1 基本題 (共 100 分)

1.1 資料讀取 (15 分)

請將作業資料夾內的 titanic.csv 以 tibble(建議) 或 data.frame 的形式讀入並儲存於變項 titanic 。需注意 titanic.csv 是以分號作為分隔符號的 csv 檔，因此使用 readr::read_csv() (使用逗號作為分隔符號) 會無法正常讀取檔案。

hint: 可以參考 readr::read_delim() 或是在 RStudio import Dataset 的界面中選擇適當的 “Delimiter” (分隔符號)。

# write your code here
titanic <- readr::read_delim("titanic.csv", delim = ";", 
                             escape_double = FALSE, trim_ws = TRUE)

# 請勿更動下方程式碼
head(titanic)
# should print out:
#> # A tibble: 6 x 12
#>   PassengerId Survived Pclass Name  Sex     Age SibSp Parch Ticket  Fare Cabin
#>         <dbl> <chr>     <dbl> <chr> <chr> <dbl> <dbl> <dbl> <chr>  <dbl> <chr>
#> 1         343 No            2 Coll… male     28     0     0 248740 13    <NA> 
#> 2          76 No            3 Moen… male     25     0     0 348123  7.65 F G73
#> 3         641 No            3 Jens… male     20     0     0 350050  7.85 <NA> 
#> 4         568 No            3 Pals… fema…    29     0     4 349909 21.1  <NA> 
#> 5         672 No            1 Davi… male     31     1     0 F.C. … 52    B71  
#> 6         105 No            3 Gust… male     37     2     0 31012…  7.92 <NA> 
#> # … with 1 more variable: Embarked <chr>

#> # A tibble: 6 x 12
#>   PassengerId Survived Pclass Name  Sex     Age SibSp Parch Ticket  Fare Cabin
#>         <dbl> <chr>     <dbl> <chr> <chr> <dbl> <dbl> <dbl> <chr>  <dbl> <chr>
#> 1         343 No            2 Coll… male     28     0     0 248740 13    <NA> 
#> 2          76 No            3 Moen… male     25     0     0 348123  7.65 F G73
#> 3         641 No            3 Jens… male     20     0     0 350050  7.85 <NA> 
#> 4         568 No            3 Pals… fema…    29     0     4 349909 21.1  <NA> 
#> 5         672 No            1 Davi… male     31     1     0 F.C. … 52    B71  
#> 6         105 No            3 Gust… male     37     2     0 31012…  7.92 <NA> 
#> # … with 1 more variable: Embarked <chr>

1.2 分組摘要 (30 分)

titanic 是著名的鐵達尼號沉船事件中搭上鐵達尼號的乘客名單，這筆資料還包含了這些乘客的其它資訊：

Pclass：該乘客所購買的船票等級。船票等級共分 3 級，1 是最高的等級 (最貴)，3 是最低的等級
Survived：該乘客是否在沉船事件後存活下來
Sex：該乘客的性別

請使用 R 整理資料的功能，去：

將乘客依據性別 (Sex) 以及船票等級 (Pclass) 進行分組
再計算出各組乘客的生存率

# Write your code here
library(dplyr)
titanic %>% 
  group_by(Sex, Pclass) %>%
  summarise(percent_survived = mean(Survived == "Yes"))

# Should print out:
#> # A tibble: 6 x 3
#> # Groups:   Sex [2]
#>   Sex    Pclass percent_survived
#>   <chr>   <dbl>            <dbl>
#> 1 female      1            0.968
#> 2 female      2            0.921
#> 3 female      3            0.5  
#> 4 male        1            0.369
#> 5 male        2            0.157
#> 6 male        3            0.135

#> # A tibble: 6 x 3
#> # Groups:   Sex [2]
#>   Sex    Pclass percent_survived
#>   <chr>   <dbl>            <dbl>
#> 1 female      1            0.968
#> 2 female      2            0.921
#> 3 female      3            0.5  
#> 4 male        1            0.369
#> 5 male        2            0.157
#> 6 male        3            0.135

1.3 幾歲有差嗎？ (共 55 分)

接下來要探討的是乘客生存與否與年齡層是否有關聯。想要探討這點的一個方法，是先將乘客分成不同的年齡層再去看看不同年齡層的生存率。你的任務是：

為 titanic 創立一個新的變項 age_group，它必須有 3 個類別 young, middle 與 old:
- young：該乘客的年齡小於 18 歲
- middle：該乘客的年齡介於 18 (含) 至 60 (不含) 歲之間
- old：該乘客的年齡超過 60 (含) 歲
將乘客依據 Pclass 以及 age_group 分組
計算各組乘客的生存率以及各組的人數

1.3.1 Writing a Vectorized function (30 分)

在使用 dplyr 整理資料時，時常會需要撰寫自己的函數。而要讓撰寫的函數能融入 dplyr 的使用 (尤其是與 mutate() 併用)，需要撰寫 vectorized function。下方(未完成)的程式碼即是在撰寫一個 vectorized function，age_group()。這個函數的目的在於幫助你將不同的年齡分組。
例如，若輸入 age_group(10) 它會回傳 [1] "young"；
若輸入 age_group(c(NA, 18, 60)) 它回傳 [1] NA "middle" "old"。

Hint:

此題需使用 sapply()，請勿使用 for loop
sapply(<vector>, <function>) 是一個比較抽象的函數。它的功能是用來將第一個 argument 裡 <vector> 的每個元素一一傳入 <function> 運算。最後會傳回一個與 <vector> 等長的 vector (詳閱說明文件)。例如，下方的程式碼即在將一個 numeric vector vec 改以英文字串去表示：

vec <- c(2, 1, 3, 2)
atom_func <- function(x) {
  if (x == 1) return("One")
  if (x == 2) return("Two")
  if (x == 3) return("Three")
}

vec
sapply(vec, atom_func)

#> [1] 2 1 3 2
#> [1] "Two"   "One"   "Three" "Two"

你的任務是擴增下方的程式碼，使 age_group() 能正常運作：

age_group <- function(ages) {
  ages <- sapply(ages, function(x) {
    # Modify the code below
    if (is.na(x)) return(NA)                  # keep
    if (x < 18) return("young")
    if (18 <= x & x < 60) return("middle")
    return('old')                             # keep
  })
  
  return(ages)                                # keep
}

# Do not modify the code below
age_group(NA)
age_group(c(17, 18, 19, NA, 59, 60))
# should print out:
#> [1] NA
#> [1] "young"  "middle" "middle" NA       "middle" "old"

#> [1] NA
#> [1] "young"  "middle" "middle" NA       "middle" "old"

1.3.2 摘要表 (25 分)

請使用前面完成的函數 age_group() 以及 dplyr 的 mutate(), filter(), group_by(), summarise() 等函數去整理出一份摘要表。這份摘要表要有依據 Pclass 以及 age_group 所分成的 9 組中，各組的人數 (count) 以及存活率 (percent_survived)。

# Write your code here
titanic %>% 
  mutate(age_group = age_group(Age)) %>%
  filter(!is.na(age_group)) %>%
  group_by(Pclass, age_group) %>%
  summarise(percent_survived = mean(Survived == "Yes"), 
            count = n())

# Should print out:
#> # A tibble: 9 x 4
#> # Groups:   Pclass [3]
#>   Pclass age_group percent_survived count
#>    <dbl> <chr>                <dbl> <int>
#> 1      1 middle               0.675   157
#> 2      1 old                  0.294    17
#> 3      1 young                0.917    12
#> 4      2 middle               0.418   146
#> 5      2 old                  0.25      4
#> 6      2 young                0.913    23
#> 7      3 middle               0.202   272
#> 8      3 old                  0.2       5
#> 9      3 young                0.372    78

#> # A tibble: 9 x 4
#> # Groups:   Pclass [3]
#>   Pclass age_group percent_survived count
#>    <dbl> <chr>                <dbl> <int>
#> 1      1 middle               0.675   157
#> 2      1 old                  0.294    17
#> 3      1 young                0.917    12
#> 4      2 middle               0.418   146
#> 5      2 old                  0.25      4
#> 6      2 young                0.913    23
#> 7      3 middle               0.202   272
#> 8      3 old                  0.2       5
#> 9      3 young                0.372    78

2 進階選答題 (共 20 分)

我又來了！請將資料夾中的week3Rclass.csv讀進來並取名為Q_Q：

以下題目請使用dplyr套件中的函數完成。

請修改變項gender中的資料，將2改成male，1改成female，0改成other。並將結果取名為O_O。(5分)

# Write your code here
Q_Q <- readr::read_csv('week3Rclass.csv')
O_O <- Q_Q %>%
  mutate(gender = sapply(gender, function(x) {
    if (x==2) return('male')
    if (x==1) return('female')
    return('other')
  }))

# Do not modify the code below
O_O[c(21:25, 46:50),]

# Should print out:
# A tibble: 10 x 6
#    nickname  gender grade q_self q_teacher   GPA
#    <chr>     <chr>  <dbl>  <dbl>     <dbl> <dbl>
#  1 na        male       1    100       100  3.7 
#  2 OhYah     male       3     60       100  4.23
#  3 TAT       female     4     75        70  3   
#  4 QQQ       other      1    100       100  3.3 
#  5 Mictu     male       4     70       100  4.3 
#  6 trumpy    other      4     87        99  4   
#  7 bolee     male       1     70        90  3.13
#  8 mm        female     1     70        60  3.33
#  9 shawn     female     1     80       100  3.8 
# 10 KaiSquare male       3     90        90  3.5

#> # A tibble: 10 x 6
#>    nickname  gender grade q_self q_teacher   GPA
#>    <chr>     <chr>  <dbl>  <dbl>     <dbl> <dbl>
#>  1 na        male       1    100       100  3.7 
#>  2 OhYah     male       3     60       100  4.23
#>  3 TAT       female     4     75        70  3   
#>  4 QQQ       other      1    100       100  3.3 
#>  5 Mictu     male       4     70       100  4.3 
#>  6 trumpy    other      4     87        99  4   
#>  7 bolee     male       1     70        90  3.13
#>  8 mm        female     1     70        60  3.33
#>  9 shawn     female     1     80       100  3.8 
#> 10 KaiSquare male       3     90        90  3.5

請根據第一題的結果，計算出各年級中不同性別的人數 (n)，以及這些人數在各年級中所佔比例 (average)，並將結果儲存在 A_A。(5分)

# Write your code here
A_A <- O_O %>%
  count(grade, gender) %>%
  group_by(grade) %>%
  mutate(average = n/sum(n))

# Do not modify the code below
A_A

# Should print out:
# A tibble: 12 x 4
# Groups:   grade [5]
#    grade gender     n average
#    <dbl> <chr>  <int>   <dbl>
#  1     1 female    10  0.476 
#  2     1 male      10  0.476 
#  3     1 other      1  0.0476
#  4     2 female     8  0.4   
#  5     2 male      12  0.6   
#  6     3 female     1  0.143 
#  7     3 male       6  0.857 
#  8     4 female    13  0.481 
#  9     4 male      13  0.481 
# 10     4 other      1  0.0370
# 11     5 female     5  0.5   
# 12     5 male       5  0.5

#> # A tibble: 12 x 4
#> # Groups:   grade [5]
#>    grade gender     n average
#>    <dbl> <chr>  <int>   <dbl>
#>  1     1 female    10  0.476 
#>  2     1 male      10  0.476 
#>  3     1 other      1  0.0476
#>  4     2 female     8  0.4   
#>  5     2 male      12  0.6   
#>  6     3 female     1  0.143 
#>  7     3 male       6  0.857 
#>  8     4 female    13  0.481 
#>  9     4 male      13  0.481 
#> 10     4 other      1  0.0370
#> 11     5 female     5  0.5   
#> 12     5 male       5  0.5

請根據第一題的結果，計算出各年級的總人數 (N)，以及各年級的 GPA 平均 (GPA_mean) 和標準差 (GPA_sd)，並以 GPA 平均降冪排列，將結果儲存在 T_T。(5分)

# Write your code here
T_T <- O_O %>%
  group_by(grade) %>%
  summarize(N = n(), GPA_mean = mean(GPA), GPA_sd = sd(GPA)) %>%
  arrange(-GPA_mean)

# Do not modify the code below
T_T

# Should print out:
# A tibble: 5 x 4
#   grade     N GPA_mean GPA_sd
#   <dbl> <int>    <dbl>  <dbl>
# 1     4    27     3.97  0.289
# 2     2    20     3.81  0.469
# 3     1    21     3.73  0.517
# 4     5    10     3.62  0.785
# 5     3     7     3.40  1.53

#> # A tibble: 5 x 4
#>   grade     N GPA_mean GPA_sd
#>   <dbl> <int>    <dbl>  <dbl>
#> 1     4    27     3.97  0.289
#> 2     2    20     3.81  0.469
#> 3     1    21     3.73  0.517
#> 4     5    10     3.62  0.785
#> 5     3     7     3.40  1.53

(5分) 我要打包！請撰寫一個函數 compute_mean()，用來計算第一題中 O_O 的各年級的 q_self 平均、q_teacher 平均、以及 GPA 平均等數值。compute_mean() 的 argument 為

df: 結構與 O_O 一樣的 tibble (必要)
grades: 年級 (預設為全部年級)
columns: 要計算平均的變項名稱 (預設為 q_self, q_teacher 以及 GPA)

# Modify the code below
compute_mean <- function(df, grades=df$grade, columns=c('q_self', 'q_teacher', 'GPA')) {
  selected_variables <- paste0(columns, '_mean')
  df %>%
    group_by(grade) %>%
    summarize(q_self_mean = mean(q_self), q_teacher_mean = mean(q_teacher), GPA_mean = mean(GPA)) %>%
    filter(grade %in% grades) %>%
    select(grade, selected_variables)
}

# Do not modify the code below
compute_mean(O_O)
cat('\n\n')
compute_mean(O_O, c(1, 3, 5), 'GPA')

# Should print out:
# A tibble: 5 x 4
#   grade q_self_mean q_teacher_mean GPA_mean
#   <dbl>       <dbl>          <dbl>    <dbl>
# 1     1        77.5           91.1     3.73
# 2     2        72.8           87.2     3.81
# 3     3        78.6           95.1     3.40
# 4     4        76.3           89.9     3.97
# 5     5        67.8           80.8     3.62
#
#
# A tibble: 3 x 2
#   grade GPA_mean
#   <dbl>    <dbl>
# 1     1     3.73
# 2     3     3.40
# 3     5     3.62

#> # A tibble: 5 x 4
#>   grade q_self_mean q_teacher_mean GPA_mean
#>   <dbl>       <dbl>          <dbl>    <dbl>
#> 1     1        77.5           91.1     3.73
#> 2     2        72.8           87.2     3.81
#> 3     3        78.6           95.1     3.40
#> 4     4        76.3           89.9     3.97
#> 5     5        67.8           80.8     3.62
#> 
#> 
#> # A tibble: 3 x 2
#>   grade GPA_mean
#>   <dbl>    <dbl>
#> 1     1     3.73
#> 2     3     3.40
#> 3     5     3.62

HW 5: Data Transformation with dplyr

助教參考解答

2021-03-25

Rmd Source (for TAs)

1 基本題 (共 100 分)

1.1 資料讀取 (15 分)

1.2 分組摘要 (30 分)

1.3 幾歲有差嗎？ (共 55 分)

1.3.1 Writing a Vectorized function (30 分)

1.3.2 摘要表 (25 分)

2 進階選答題 (共 20 分)

HW 5: Data Transformation with dplyr

助教參考解答

2021-03-25 Rmd Source (for TAs)

1 基本題 (共 100 分)

1.1 資料讀取 (15 分)

1.2 分組摘要 (30 分)

1.3 幾歲有差嗎？ (共 55 分)

1.3.1 Writing a Vectorized function (30 分)

1.3.2 摘要表 (25 分)

2 進階選答題 (共 20 分)

2021-03-25

Rmd Source (for TAs)