,38,91,30), nrow=2, ncol=3)
m

# Örnek 4.23: Matris tanımlama 2
m <- matrix(c(1), nrow=3, ncol=3)
m

# Örnek 4.24: Matris tanımlama 3
m <- matrix(c(3,6,1,4), ncol=4, nrow=4)

# Örnek 4.25: Matris tanımlama 4
m <- matrix(c(15,26), ncol=3, nrow=3)
m

# Örnek 4.26: Matris tanımlama 5
m1 <- matrix(c(8, 3, 9), ncol=3, nrow=3)
m1
m2 <- matrix(c(8, 3, 9), ncol=3, nrow=3, byrow=TRUE)
m2

# Örnek 4.27: Matris tanımlama 6
harfmat <- matrix(c('A','B','C'), nrow=3, ncol=3)
harfmat

# Örnek 4.28: Matris tanımlama 7
km1 <- matrix(c(1,'A',3,'B'), nrow=2, ncol=2, byrow=TRUE)
km1
km2 <- matrix(c(1,TRUE,3,FALSE,4,FALSE),nrow=3,ncol=2, byrow=TRUE)
km2

# Örnek 4.29: Matris elemanlarına erişim
m <- matrix(c(5,6,7,8,9,10), nrow=3, ncol=2)
m
m[1,1]
m[1,2]
m[2,1]

# Örnek 4.30: Liste tanımlama
il <- "Adana"
yillar <- c(2017, 2018)
smuretim <- matrix(c(1.1, 1.3, 2.1, 2.5), ncol=2, nrow=2, byrow=T)
adanatarim <- list(il, yillar, smuretim)
adanatarim

# Örnek 4.31: Liste elemanlarına erişim
adanatarim[[1]]
adanatarim[[2]]
adanatarim[[3]]

# Örnek 4.32: Liste elemanlarını matris olarak kullanma
smuretim <- matrix(adanatarim[[3]], ncol=2,nrow=2)
smuretim

# Örnek 4.33: Liste elemanlarını kullanma
adanatarim <- list(lokasyon = il, donem = yillar, uretim = smuretim)
adanatarim

# Örnek 4.34: Liste elemanlarının adlarını öğrenme
names(adanatarim)

# Örnek 4.35: Liste elemanlarına erişimde alternatifler
adanatarim[[3]]
adanatarim[["uretim"]]
adanatarim$uretim

# Örnek 4.36: Dizi tanımlama 1
matdizi <- array(dim=c(3,2,2))
matdizi

# Örnek 4.37: Dizi tanımlama 2
x <- c(3,4,2,9,4,5,6,12,3,2,1,6)
matdizi <- array(x,dim=c(3,2,2))
matdizi

# Örnek 4.38: Dizi elemanlarına erişim 1
matdizi[1,1,1]
matdizi[2,2,1]
matdizi[2,2,]
matdizi[3,1,]
matdizi[,1,2]
matdizi[,2,1]
matdizi[,1,]
matdizi[,2,]

# Örnek 4.39: Dizi elemanlarına erişim 2
mat1 <- matdizi[,,1]
mat1
mat2 <- matdizi[,,2]
mat2

# Örnek 4.40: Faktör tanımlama 
gubredoz <- c("N20","N30","N50",
   "N20","N30","N50",
   "N20","N30","N50")
kirazverim <- c(90,118,140,90,113,137,75,105,144)
gubredoz
kirazverim

# Örnek 4.41: Karakter dizesini faktöre dönüştürme 
summary(kirazverim)
summary(gubredoz)
gubredoz1 <- factor(gubredoz)
gubredoz1
summary(gubredoz1)

# Örnek 4.42: Faktör seviyelerini listeleme 
levels(gubredoz1)

# Örnek 4.43: Faktör seviyelerini sıralama (ordinal veri)
gubredoz2 <- factor(gubredoz, levels=c("N20", "N30", "N50"), ordered=TRUE)
gubredoz2

# Örnek 4.44: Faktör seviyelerini sıralama (ordinal veri)
gubredoz2 <- factor(gubredoz2, levels=rev(levels(gubredoz2)))
gubredoz2

# Örnek 4.45: Faktör seviyelerini sıralama
gubredoz2 <- ordered(gubredoz1)
gubredoz2

# Örnek 4.46: Faktör seviyelerini yeniden kodlama
gubredoznumeric <- c(1,1,1,2,2,2,3,3,3,0,4)
dozkod <- c(N20 = 1, N30 = 2, N50 = 3)
gubredoz <- factor(gubredoznumeric, levels=dozkod, labels=names(dozkod))
gubredoz

# Örnek 4.47: Veri kümesi yükleme
attach(mtcars)

# Örnek 4.48: Frekans tablosu oluşturma
tablo1 <- table(cyl)
tablo1
tablo2 <- table(gear)
tablo2

# Örnek 4.49: Çapraz frekans tablosusu oluşturma
tablo3 <- table(cyl, gear) 
tablo3 

# Örnek 4.50: Tablo satır ve sütun toplamlarını hesaplama
margin.table(tablo3, 1) #Satır toplamları
margin.table(tablo3, 2) # Sütun toplamları
margin.table(tablo3)  # Genel toplam

# Örnek 4.51: Mozaik grafiği
mosaicplot(tablo3, 
  main="Cyl-Gear Mozaik Grafiği",
  xlab="Silindir sayısı", ylab="Vites sayısı",
  col="gray", cex=1)

# Örnek 4.52: Oransal frekanslar tablosu
prop.table(tablo3) # Oransal frekanslar tablosu
prop.table(tablo1, 1) # Satır seviye yüzdeleri
prop.table(tablo1, 2) # Sütun seviye yüzdeleri

# Örnek 4.53: Çok boyutlu frekans tablosu
tablo4 <- table(cyl,gear, carb)
ftable(tablo4) 

# Örnek 4.54: Çapraz frekans tablosu
tablo2 <- xtabs(~cyl+gear, data=mtcars)
ftable(tablo2) 

# Örnek 4.55: Çok boyutlu frekans tablosu
tablo3 <- xtabs(~cyl+gear+carb, data=mtcars)
ftable(tablo4) 

# Örnek 4.56: SPSS benzeri tablolar oluşturma
if(!require(gmodels)){
  install.packages("gmodels"); library(gmodels)
CrossTable(mtcars$cyl, mtcars$gear)

# Örnek 4.57: Kayıp değerler
x <- NA
x 
y <- c(1.2, 3.5, 4.1, NA, 2.6)
y
w <- c(TRUE, FALSE, NA, NA, TRUE)
w
f <- c("a", "b", NA, "e")
f

# Örnek 4.58: Sonsuz değer
a <- 5
b <- 0
s <- a/b
s
a=-5
s <- a/b
s

# Örnek 4.59: Sayı değil 
s <- 0/0
s

# Örnek 4.60: Vektör elemanlarına ad verme
x <- c(5,2,4,6)
x
names(x)
xnames <- c("x1","x2","x3", "x4")
names(x) <- xnames
x
names(x)

# Örnek 4.61: Adlandırılmış vektör elemanları
x[1]

# Örnek 4.62: Adları kaldırma
x <- unname(x)
x

# Örnek 4.63: Veri çerçevesinde adlar
xdf <- data.frame(cbind(c("Adana","Mersin","Osmaniye", "Hatay"),
 c(1.3, 0.98, 0.67, 1.2), c(4, 6, 2, 3)))
xdf

# Örnek 4.64: Veri çerçevesinde sütun adlarını listeleme 1
names(xdf)

# Örnek 4.65: Veri çerçevesinde sütun adlarını listeleme 2
colnames(xdf)

# Örnek 4.66: Veri çerçevesinde satır adlarını listeleme 1
row.names(xdf)

# Örnek 4.67: Veri çerçevesinde sütun ve satır adı listeleme 
dimnames(xdf)

# Örnek 4.68: Veri çerçevesinde sütun adlarını değiştirme 
sutad <- c("il", "nufus", "distic") 
colnames(xdf) <- sutad
xdf

# Örnek 4.69: Veri çerçevesinde satır adlarını değiştirme 
satad <- paste0("İl.",1:nrow(xdf)) 
rownames(xdf) <- satad
xdf

# Örnek 4.70: Veri çerçevesinde sütun ve satır adı değiştirme 
dimnames(xdf) <- list(satad, sutad)
xdf

# Örnek 4.71: Dizilerde satır ve sütun adları
gozlemler <-  sample(1:100, 24)
sutad <- paste0("v",1:4)
satad <- paste0("s",1:3)
matad <- paste0("Matris",1:2)
xarr <- array(gozlemler,dim = c(3,4,2),
   dimnames = list(satad, sutad, matad))
xarr
dimnames(xarr)

# Örnek 4.72: Öznitelikleri görüntüleme
attributes(xdf)

# Örnek 4.73: Belli bir nesnenin özniteliğini görüntüleme
iller <- c("Adana", "Mersin", "Osmaniye")
attributes(iller)

# Örnek 4.74: Öznitelik tanımlama
oznitiller <- list(bolge="Çukurova")
attributes(iller) <- oznitiller
iller
attributes(iller)

# Örnek 4.75: Öznitelik görüntüleme
attr(iller, "bolge")

# Örnek 4.76: Çok sayıda öznitelik tanımlama
yuzolcum <- c(2,1,3)
bolge <- list(bolge="Çukurova", yos=yuzolcum)
oznitiller <- list(bolge="Çukurova", yos=yos)
mostattributes(iller) <- oznitiller
iller
attributes(iller)

# Örnek 4.77: Öznitelik silme
attributes(iller) <- NULL
attributes(iller)

# Örnek 4.78: Kayıp değer sınaması
x <- c("Adana", NA, "Mersin", "Hatay", NA)
y <- c(34, 56, 48, NA, 43)
z <- c("A", "B", "C", "D", "E")
is.na(x)
is.na(y)
is.na(z)
anyNA(x)
anyNA(y)
anyNA(z)

# Örnek 4.79: Boyutları sorgulama
w <- 12L
length(w)
x <- c(12, 4, 8, 3)
length(x)
length(h)
y <- c(TRUE, FALSE, TRUE)
length(z)
z <- c(4+5i, 3.2+2i)
length(z)
l <- list(a=c(1,2,3), b=c("A", "B"), c=TRUE)
length(l)

# Örnek 4.80: Boyutları sorgulama 2
i <- "A" 
nchar(i)
il <- "Adana"
nchar(il)

# Örnek 4.81: Örnek veri çerçevesi tanımlama 
iller <- c("Adana", "Mersin", "Osmaniye")
nufus <- c(1.3, 0.978, 0.62)
xdf <- data.frame(iller, nufus)
xdf

# Örnek 4.82: Veri çerçevesi boyutlarını sorgulama 1
dim(xdf)

# Örnek 4.83: Veri çerçevesi boyutlarını sorgulama 2
xdfboyut <- dim(xdf)
xdfboyut[1]
xdfboyut[2]

# Örnek 4.84: Veri çerçevesi boyutlarını sorgulama 3
nrow(xdf)
ncol(xdf)

# Örnek 4.85: Matris boyutlarını sorgulama 
xmat <- matrix(rnorm(12), ncol=3, nrow=4)
xmat
dim(xmat)
nrow(xmat)
ncol(xmat)

# Örnek 4.86: Dizi boyutlarını sorgulama 
xarr <- array(dim=c(3,2,4))
dim(xarr)

# Örnek 4.87: Atomik veri yapısı 
w <- 12L
str(w)

# Örnek 4.88: Veri çerçevesi yapısı 
str(xdf)

# Örnek 4.89: Matris yapısı 
str(xmat)

# Örnek 4.90: Dizi yapısı 
str(xarr)

# Örnek 4.91: Örnek veri çerçevesi oluşturma 
set.seed(2023)
xdf <- data.frame(a=round(rnorm(15, 50, 5)), 
     b=round(rnorm(15, 10, 2)), c=round(rnorm(15, 100, 10)))
xdf

# Örnek 4.91: Örnek veri çerçevesi oluşturma 
set.seed(2023)
xdf <- data.frame(a=round(rnorm(15, 50, 5)), 
     b=round(rnorm(15, 10, 2)), c=round(rnorm(15, 100, 10)))
xdf

# Örnek 4.93: head ve tail ile içerik listeleme 2
head(xdf, 3)

# Örnek 4.94a: Veri çerçevesinde düzenleme
xdf <- edit(xdf)

# Örnek 4.94b: Veri çerçevesinde düzenleme
fix(xdf)

# Örnek 4.95: Örnek değişken tanımlama
onum <- c(1267L, 433L)
onum
typeof(onum)

# Örnek 4.96: Zorlanım örneği
onum[2] <- 2147483648L
onum
typeof(onum)

# Örnek 4.97: Zorlanım örneği 2
onum[1] <- "Ada"
onum
typeof(onum)

# Örnek 4.98: Vektörü matrise dönüştürme
m <- matrix(c(2,4,5,1,4,3),ncol=3, nrow=2)
m
v <- as.vector(m)
v

# Örnek 4.99: Vektörü listeye dönüştürme
x <- as.list(x=v)
x

# Örnek 4.100: Örnek veri çerçevesi tanımlama
df1 <- data.frame(x1=sample(1:10,4), x2=sample(1:100,4))
df1

# Örnek 4.101: Veri çerçevesini matrise dönüştürme
mat1 <- as.matrix(df1)
mat1

# Örnek 4.102: Matrisi veri çerçevesine dönüştürme
df2 <- as.data.frame(mat1)
df2

# Örnek 4.103: Örnek veri çerçevesi tanımlama
df3 <- data.frame(f=letters[1:3], y=sample(1:100,3))
df3

# Örnek 4.104: Matrisi veri çerçevesine dönüştürme - Zorlama
mat2 <- as.matrix(df3)
mat2

# Örnek 4.105: Matrisi veri çerçevesine dönüştürme - Zorlama
armat1 <- as.array(mat1)
armat1

# Örnek 4.106:  Atama işleminde karışıklık
x <- c(2, 5, 4)
if (x[1]<-8) x
x
if (x[1]=9) x

# Örnek 4.107:  Vektör tanımlama
x <- c(3, 4, 2, 8)
y <- c(1, 3, 3, 4)

# Örnek 4.108:  Vektörle işlemler 1
x+y
x-y
x*y
x/y
x%/%y   # Bölümün tamsayı kısmı
x%%y    # Bölme sonucunda kalan değer

# Örnek 4.109:  Vektörle işlemler 2
tx <- t(x)
t(x)
tx*y   #Eleman çarpımları
tx%*%y  #Vektörel çarpım

# Örnek 4.110:  Vektörle işlemler 3
sum(x)
mean(x)

# Örnek 4.111:  Matrislerle işlemler 1
A <- matrix(c(3,3,4,9), nrow=2, ncol=2)
A
B <- matrix(c(1,2,3,1), nrow=2, ncol=2)
B
A+B
A-B
A*B
A/B

# Örnek 4.112:  Matrislerle işlemler 2
tA <- t(A)
tA
tA*A   #Eleman çarpımı
tA%*%A  #Matris formunda iç çarpım

# Örnek 4.113:  Matrislerle işlemler 3
A <- matrix(c(3,3,4,9,8,2,7,4,9), nrow=3, ncol=3)
A
detA<-det(A)
detA
invA<-solve(A)
invA
#Bir matrisin inversini almanın uzun yolu, adjoint matristen yaralanmaktır.
minor <- function(A, i, j) det( A[-i,-j] )
cofactor <- function(A, i, j) (-1)^(i+j) * minor(A,i,j)
# Döngü kullanarak
adjoint1 <- function(A) {
   n <- nrow(A)
   B <- matrix(NA, n, n)
   for( i in 1:n )
     for( j in 1:n )
       B[j,i] <- cofactor(A, i, j)
   B
}
adjoint1(A)
inversA <- adjoint1(A)/detA
inversA

# Örnek 4.114:  Örnek vektör tanımlama
iller <- c("Mersin", "Adana", "Osmaniye", "Hatay")
nufus <- c(1793931, 2216475, 527724, 1575226)
liman <- c(TRUE, TRUE, FALSE, TRUE)

# Örnek 4.115:  Vektörlerin sıralanması
sort(iller)
sort(nufus)
sort(liman)

# Örnek 4.116:  Sıralama yönü tanımlama
sort(iller, decreasing=TRUE)

# Örnek 4.117:  Sıralama yöntemi tanımlama
sort(iller, decreasing=TRUE, method="shell")

# Örnek 4.118:  Sıralama yöntemi tanımlama
x <- rnorm(1e+07, 50, 5)
system.time(x1 <- sort(x, method = "radix"))
system.time(x2 <- sort(x, method = "quick"))
system.time(x3 <- sort(x, method = "shell"))

# Örnek 4.119: mtcars veri çerçevesini çalışma alanına yükleme
attach(mtcars)
head(mtcars)

# Örnek 4.120: mtcars verisi mpg'ye göre sıralama
mtcars.s1 <- mtcars[order(mpg),]
head(mtcars.s1)

# Örnek 4.121: mtcars verisi mpg'ye göre azalan yönde sıralama 1
mtcars.s2 <- mtcars[order(mpg, decreasing=TRUE),]
head(mtcars.s2)

# Örnek 4.123: mtcars verisi mpg'ye göre azalan yönde sıralama 2
mtcars.s2 <- mtcars[order(-mpg),]

# Örnek 4.124: mtcars verisi iki değişkenle sıralama 1
mtcars.s3 <- mtcars[order(mpg, cyl),]
head(mtcars.s3)

# Örnek 4.125: mtcars verisi iki değişkenle sıralama 2
mtcars.s4 <- mtcars[order(-mpg, cyl),method="shell"]
head(mtcars.s4)

# BÖLÜM 5 ############################################################

# Örnek 5.1: R verisetleri listesi
library(help = "datasets")

# Örnek 5.2: npk veriseti tanıtım bilgisine erişim
??datasets::npk

# Örnek 5.3: npk verisetini yükleme ve görüntüleme
data(npk)
npk  # veya print(npk)

# Örnek 5.4: npk verisetindeki yield değişkeni istatistikleri
summary(npk$yield)

# Örnek 5.5: npk verisetini yükleme ve değişkenleri kullanma
attach(npk)
summary(yield)

# Örnek 5.6: npk verisetini çalışma alanından kaldırma
detach(npk)

# Örnek 5.7: Çalışma alanından tüm verisetlerini kaldırma
detach()

# Örnek 5.8: Örnek matris tanımlama
x  <- matrix(c(30,76,60,24,5,4,3,5), nrow=4, ncol=2)
x

# Örnek 5.9: Matrisin satır ve sütunlara ad verme
colnames(x) <- c("Patates","Sogan")
rownames(x) <- LETTERS[1:4]
x

# Örnek 5.10: Kopyalanan metinden veri okuma
gozlemler <- textConnection("
 Patates Sogan
 30 5
 76 4
 60 3
 24 5
 ")
x <- read.table(gozlemler, header = TRUE) 
close(gozlemler)
x
rownames(x) <- LETTERS[1:4]
x

# Örnek 5.11: Metin türü dosyadan veri okuma
setwd("C:/dpbook")
x <- read.table(file="volcu.txt", sep="\t", header=TRUE)

# Örnek 5.12: Dosyadan okunan veriyi içeren veri çerçevesi
x 

# Örnek 5.13: readxl paketinin kurulması 
install.packages("readxl")

# Örnek 5.14: readxl paketinin çalışma alanına yüklenmesi
library(readxl)

# Örnek 5.15: Excel dosyasının okunması 1
setwd("C:/dpbook")
x <- read_excel("volcu.xlsx", sheet=1, col_names=TRUE)
x

# Örnek 5.16: Excel dosyasının okunması 2
x <- read_xlsx("volcu.xlsx", sheet=1, col_names=TRUE)

# Örnek 5.17: Excel dosyasının seçilerek okunması
x <- read_excel(file.choose(), sheet=1, col_names=TRUE)
x

# Örnek 5.18: Diğer yazılımlardan veri dosyası ithali 1
if(!require(foreign)){
   install.packages("foreign"); library(foreign)}
x <- read.spps(file="ornek.sav")

# Örnek 5.19: Diğer yazılımlardan veri dosyası ithali 2
if(!require(Hmisc)){install.packages("Hmisc"); library(Hmisc)}
x <- sasxport.get("ornek.xpt")

# Örnek 5.20: Uzaktan dosya okuma 1
x <- read.table("http://www.stats.ox.ac.uk/pub/datasets/csb/ch11b.dat")
head(x, 3)    # Verinin ilk 3 satırını göster

# Örnek 5.21: Uzaktan dosya okuma 2
x <- read.csv("http://lib.stat.cmu.edu/jcgs/tu", skip=4, header=T)
head(x, 3)

# Örnek 5.22: Uzaktan dosya okuma 3
if(!require(RCurl)){
   install.packages("RCurl"); library(RCurl)}
read.table(textConnection(getURL(
 "http://johndoe.com/data.txt",
   userpwd = "kullanıcıadı:şifre")),
   sep="\t", header=TRUE)

# Örnek 5.23: sink ile dosyaya kayıt işlemi
setwd("C:/dpbook")
x <- read.table(file="volcu.txt", sep="\t", header=TRUE)
sink(file="volcu.out") # Çıkış dosyasını aç
cat("X veriseti\n")
head(x)
cat("\n Temel İstatistikler\n")
tstat <- summary(x)
tstat
sink() # Dosyayı kapat

# Örnek 5.24: sink ile dosyaya kayıt işlemi 2
sink(file="volcu.out", append=TRUE)
cat("\nBoy kareler toplamı\n")
boytop <- sum(x[,1]^2)
boytop
sink()

# Örnek 5.25: write.table ile dosyaya kayıt işlemi 1
write.table(x, file="volcu2.txt", sep="\t")

# Örnek 5.26: save ile .Rdata dosyasına kayıt
tstat <- summary(x)
tstat
save(x, tstat, file="volcuanaliz.Rdata")

# Örnek 5.27: load ile .Rdata dosyası okuma 
load("volcuanaliz.Rdata")
x
tstat

# BÖLÜM 7 ##########################################################

# Örnek 7.1: read.table ile dosya okuma 1
expdata <- read.table(file="trexport.txt", header=TRUE)
expdata

# Örnek 7.2: read.table ile dosya okuma 2 
impdata <- read.table(file="trimport.txt", header=TRUE)
impdata

# Örnek 7.3: read.table ile dosya okuma 3
popdata <- read.table(file="trnufus.txt", header=TRUE)
popdata

# Örnek 7.4: data.table kurma ve yükleme 
if(!require(data.table)){
   install.packages("data.table"); library(data.table)}

# Örnek 7.5: Veri birleştirme 1
expimpdata1 <- merge(x=expdata, y=impdata, by="il")
expimpdata1

# Örnek 7.6: Veri birleştirme 2
expimpdata2 <- merge(expdata, impdata, by=c("il", "yil"))
expimpdata2

# Örnek 7.7: Veri birleştirme 3
expimpdata3 <- merge(expdata, impdata, by=c("il", "yil"), all=TRUE)
expimpdata3

# Örnek 7.8: Veri birleştirme 4
expimpdata4 <- merge(expdata, impdata, by=c("il", "yil"), all.x=TRUE)
expimpdata4

# Örnek 7.9: Veri birleştirme 5
expimpdata5 <- merge(expdata, impdata, by=c("il", "yil"), all.y=TRUE)
expimpdata5

# Örnek 7.10: Veri birleştirme 6
texpimpdata <- merge(expimpdata, popdata, by.x="il", by.y="vilayet", sort=TRUE, all=TRUE)
texpimpdata

# Örnek 7.11: Örnek veri çerçevesi oluşturma
setwd("C:/dpbook")
besper <- read.table(file="gca.txt", sep="\t", head=TRUE)
head(besper)

# Örnek 7.12: tidyr ve dplyr paketlerini kurma ve yükleme
if(!require(tidyr)){
   install.packages("tidyr"); library(tidyr)}
if(!require(dplyr)){
   install.packages("dplyr"); library(dplyr)}

# Örnek 7.13: gather ile daraltma
besper2 <- gather(data=besper, key=rasyon, value=gca, R1:R4)
besper2

# Örnek 7.14: spread ile genişletme
besper3 <- spread(data=besper2, key=rasyon, value=gca)
besper3

# Örnek 7.15: Örnek veri dosyasını oku
setwd("C:/dpbook")
phgozlem

# Örnek 7.16: Sütunları birleştirme
phgozlem2 <- unite(phgozlem, bno, sno, pno, col=gozlemID, sep = "-")
phgozlem2

# Örnek 7.17: Sütundaki verileri ayırma
phgozlem3 <- separate(data=phgozlem2, gozlemID, c("bno", "sno", "pno"), sep = "-")
phgozlem3

# Örnek 7.18: mtcars verisetini çalışma alanına yükleme
data(mtcars)
head(mtcars)

# Örnek 7.19: mtcars verisetinden alt veriseti oluşturma
mtcars1 <- mtcars[ ,c("mpg", "cyl", "hp")]
head(mtcars1, 6)

# Örnek 7.20: mtcars verisetinden alt veriseti oluşturma 2
mtcars1 <- mtcars[ ,c(1, 2, 4)]

# Örnek 7.21: mtcars verisetinden alt veriseti oluşturma 2
mtcars1 <- mtcars[ ,c(1:2, 4)]

# Örnek 7.22: mtcars verisetinden alt veriseti oluşturma 3
mtcars2 <- mtcars[ ,c(-5,-6,-9)]
head(mtcars2, 6)

# Örnek 7.23: mtcars verisetinden alt veriseti oluşturma 4
mtcars2 <- mtcars[ ,c(-5:-6,-9)]

# Örnek 7.24: mtcars verisetinden alt veriseti oluşturma 5
mtcars1 <- subset(mtcars, select = c(qsec, vs,  am, gear, carb))
head(mtcars1, 5)

# Örnek 7.25: mtcars verisetinden alt veriseti oluşturma 6
mtcars2 <- subset(mtcars, select = -c(qsec, vs,  am, gear, carb))
head(mtcars2)

# Örnek 7.26: mtcars verisetinden alt veriseti oluşturma 7
mtcars3 <- subset(mtcars, cyl==4)
head(mtcars3)

# Örnek 7.27: mtcars verisetinden alt veriseti oluşturma 8
mtcars3 <- subset(mtcars, cyl==4, select=c(-cyl))
head(mtcars3)

# Örnek 7.28: mtcars verisetinden alt veriseti oluşturma 9
mtcars4 <- subset(mtcars, cyl==4 & hp>=70, select=c(-cyl))
head(mtcars4)

# Örnek 7.29: mtcars verisetinden alt veriseti oluşturma 10
mtcars5 <- subset(mtcars, cyl==4 & hp>=70, select=c(mpg, hp, wt, qsec))
head(mtcars5)

# Örnek 7.30: mtcars verisetinden alt veriseti oluşturma 11
mtcars5 <- subset(mtcars, cyl==4 & hp>=70, select=c(1, 3, 5:6))
head(mtcars5)

# Örnek 7.31: by ile grup istatistikleri 1
by(mtcars$hp, mtcars$cyl, mean)

# Örnek 7.32: by ile grup istatistikleri 2
by(mtcars$hp, mtcars$cyl, length)

# Örnek 7.33: aggregate ile frekans tablosu
aggregate(mtcars$hp, by=list(clycat=mtcars$cyl), FUN=length)

# Örnek 7.34: dplyr paketini kurma ve yükleme
if(!require(dplyr)){
   install.packages("dplyr"); library(dplyr)}

# Örnek 7.35: select ile seçerek yeni alt veriseti oluşturma 1
eximpdata21 <- select(expimpdata2, il, yil, ihracat)
eximpdata21

# Örnek 7.36: select ile seçerek yeni alt veriseti oluşturma 2
expimpdata22 <- select(expimpdata2, starts_with("i"))
head(expimpdata22)
tail(expimpdata22)

# Örnek 7.37: select ile seçerek yeni alt veriseti oluşturma 3
expimpdata23 <- select(expimpdata2, ends_with("at"))
head(expimpdata23)

# Örnek 7.38: select ile seçerek yeni alt veriseti oluşturma 4
expimpdata24 <- select(expimpdata2, il, ends_with("at"))
head(expimpdata24)

# Örnek 7.39: select ile seçerek yeni alt veriseti oluşturma 5
expimpdata25 <- select(expimpdata2, il, starts_with("y"), ends_with("at"))
head(expimpdata25)

# Örnek 7.40: select ile seçerek yeni alt veriseti oluşturma 6
expimpdata24 <- select(expimpdata2, il, ends_with("l"), ends_with("at"))
head(expimpdata24)

# Örnek 7.41: filter ile seçerek yeni alt veriseti oluşturma 1
adaexpimp <- filter(expimpdata2, il=="Adana")
adaexpimp

# Örnek 7.42: filter ile seçerek yeni alt veriseti oluşturma 2
exp2017m <- filter(expimpdata2, yil==2017 & ihracat >= 5000000)
exp2017m

# Örnek 7.43: group_by ile gruplandırma
ilgrup <- group_by(expimpdata2, il)
ilgrup

# Örnek 7.44: summarize ile açıklayıcı istatistikler
summarize(expimpdata2,
    N = n(), 
    Minimum = min(ihracat, na.rm=TRUE),
    Ortanca = median(ihracat, na.rm=TRUE),
    Ortalama = mean(ihracat, na.rm=TRUE),
    Maksimum = max(ihracat, na.rm=TRUE),
    Varyans = var(ihracat, na.rm=TRUE),
    Std.Sapma = sd(ihracat, na.rm=TRUE)
)

# Örnek 7.45: summarize ile açıklayıcı istatistikler
ilgrup <- group_by(expimpdata2, il)
sonuc <- summarize(ilgrup, 
    N = n(), 
    Ort.İhracat = mean(ihracat, na.rm=TRUE),
    Ort.İthalat = mean(ithalat, na.rm=TRUE)
)

# Örnek 7.46: summarize ile açıklayıcı istatistikler
sonuc

# Örnek 7.47: arrange ile açıklayıcı istatistikler 1
ilgrup <- group_by(expimpdata2, il)
tstat <- summarize(ilgrup, 
     ort.ihracat = mean(ihracat, na.rm=TRUE),
     ort.ithalat = mean(ithalat, na.rm=TRUE))
arrange(tstat, ort.ihracat)

# Örnek 7.48: arrange ile açıklayıcı istatistikler 2
ilgrup <- group_by(expimpdata2, il)
tstat <- summarize(ilgrup, 
    ort.ihracat = mean(ihracat, na.rm=TRUE),
    ort.ithalat = mean(ithalat, na.rm=TRUE))
arrange(tstat, desc(ort.ihracat))

# Örnek 7.49: arrange ile açıklayıcı istatistikler 3
yilgrup <- group_by(expimpdata2, yil)
tstat2 <- summarize(yilgrup, 
     ort.ihracat = mean(ihracat, na.rm=TRUE),
     ort.ithalat = mean(ithalat, na.rm=TRUE))
arrange(tstat2, desc(ort.ihracat))

# Örnek 7.50: full_join ile veri bütünleştirme
expimp1 <- full_join(expdata, impdata, by="il")
expimp1

# Örnek 7.51: inner_join ile veri bütünleştirme
expimp2 <- inner_join(expdata, impdata, by="il")
expimp2

# Örnek 7.52: left_join ile veri bütünleştirme
expimp3 <- left_join(expdata, impdata, by="il")
expimp3

# Örnek 7.53: right_join ile veri bütünleştirme
expimp4 <- right_join(expdata, impdata, by="il")
expimp4

# Örnek 7.54: filter ve mutate ile veri bütünleştirme
expimp5 <- filter(expimp1, yil.x == 2017 & yil.y == 2017)
expimp5 <- mutate(expimp5, eiratio = ihracat/ithalat)
expimp5

# Örnek 7.55: arrange ve mutate ile veri bütünleştirme
expimp6 <- arrange(expimp5, desc(eiratio))
expimp6 <- mutate(expimp6, sira = 1:length(eiratio))
expimp6

# Örnek 7.56: filter, arrange ve mutate ile veri bütünleştirme
expimp7 <- filter(expdata, yil == 2017)
expimp7 <- arrange(expimp7, desc(ihracat))
expimp7 <- mutate(expimp7, yihracat = ihracat/sum(ihracat), kyihracat = cumsum(yihracat))
expimp7 <- select(expimp7, -ihracat, -yil)
expimp7

# BÖLÜM 8 #########################################################################

# Örnek 8.1: Örnek veri dosyasının (uyeler.txt) okunması
setwd("C:/dpbook")
uyeler <- read.delim("uyeler.txt", header=TRUE)

# Örnek 8.2: Örnek veri dosyasının yapısını inceleme
str(uyeler)

# Örnek 8.3: Örnek veri çerçevesini görüntüleme  
uyeler

# Örnek 8.4: Veri türü  kontrolü 1  
is.numeric(uyeler$ad)
is.numeric(uyeler$kilo)

# Örnek 8.5: Veri türü  kontrolü 2  
is.factor(uyeler$ad)
is.factor(uyeler$kilo)

# Örnek 8.6: Değer aralığının kontrolü 1
uyeler$boy >= 150 & uyeler$boy <= 250

# Örnek 8.7: Değer aralığının kontrolü 2  
which(uyeler$boy >= 150 & uyeler$boy <= 250)

# Örnek 8.8: Değer aralığının kontrolü 3  
hkno <- which(!(uyeler$boy >= 150 & uyeler$boy <= 250))
hkno

# Örnek 8.9: Değer aralığının kontrolü 4  
uyeler[hkno,]

# Örnek 8.10: Değer düzeltme
uyeler[2, 4] <- 190
uyeler

# Örnek 8.11: Değer aralığının kontrolü 5
which(!(uyeler$boy >= 150 & uyeler$boy <= 250))

# Örnek 8.12: Üyelik kontrolü 1
is.element(uyeler$cins, c("K","E"))

# Örnek 8.13: Üyelik kontrolü 2
uyeler$cins %in% c("E","K")

# Örnek 8.14: Üyelik kontrolü 3
uyeler$boy %in% 150:250

# Örnek 8.15: Seviye sayısı kontrolü 1
nlevels(uyeler$cins)

# Örnek 8.16: Seviye ihlallerinin saptanması 1
which(uyeler$cins!="K" & uyeler$cins != "E")

# Örnek 8.17: Seviye ihlallerinin saptanması 2
uyeler[3:4,]

# Örnek 8.18: Teklik kontrolü 1
duplicated(uyeler$uyeno)

# Örnek 8.19: Teklik kontrolü 2
length(unique(uyeler$uyeno)) == length(uyeler$uyeno)

# Örnek 8.20: Kayıp değer kontrolü 1
is.na(uyeler$boy)

# Örnek 8.21: Kayıp değer kontrolü 2
is.na(uyeler$ad)

# Örnek 8.22: Varlık kontrolü 
is.null(uyeler$mhal)
is.null(uyeler$yas)

# Örnek 8.23: dataQualityR paketinin kurulması ve yüklenmesi 
if(!require(dataQualityR)){
   install.packages("dataQualityR"); library(dataQualityR)}

# Örnek 8.24: dataQualityR ile kalite kontrolü 1
say.kontrol <- paste(tempdir(), "/dq_num.csv", sep= "")
kat.kontrol <- paste(tempdir(), "/dq_cat.csv", sep= "")

# Örnek 8.25: dataQualityR ile kalite kontrolü 2
checkDataQuality(data=uyeler, out.file.num=say.kontrol,
     out.file.cat= kat.kontrol)

# Örnek 8.28: funModeling paketini kurma ve yükleme
if(!require(funModeling)){
   install.packages("funModeling"); library(funModeling)}

# Örnek 8.29: funModeling paketini kurma ve yükleme
#uyeler <- read.delim("uyeler.txt", header=TRUE)
df_status(uyeler)

# Örnek 8.30: Veri çerçevesi kontrol özeti
describe(uyeler)

# Örnek 8.31: Frekansların saptanması
freq(uyeler)

# Örnek 8.32: Sayısal değişkenlere ait istatistikler
profiling_num(uyeler)

# Örnek 8.33: datacheck paketinin kurulması ve yüklenmesi
if(!require(datacheck)){
   install.packages("datacheck"); library(datacheck)}

# Örnek 8.34: xtable paketinin kurulması ve yüklenmesi
if(!require(xtable)){
   install.packages("xtable"); library(xtable)}
options(xtable.type="html")

# Örnek 8.35: Örnek veri (uyeler.txt) dosyasını okunması
uyetablo <- read.delim("uyeler.txt",
   header = TRUE, stringsAsFactors = FALSE)
uyekurallar <- read_rules("kurallar.R")

# Örnek 8.37: Kuralların kontrol edilmesi
uyeprofil <- datadict_profile(uyetablo, uyekurallar)

# Örnek 8.38: Kuralların kontrol edilmesi
uyeprofil$data

# Örnek 8.39: Tablonun HTML formatında elde edilmesi
xtable(uyeprofil$data)

# Örnek 8.40: Tablonun HTML dosyasına kaydedilmesi
sink("uyedata.html")
xtable(uyeprofil$data)
sink()

# Örnek 8.41: Kontrol işleminin HTML dosyasına kaydedilmesi
sink("uyekontrol.html")
xtable(uyeprofil$checks)
sink()

# Örnek 8.42: Kontrol işleminin HTML dosyasına kaydedilmesi
sink("uyeskor.html")
xtable(uyeprofil$scores)
sink()

# Örnek 8.43: Kontrol işleminin HTML dosyasına kaydedilmesi
rule_coverage(uyeprofil)

# Örnek 8.44: Kontrol işleminin HTML dosyasına kaydedilmesi
score_sum(uyeprofil)

# Örnek 8.45: Kontrol skorlarının ısı haritası
heatmap(as.matrix(uyeprofil$scores[1:12,1:6]),
   col=terrain.colors(20))

# Örnek 8.46: Kontrol skorlarının ısı haritası 2
uyeskor <- uyeprofil$scores
mskor <- max(uyeskor$Record.score[1:(nrow(uyeskor)-2)])
heatmap_quality(uyeprofil, scoreMax = mskor, col=topo.colors(mskor))

# Örnek 8.47: Kontrol sonuçlarının özetlenmesi
uyeozet <- short_summary(uyetablo)
sink("uyeozet.html")
xtable(uyeozet)
sink()

# Örnek 8.48: Yeni kural ekleme
ekkural <- c("mhal", "character", "nchar(mhal) >= 2 & nchar(mhal) <=8", "None") 
uyekurallar <- rbind(uyekurallar, ekkural)
uyekurallar

# Örnek 8.49: Kural silme
uyekurallar <- uyekurallar[-3,]
uyekurallar

# Örnek 8.40: Kural silme
uyekurallar$Variable[21] <- "ad"
uyekurallar$Rule[21] <- " nchar(ad) >= 3 & nchar(mhal)<=15"

# Örnek 8.41: kurallar2.R dosyası içeriği
!duplicated(uyeno)
is.integer(uyeno)
is_within_range(uyeno, 1, 10000)
is.character(ad)
is_proper_name(ad)
nchar(ad) >=3 & nchar(ad) <=20
cins %in% c("E", "K")
is.character(cins)
is.integer(boy)
is_within_range(boy, 150, 250)
is.numeric(kilo)
is_within_range(kilo, 50, 150)
is.character(sacrenk)
sacrenk %in% c("kumral", "siyah", "sarı", "kızıl", "ak")
is.character(mhal)
is_proper_name(mhal)
mhal %in% c("Evli", "Bekar", "Boşanmış")
nchar(mhal) >=2 & nchar(mhal) <=8

# Örnek 8.42: Örnek kurallar ve veri dosyasının okunması
if(!require(datacheck)){
   install.packages("datacheck"); library(datacheck)}
if(!require(xtable)){
   install.packages("xtable"); library(xtable)}
setwd("C:/dpbook")
uyetablo <- read.delim("uyeler.txt",
    header = TRUE, stringsAsFactors = FALSE)
uyekurallar <- read_rules("kurallar2.R")
uyeprofil <- datadict_profile(uyetablo, uyekurallar)

# Örnek 8.43: Örnek kurallar ve veri dosyasının okunması
sink("uyedata.html")
xtable(uyeprofil$data)
sink()

# Örnek 8.44: Kontrol sonuçlarına HTML dosyasına yönlendirme
sink("uyekontrol.html")
xtable(uyeprofil$checks)
sink()

# Örnek 8.45: Yanlış verinin düzeltilmesi 1
uyetablo$uyeno[10] <- 21

# Örnek 8.46: Yanlış verinin düzeltilmesi 2
uyetablo[10, 1] <- 21

# Örnek 8.47: Yanlış verinin düzeltilmesi 3
uyetablo$ad[11] <- "Lale"
uyetablo[11, 2] <- "Lale"

# Örnek 8.48: Yanlış verinin düzeltilmesi 4
uyetablo[3, 3] <- "K"
uyetablo[4, 3] <- "E"

# Örnek 8.49: Yanlış verinin düzeltilmesi 5
uyetablo[2, 4] <- 190

# Örnek 8.50: Yanlış verinin düzeltilmesi 6
uyetablo[6, 5] <- 89.40
uyetablo[12,5] <- 63.80

# Örnek 8.51: Yanlış verinin düzeltilmesi 7
uyetablo[7,6] <- "sarı"
uyetablo[8,6] <- "siyah"

# Örnek 8.51: Yanlış verinin düzeltilmesi 8
uyetablo[7,7] <- "Evli"
uyetablo[8,7] <- NA

# Örnek 8.52: Yanlış verinin düzeltilmesi 9
uyetablo[4,7] <- "Bekar"

# Örnek 8.53: Düzeltilmiş verinin görüntülenmesi
uyetablo

# Örnek 8.54: Düzeltilmiş verinin dosyaya kaydedilmesi
setwd("C:/dpbook")
write.table(uyetablo, file="dzuyeler.txt", sep="\t", col.names=TRUE)

# Örnek 8.55: Yanlış verinin düzeltilmesi 10
uyetablo[3, 3] <- "K"

# Örnek 8.56: Yanlış verinin düzeltilmesi 11
uyetablo[11, 2] <- "Lale"

# Örnek 8.57: Yanlış verinin düzeltilmesi 12
uyetablo[12,5] <- 63.80

# Örnek 8.58: Yanlış verinin düzeltilmesi 13
uyetablo[3, 3] <- "K"

# Örnek 8.59: Yanlış verinin düzeltilmesi 14
uyetablo[12,5] <- 63.80

# Örnek 8.60: Sayısal verinin tahmin edilmesinde regresyon
tamuyetablo <- uyetablo[which(uyetablo$kilo >=50 & uyetablo$kilo <= 150),]
regmodel <- lm(kilo ~ boy, data=tamuyetablo, na.action=na.exclude)
regsonuc <- summary(regmodel)

# Örnek 8.61a: Regresyon tahmin eşitliğinde katsayılar 1
coefficients(regsonuc)

# Örnek 8.61b: Regresyon tahmin eşitliğinde katsayılar 2
a <- coefficients(regsonuc)[1]
b <- coefficients(regsonuc)[2]

# Örnek 8.62: Regresyon tahmin eşitliği ile tahmin
kilothmn <- a + b * 169
kilothmn

# Örnek 8.63: Regresyon tahmin eşitliğinde katsayılar ve tahmin
a <- coefficients(regsonuc)[1]
b <- coefficients(regsonuc)[2]
ttrszkilo <- uyetablo[-which(uyetablo$kilo >=50 & uyetablo$kilo <= 150),]
uyetablo[ttrszkilo,5] <- a + b * uyetablo[ttrszkilo,4] 

# BÖLÜM 9 #################################################################

# Örnek 9.1: Örnek veri dosyasının okunması
setwd("C:/dpbook")
xdt <- read.table("kdornek1.txt", head=T)

# Örnek 9.2: Kayıp değer kontrolü
anyNA(xdt)

# Örnek 9.3: Kayıp değer sayımı
sapply(xdt, function(x) sum(is.na(x)))

# Örnek 9.4: x alt verisetini oluşturma
x <- xdt[,3:4]
x

# Örnek 9.5: x verisetinde kayıp değerlerin sorgulanması
is.na(x) 

# Örnek 9.6: x verisetinde tam gözlemlerin sorgulanması
complete.cases(x)

# Örnek 9.7: x verisetinde tam gözlemlerin sorgulanması
x[complete.cases(x),]

# Örnek 9.8: x verisetinde kayıp gözlemlerin sorgulanması
x[!complete.cases(x),]

# Örnek 9.9: x verisetinde kayıp gözlemlerin sorgulanması
setwd("C:/dpbook")
xdt <- read.table("kdornek2.txt", sep="\t", header=TRUE)

# Örnek 9.10: xdt verisetinde kayıp gözlemlerin sorgulanması
sapply(xdt, function(x) sum(is.na(x)))

# Örnek 9.11: xdt verisetinden alt veriseti oluşturma
x <- xdt[,3:4]
x

# Örnek 9.12: x verisetinde kayıp değer sorgulama
is.na(x)

# Örnek 9.13: x verisetinde kayıp gözlem numarasını saptama
which(is.na(x)) 

# Örnek 9.14: x verisetinde kayıp gözlem satırlarını saptama
unique(unlist(lapply(x, function(y) which(is.na(y)))))

# Örnek 9.15: x verisetinde kayıp gözlem oranını saptama
kdy <- function(x){sum(is.na(x))/length(x)*100}
apply(x,1,kdy)
apply(x,2,kdy)

# Örnek 9.16: x verisetinde kayıp gözlem oranını saptama
setwd("C:/dpbook")
xdt <- read.table("kdornek3.txt", sep="\t", header=TRUE)
x <- xdt[,3:4]
x

# Örnek 9.17: Kayıp değerleri NA olarak güncelleme
x[x=="*"] <- NA
x
which(is.na(x)) 

# Örnek 9.18: x veriseti sütunlarını sayısala çevirme
x[,1] <- as.numeric(x[,1])
x[,2] <- as.numeric(x[,2])
x

# Örnek 9.19: Kayıp değerli veri dosyası okuma
setwd("C:/dpbook")
xdt <- read.table("kdornek3.txt", sep="\t", na.strings="*", header=T)
x <- xdt[,3:4]
x

# Örnek 9.20: Kayıp değerli veri dosyası okuma
xdt <- read.table("kdornek2.txt", head=T, sep="\t")
x <- xdt[, 3:4]
x

# Örnek 9.21: Kayıp değerli verilerle işlem yapma
mean(x$x2) 
mean(x$x2, na.rm=TRUE)

# Örnek 9.22: Kayıp değerli verileri temizleme
x1 <- na.omit(x)
x1

# Örnek 9.23: Kayıp değerli verilerle işlem
cov(x)
xcovmat <- cov(x1)
xcovmat

# Örnek 9.24: Kayıp değerli verilerle işlem
xcovmat <- cov(x, use="complete.obs")
xcovmat

# Örnek 9.25: Kayıp değerli verilerle işlem
xcovmat <- cov(x, use="pairwise.complete.obs")
xcovmat

# Örnek 9.26: Kayıp değerli verilerle işlem
lm(y ~ x1 + x2, data=x, na.action=na.omit)

# Örnek 9.27: Kayıp değerlerin ortalama ile tamamlanması
ximport <- x
ximport$x1[is.na(x$x1)] <- mean(x$x1, na.rm = T)
ximport$x2[is.na(x$x2)] <- mean(x$x2, na.rm = T)
ximport

# Örnek 9.28: imputeTS paketinin kurulması ve yüklenmesi
if(!require(imputeTS)){
   install.packages("imputeTS"); library(imputeTS)}

# Örnek 9.29: imputeTS ile kayıp değer tamamlama 1
ximport <- na.mean(x, option = "mean")
ximport

# Örnek 9.30: imputeTS ile kayıp değer tamamlama 2
ximpmed <- na.mean(x, option = "median")
ximpmed

# Örnek 9.31: imputeTS ile kayıp değer tamamlama 3
ximpmod <- na.mean(x, option = "mode")
ximpmod

# Örnek 9.32: Hmisc ile kayıp değer tamamlama 1
if(!require(Hmisc)){
  install.packages("Hmisc"); library(Hmisc)}
impute(x$x1, mean)  

# Örnek 9.33: Hmisc ile kayıp değer tamamlama 2
impute(x$x1, 9.5) 

# Örnek 9.34: Hmisc ile kayıp değer tamamlama 3
x1imp <- impute(x$x1, median) 
x2imp <- impute(x$x2, median) 
ximpmed <- data.frame(x1imp, x2imp)
ximpmed

# Örnek 9.35: mice paketinin kurulması ve yüklenmesi
if(!require(mice)){
  install.packages("mice"); library(mice)}

# Örnek 9.36: Kayıp veri deseninin görüntülenmesi
md.pattern(x)

# Örnek 9.37: VIM paketinin kurulması ve yüklenmesi
if(!require(VIM)){
   install.packages("VIM"); library(VIM)}

# Örnek 9.38: VIM paketi ile kayıp değer inceleme
aggr(x, col=c("dodgerblue", "orange"), 
    numbers=TRUE, sortVars=TRUE, labels=names(x),
    cex.axis=.7, gap=3, 
    ylab=c("X kayıp değer histogramı","Örüntü"))

# Örnek 9.39: VIM paketi ile kayıp değer marjin grafiği
if(!require(VIM)){
   install.packages("VIM"); library(VIM)}
marginplot(x)

# Örnek 9.40: mice ile kayıp değer imputasyonu
set.seed(1923)
ximp <- mice(x, m=5, meth="pmm", maxit=10)

# Örnek 9.41: mice ile kayıp değer imputasyon sonuçları
summary(ximp)

# Örnek 9.42: mice ile kayıp değer imputasyon yöntemleri listesi
methods(mice)

# Örnek 9.43: mice ile imputasyon değerlerine erişim 1
ximp$imp$x1

# Örnek 9.44: mice ile imputasyon değerlerine erişim 2
ximp$imp

# Örnek 9.45: mice ile imputasyon değerlerine erişim 3
xc1 <- complete(ximp,1)
xc1

# Örnek 9.46: mice ile imputasyon değerlerine erişim 4
xc2 <- complete(ximp,2)
xc2

# Örnek 9.47: mice ile varsayılan değerlerle imputasyon işlemi
if(!require(mice)){
   install.packages("mice"); library(mice)}
xdtimpute0 <-  mice(xdt, maxit=0) 

# Örnek 9.48: mice nesnesi özniteliklerinin görüntülenmesi
attributes(xdtimpute0)

# Örnek 9.49: mice nesnesi özniteliklerine erişim
tahminmatris <- xdtimp$predictorMatrix
impyontem <- xdtimp$method

# Örnek 9.50: mice nesnesi özniteliklerinin görüntülenmesi
tahminmatris
impyontem

# Örnek 9.51: mice nesnesi öznitelikleriyle çalışma 1
tahminmatris[, c("f")] <- 0 

# Örnek 9.52: mice nesnesi öznitelikleriyle çalışma 2
impyontem[c("f")]="" 
impyontem[c("x1","x2")]="pmm" 
impyontem [c("y")]="norm.nob"

# Örnek 9.53: mice nesnesi öznitelikleriyle çalışma 3
impyontem

# Örnek 9.54: mice nesnesi yöntemleri listesi yapma
impyontem <- c("", "norm.nob", "pmm", "pmm")

# Örnek 9.55: mice ile imputasyon sonuçlarının görüntülenmesi
set.seed(1923)
xcdt <- complete(xdtimpute)
xcdt

# Örnek 9.56: mice ile imputasyon sonuçlarının görüntülenmesi
xyplot(xdtimpute,  x1~x2 | .imp, pch = 20, cex = 1.4)

# Örnek 9.57: mice ile imputasyon sonuçlarını havuzlama
if(!require(mice)){
   install.packages("mice"); library(mice)}
xdtimpute <- mice(xdt, m = 5)
model <- with(data = xdtimpute, lm(y ~ x1 + x2))#Tahmin modeli
poolxdt <- pool(model) #İmputasyon sonuçlarını havuzla
poolxdt 

# Örnek 9.58: Kalitatif değişkenler için örnek veri çerçevesi
xdt[4, "f"] <- NA
xdt

# Örnek 9.59: Tepe değeri hesaplama fonksiyonu ile uygulama
idx <- !sapply(xdt, is.numeric)
xcdt <- xdt
xcdt[idx] <- lapply(xdt[idx], function(x)
   replace(x, is.na(x), tepe(x[!is.na(x)])))
xcdt

# Örnek 9.60: kNN ile kayıp değer tamamlama
if(!require(DMwR)){
   install.packages("DMwR"); library(DMwR)}
knnsonuc <- knnImputation(x, k=5)

# Örnek 9.61: kNN ile kayıp değer için örnek veriseti yükleme
data(algae)
str(algae)

# Örnek 9.62: algae verisetindeki kayıp değerler
which(!complete.cases(algae))
mice::md.pattern(algae)

# Örnek 9.63: algae verisetinde kNN ile kayıp değer imputasyonu
impalgae <- knnImputation(algae)
which(!complete.cases(impalgae))
anyNA(impalgae)

# Örnek 9.64: algae verisetinde kNN ile kayıp değer imputasyonu
Cl_gercek <- algae$Cl[is.na(algae$Cl)]
Cl_tahmin <- impalgae$Cl[is.na(impalgae$Cl)]
regr.eval(Cl_gercek, Cl_tahmin) 

# Örnek 9.65: rpart ile kayıp değer tamamlama
aovmodel <- rpart(Cl ~ . , data=algae[!is.na(algae$Cl),], 
  method="anova", na.action=na.omit)  
climp <- predict(aovmodel, algae[is.na(algae$Cl), ])
climp
algae[which(is.na(algae$Cl)), "Cl"] <- climp

# Örnek 9.66: rpart ile kayıp değer tamamlama
classmodel <- rpart(speed~.,data=algae[!is.na(algae$speed),], 
    method="class", na.action=na.omit)  
speedimp <- predict(classmodel, algae[is.na(algae$speed), ])
speedimp

# BÖLÜM 10 #######################################################

# Örnek 10.1: Aykırı değerli veri tanımlama
x <- c(58,89,69,66,63,95,85,88,62,81,70, 86,85,98,67,74,97,96,85,85)
x <- c(x, c(10,15,30,120,150,160)) # x'e aykırı değer ekle
x

# Örnek 10.2: Veriyi standartlaştırma
z <- (x-mean(x))/sd(x)  # standart normal değişken
z
adx <- which(abs(z) > 3)
adx

# Örnek 10.3: Şerit grafik çizimi
stripchart(x)

# Örnek 10.4: Kutu-bıyık grafiği çizimi
boxplot(x, col="gray")

# Örnek 10.5: Aynı veride iki farklı kutu-bıyık grafiği
oldpar <- par(mfrow=c(1,2))
boxplot(x, col="gray", range = 3)
boxplot(x, col="gray", range = 0)
par(oldpar)

# Örnek 10.6: Aykırı değerleri listeleme
bpx <- boxplot(x, col="gray") 
bpx$out

# Örnek 10.7: Aykırı değerleri boxplot.stats ile bulma
bpstx <- boxplot.stats(x) 
bpstx
bpstx$out
adx <- bpstx$out

# Örnek 10.8: Aykırı değerleri boxplot.stats ile bulma
boxplot(x, main="x veriseti")
mtext(paste("Aykırı değerler: ", paste(bpx$out, 
  collapse=", ")), cex=0.8, col="red")

# Örnek 10.9: Aykırı değerlerden temizlenmiş veri
adx <- bpstx$out
cx <- x[-which(x %in% adx)]
cx

# Örnek 10.10: Aykırı değerlerden temizlenmiş veri grafiği
bpx1 <- boxplot(cx, col="gray")
bpx1$out

# Örnek 10.11: Aykırı değerlerden temizlenmiş veri grafiği
adx <- bpx1$out
adx
cx <- cx[-which(cx %in% adx)]
bpx2 <- boxplot(cx, col="gray")
bpx2$out

# Örnek 10.12: Aykırı değerleri temizleme ve grafik çizimi
adx <- bpx2$out
adx
cx <- cx[-which(cx %in% adx)]
bpx3 <- boxplot(cx, col="gray")
bpx3$out

# Örnek 10.13: Aykırı değerleri adsapta ile saptama
adx <- adsapta(x)
adx

# Örnek 10.14: Aykırı değerleri temizleme
cx <- x[-which(x %in% adx)]
cx

# Örnek 10.15: Kutu-bıyık grafikleri
oldpar <- par(mfrow=c(1,2))
boxplot(x, col="gray")
boxplot(cx, col="gray")
par(oldpar)

# Örnek 10.16: Örnek veri çerçevesi oluşturma
set.seed(19)
x1 <- round(rnorm(n=20, mean=100, sd=15), 0)
x2 <- round(rnorm(n=20, mean=10, sd=4), 0)
x3 <- round(rnorm(n=20, mean=60, sd=6), 0)
x1[5] <- 160
x1[10] <- 175
x3[15] <- 20
x3[20] <- 90
x <- cbind(x1, x2, x3)

# Örnek 10.17: Örnek veri çerçevesi içeriği ve grafiği
x
boxplot(x, col=c(2:3,5))

# Örnek 10.18: adsapta ile aykırı değer arama
adsapta(x1)
adsapta(x2)
adsapta(x3)

# Örnek 10.19: adsapta2 ile aykırı değer arama
adx <- adsapta2(x)
adx

# Örnek 10.20: Aykırı değer temizleme
xs <- x[-adx,]
xs

# Örnek 10.21: Aykırı değer temizleme
adsapta2(x)

# Örnek 10.22: Eşik değerlerle aykırı değer saptama
x <- c(58,89,69,66,63,95,85,88,62,81,70,86,85,98,67,74,97,96,85,85)
x <- c(x, c(10,15,30,120,150,160)) #aykırı değer ekle
k <- 1.5
xq1 <- unname(summary(x)[2])  #Q1
xq2 <- unname(summary(x)[3])  #Q2
xq3 <- unname(summary(x)[5])  #Q3
t1 <- xq1 - 2 * k * (xq2-xq1) #Aykırı değer alt eşiği
t2 <- xq3 + 2 * k * (xq3-xq2) #Aykırı değer üst eşiği
adx <- x[which(x < t1 | x > t2)]
adx

# Örnek 10.23: Eşik değerlerle aykırı değer saptama
adx <- boxplot.stats(x)
adx

# Örnek 10.24: Medcouple çarpıklık katsayısı
m <- robustbase::mc(x) 
m

# Örnek 10.25: Çarpıklık düzeltmeli aykırı değer saptama
xiqr <- IQR(x)  #IQR
xq1 <- unname(summary(x)[2])  #Q1
xq3 <- unname(summary(x)[5])  #Q3
a <- -3
b <- 4
e <- 2.718282
t1 <- xq1 - 1.5 * e^(a*m) * xiqr
t2 <- xq3 + 1.5 * e^(b*m) * xiqr
adx <- x[which(x < t1 | x > t2)]
adx

# Örnek 10.26: Çarpıklık düzeltmeli aykırı değer saptama 2
duzadx <- robustbase::adjboxStats(x)
duzadx

# Örnek 10.27: Çarpıklık düzeltmeli aykırı değer saptama 2
if(!require(univOutl)){
  install.packages("univOutl"); library(univOutl)}
adx1 <- boxB(x, k=1.5, method='resistant')
adx1

# Örnek 10.28: Aykırı değerleri listeleme
x[adx1$outliers]

# Örnek 10.29: Aykırı değerleri listeleme
adx2 <- boxB(x, k=1.5, method='asymmetric')
x[adx2$outliers]
adx3 <- boxB(x, k=1.5, method='adjbox')
x[adx3$outliers]

# Örnek 10.30: IQR ve MAD hesaplama
IQR(x)
mad(x)

# Örnek 10.31: Sn ve Qn hesaplama
if(!require(robustbase)){
   install.packages("robustbase"); library(robustbase)}
Qn(x, finite.corr = FALSE)
Sn(x, finite.corr = FALSE)

# Örnek 10.32: univOut1 ile aykırı değer saptama
if(!require(univOutl)){
   install.packages("univOutl"); library(univOutl)}
adx <- LocScaleB(x, k=1.5, method="IQR",  
    weights=NULL, id=NULL, exclude=NA, 
    logt=FALSE, return.dataframe=FALSE)

# Örnek 10.33: univOut1 ile aykırı değer saptama
adx

# Örnek 10.34: Aykırı değerlerin listelenmesi
adx$outliers
x[adx$outliers]

# Örnek 10.35: Aykırı değerlerin hesaplanması
if(!require(univOutl)){
   install.packages("univOutl"); library(univOutl)}
adx1 <-LocScaleB(x, method = "IQR", k=1.5)
adx2 <-LocScaleB(x, method = "Sn", k=1.5)
adx3 <-LocScaleB(x, method = "Qn", k=1.5)
adx4 <-LocScaleB(x, method = "dQ", k=1.5)

# Örnek 10.36: Grubbs testi 1
if(!require(outliers)){
   install.packages("outliers"); library(outliers)}
grubbs.test(x, type=10, opposite=FALSE, two.sided=FALSE)

# Örnek 10.37: Grubbs testi 2
grubbs.test(x, type = 10, opposite = TRUE, two.sided = FALSE)

# Örnek 10.38: Grubbs testi 3
grubbs.test(x, type = 11)

# Örnek 10.39: Grubbs testi 4
grubbs.test(x, type = 20, two.sided = FALSE)

# Örnek 10.40: Dixon testi 1
dixon.test(x, two.sided=FALSE)

# Örnek 10.41: Dixon testi 2
dixon.test(x,opposite=TRUE, two.sided=FALSE)

# Örnek 10.42: Dixon testi 3
dixon.test(x,type=21)

# Örnek 10.43: Rosner testi
# Rosner test istatistiği
rosner <- function(x){
   esd <- abs(x - mean(x))/sd(x)
   df <- data.frame(x, esd)
   mesd <- max(df$esd)
   list(mesd, df)
}
# Girdi argümanları
n <- length(x)
k <- 20	# Test edilecek muhtemel aykırı değer sayısı
alpha <- 0.05
lamda <- c(1:k)
R <- c(1:k)
for(i in 1:k){
  if(i==1){
    rt <- rosner(x)
    R[i] <- unlist(rt[1])
    df <- data.frame(rt[2])
    sonuc <- df[df$esd!=max(df$esd),]
  }else{
    rt <- rosner(sonuc$x)
    R[i] <- unlist(rt[1])
    df <- data.frame(rt[2])
    sonuc <- df[df$esd!=max(df$esd),]
  }
  ## Kritik değerler
  p <- 1 - alpha/(2*(n-i+1))
  t <- qt(p,(n-i-1))
  lamda[i] <- t*(n-i) / sqrt((n-i-1+t**2)*(n-i+1))
}

# Örnek 10.44: Rosner testi ile aykırı değer saptama
sonuc <- data.frame(c(1:k),R,lamda, R>lamda)
names(sonuc) <- c("ID","Test İstatistiği", "Kritik Değer", "AD")
sonuc

# Örnek 10.45: EnvStats ile Rosner testi
if(!require(EnvStats)){
   install.packages("EnvStats"); library(EnvStats)}
adx <- rosnerTest(x, k = 8, alpha = 0.05, warn = TRUE)

# Örnek 10.46: EnvStats ile Rosner testi sonuçları
adx

# Örnek 10.47: EnvStats ile Rosner testi sonuçları
adx$n.outliers
adx$bad.obs

# Örnek 10.48: Örnek veriseti oluşturma
set.seed(19)
x1 <- round(rnorm(n=20, mean=100, sd=15), 0)
x2 <- round(rnorm(n=20, mean=10, sd=4), 0)
x3 <- round(rnorm(n=20, mean=60, sd=6), 0)
#Aykırı değerler ekle
x1[5] <- 160
x1[10] <- 175
x3[15] <- 20
x3[20] <- 90
x <- cbind(x1, x2, x3)
# Aykırı değerler içeren veriseti
x

# Örnek 10.49: Matris oluşturma
p <- ncol(x) 
n <- nrow(x) 
mx <- matrix(data=1, nrow=n)%*% cbind(mean(x1),mean(x2),mean(x3))
mx

# Örnek 10.50: Farklar matrisi
dx <- x - mx
dx

# Örnek 10.51: Varyans-kovaryans matrisi
covx <- (1/(n-1)) * t(dx) %*% dx
covx

# Örnek 10.52: x'in varyansı
var(x1)

# Örnek 10.53: Varyans-kovaryans matrisi hesaplama 2
covx2 <- cov(x)
covx2

# Örnek 10.54: Varyans-kovaryans matrisinin tersi
icovx <- MASS::ginv(covx)
icovx

# Örnek 10.55: Mahalanobis uzakları 
mdx <- sqrt(rowSums(dx %*% icovx * dx))
mdx

# Örnek 10.56: Eşik değerleri 
pcv1 <- qchisq(0.95, df=p)
pcv1
pcv2 <- qchisq(0.975, df=p)
pcv2
pcv3 <- qchisq(0.99, df=p)
pcv3

# Örnek 10.57: Eşik değerinin karekökü 
cutoff <- sqrt(pcv2)
cutoff

# Örnek 10.58: Eşik değerinin karekökü 
adx <- which(mdx > cutoff)
x[adx,]

# Örnek 10.59: Aykırı değerlerin temizlenmesi 
xs <- x[-adx,]
xs

# Örnek 10.60: Aykırı değerlerin saptanması 
mx <- colMeans(x)
covx <- cov(x)
mdx <- mahalanobis(x, mx, covx)
mdx

# Örnek 10.61: Aykırı değerlerin saptanması 
cutoff <- qchisq(0.975, df=p)
adx <- which(mdx > cutoff)
adx


# Örnek 10.62: Aykırı değerlerin saptanması 
oldpar <- par(pch=19, lwd=2, col="blue")
if(!require(chemometrics)){
   install.packages("chemometrics"); library(chemometrics)}
mdx <- Moutlier(x, quantile = 0.975, plot = TRUE)
mdx
par(oldpar)

# Örnek 10.63: Aykırı değerlerin saptanması 
summary(mdx$md)
mdx$cutoff

# Örnek 10.64: Aykırı değerlerin saptanması 
x <- as.data.frame(x)
oldpar <- par(mfrow=c(1,3))
qqplot(mdx$md, x$x1, plot.it = TRUE, 
   xlab = "Mahalanobis Uzaklığı", ylab = "x1", main = "x veriseti")
qqplot(mdx$md, x$x2, plot.it = TRUE, 
   xlab = "Mahalanobis Uzaklığı", ylab = "x2", main = "x veriseti")
qqplot(mdx$md, x$x3, plot.it = TRUE, 
   xlab = "Mahalanobis Uzaklığı", ylab = "x3", main = "x veriseti")
par(oldpar)

# Örnek 10.65: Aykırı değerlerin listelenmesi 
which(mdx$md > mdx$cutoff)
x[which(mdx$md > mdx$cutoff),]

# Örnek 10.66: Aykırı değerlerin listelenmesi 1
mdx$rd
mdx$cutoff
adx <- which(mdx$rd > mdx$cutoff)
adx

# Örnek 10.67: Aykırı değerlerin listelenmesi 2
x[adx,]

# Örnek 10.68: Aykırı değerlerin 3B grafiği
if(!require(scatterplot3d)){
   install.packages("scatterplot3d"); library(scatterplot3d)}
colpal <- c("blue", "red", "green", "magenta", "orange")
n <-nrow(x)
cadx <- rep(1, n)
cadx[adx] <- 2
scatterplot3d(x[,3], x[,2], x[,1], 
    col.axis="blue", col.grid="lightblue",
    main="3B Serpilme Grafiği", xlab="x3",ylab="x2",zlab="x1",
    pch=19, color=colpal[cadx])

# Örnek 10.69: mvoutlier ile korelasyon ve uzaklıklık grafikleri
if(!require(mvoutlier)){
   install.packages("mvoutlier"); library(mvoutlier)}
opar <- par(mfrow=c(1,3), lwd=3, pch=19)
x <- as.data.frame(x)
corr.plot(x$x1, x$x2, alpha=0.025)
corr.plot(x$x1, x$x3, alpha=0.025)
corr.plot(x$x2, x$x3, alpha=0.025)
par(opar)

# Örnek 10.70: Aykırı değer grafikleri
ddp1 <- dd.plot(x[,c("x1", "x2")], alpha=0.025)
ddp2 <- dd.plot(x[,c("x1", "x3")], alpha=0.025)
ddp3 <- dd.plot(x[,c("x2", "x3")], alpha=0.025)
ddp1
sum(ddp1$outliers)
adx1 <-ddp1$outliers
x[adx1,]

# Örnek 10.71: Örnek veri oluşturma
x <- matrix(c(0,0, 0, 1, 1,1,3,0), nrow=4, ncol=2, byrow=T)
rownames(x) <- letters[1:4]
colnames(x) <- c("v1","v2")
x

# Örnek 10.72: Örnek verisetinde Manhatta uzaklıkları 
xmdist <- dist(x, "manhattan")
xmdist

# Örnek 10.73: Örnek veriseti oluşturma ve LOF ile aykırı değer
set.seed(19)
x1 <- round(rnorm(n=20, mean=100, sd=15), 0)
x2 <- round(rnorm(n=20, mean=10, sd=4), 0)
x3 <- round(rnorm(n=20, mean=60, sd=6), 0)
# Aykırı değerler ekle
x1[5] <- 160
x1[10] <- 175
x3[15] <- 20
x3[20] <- 90
x <- cbind(x1, x2, x3)
if(!require(DMwR)){
   install.packages("DMwR"); library(DMwR)}
lofres <- lofactor(x, k=4)
lofres

# Örnek 10.74: Aykırı değerleri sıralama ve listeleme
adx <- order(lofres, decreasing=T)[1:5]
print(adx)

# Örnek 10.75: Aykırı değerleri inceleme grafikleri 1
pch <- rep("*", n)
pch[adx] <- "o"
col <- rep("black", n)
col[adx] <- "red"
pairs(x, pch=pch, col=col, cex=2)

# Örnek 10.76: Aykırı değerleri inceleme grafikleri 2
n <- nrow(x)
labels <- 1:n
labels[-adx] <- "*"
biplot(prcomp(x), cex=2, xlabs=labels)

# Örnek 10.77: Aykırı değerleri inceleme grafikleri 3
plot(density(lofres), col="blue", lwd=2, 
    ylab="Yoğunluk", main="LOF Yoğunluk Grafiği")
abline(v=1.75, col="red")

# Örnek 10.78: Aykırı değerleri listeleme 1
cutoff <- 1.75
which(lofres > cutoff)

# Örnek 10.79: Aykırı değerleri listeleme 2
q3 <- summary(lofres)[5]
cutoff <- q3 +IQR(lofres)
which(lofres > cutoff)


# Örnek 10.80: Rlof ile aykırı değer saptama
if(!require(Rlof)){
   install.packages("Rlof"); library(Rlof)}
rlofres1 <- lof(x, k=4)
rlofres1

# Örnek 10.81: lofactor ve lof sonuçlarını karşılaştırma
lofres==rlofres1

# Örnek 10.82: Farklı k değerlerinde lof ile hesaplama
rlofres2 <- lof(x, k=c(3:6))
rlofres2

# Örnek 10.83: adlof ile aykırı değer listeleme
adlof(x=rlofres2)

# Örnek 10.84: Standartlaştırılmış değerlerde aykırı değer
x <- scale(x, center = TRUE, scale = TRUE)
if(!require(Rlof)){
   install.packages("Rlof"); library(Rlof)}
rlofres3 <- lof(x, k=4)
rlofres3

# Örnek 10.85: Standartlaştırılmış değerlerde aykırı değer
q3 <- summary(rlofres3)[5]
cutoff <- q3 +IQR(rlofres3)
adx <- which(rlofres3 > cutoff)
adx

# Örnek 10.86: HDoutliers ile aykırı değer saptama 1
if(!require(HDoutliers)){
   install.packages("HDoutliers"); library(HDoutliers)}
adx <- HDoutliers(x, alpha=0.05)
adx

# Örnek 10.87: HDoutliers ile aykırı değer saptama 2
adx2 <- HDoutliers(x, alpha = 0.025)
adx2

# Örnek 10.88: HDoutliers ile aykırı değer inceleme grafiği
plotHDoutliers(x, adx)

# Örnek 10.89: Hiyerarşik kümeleme ile aykırı değer saptama
distx <- dist(x, method="euclidean")
hresx <- hclust(distx, method="single")
plot(hresx, hang=-1, main="X Dendrogramı", ylab="Uzaklık")
rect.hclust(hresx, k = 5, border = 2:6, lwd=2)

# Örnek 10.90: Bölümleyici kümeleme ile aykırı değer saptama 1
k <- 2
kmres <- kmeans(x, k)
kmres$centers
kmres$cluster

# Örnek 10.91: Bölümleyici kümeleme ile aykırı değer saptama 2
merkezler <- kmres$centers[kmres$cluster, ] 
uzakliklar <- sqrt(rowSums((x - merkezler)^2))
adx <- order(uzakliklar, decreasing=TRUE)[1:5]
adx

# Örnek 10.92: Bölümleyici kümeleme ile aykırı değer grafiği
plot(x[,c("x3", "x1")], pch=19, col=kmres$cluster, cex=1,
    main="K-ortalamalar İle Aykırı Değerler")
points(kmres$centers[,c("x3", "x1")], col=1:k, pch="+", cex=2)
points(x[adx, c("x3", "x1")], pch=1, col=4, cex=2)

# Örnek 10.93: abodOutlier aykırı değer saptama
if(!require(abodOutlier)){
   install.packages("abodOutlier"); library(abodOutlier)}
abod(x, method = "complete")
abod(x, method = "randomized", n_sample_size = 5)
abod(x, method = "knn", k = 3)

# Örnek 10.94: Sıralanmış abof değerleri
abofx <- abod(x, method = "complete")
sabofx <- sort(abofx)
sabofx

# Örnek 10.95: Aykırı değerleri inceleme grafiği
plot(sabofx, pch=19, col=2)
lines(sabofx, lwd=2, col=4)
abline(h=0.09, lty=2, lwd=2, col=3)

# Örnek 10.96: Aykırı değerleri listeleme 
abofx <= 0.09
adx <- which(abofx <= 0.09)
adx
xadx <- x[adx,]
xadx


# Örnek 10.97: Aykırı değer grafiklerini inceleme
plot(x[,c("x3", "x1")], pch=19, cex=1)
points(x[adx, c("x3", "x1")], pch=1, col=6, cex=2)

# Örnek 10.98: Aykırı değer simülasyonu
if(!require(MixSim)){
   install.packages("MixSim"); library(MixSim)}
set.seed(19)
Q <- MixSim(BarOmega = 0.01, K=4, p=3)
A <- simdataset(n=120, Pi=Q$Pi, Mu=Q$Mu, S=Q$S, n.out=5)
x <- as.data.frame(cbind(A$X, A$id))
colnames(x)<-c(paste0("x",1:dim(A$X)[2]), "cls")

# Örnek 10.99: Simülasyonla oluşurulmuş aykırı değerler
head(x, 10)
tail(x, 10)

# Örnek 10.100: Aykırı değerleri inceleme grafiği
if(!require(scatterplot3d)){
   install.packages("scatterplot3d"); library(scatterplot3d)}
colpal <- c("blue", "red", "green", "magenta", "orange")
n <-nrow(x)
colx <- rep(1, n)
colx[which(x$cls==0)]<- 2
scatterplot3d(x[,3], x[,1], x[,2], 
    col.axis="blue", col.grid="lightblue",
    main="3B Serpilme Grafiği", xlab="x3",ylab="x2",zlab="x1",
    pch=19, color=colpal[colx])

# Örnek 10.101: Aykırı değerli simülasyonları dosyaya kaydetme
setwd("C:/dpbook")
write.table(file="ornek.dat", x, col.names=TRUE, row.names=FALSE)

# Örnek 10.102: NoiseFiltersR ile Gürültü saptama 
if(!require(NoiseFiltersR)){
   install.packages("NoiseFiltersR"); library(NoiseFiltersR)}
data(iris)
sonuc <- ENN(Species~., data = iris, k = 5)
summary(sonuc)

# Örnek 10.103: NoiseFiltersR ile Gürültü saptama 
attributes(sonuc)

# Örnek 10.104: Gürültülerin listelenmesi 
sonuc$remIdx

# Örnek 10.105: Gürültüden arındırma
iris1 <- sonuc$cleanData
iris1[69:85,]

# BÖLÜM 11 ##########################################################

# Örnek 11.1:Normal ve Weibull dağılışından örnek veri oluşturma
set.seed(1923)
x1 <- rnorm(n=1000, mean=50, sd=2)
x2 <- rweibull(n=1000, shape=1, scale=5)

# Örnek 11.2: Örnek veri için histogramlar
oldpar <- par(mfrow=c(1,2))
hist(x1, col="gray", main="Normal")
hist(x2, col="gray", main="Weibull")
par(oldpar)

# Örnek 11.3: Örnek veri için histogramlar
oldpar <- par(mfrow=c(1,2))
boxplot(x1, horizontal = TRUE,
    col="gray", border="blue",
    main="kutu-bıyık grafiği",
    xlab="x1", ylab="")
boxplot(x2,horizontal = TRUE,
    col="gray", border="blue",
    main="kutu-bıyık grafiği",
    xlab="x2", ylab="")
par(oldpar)

# Örnek 11.4: Örnek veri için Q-Q grafikleri
oldpar <- par(mfrow=c(1,2))
qqnorm(x1, 
     xlab="Teorik Kantiller", ylab="Örneklem Kantilleri",
     main="Normal Dağılış (x1)")
qqline(x1, col=2, lwd=2)
qqnorm(x2, 
     xlab="Teorik Kantiller", ylab="Örneklem Kantilleri",
     main="Normal Olmayan Dağılış (x2)")
qqline(x2, col=2, lwd=2)
par(oldpar)

# Örnek 11.5: Örnek veri için P-P grafikleri
oldpar <- par(mfrow=c(1,2))
plot(1:length(x1), sort(x1), 
   pch=1, col="black",
   xlab="x", ylab="Küm. Frekans") 
lines(sort(x1), col="red", lwd=2)
plot(1:length(x2), sort(x2), 
   pch=1, col="black",
   xlab="x", ylab="Küm. Frekans") 
lines(sort(x2), col="red", lwd=2)
par(oldpar)

# Örnek 11.6: Örnek veri oluşturma
x <- c(1,1.1,1.1,1.1,1.1,1.2,1.2,1.6,2.2,2.2,2.4,2.6,3,
   4,4,4.1,4.1,4.1,4.2,4.5,5,5,5.1,10,10,10.5,15.2,20)
q <- diff(range(x)) / sd(x)
q

# Örnek 11.7: Shapiro-Wilk testi
shapiro.test(x1)
shapiro.test(x2)

# Örnek 11.7: D’Agostino D testi için hesaplama tablosu

# Örnek 11.8: normtest ile Jarque-Bera testi
if(!require(normtest)){
   install.packages("normtest"); #Paket kurulu değilse
   library(normtest)}
jb.norm.test(x1)
jb.norm.test(x2)

# Örnek 11.9: tseries ile Jarque-Bera testi
if(!require(tseries)){
   install.packages("tseries"); #Paket kurulu değilse
   library(tseries)}
jarque.bera.test(x1)


# Örnek 11.10: Anderson-Darling testi
if(!require(nortest)){
   install.packages("nortest"); #Paket kurulu değilse
   library(nortest)}
ad.test(x1)
ad.test(x2)

# Örnek 11.11: Örnek veri, ortalaması ve standart sapması
x <- c(2, 4, 6, 3, 4, 5)
xort <- mean(x)
xort
xstd <- sd(x)
xstd

# Örnek 11.12: Örnek verinin standartlaştırılması
z <- (x-xort)/xstd
z
mean(z)
sd(z)

# Örnek 11.13: Örnek verinin standartlaştırılması
x <- c(2, 4, 6, 3, 4, 5)
sum(x)
xort <- mean(x)
xort
xstd <- sqrt(var(x))
xstd
z <- (x-xort)/xstd
z

# Örnek 11.14: Örnek verinin scale ile standartlaştırılması 1
z <- scale(x, center=TRUE, scale=TRUE) # kısaca scale(x)
z

# Örnek 11.15: Örnek verinin scale ile standartlaştırılması 2
scale(x, center=FALSE, scale=TRUE)

# Örnek 11.16: Örnek veride ölçek değeri
sqrt(sum(x^2)/(length(x)-1))

# Örnek 11.17: Örnek veride WS ölçeklendirmesi
scale(x, center=median(x), scale=mad(x))

# Örnek 11.18: Örnek veride QSUM ölçeklendirmesi
scale(x, center=FALSE, scale=sum(x))

# Örnek 11.19: Örnek veri çerçevesi oluşturma
vagr <-  c(19, 25, 23)
kaa <-  c(27, 44, 37)
kya <- c(120, 198, 165)
kdata <- cbind(vagr, kaa, kya)
kdata


# Örnek 11.20: Örnek veri çerçevesi oluşturma
skdata1 <- scale(kdata)
skdata1

# Örnek 11.21: Standart veride tanımlayıcı istatistikler
summary(skdata1)

# Örnek 11.22: Örnek veride QMAX ölçeklendirmesi
maxvals <- c(max(kdata[,1]), max(kdata[,2]), max(kdata[,3]))
maxvals
skdata2 <- scale(kdata, center=FALSE, scale=maxvals)
skdata2 

# Örnek 11.23: clusterSim paketini kurma ve yükleme
if(!require(clusterSim)){
   install.packages("clusterSim"); library(clusterSim)}

# Örnek 11.25: data.Normalization ile QMAX ölçeklendirmesi
skdata3 <- data.Normalization(kdata, type="n8", normalization="column")
skdata3

# Örnek 11.26: caret paketini kurma ve yükleme
if(!require(caret)){
   install.packages("caret"); library(caret)}

# Örnek 11.27: preProcess ile standartlaştırma
ppdata <- preProcess(kdata, method = c("center", "scale"))
skdata3 <- predict(ppdata, kdata)
skdata3

# Örnek 11.28: kdata verisini tersine dönüştürme
trkdata1 <- 1/kdata
trkdata1

# Örnek 11.29: kdata verisini logaritmik dönüşümü
trkdata2 <- log(kdata)
trkdata2

# Örnek 11.30: kdata verisinde küpkök dönüştürmesi
trkdata3 <- kdata^(1/3)
trkdata3

# Örnek 11.31: kdata verisinde karesine dönüştürme
trkdata4 <- kdata^2
trkdata4

# Örnek 11.32: kdata verisinde arksinüs dönüştürmesi
arksin <- function(x){
   asin(sign(x) * sqrt(abs(x)))
}
fishdata <- c(38, 1, 13, 2, 13, 20, 50, 9, 28, 6, 4, 43)
hist(fishdata)
normfishdata <- (fishdata - min(fishdata)) / diff(range(fishdata))
arksinfishdata <- arksin(normfishdata)
hist(arksinfishdata)
lines(density(arksinfishdata))

# Örnek 11.33: Basit dönüştürme örnekleri
x <- c( -3, -2, -1,  0,  1,  2,  3)
x
z <- log(x)
z
a <- 1-min(x)
a
w <- x + a
w
z <- log(w)
z

# Örnek 11.34: Fahrenhayt-> Celcius dönüşümü
F <- c(0, 32, 100, 212)
F
C <- 5/9*(F-32)
round(C,2)

# Örnek 11.35: textConnection ile veri okuma
veri <- textConnection("
yer bulaniklik
a 1.0
a 1.2
a 1.1
a 1.1
a 2.4
a 2.2
a 2.6
a 4.1
a 5.0
a 10.0
b 4.0
b 4.1
b 4.2
b 4.1
b 5.1
b 4.5
b 5.0
b 15.2
b 10.0
b 20.0	
c 1.1
c 1.1
c 1.2
c 1.6
c 2.2
c 3.0
c 4.0
c 10.5
")
nbds <- read.table(veri, sep=" ", header=TRUE)
yer <- nbds$yer
bulaniklik <- nbds$bulaniklik

# Örnek 11.36: rcompanion paketinin kurulması ve yüklenmesi
if(!require(rcompanion)){
   install.packages("rcompanion"); library(rcompanion)}

# Örnek 11.37: bulaniklik verisi histogramı
plotNormalHistogram(bulaniklik, col="gray",
   xlab="Bulanıklık", ylab="Frekans")

# Örnek 11.38: Q-Q grafiğinin çizilmesi
qqnorm(bulaniklik, pch=19, col="blue",
    xlab="Teorik Kantiller",
    ylab="Bulanıklık Örneklem Kantilleri",
    main="Bulanıklık Q-Q Grafiği")
qqline(bulaniklik, col="red", lwd=2)


# Örnek 11.39: bulaniklik verisinde dönüştürme
bkarekok <- sqrt(bulaniklik)
bkupkok <- abs(bulaniklik)^(1/3)
blog <- log(bulaniklik)

# Örnek 11.40: bulaniklik verisinde dönüştürme
oldpar <- par(mfrow=c(3,2))
plotNormalHistogram(bkarekok,
    col="gray", 
    xlab="karekök(bulanıklık)", ylab="Frekans")
qqnorm(bkarekok, pch=19, col="blue",
    xlab="Teorik Kantiller",
    ylab="Örneklem Kantilleri",
    main="Q-Q Grafiği")
qqline(bkarekok, col="red", lwd=2)
plotNormalHistogram(bkupkok, col="gray", 
    xlab="küpkök(bulanıklık)", ylab="Frekans")
qqnorm(bkupkok, pch=19, col="blue",
    xlab="Teorik Kantiller",
    ylab="Örneklem Kantilleri",
    main="Q-Q Grafiği")
qqline(bkupkok, col="red", lwd=2)
plotNormalHistogram(blog, col="gray", 
    xlab="log(bulanıklık) ", ylab="Frekans")
qqnorm(blog, pch=19, col="blue",
    xlab="Teorik Kantiller",
    ylab="Örneklem Kantilleri",
    main=" Q-Q Grafiği")
qqline(blog, col="red", lwd=2)
par(oldpar)


# Örnek 11.41: bulaniklik verisinde BoxCox dönüştürmesi 1
if(!require(MASS)){
   install.packages("MASS"); library(MASS)}
bboxcox <- boxcox(bulaniklik ~ 1, lambda = seq(-6,6,0.1))      
bboxcox

# Örnek 11.42: bulaniklik verisinde BoxCox dönüştürmesi 2
dfboxcox <- data.frame(bboxcox$x, bboxcox$y)  
head(dfboxcox)
tail(dfboxcox)

# Örnek 11.43: bulaniklik verisinde BoxCox dönüştürmesi 3
idx <- with(dfboxcox, order(-bboxcox.y))
dfboxcox2 <- dfboxcox[idx,]
dfboxcox2[1,]     

# Örnek 11.44: BoxCox dönüştürmesi  değeri
lamda <- dfboxcox2[1, "bboxcox.x"]
lamda
         
# Örnek 11.45: BoxCox dönüştürmesi yapılmış değerler
trbulaniklik <- (bulaniklik^lamda-1)/lamda
head(trbulaniklik)

# Örnek 11.46: BoxCox dönüştürmesi yapılmış değerler grafiği
oldpar <- par(mfrow=c(1,2))
plotNormalHistogram(trbulaniklik, col="gray", 
    xlab="Box-Cox Dönüştürmesi", ylab="Frekans")
qqnorm(trbulaniklik, pch=19, col="blue",
    xlab="Teorik Kantiller",
    ylab="Örneklem Kantilleri",
    main="Q-Q Grafiği")
qqline(trbulaniklik, col="red", lwd=2)
par(oldpar)

# Örnek 11.47: Yeo-Johnson veri dönüştürmesi
if(!require(VGAM)){
   install.packages("VGAM"); library(VGAM)}
trbulaniklik <- yeo.johnson(nbds$bulaniklik, lambda=-0.2)
trbulaniklik

# Örnek 11.48: Yeo-Johnson dönüştürmesi yapılmış veri grafiği
oldpar <- par(mfrow=c(1,2))
plotNormalHistogram(trbulaniklik, col="gray", 
    xlab="Yeo-Johnson Dönüştürmesi", ylab="Frekans")
qqnorm(trbulaniklik, pch=19, col="blue",
    xlab="Teorik Kantiller",
    ylab="Örneklem Kantilleri",
    main="Q-Q Grafiği")
qqline(trbulaniklik, col="red", lwd=2)
par(oldpar)

# Örnek 11.49: car paketinin kurulması ve yüklenmesi
if(!require(car)){
  install.packages("car"); library(car)}

# Örnek 11.50: bulaniklik verisinde varyans analizi
aovmodel1 <- lm(bulaniklik ~ yer, data=nbds)
Anova(aovmodel1, type="II")

# Örnek 11.51: bulaniklik verisinde varyans analizi diyagnostiği
resaovmodel1 <- residuals(aovmodel1)
oldpar <- par(mfrow=c(1,2))
plotNormalHistogram(resaovmodel1, col="gray", 
    xlab="Kalıntılar", ylab="Frekans")
qqnorm(resaovmodel1, pch=19, col="blue",
    xlab="Teorik Kantiller",
    ylab="Kalıntı Örneklem Kantilleri",
    main="Q-Q Grafiği")
qqline(resaovmodel1, col="red", lwd=2)
par(oldpar)

# Örnek 11.52: bulaniklik verisinde varyans analizi diyagnostiği
plot(fitted(aovmodel1), residuals(aovmodel1),pch=19,
    xlab="Bulanıklık Tahmin Değerleri", ylab="Kalıntılar")

# Örnek 11.53: Dönüştürülmüş bulaniklik verisinde ANOVA
nbds$trbulaniklik <- trbulaniklik
aovmodel2 <- lm(trbulaniklik ~ yer, data=nbds)
Anova(aovmodel2, type="II")

# Örnek 11.54: Dönüştürülmüş veride varyans analizi diyagnostiği
resaovmodel2 <- residuals(aovmodel2)
oldpar <- par(mfrow=c(1,2))
plotNormalHistogram(resaovmodel1, col="gray", 
    xlab="Kalıntılar", ylab="Frekans")
qqnorm(resaovmodel2, pch=19, col="blue",
    xlab="Teorik Kantiller",
    ylab="Kalıntı Örneklem Kantilleri",
    main="Q-Q Grafiği")
qqline(resaovmodel2, col="red", lwd=2)
par(oldpar)

# Örnek 11.55: Dönüştürülmüş veride normallik grafikleri
plot(fitted(aovmodel2), residuals(aovmodel2),pch=19,
    xlab="Bulanıklık Tahmin Değerleri", ylab="Kalıntılar")


# Örnek 11.56: Orijinal ve dönüştürülmüş veriyi karşılaştırma
oldpar <- par(mfrow=c(1,2))
boxplot(bulaniklik ~ yer, data = nbds, 
   col=c(2,3,5), xlab="Yer", ylab="Bulanıklık")
boxplot(trbulaniklik ~ yer, data = nbds,
   col=c(2,3,5), xlab="Yer", ylab="Dönüştürülmüş Bulanıklık")
par(oldpar)

# BÖLÜM 12 ###########################################################

# Örnek 12.1: Veri dosyasının okunması ve görüntülenmesi
setwd("C:/dpbook")
sdata <- read.delim("sdata.txt", sep="", head=TRUE)
sdata

# Örnek 12.2: Veri dosyasının incelenmesi
if(!require(swfscMisc)){
   install.packages("swfscMisc"); library(swfscMisc)}
kdsay <- na.count(sdata)
kdsay
kdyuzde <- kdsay / nrow(sdata) * 100
kdyuzde
kdcidx <- which(kdyuzde > 5)
kdcidx

# Örnek 12.3: Veri dosyasındaki kayıp değerlerin temizlenmesi
rsdata1 <- sdata[,-kdcidx]
rsdata1

# Örnek 12.4: mice paketiyle kayıp değerlerin tamamlanması
if(!require(mice)) {
    install.packages("mice"); library(mice)}
impsdata <- mice(rsdata1, m=15, method="pmm", maxit=20)
rsdata2 <- complete(impsdata, 1)
rsdata2

# Örnek 12.5: mice paketiyle kayıp değerlerin tamamlanması 2
impsdata <- mice(rsdata2, m=15, method="pmm", maxit=20)
rsdata2 <- complete(impsdata,2)
rsdata2

# Örnek 12.6: rsdata3'teki değişkenlere ait istatistikler
y <- rsdata2[,1]
rsdata3 <- rsdata2[,2:ncol(rsdata2)]
varyansx <- round(apply(rsdata3, 2, var),3)
varyansx
ssapmax <- round(apply(rsdata3, 2, sd), 3)
ssapmax
ortx <- round(apply(rsdata3, 2, mean), 3)
ortx
varkatx <- round(ssapmax / ortx * 100, 2)
varkatx

# Örnek 12.7: Varyasyonu düşük değişkenlerin saptanması
kdcidx <- which(varkatx < 5.0)
kdcidx

# Örnek 12.8: Varyasyonu düşük değişkenin atılması
rsdata4 <- rsdata3[,-kdcidx]
rsdata5 <- cbind(y, rsdata4)
rsdata5

# Örnek 12.9: Korelasyon matrisi
cormat <- cor(rsdata3)
cormat

# Örnek 12.10: Korelasyon grafiği
if(!require(corrplot)) {
   install.packages("corrplot"); library(corrplot)}
corrplot.mixed(cormat,lower = "pie", upper="number", tl.col="black")

# Örnek 12.11: Yüksek korelasyonlu değişkenlerin saptanması
if(!require(caret)) {
   install.packages("caret"); library(caret)}
ykd <- findCorrelation(cormat, cutoff=0.9)
ykd 
ykd <- sort(ykd)
ykd

# Örnek 12.12: Yüksek korelasyonlu değişkenlerin atılması
rsdata6 <- rsdata3[,-c(ykd)]
rsdata7 <- cbind(y, rsdata6)
rsdata7

# Örnek 12.13: Çoklu doğrusal regresyon analizi
regmodel <- lm(y ~ ., data=rsdata3)
#veya regmodel <- lm(y ~ x1+x2+x3+x6, data=rsdata3)
summary(regmodel)

# Örnek 12.14: Çoklu doğrusal regresyonda VIF 
if(!require(fmsb)) {
   install.packages("fmsb"); library(fmsb)}
VIF(lm(x1 ~ x6, data=rsdata3))
VIF(lm(x1 ~ x2+x3, data=rsdata3))
VIF(lm(x1 ~ x2+x3+x6, data=rsdata3))
VIF(lm(x2 ~ x1, data=rsdata3))
VIF(lm(x2 ~ x3, data=rsdata3))
VIF(lm(x2 ~ x6, data=rsdata3))
VIF(lm(x2 ~ x1+x3, data=rsdata3))
VIF(lm(x2 ~ x3+x6, data=rsdata3))
VIF(lm(x2 ~ x1+x3+x6, data=rsdata3))
VIF(lm(x6 ~ x1, data=rsdata3))
VIF(lm(x6 ~ x2, data=rsdata3))
VIF(lm(x6 ~ x3, data=rsdata3))
VIF(lm(x6 ~ x1+x2, data=rsdata3))
VIF(lm(x6 ~ x1+x2+x3, data=rsdata3))

# Örnek 12.15: Çoklu doğrusal regresyonda VIF 2
if(!require(car)) {
   install.packages("car"); library(car)}
vif(lm(y ~ x1 + x2, data=rsdata3))
vif(lm(y ~ x1 + x3, data=rsdata3))
vif(lm(y ~ x1 + x6, data=rsdata3))
vif(lm(y ~ x2 + x3, data=rsdata3))
vif(lm(y ~ x2 + x6, data=rsdata3))
vif(lm(y ~ x1 + x2 + x3, data=rsdata3))
vif(lm(y ~ x1 + x2 + x3 + x6, data=rsdata3))

# Örnek 12.16: İndirgenmiş veride çoklu doğrusal regresyon 
regmodel <- lm(y ~ x1+x2+x6, data=rsdata3)
summary(regmodel) 

# Örnek 12.17: Minimum model ve tam model
minmod <- lm(y~1, data=rsdata3)
tammod <- lm(y~., data=rsdata3)

# Örnek 12.18: İleriye doğru değişken ekleme
step(minmod, scope=list(lower=minmod, upper=tammod), direction="forward")

# Örnek 12.19: Geriye doğru değişken eleme 
step(tammod, data=rsdata3, direction="backward")

# Örnek 12.20: Kademeli regresyon analizi 
step(minmod, direction = "both",
  scope = list(lower = minmod, upper = tammod), 
  trace = 0, steps = 1000)  

# Örnek 12.21: Kademeli regresyon analizi 2
kdmrmod <- step(minmod, direction = "both",
   scope = list(lower = minmod, upper = tammod))
slvars <- names(unlist(kdmrmod[[1]]))
slvars <- slvars[!slvars %in% "(Intercept)"]  
slvars

# Örnek 12.22: En iyi modeli veren değişkenlerden veriseti
rsdata8 <- rsdata3[, slvars]
head(rsdata8)


# Örnek 12.23: leaps ile en iyi modeli bulma
if(!require(leaps)) {
   install.packages("leaps"); library(leaps)}
regssets <- regsubsets(y~., data=rsdata3, nbest=10)


# Örnek 12.24: leaps regsubsets nesnesi öznitelikleri
attributes(regssets)

# Örnek 12.25: Değişken önemlilikleri grafiği
par(mfrow=c(1,2))
plot(regssets, scale="adjr2")
plot(regssets, scale="bic")

# Örnek 12.26: Boruta ile değişken önemlilikleri 
if(!require(Boruta)) {
   install.packages("Boruta"); library(Boruta)}
borsonuc <- Boruta(y ~ ., data=na.omit(rsdata3), doTrace=2)

# Örnek 12.27: Boruta nesnesi öznitelikleri 
attributes(borsonuc)

# Örnek 12.28: Boruta ile kabul ve reddedilen değişkenler 
borsonuc$finalDecision

# Örnek 12.29: Boruta ile önemli değişkenler listesi 
impvars <- names(borsonuc$finalDecision[borsonuc$finalDecision
   %in% c("Confirmed", "Tentative")])  
impvars  

# Örnek 12.30: Boruta ile önemli değişkenler listesi 
plot(borsonuc, cex.axis=0.8, 
  las=2, xlab="", ylab="Önemlilik", main="Değişken Önemliliği")  

# Örnek 12.31: PCA analizi 
pcasonuc <- princomp(rsdata3[,-1], cor=TRUE)
summary(pcasonuc) 
loadings(pcasonuc) 

# Örnek 12.32: PCA analizi sonuç nesnesi öznitelikleri 
attributes(pcasonuc)

# Örnek 12.33: PCA analizi skor listesi 
pcasonuc$scores 

# Örnek 12.34: PCA analizi skor listesi 
plot(pcasonuc, type="lines") 
biplot(pcasonuc) 

# Örnek 12.35: psych ile PCA analizi 
if(!require(psych)){
   install.packages("psych");library(psych)}
pcasonuc2 <- principal(rsdata3[,-1], nfactors=3, rotate="varimax") 
pcasonuc2

# Örnek 12.36: psych ve GPArotation paketlerinin kurulması 
if(!require(psych)){
   install.packages("psych");library(psych)}
if(!require(GPArotation)){
   install.packages("GPArotation");library(GPArotation)}

# Örnek 12.37: psych ile faktör analizi 1
fapsonuc <- fa.parallel(rsdata3, fm = 'minres', fa = 'fa')

# Örnek 12.38: psych ile faktör analizi 2
fapsonuc <- fa.parallel(rsdata3, fm = 'ml', fa = 'fa')

# Örnek 12.39: psych ile faktör analizi 3
fasonuc <- fa(rsdata3, nfactors = 2, rotate = "oblimin", fm="minres")
fasonuc 
plot(fasonuc, pch=19, labels=names(rsdata3), cex=.7, ylim=c(-.1,1))

# Örnek 12.40: Bileşen yükleri
print(fasonuc$loadings, cutoff = 0.3)

# Örnek 12.41: Yükleme diyagramı
fa.diagram(fasonuc)

# Örnek 12.42: psych ile faktör analizi 4
fasonuc2 <- fa(rsdata3, nfactors=3, rotate="oblimin", m="minres")
print(fasonuc2$loadings, cutoff = 0.3)
fa.diagram(fasonuc2)

# Örnek 12.43: Faktör analizinde tahminleme
predsdata <- predict(fasonuc, rsdata3)
colnames(predsdata) <- paste0("f", c(1:2))
predsdata

# Örnek 12.44: rpart ile karar ağacı
if(!require(rpart)){
   install.packages("rpart");library(rpart)}
rpmodel <- rpart(y~., data=rsdata3, method="anova")

# Örnek 12.45: rpart nesnesi öznitelikleri
attributes(rpmodel)

# Örnek 12.46: rpart analiz sonuçları
printcp(rpmodel)

# Örnek 12.47: rpart analizine değişken önemlilikleri
rpmodel$variable.importance

# Örnek 12.48: rpart analizi sonuçlarını görselleştirme
plot(rpmodel)
text(rpmodel, use.n=TRUE, cex=1, all=TRUE)

# Örnek 12.49: party ile rastlantısal orman analizi
if(!require(party)){
   install.packages("party");library(party)}
rfsonuc1 <- cforest(y~. , data= rsdata3, 
   control=cforest_unbiased(mtry=2,ntree=50)) 

# Örnek 12.50: Değişken önemlilikleri 1
varimp(rfsonuc1) 

# Örnek 12.51: Değişken önemlilikleri 2
varimp(rfsonuc1, conditional=TRUE) 

# Örnek 12.52: randomForest ile analiz
if(!require(randomForest)){
   install.packages("randomForest"); library(randomForest)}
set.seed(1071)
rorman <- randomForest(y~.,data=rsdata3, ntree=500, importance=TRUE)
print(rorman)

# Örnek 12.53: randomForest sonuç nesnesi öznitelikleri
attributes(rorman)

# Örnek 12.54: randomForest ile değişken önemlilikleri
rormanimpvars <- importance(rorman)
rormanimpvars

# Örnek 12.55: Değişken önemlilikleri grafiği
varImpPlot(rorman, col="blue", lwd=2, pch=19, cex=1.5)

# Örnek 12.56: MARS analizi
if(!require(earth)){
   install.packages("earth"); library(earth)}
model1 <- earth(y ~ ., data=rsdata3) 

# Örnek 12.57: MARS analizi sonuçlarıyla değişken önemliliği
estimpvars <- evimp(model1)
estimpvars
opar <- par(lwd=2)# Çizgi kalınlığı ayarlama
plot(estimpvars, main="Değişken Önemliliği")
par(opar)

# Örnek 12.58: relaimpo paketini kurma ve yükleme
if(!require(relaimpo)){
   install.packages("relaimpo"); library(relaimpo)}
model1 <- lm(y ~ . , data = rsdata3)

# Örnek 12.59: relaimpo ile göreceli önemlilik
relimpvars <- calc.relimp(model1, type="lmg", relative=TRUE)  
sort(relimpvars$lmg, decreasing=TRUE)  

# Örnek 12.60: Basit iadesiz rastlantısal örnekleme
sample(1:100, size=10)

# Örnek 12.61: Basit iadeli rastlantısal örnekleme
sample(1:100, size=10, replace=TRUE)

# Örnek 12.62: Farklı olasılıklı iadeli rastlantısal örnekleme
x <- sample(1:4, size=10, replace=TRUE, 
     prob=c(0.1,0.3,0.4,0.2))
x
xft <- table(x)/length(x)
barplot(xft)

# Örnek 12.63: Uniform dağılıştan örnekleme
x <- round(runif(n=10, min=1, max=100))
x
sample(x, 4)

# Örnek 12.64: Uniform dağılıştan örnekleme
x <- c("kirmizi", "mavi", "yesil", "kahve", "siyah","kirmizi",
  "mavi", "yesil","kahve", "siyah","siyah","kirmizi","mavi", 
  "yesil")
x
sample(x, 5, replace=TRUE)

# Örnek 12.65: Basit iadeli örnekleme işlemleri
sample(1:10, size=4, replace=TRUE)
sample(1:10, size=4, replace=TRUE)
set.seed(123)
sample(1:10, size=4, replace=TRUE)
set.seed(123)
sample(1:10, size=4, replace=TRUE)

# Örnek 12.66: Normal dağılışlı veri simülasyonu
x1 <- rnorm(n=1000, mean=40, sd=5)
x2 <- rnorm(n=1000, mean=10, sd=2)
x3 <- rnorm(n=1000, mean=100, sd=10)
x <- data.frame(x1, x2, x3)
head(x)
tail(x)

# Örnek 12.67: Veri çerçevesinden örnekleme
smp <- sample(1:nrow(x), replace=TRUE,
   size=as.integer(0.05*nrow(x)))

# Örnek 12.68: Örneklenen verilerden veri çerçevesi oluşturma
xs <- x[smp,]
head(xs)
tail(xs)

# Örnek 12.69: Anakitle ve örneklem ortalamaları
apply(x, 2, mean)
apply(xs, 2, mean)

# Örnek 12.70: Veri nesnes büyüklükleri
object.size(x)
object.size(xs)

# Örnek 12.71: Eğitim ve test örneklemleri oluşturma 1
ts <- as.integer(0.7*nrow(x))
xt <- 1:ts
xtrain <- x[xt,]
xtest <- x[-xt,]
head(xtrain)
head(xtest)

# Örnek 12.72: Eğitim ve test örneklemleri oluşturma 2
ts <- as.integer(0.7*nrow(x))
xt <- sample(1:nrow(x), size=ts, replace=FALSE)
xtrain <- x[xt,]
xtest <- x[-xt,]
head(xtrain)
head(xtest)

# Örnek 12.73: ssample ile sistematik örnekleme
ssample(100,5)

# Örnek 12.74: Tabakalı örnekleme
set.seed(123)
x <- data.frame(yas = sample(15:50, 20, T), 
      cins= sample(c("E","K"), 20, T),
      ggrup=sample(c("D","O","Y"), 20, T),
      bpuan = sample(0:4, 20, T))
x

# Örnek 12.75: dplyr ile tababakalı örnekleme
if(!require(dplyr)){
   install.packages("dplyr"); library(dplyr)}
set.seed(123)
xs <- x %>% group_by(ggrup) %>% sample_n(2, replace=TRUE)
xs

# Örnek 12.76: fifer ile tabakalı örnekleme
if(!require(fifer)){
   install.packages("fifer"); library(fifer)}
xs <- stratified(x, group = 3, size = 2)
xs 

# Örnek 12.77a: x veri çerçevesini dosyaya yazma
setwd("C:/dpbook")
write.table(x, file="ogrveri.txt", sep="\t", 
   row.names=F, col.names=T)

# Örnek 12.77b: ogrveri.txt dosyasının okunması
x <- read.table("ogrveri.txt", nrows=5, skip=4)
x

# Örnek 12.78: read.samples ile dosyadan örnekleme
N <- 20; n=5
samp <- sample(1:N, size=n)
xsamp <- read.samples(file="ogrveri.txt", xs=samp)
xsamp

# Örnek 12.79: Sürekli veri dosyasının okunması 
setwd("C:/dpbook")
yaskilo <- read.table("yaskilo.txt", sep="\t", header=T)
yaskilo

# Örnek 12.80: EWI ile kesikleştirme
k <- 4
kes.yas <- cut(yaskilo$yas,k)
kes.yas

# Örnek 12.81: Frekans tablosu hazırlama
table(kes.yas)

# Örnek 12.82: cut ile etiketsiz kesikleştirme
kes.yas <- cut(yaskilo$yas, breaks=k, labels=FALSE)
kes.yas
table(kes.yas)

# Örnek 12.83: cut ile etiketli kesikleştirme
etiket <- c("a","b","c","d") 
kes.yas <- cut(yaskilo$yas, breaks=k, labels=etiket)
kes.yas

# Örnek 12.84: Kesme noktalarıyla kesikleştirme
kes.yas <- cut(yaskilo$yas, breaks=c(15, 30, 45, 55, 100),
   labels=c("15-30", "31-45", "46-55", "56-100"))
kes.yas
table(kes.yas)

# Örnek 12.85: EFI ile kesikleştirme
k <- 4
kes.yas <- cut(yaskilo$yas, quantile(yaskilo$yas, probs=seq(0, 1, 1/k)))
kes.yas
table(kes.yas)

# Örnek 12.86: Çok sayıda değişkenin kesikleştirilmesi
k <- 4
kes.yas <- cut(yaskilo$yas, breaks=k, labels=FALSE)
kes.kilo <- cut(yaskilo$kilo, breaks=k, labels=FALSE)
kes.yaskilo <- data.frame(kes.yas, kes.kilo)
kes.yaskilo

# Örnek 12.87: Sürekli ve kesiklik veriler için bellek tüketimi
object.size(yaskilo)
object.size(kes.yaskilo)

# Örnek 12.88: discretize ile kesikleştirme 1
if(!require(arules)){
   install.packages("arules"); library(arules)}
k <- 4
kes.yas <- discretize(yaskilo$yas, method="interval", categories = k)
kes.yas
table(kes.yas)

# Örnek 12.89: discretize ile kesikleştirme 2
k <- 4
kes.yas <- discretize(yaskilo$yas, method="frequency", categories = k)
kes.yas
table(kes.yas)

# Örnek 12.90: discretize ile kesikleştirme 3
k <- 4
kes.yas <- discretize(yaskilo$yas, method="cluster", categories = k)
kes.yas
table(kes.yas)

# Örnek 12.91: discretize ile kesikleştirme 4
k <- 4
kes.yas <- discretize(yaskilo$yas, method="cluster", categories = k, labels=c(1:k))
kes.yas

# Örnek 12.92: Kesikli veriseti
k <- 4
kes.yas <- discretize(yaskilo$yas, method="cluster", 
     categories = k, labels=c(1:k))
kes.kilo <- discretize(yaskilo$kilo, method="cluster", 
     categories = k, labels=c(1:k))
kes.yaskilo <- data.frame(kes.yas, kes.kilo)
kes.yaskilo

# Örnek 12.93: arc ile kesikleştirme
if(!require(arc)){
   install.packages("arc"); library(arc)}
k <- 4
kes.yas <- discretizeUnsupervised(yaskilo$yas, 
     method="cluster", 
     categories = k, labels=FALSE)
kes.kilo <- discretizeUnsupervised(yaskilo$kilo, 
     method="cluster", 
     categories = k, labels=FALSE)
kes.yaskilo <- data.frame(kes.yas=kes.yas$Disc.data, 
     kes.kilo=kes.kilo$Disc.data)
kes.yaskilo

# Örnek 12.94: infotheo ile kesikleştirme 1
if(!require(infotheo)){
   install.packages("infotheo"); library(infotheo)}
kes.yas <- discretize(X=yaskilo, disc="equalwidth", nbins=k)
kes.yas

# Örnek 12.95: infotheo ile kesikleştirme 2
kes.yas <- discretize(X=yaskilo, disc="globalequalwidth", nbins=k)
kes.yas

# Örnek 12.96: Örnek veri dosyasının okunması
setwd("C:/dpbook")
yaskilo2 <- read.table("yaskilo2.txt", head=T)
yaskilo2

# Örnek 12.97: discretization paketiyle ChiMerge yöntemi
if(!require(discretization)){
   install.packages("discretization"); library(discretization)}
res.yaskilo2 <- chiM(yaskilo2,alpha=0.05)
res.yaskilo2

# Örnek 12.98: CACC yöntemiyle kesikleştirme
res.yaskilo3 <- disc.Topdown(yaskilo2, method=2)
res.yaskilo3

# Örnek 12.99: Kesikli verilerin veri çerçevesine atanması
kes.yaskilo2 <- res.yaskilo2$Disc.data
kes.yaskilo2

# BÖLÜM 13 ##################################################################

# Örnek 13.1: Orta hacimli bir veri dosyası oluşturma
set.seed(123)
n <- 6e+07 
yil <- sample(c(2010:2017), n, replace = T)
cins <- sample(c("E", "K"), n, replace = T)
ders <- sample(c(LETTERS[1:5]), n, replace = T)
csure <- sample(c(0:50), n, replace = T)
bnot <- round(rnorm(n, 40, 20),1)
df.not <- data.frame(yil, cins, ders, csure, bnot)
write.table(df.not, file = "bigdatanot.txt",  sep= ",", 
  row.names= F, col.names= T)

# Örnek 13.2: Örnek veri içeriği, boyutu ve okuma süresi 
head(xbd)
dim(xbd)
system.time(
  xbd <- read.csv("bigdatanot.txt", stringsAsFactors=F, 
  header=T)
)

# Örnek 13.3: Örnek veriyi hızlı okuma seçeneği
system.time(
   xbd <- readLines("bigdatanot.txt")
)
head(xbd)

# Örnek 13.4: readLines ile okunan veriyi tabloya çevirme
system.time(
  xbd <- read.table(textConnection(xbd))
)

# Örnek 13.5: Veri dosyasından kısa bir bölüm okuma
xbd.ornek <- read.csv("bigdatanot.txt",
   stringsAsFactors=F, header=T, nrows=5) 
xbd.ornek

# Örnek 13.6: Veri dosyasının yapısını inceleme
str(xbd.ornek)

# Örnek 13.7: Veri dosyasındaki veri türleri 1
xbd.degtur <- c("integer", rep("character", 2), "integer", "numeric")

# Örnek 13.8: Veri dosyasındaki veri türleri 2
xbd.degtur <- sapply(xbd.ornek, class)
xbd.degtur


# Örnek 13.9: Veri dosyasını hızlı okuma seçeneği 2
system.time(
   xbd <- read.csv("bigdatanot.txt", 
   stringsAsFactors=F, header=T, 
   colClasses=xbd.degtur)
)

# Örnek 13.10: Veri dosyasını hızlı okuma seçeneği 3
system.time(
  xbd <- read.csv("bigdatanot.txt", 
    stringsAsFactors=F, header=T, 
    colClasses=xbd.degtur, comment.char="")
)

# Örnek 13.11: Veri dosyasını hızlı okuma seçeneği 4
if(!require(dplyr)){
   install.packages("dplyr"); library(dplyr)}
system.time(
  xbd <- tbl_df(read.csv("bigdatanot.txt", 
    stringsAsFactors=F, header=T, 
    colClasses=xbd.degtur, comment.char=""))
)
head(xbd)

# Örnek 13.12: Veri dosyasını hızlı okuma seçeneği 5
if(!require(data.table)){
   install.packages("data.table"); library(data.table)}
system.time(
  xbd <- fread("bigdatanot.txt")
)  
head(xbd)


# Örnek 13.13: Veri dosyasını hızlı okuma seçeneği 5
if(!require(bigmemory)){
   install.packages("bigmemory"); library(bigmemory)}
system.time(read.big.matrix('bigdatanot.txt', 
   header = F, sep = ','))

# Örnek 13.14: Basit matris tanımlama
set.seed(123)
x <- matrix(sample(1:10, 8), nrow=4, ncol=2)
x

# Örnek 13.15: Matrisi büyük matris türünden nesneye dönüştürme
y <- as.big.matrix(x)
y
y[,]

# Örnek 13.16: Büyük matris türü nesneyi dosyaya kaydetme
write.big.matrix(y, "littlebig.txt")

# Örnek 13.17: Büyük matris türü nesneyi dosyası okuma
w <- read.big.matrix("littlebig.txt", type="integer")
#w <- read.big.matrix("littlebig.txt")
w[,]

# Örnek 13.18: Büyük matris türü nesne elemanı güncelleme 1
w[3,1] <- NA
w[,]
write.big.matrix(w, "littlebig2.txt")

# Örnek 13.19: Büyük matris türü nesne dosyası okuma 2
w <- read.big.matrix("littlebig2.txt", type="integer")
w[,]

# Örnek 13.20: Büyük matris türü nesne elemanı güncelleme 2
w[1,1] <- Inf
w[1,2] <- 30.45

# Örnek 13.21: Büyük matris türü nesne elemanı güncelleme sonucu
w[,]

# Örnek 13.22: Büyük matris türünü değiştirme
z <- as.big.matrix(x, type="double")
z[1,1] <- Inf
z[1,2] <- 30.45
z[,]
write.big.matrix(z, "littlebig3.txt")

# Örnek 13.23: Büyük matris türünden nesne dosyası okuma
z <- read.big.matrix("littlebig3.txt", type="double")
z[,]

# Örnek 13.24: Büyük matris okumada bilgi kaybı
z <- read.big.matrix("littlebig3.txt", type="short")
z[,]
z <- read.big.matrix("littlebig3.txt", type="integer")
z[,]


# Örnek 13.25: Büyük matris dosyasına kayıt
options(bigmemory.allow.dimnames=TRUE)
rownames(z) <- as.character(1:nrow(z))
colnames(z) <- c("V1","V2")
head(z)
write.big.matrix(z, "littlebig4.txt", row.names=T, col.names=T)

# Örnek 13.26: Büyük matris dosyasını okuma
z <- read.big.matrix("littlebig4.txt", type="double", header=T, has.row.names=T)
head(z)

# Örnek 13.27: Büyük matris dosyasını okumada hata
z <- read.big.matrix("littlebig4.txt", header=T)

# Örnek 13.28: Büyük matris dosyasını okumada hata giderme
if(FALSE) z <- read.big.matrix("littlebig4.txt", header=T)


# Örnek 13.29: Büyük matris dosyasını okuma
setwd("C:/dpbook")
xbd <- read.big.matrix("bigdatanot.txt", type="integer", header=T)
head(xbd)

# Örnek 13.30: Tamsayı değişkenler içeren bir dosya oluşturma
set.seed(123)
n <- 6e+07 
yil <- sample(c(2010:2017), n, replace = T)
cins <- sample(c(1:2), n, replace = T)
ders <- sample(c(1:5), n, replace = T)
csure <- sample(c(0:50), n, replace = T)
bnot <- round(rnorm(n, 40, 20),0)
df.not <- data.frame(yil, cins, ders, csure, bnot)
write.table(df.not, file = "bigdatanot2.txt",  sep= ",", 
   row.names= F, col.names= T)

# Örnek 13.31: Tamsayı değişkenler içeren dosyayı okuma
xbd <- read.big.matrix("bigdatanot2.txt", type="integer", header=T)
head(xbd)


# Örnek 13.32: Büyük matris dosyası özelliklerini görüntüleme
xbd
str(xbd) 
describe(xbd)

# Örnek 13.33: Büyük matrislerde is ile kontrol işlemleri
is.big.matrix(xbd)
is.filebacked(xbd)
is.shared(xbd)

# Örnek 13.34: Büyük matris dosyasının okunması
xbd2 <- read.big.matrix("bigdatanot2.txt", 
    type="integer", 
    header=T, sep=",", 
    backingpath=getwd(), backingfile="bigdatanot2.bin",
    descriptor="bigdatanot2.desc", 
    shared=T)
head(xbd2)

# Örnek 13.35: Arkadaki dosyanı özelliklerini listeleme
describe(xbd2)
is.big.matrix(xbd2)
is.filebacked(xbd2)
is.shared(xbd2)

# Örnek 13.36: Büyük matris dosyası açıklayıcı bilgileri
bddesc2 <- dget("bigdatanot2.desc")
xbd3 <- attach.big.matrix(bddesc2)
head(xbd3)
is.big.matrix(xbd3)
is.filebacked(xbd3)
is.shared(xbd3)

# Örnek 13.37: Büyük matris açıklayıcı bilgilerini kaydetme
dput(bddesc2, file="bigdatanot.desc")

# Örnek 13.38: Arka ve açıklayıcı dosyanın okunması
setwd("C:/dpbook")
if(!require(bigmemory)){
   install.packages("bigmemory"); library(bigmemory)}
bddesc <- dget("bigdatanot.desc")
xbd4 <- attach.big.matrix(bddesc)
head(xbd4)

# Örnek 13.39: Büyük maytris dosyalarını okuma hızı testi
system.time(xbd4 <- attach.big.matrix("bigdatanot.desc"))

# Örnek 13.40: bigtabulate ile tablo hazırlama
if(!require(bigtabulate)){
   install.packages("bigtabulate"); library(bigtabulate)}
bigtable(xbd4, ccols=c(1, 2))
bigtabulate(xbd4, ccols=c(2,3), table=TRUE, useNA = "no")

# Örnek 13.41: biganalytics ile doğrusal model analizi
if(!require(biganalytics)){
   install.packages("biganalytics"); library(biganalytics)}
lmmod <- biglm.big.matrix(bnot ~ csure, data=xbd4)
summary(lmmod)

# Örnek 13.42: bighlm.big.matrix ile doğrusal model analizi
lmmod2 <- bigglm.big.matrix(bnot ~ yil + csure, data=xbd4, fc="yil")
summary(lmmod2)

# Örnek 13.43: Sütun ortalamalarını hesaplama
colmean(xbd4, cols=c(4:5))

# Örnek 13.44: ff paketiyle okuma hızı testi
setwd("C:/dpbook")
if(!require(ff)){install.packages("ff"); library(ff)}
system.time(xbd.ffdf <- read.csv.ffdf(file="bigdatanot.txt"))

# Örnek 13.45: ffdf türü nesnelerin sınıfını öğrenme
class(xbd.ffdf)

# Örnek 13.46: ffdf türü nesnelerin yapısı
str(xbd.ffdf)


# Örnek 13.47: ffdf türünden veri çerçeveleriyle çalışma
head(xbd.ffdf[,])
mean(xbd.ffdf[,4])

# Örnek 13.48: RMySQL paketinin kurulması ve yüklenmesi
if(!require(RMySQL)){
   install.packages("RMySQL"); library(RMySQL)}

# Örnek 13.49: RPostgreSQL ile veritabanına bağlanma
if(!require(RPostgreSQL)){
   install.packages("RPostgreSQL"); library(RPostgreSQL)}
surucu <- dbDriver ("PostgreSQL")
testbaglanti <- dbConnect (surucu, db = "testdbms", 
    user= "root", password = "***", host = "localhost")
veriseti1 <- dbGetQuery(testbaglanti,"SELECT * FROM tablo1")

# Örnek 13.50: Bilgisayarın çekirdek sayısını öğrenme
if(!require(parallel)){
   install.packages("parallel"); library(parallel)}
detectCores() 

# Örnek 13.51: iris verisetini çalışma alanına yükleme
data(iris)
head(iris)

# Örnek 13.52: lmer ile analiz
if(!require(lme4)){install.packages("lme4"); library(lme4)}
fonksiyon1 <- function(i) {
  lmer(Sepal.Length ~ . - Species + (1 | Species), data = iris)
}

# Örnek 13.52: fonksiyon1'in çıktıları
fonksiyon1()

# Örnek 13.53: lapply ile hız artışı
system.time(fres1 <- lapply(1:100, fonksiyon1))
system.time(fres2 <- mclapply(1:100, fonksiyon1))

# Örnek 13.54: Çok çekirdek kullanarak analiz
system.time(fres2 <- mclapply(1:100, fonksiyon1, mc.cores=5))

# Örnek 13.55: Çekirdek sayısını öğrenme
cekirdeksayi <- detectCores()
cekirdeksayi

# Örnek 13.56: Çekirdekleri paralel hesaplamaya hazırlama
kume <- makeCluster(cekirdeksayi-5)

# Örnek 13.57: Çekirdeklere göre işlem sonuçlarını öğrenme
clusterEvalQ(kume, 3*2)

# Örnek 13.58: Çekirdeklerdeki nesneleri listeleme
clusterEvalQ(kume, library(lme4))

# Örnek 13.59: parApply için hız testi
system.time(fres3 <- parLapply(kume, 1:100, fonksiyon1))

# Örnek 13.60: Çekirdek kümelerini iptal etme
stopCluster(kume)

# Örnek 13.61: Küme tanımı olmadığında hata mesajı
system.time(fres3 <- parLapply(kume, 1:100, fonksiyon1))

# Örnek 13.62: Paralel hesaplamada hız artışı örneği
tamkume <- makeCluster(cekirdeksayi)
clusterEvalQ(tamkume, library(lme4))
system.time(fres4 <- parLapply(kume, 1:100, fonksiyon1))
stopCluster(tamkume)

# Örnek 13.63: Revolution Analytics Hadoop paketlerini kurma
if(!require(devtools)){
    install.packages("devtools"); library(devtools)}
devtools::install_github(c('RevolutionAnalytics/rmr2/pkg',
   'RevolutionAnalytics/plyrmr/pkg'))

# Örnek 13.64: Hadoop ile büyük veride regresyon analizi 
if(!require(rmr2)){
   install.packages("rmr2"); library(rmr2)}
x <- matrix(rnorm(2e6), ncol=20)
x1 <- cbind(1:nrow(x), x)
x1 <- to.dfs(x1)
y <- as.matrix(rnorm(1e+05))
mapper1 <- function(., xr) {
  xr <- xr[,-1]
  keyval(1, list(t(xr) %*% xr))
}
reducer <- function(., A) {
  keyval(1, list(Reduce('+', A)))
}
mapper2 <- function(., xr) {
  yr <- y[xr[,1],]
  xr <- xr[,-1]
  keyval(1, list(t(xr) %*% yr))
}
xtx <- values(
  from.dfs(
    mapreduce(
      input = x1,
      map = mapper1,
      reduce = reducer,
      combine = T
    )
  )
)[[1]]
xty <- values(
  from.dfs(
    mapreduce(
      input = x1,
      map = mapper2,
      reduce = reducer,
      combine = T
    )
  )
)[[1]]
beta <- solve(xtx, xty)
beta

# BÖLÜM 14 ###############################################################

# Örnek 14.1: Bellek miktarını öğrenme
memory.size()

# Örnek 14.2: Bellek limitini öğrenme
memory.limit()
memory.size(NA)

# Örnek 14.3: Bellek limitini ayarlama
memory.size(12000)
memory.limit()

# Örnek 14.4: R'de çalıştırılan komutlar
a <- 12
b <- 5.2
c <- "Adana"
d <- TRUE
e <- NA
f <- log(a)
g <- a^3-1
.x <- c("A","B")
x1 <- c(2.1, 5.3, 1.7, 7.2, 4.6)
x2 <- c(10, 30, 25, 55, 34)
dfx <- data.frame(x1, x2)
matx <- matrix(nrow=5, ncol=2, c(x1,x2), byrow=F)
ktop <- function(x){
   ktopx <- sum(x^2)
   return(ktopx)
}
ktx1 <- ktop(x1)
ktx2 <- ktop(x2)
sqktx <- sqrt(ktx1*ktx2)

# Örnek 14.5: Bellek miktarında artış
memory.size() 

# Örnek 14.6: Çalışma alanındaki nesneler listesi 1
ls()

# Örnek 14.7: Çalışma alanındaki nesneler listesi 2
ls(pattern="x")

# Örnek 14.8: Çalışma alanındaki nesneler listesi 3
ls(pattern="x", all.names=TRUE)

# Örnek 14.9: Çalışma alanındaki nesneler listesi 4
nesneler <- ls()
nesneler

# Örnek 14.10: Nesnelerin bellek tüketimleri
object.size(a)
object.size(x1)
object.size(matx)
object.size(dfx)

# Örnek 14.11: pryr ile nesnelerin bellek tüketimleri
if(!require(pryr)){
   install.packages("pryr"); library(pryr)}
object_size(a)
object_size(x1)
object_size(matx)
object_size(dfx)


# Örnek 14.12: multilevelPSA ile nesnelerin bellek tüketimleri
if(!require(multilevelPSA)){
   install.packages("multilevelPSA"); library(multilevelPSA)}
lsos()

# Örnek 14.13: Nesne türlerine göre farklı bellek tüketimleri
object.size(integer())
object.size(double())
object.size(logical())
object.size(raw())
object.size(complex())
object.size(character())
object.size(vector())
object.size(list())
object.size(data.frame())
object.size(matrix())

# Örnek 14.14: Nesne türlerine göre farklı bellek tüketimleri
as.integer(2^32)

# Örnek 14.15: Nesnelerin toplam bellek tüketimi
nesneler <- ls()
bellektuketim(nlist=nesneler)

# Örnek 14.16: Kullanılan bellek miktarı
if(!require(pryr)){
   install.packages("pryr"); library(pryr)}
mem_used()

# Örnek 14.17: Bellek profili
memory.profile()

# Örnek 14.18: Bellekten nesne temizleme
rm(x1)
ls()

# Örnek 14.19: Bellekten birçok nesneyi temizleme
rm(list=c("ktx1", "ktx2", "x2"))
ls()

# Örnek 14.20: Bellekten tüm nesneleri temizleme
rm(list=ls())
ls()

# Örnek 14.21: Çöp toplama
gc()

# Örnek 14.22: iris verisetinde hiyerarşik kümeleme 
data(iris)
x <- iris[, -5]
xdist <- dist(x, method="euclidean")
xhc <- hclust(xdist, method="complete"))
plot(xhc, cex=0.5, col=4)


# Örnek 14.23: iris hiyerarşik kümelemede bellek tüketimi
object.size(x)
object.size(xdist)
object.size(xhc)

# Örnek 14.24: iris verisetinde hiyerarşik kümeleme dendrogramı
plot(hclust(dist(iris[,-5], method="euclidean"), 
   method="complete"), cex=0.5, col=4)

# Örnek 14.25: magrittr paketini kurma ve yükleme
if(!require(magrittr)){
  install.packages("magrittr"); library(magrittr)

# Örnek 14.26: iris verisetinde hiyerarşik kümeleme 3
iris[,-5] %>% dist(method="euclidean") %>% 
   hclust %>% plot(cex=0.5, col=4)

# Örnek 14.27: compiler paketini kurma ve yükleme
if(!(require(compiler))) {
   install.packages("compiler") 
   library("compiler")}

# Örnek 14.28: varx fonksiyonunu çalıştırma
set.seed(123)
xtest <- rnorm(2e+05, 40, 10)
varx(xtest)

# Örnek 14.29: varx fonksiyonu hesaplama süresi
system.time(varx(xtest))

# Örnek 14.30: varx fonksiyonunun derlenmesi ve hesaplama süresi
dvarx <- cmpfun(varx)
system.time(dvarx(xtest))

# Örnek 14.31: rbenchmark paketinin kurulması ve yüklenmesi
if(!require(rbenchmark)){
   install.packages("rbenchmark"); library("rbenchmark")}

# Örnek 14.32: rbenchmark ile fonksiyon hız testi
xtest <- rnorm(1e+03, 40, 10)
benchmark(varx(xtest), dvarx(xtest), var(xtest), 
   replications = 10, columns = c("test", "replications",
   "elapsed", "relative", "user.self", "sys.self"))

# Örnek 14.33: enableJIT ile derleme
compiler::enableJIT(0)
compiler::enableJIT(1)

# Örnek 14.34: Sistem ortam değişkenlerini listeleme
Sys.getenv()

# Örnek 14.35: Sistem ortam değişkenlerini listeleme 2
Sys.getenv(c("R_COMPILE_PKGS", "R_ENABLE_JIT"))

# Örnek 14.36: Sistem ortam değişkenlerini ayarlama
Sys.setenv(R_ENABLE_JIT = 1)

# Örnek 14.37: Sistem ortam değişkeni değerini öğrenme
Sys.getenv("R_ENABLE_JIT")

# Örnek 14.38: Sistem ortam değişkeni değeri ayarlama ve öğrenme
Sys.unsetenv("R_ENABLE_JIT")
Sys.getenv("R_ENABLE_JIT")

# Örnek 14.39: Otomatik derleme etkinleştirme
if(!(require(compiler))) {
   install.packages("compiler") 
   library("compiler")}
enableJIT(3)

# Örnek 14.40: Çalışma klasörünü öğrenme
Sys.getenv("HOME")

# Örnek 14.41: .Renviron dosyasının oluşturma
if(!file.exists("~/.Renviron")) file.create("~/.Renviron")   
file.edit("~/.Renviron")

# Örnek 14.42: Derleme işlemi ayarlarını öğrenme
Sys.getenv(c("R_ENABLE_JIT", "R_COMPILE_PKGS"))

# Örnek 14.43: .Renviron dosyasının okunması
ortamdosya <- file.path(Sys.getenv("R_USER"), ".Renviron")
ortamayarlar <- if (file.exists(ortamdosya))
   readLines(ortamdosya) else character()
ortamayarlar

# Örnek 14.44: .Renviron dosyasına yeni ayar ekleme
ortamayarlar <- unique(c(ortamayarlar, R_DEFAULT_PACKAGES=utils,grDevices,graphics,stats,methods'))
writeLines(ortamayarlar, ortamdosya)

# Örnek 14.45: .Renviron dosyasının içeriği
ortamayarlar <- if (file.exists(ortamdosya)) readLines(ortamdosya) else character()
ortamayarlar