forked from datacamp/courses-introduction-to-r
-
Notifications
You must be signed in to change notification settings - Fork 1
/
chapter5.Rmd
727 lines (516 loc) · 52.9 KB
/
chapter5.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
---
title_meta : บทที่ 5
title : Data frames
description : ชุดข้อมูลส่วนใหญ่ที่คุณใช้งานบน R จะถูกเก็บอยู่ในรูปแบบของ data frame เมื่อจบบทนี้ คุณจะสามารถสร้าง data frame, เลือกข้อมูลบางส่วนจาก data frame และจัดเรียงข้อมูลตามตัวแปรบางตัวใน data frame ได้
--- type:NormalExercise xp:100 skills:1 key:7f95849020a2563168920409022ce7bed20835b5
## Data Frame คืออะไร?
ถ้าคุณยังจำเนื้อหาจากบทเรียนเรื่อง matrix ได้ ข้อมูลทุกตัวที่ใส่ลงไปใน matrix จะต้องเป็นประเภทเดียวกัน ในตอนนั้นข้อมูลเกี่ยวกับภาพยนตร์ Star Wars ของคุณจึงมีแต่ตัวเลขรายได้ (numeric)
แต่เวลาคุณทำแบบสอบถามต่างๆ บ่อยครั้งที่คุณจะต้องเจอกับคำถามเช่น:
- 'คุณแต่งงานหรือยัง?' หรือคำถามที่ให้ตอบ 'ใช่/ไม่' ทั้งหลาย (เป็นข้อมูลแบบ `logical`)
- 'คุณอายุเท่าไร?' (เป็นข้อมูลแบบ `numeric`)
- 'คุณมีความเห็นอย่างไรกับผลิตภัณฑ์นี้?' หรือ 'คำถามปลายเปิด' อื่นๆ (เป็นข้อมูลแบบ `character`)
- ...
จะเห็นได้ว่าชุดข้อมูลที่เราได้มานั้นจะประกอบไปด้วยข้อมูลหลากหลายประเภทมากๆ ซึ่งทำให้เราจำเป็นต้องใช้ data frame เข้ามาช่วยในการทำงาน
ใน data frame ตัวแปรแต่ละตัวจะถูกเก็บไว้ในรูปของคอลัมน์ และค่าของตัวแปรแต่ละชุด(observation) จะถูกเก็บไว้ในรูปของแถว นี่คือ concept ที่ใช้กันทั่วไปไม่ว่าคุณจะทำงานบน R หรือโปรแกรมวิเคราะห์ทางสถิติอื่นๆ เช่น SAS หรือ SPSS
`@instructions`
กดปุ่ม 'Submit Answer' เพื่อแสดงข้อมูลจาก data frame ตัวอย่าง [`mtcars`](http://www.rdocumentation.org/packages/datasets/functions/mtcars) บน Console
`@hint`
แค่กดปุ่ม 'Submit Answer' ก็พอ!
`@pre_exercise_code`
```{r}
# no pec
```
`@sample_code`
```{r}
# Print out built-in R data frame
mtcars
```
*** =solution
```{r}
# Print out built-in R data frame
mtcars
```
`@sct`
```{r}
incorrect_msg <- "อย่าเปลี่ยนแปลงโค้ด แค่กดปุ่ม 'Submit Answer' ก็พอแล้ว"
# อย่าเปลี่ยนแปลงโค้ด แค่กดปุ่ม 'Submit Answer' ก็พอแล้ว
success_msg <- "เยี่ยมมาก! ไปแบบฝึกหัดต่อไปกันเลย"
# เยี่ยมมาก! ไปแบบฝึกหัดต่อไปกันเลย
test_output_contains("mtcars", incorrect_msg = incorrect_msg)
success_msg(success_msg)
```
--- type:NormalExercise xp:100 skills:1 key:3d0e64ecf5f69521ee538ecc713caa02b8b0ec46
## การดูตัวอย่างข้อมูลใน Data Frame
โอ้โห! นี่มันข้อมูลของรถจำนวนมาก!
การทำงานกับชุดข้อมูลขนาดใหญ่ถือเป็นเรื่องธรรมดามากกับงานวิเคราะห์ข้อมูล สิ่งแรกที่คุณต้องทำ คือการทำความเข้าใจข้อมูลเหล่านั้นเสียก่อน การสั่งให้ R แสดงค่าข้อมูลแค่ส่วนเล็กๆบางส่วนออกมาจึงมักจะมีประโยชน์เสมอ
คุณสามารถใช้ function [`head()`](http://www.rdocumentation.org/packages/utils/functions/head) ในการแสดงตัวอย่างข้อมูลที่อยู่ด้านบนสุดของ data frame ของคุณ หรือใช้ function [`tail()`](http://www.rdocumentation.org/packages/utils/functions/head) ในการแสดงตัวอย่างข้อมูลที่อยู่ด้านล่างสุดก็ได้
ทั้ง function [`head()`](http://www.rdocumentation.org/packages/utils/functions/head) และ [`tail()`](http://www.rdocumentation.org/packages/utils/functions/head) จะแสดงชื่อคอลัมน์หรือที่เรียกว่า 'header' ออกมาด้วย
`@instructions`
ลองใช้ [`head()`](http://www.rdocumentation.org/packages/utils/functions/head) กับ [`mtcars`](http://www.rdocumentation.org/packages/datasets/functions/mtcars) และลองดูตัวอย่างข้อมูลที่ถูกแสดงออกมา
`@hint`
`head(mtcars)` จะแสดงข้อมูลแถวแรกๆจาก `mtcars` ออกมา
`@pre_exercise_code`
```{r}
# no pec
```
`@sample_code`
```{r}
# Call head() on mtcars
```
*** =solution
```{r}
# Call head() on mtcars
head(mtcars)
```
`@sct`
```{r}
function_msg <- paste("คุณได้ใช้ function", "`head()`", "กับ", "`mtcars`", "หรือยัง?")
# คุณได้ใช้ function `head()` กับ `mtcars` หรือยัง?
output_msg <- paste("แค่แสดงผลลัพธ์ของ function", "`head()`", "ออกมาก็พอ ไม่ต้องเก็บค่าไว้ในตัวแปรใดๆ")
# แค่แสดงผลลัพธ์ของ function `head()` ออกมาก็พอ ไม่ต้องเก็บค่าไว้ในตัวแปรใดๆ
success_msg <- paste("เยี่ยมไปเลย! เรามาลองดูกันว่าชุดข้อมูลนี้มีอะไรบ้าง ยกตัวอย่างเช่น เรามีข้อมูล", "`hp`", "ซึ่งแสดงถึงกำลังแรงม้าของรถคันนั้นๆ และรถ Datsun มีกำลังแรงม้าต่ำที่สุดในบรรดารถทั้ง 6 คันที่ถูกแสดงออกมา สำหรับคำอธิบายตัวแปรอื่นๆ คุณสามารถเรียกดู help ได้โดยการพิมพ์", "`?mtcars`", "ลงไปใน Console ไปแบบฝึกหัดถัดไปกันเถอะ!")
# เยี่ยมไปเลย! เรามาลองดูกันว่าชุดข้อมูลนี้มีอะไรบ้าง ยกตัวอย่างเช่น เรามีข้อมูล `hp` ซึ่งแสดงถึงกำลังแรงม้าของรถคันนั้นๆ และรถ Datsun มีกำลังแรงม้าต่ำที่สุดในบรรดารถทั้ง 6 คันที่ถูกแสดงออกมา สำหรับคำอธิบายตัวแปรอื่นๆ คุณสามารถเรียกดู help ได้โดยการพิมพ์ `?mtcars` ลงไปใน Console ไปแบบฝึกหัดถัดไปกันเถอะ!
test_function("head", "x", incorrect_msg = function_msg)
test_output_contains("head(mtcars)", incorrect_msg = output_msg)
success_msg(success_msg);
```
--- type:NormalExercise xp:100 skills:1 key:f4d5b1a2c4aef31645fc7e3505e699fb6e48f3e6
## การดูโครงสร้างของ Data Frame
อีกวิธีหนึ่งที่เป็นที่นิยมในการดูภาพรวมของข้อมูล คือการใช้ function [`str()`](http://www.rdocumentation.org/packages/utils/functions/str) ในการแสดงโครงสร้างของ data set ของคุณ ซึ่ง function นี้จะบอกคุณเกี่ยวกับ:
- จำนวนตัวอย่าง(หรือจำนวนแถว) ในชุดข้อมูล (เช่น มีรถยนต์ 32 ประเภท)
- จำนวนตัวแปรทั้งหมด (เช่น มีตัวแปรที่อธิบายคุณสมบัติต่างๆของรถอยู่ 11 ตัวแปร)
- ชื่อตัวแปรทั้งหมด (เช่น `mpg`, `cyl` ... )
- ประเภทของข้อมูลของตัวแปรแต่ละตัว (เช่น `num` แสดงว่าเป็นตัวแปรประเภทตัวเลข)
- ข้อมูลแถวแรกสุดในชุดข้อมูล
การเรียกใช้ function [`str()`](http://www.rdocumentation.org/packages/utils/functions/str) มักจะเป็นสิ่งแรกที่คุณทำเมื่อคุณได้ข้อมูลมา เพื่อทำความเข้าใจภาพรวมของชุดข้อมูลก่อนจะเริ่มทำการวิเคราะห์จริงๆ
`@instructions`
ลองดูโครงสร้างของ [`mtcars`](http://www.rdocumentation.org/packages/datasets/functions/mtcars) ตรวจสอบให้แน่ใจว่าคุณเห็นจำนวน ตัวแปร และประเภทข้อมูล ตามที่เขียนไว้ในตัวอย่างด้านบน
`@hint`
ใช้ function [`str()`](http://www.rdocumentation.org/packages/utils/functions/str) กับ [`mtcars`](http://www.rdocumentation.org/packages/datasets/functions/mtcars).
`@pre_exercise_code`
```{r}
# no pec
```
`@sample_code`
```{r}
# Investigate the structure of mtcars
```
*** =solution
```{r}
# Investigate the structure of mtcars
str(mtcars)
```
`@sct`
```{r}
output_msg <- paste("คุณได้ใช้ function", "`str()`", "กับ", "`mtcars`", "หรือยัง?")
# คุณได้ใช้ function `str()` กับ `mtcars` หรือยัง?
success_msg <- "เยี่ยม! คุณหาข้อมูลต่างๆที่เราเขียนไว้ในตัวอย่างได้ครบหรือไม่? ไปต่อที่แบบฝึกหัดต่อไปกันเลย"
# เยี่ยม! คุณหาข้อมูลต่างๆที่เราเขียนไว้ในตัวอย่างได้ครบหรือไม่? ไปต่อที่แบบฝึกหัดต่อไปกันเลย
test_output_contains("str(mtcars)", incorrect_msg = output_msg)
success_msg(success_msg)
```
--- type:NormalExercise xp:100 skills:1 key:df0b89706d90526b3c0bbe15e400b74cbd900704
## การสร้าง Data Frame
ในแบบฝึกหัดก่อนหน้านี้ เราให้คุณได้ลองดู data frame ตัวอย่างไปแล้ว คราวนี้เราจะให้คุณลองสร้าง data frame ด้วยตัวเองบ้าง!
เราจะให้คุณลองสร้าง data frame ที่เก็บข้อมูลคุณลักษณะของดาวเคราะห์ทั้ง 8 ดวงในระบบสุริยะเอาไว้ ข้อมูลคุณลักษณะ (features) ของดาวแต่ละดวงประกอบไปด้วย:
- ประเภทของดาวเคราะห์ (type) เช่น Terrestrial หรือ Gas Giant
- ความยาวเส้นผ่านศูนย์กลาง (diameter) เทียบกับโลก
- ความเร็วในการหมุนรอบตัวเอง (rotation) เทียบกับโลก
- มีวงแหวน (ring) รอบดาวหรือไม่ (TRUE หรือ FALSE)
หลังจากรวบรวมข้อมูลจาก [Wikipedia](http://en.wikipedia.org/wiki/Planet) คุณได้สร้าง vector ที่เก็บข้อมูลต่างๆไว้ดังนี้: `name`, `type`, `diameter`, `rotation` และ `rings` เราได้เตรียม vectors เหล่านี้ไว้ให้ในโค้ดทางขวามือแล้ว ข้อมูลตัวแรกสุดจาก vector แต่ละตัว คือข้อมูลคุณลักษณะของดาวดวงแรกในชุดข้อมูล
คุณสามารถสร้าง data frame ได้ด้วย function [`data.frame()`](http://www.rdocumentation.org/packages/base/functions/data.frame) โดยระบุค่า argument เป็น vectors ทั้งหมดที่ได้เตรียมไว้ก่อนหน้านี้ ซึ่ง vectors เหล่านี้จะถูกเปลี่ยนให้เป็นคอลัมน์ใน data frame นอกจากนี้ vectors ที่ใช้ในการสร้าง data frame ควรจะยาวเท่ากันทั้งหมด แต่ไม่จำเป็นต้องเป็นข้อมูลประเภทเดียวกัน
`@instructions`
ใช้ function [`data.frame()`](http://www.rdocumentation.org/packages/base/functions/data.frame) ในการสร้าง data frame โดยใส่ vectors `name`, `type`, `diameter`, `rotation` และ `rings` เป็น arguments ของ `data.frame()` ตามลำดับ จากนั้นเก็บ data frame ที่สร้างมาไว้ในตัวแปร `planets_df`
`@hint`
ใช้ function `data.frame()` โดยการเริ่มต้นตามโค้ดตัวอย่างด้านล่าง:
```
data.frame(planets, type, diameter)
```
ที่คุณต้องทำก็แค่ใส่ vector เพิ่มจนครบทุกคอลัมน์
`@pre_exercise_code`
```{r}
# no pec
```
`@sample_code`
```{r}
# Definition of vectors
name <- c("Mercury", "Venus", "Earth", "Mars", "Jupiter", "Saturn", "Uranus", "Neptune")
type <- c("Terrestrial planet", "Terrestrial planet", "Terrestrial planet",
"Terrestrial planet", "Gas giant", "Gas giant", "Gas giant", "Gas giant")
diameter <- c(0.382, 0.949, 1, 0.532, 11.209, 9.449, 4.007, 3.883)
rotation <- c(58.64, -243.02, 1, 1.03, 0.41, 0.43, -0.72, 0.67)
rings <- c(FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE, TRUE)
# Create a data frame from the vectors
planets_df <-
```
*** =solution
```{r}
# Definition of vectors
name <- c("Mercury", "Venus", "Earth", "Mars", "Jupiter", "Saturn", "Uranus", "Neptune")
type <- c("Terrestrial planet", "Terrestrial planet", "Terrestrial planet",
"Terrestrial planet", "Gas giant", "Gas giant", "Gas giant", "Gas giant")
diameter <- c(0.382, 0.949, 1, 0.532, 11.209, 9.449, 4.007, 3.883)
rotation <- c(58.64, -243.02, 1, 1.03, 0.41, 0.43, -0.72, 0.67)
rings <- c(FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE, TRUE)
# Create a data frame from the vectors
planets_df <- data.frame(name, type, diameter, rotation, rings)
```
`@sct`
```{r}
msg <- paste("อย่าเปลี่ยนแปลงข้อมูลใน vector แต่ละตัว แค่ใช้ function", "`data.frame()`", "ในการสร้างตัวแปร", "`planets_df`", "ก็พอ")
# อย่าเปลี่ยนแปลงข้อมูลใน vector แต่ละตัว แค่ใช้ function `data.frame()` ในการสร้างตัวแปร `planets_df` ก็พอ
test_object("name", undefined_msg = msg, incorrect_msg = msg)
test_object("type", undefined_msg = msg, incorrect_msg = msg)
test_object("diameter", undefined_msg = msg, incorrect_msg = msg)
test_object("rotation", undefined_msg = msg, incorrect_msg = msg)
test_object("rings", undefined_msg = msg, incorrect_msg = msg)
incorrect_msg <- paste("คุณได้ใช้ function", "`data.frame()`", "ในการสร้างตัวแปร", "`planets_df`", "หรือยัง? ตรวจสอบให้แน่ใจว่าคุณได้ใช้ vector ทั้งหมดและเรียงลำดับอย่างถูกต้องตามนี้", "`name`, `type`, `diameter`, `rotation`", "และสุดท้าย", "`rings`")
# คุณได้ใช้ function `data.frame()` ในการสร้างตัวแปร `planets_df` หรือยัง? ตรวจสอบให้แน่ใจว่าคุณได้ใช้ vector ทั้งหมดและเรียงลำดับอย่างถูกต้องตามนี้: `name`, `type`, `diameter`, `rotation` และสุดท้าย `rings`
success_msg <- paste("ทำได้ดีมาก! ไปดูแบบฝึกหัดต่อไปกันเลย", "สิ่งที่คุณควรจะทำต่อไปก็คือการลองตรวจสอบดู data frame ที่คุณได้สร้างขึ้น!")
# ทำได้ดีมาก! ไปดูแบบฝึกหัดต่อไปกันเลย สิ่งที่คุณควรจะทำต่อไปก็คือการลองตรวจสอบดู data frame ที่คุณได้สร้างขึ้น!
test_object("planets_df", incorrect_msg = incorrect_msg)
success_msg(success_msg);
```
--- type:NormalExercise xp:100 skills:1 key:c13ea421dd078030a225f49e53a8927ce8fefbe0
## การสร้าง Data Frame (2)
Data frame `planets_df` มีข้อมูลจำนวน 8 ตัวอย่าง(แถว) และ 5 ตัวแปร(คอลัมน์) และตอนนี้มันถูกสร้างไว้ใน workspace แล้ว คุณสามารถใช้มันได้เลย
`@instructions`
ใช้ function [`str()`](http://www.rdocumentation.org/packages/utils/functions/str) เพื่อดูโครงสร้างของ data frame `planets_df`
`@hint`
`planets_df` อยู่ใน workspace ของคุณแล้ว ดังนั้นคุณจะสามารถใช้คำสั่ง `str(planets_df)` ได้ทันที
`@pre_exercise_code`
```{r}
load(url("http://s3.amazonaws.com/assets.datacamp.com/course/intro_to_r/planets.RData"))
```
`@sample_code`
```{r}
# Check the structure of planets_df
```
*** =solution
```{r}
# Check the structure of planets_df
str(planets_df)
```
`@sct`
```{r}
msg <- paste("อย่าลบหรือเปลี่ยนแปลงค่าใน data frame", "`planets_df`!")
# อย่าลบหรือเปลี่ยนแปลงค่าใน data frame `planets_df`!
incorrect_msg <- paste("คุณได้แสดงโครงสร้างของ", "`planets_df`", "โดยใช้ function", "`str()`", "หรือเปล่า?")
# คุณได้แสดงโครงสร้างของ `planets_df` โดยใช้ function `str()` หรือเปล่า?
success_msg <- paste("ยอดเยี่ยม! ตอนนี้คุณน่าจะเข้าใจข้อมูลใน", "`planets_df`", "มากขึ้นแล้ว คราวนี้ก็ถึงเวลามาดูกันว่าเราจะสามารถเลือกข้อมูลออกมาจาก data set นี้ได้อย่างไร")
# ยอดเยี่ยม! ตอนนี้คุณน่าจะเข้าใจข้อมูลใน `planets_df` มากขึ้นแล้ว คราวนี้ก็ถึงเวลามาดูกันว่าเราจะสามารถเลือกข้อมูลออกมาจาก data set นี้ได้อย่างไร
test_object("planets_df", undefined_msg = msg, incorrect_msg = msg)
test_output_contains("str(planets_df)", incorrect_msg = incorrect_msg)
success_msg(success_msg)
```
--- type:NormalExercise xp:100 skills:1 key:8c664726b8a173cda730cbb20a52ac1795d9a0e9
## การเลือกข้อมูลจาก Data Frame
เช่นเดียวกับการเลือกข้อมูลจาก vector และ matrix คุณสามารถเลือกข้อมูลจาก data frame ได้โดยการใช้ square brackets `[ ]` และด้วยการใช้ comma (`,`) คุณสามารถระบุได้ว่าต้องการเลือกข้อมูลจากแถวและคอลัมน์ไหน ยกตัวอย่างเช่น:
- `my_df[1,2]` คือการเลือกข้อมูลในตำแหน่งแถวที่ 1 และคอลัมน์ที่ 2 จาก `my_df`
- `my_df[1:3,2:4]` คือการเลือกข้อมูลในตำแหน่งแถวที่ 1, 2, 3 และคอลัมน์ที่ 2, 3, 4 จาก `my_df`
ถ้าคุณต้องการที่จะเลือกข้อมูลทุกแถวหรือทุกคอลัมน์ ก็ไม่ต้องระบุเลขแถวหรือเลขคอลัมน์ เช่น `my_df[1, ]` จะเป็นการเลือกข้อมูลทุกคอลัมน์ของแถวที่ 1 (หรือเลือกข้อมูลแถวแรกทั้งแถวนั่นเอง) คราวนี้เราลองมาใช้เทคนิคนี้กับ data frame `planets_df` กันดูบ้าง!
`@instructions`
- ให้คุณเลือกเส้นผ่านศูนย์กลางของดาวพุธออกมาจาก `planets_df` (แถวที่ 1 คอลัมน์ที่ 3) พร้อมแสดงค่าผลลัพธ์
- ให้คุณเลือกข้อมูลทั้งหมดของดาวอังคารออกมาจาก `planets_df` (แถวที่ 4 ทั้งแถว) พร้อมแสดงค่าผลลัพธ์
`@hint`
ในการแสดงค่าเส้นผ่านศูนย์กลางของดาวศุกร์ (แถวที่ 2) คุณจะต้องใช้คำสั่ง `planets_df[2,3]` ทีนี้หากคุณต้องการข้อมูลของดาวพุธ จะต้องทำอย่างไร?
`@pre_exercise_code`
```{r}
load(url("http://s3.amazonaws.com/assets.datacamp.com/course/intro_to_r/planets.RData"))
```
`@sample_code`
```{r}
# The planets_df data frame from the previous exercise is pre-loaded
# Print out diameter of Mercury (row 1, column 3)
# Print out data for Mars (entire fourth row)
```
*** =solution
```{r}
# The planets_df data frame from the previous exercise is pre-loaded
# Print out diameter of Mercury (row 1, column 3)
planets_df[1,3]
# Print out data for Mars (entire fourth row)
planets_df[4, ]
```
`@sct`
```{r}
msg <- paste("อย่าลบหรือเปลี่ยนแปลงค่าใน data frame", "`planets_df`!")
# อย่าลบหรือเปลี่ยนแปลงค่าใน data frame `planets_df`!
test_object("planets_df", undefined_msg = msg, incorrect_msg = msg)
output_msg_1 <- paste("คุณได้เลือกและแสดงค่าเส้นผ่านศูนย์กลางของดาวพุธหรือยัง? คุณสามารถใช้", "`[1,3]`", "ในการเลือกข้อมูลที่คุณต้องการได้")
# คุณได้เลือกและแสดงค่าเส้นผ่านศูนย์กลางของดาวพุธหรือยัง? คุณสามารถใช้ `[1,3]` ในการเลือกข้อมูลที่คุณต้องการได้
output_msg_2 <- paste("คุณได้เลือกและแสดงข้อมูลทั้งหมดของดาวอังคารหรือยัง? คุณสามารถใช้", "`[4,]`", "ในการเลือกข้อมูลที่คุณต้องการได้")
# คุณได้เลือกและแสดงข้อมูลทั้งหมดของดาวอังคารหรือยัง? คุณสามารถใช้ `[4,]` ในการเลือกข้อมูลที่คุณต้องการได้
success_msg <- "ดีมาก! นอกจากการเลือกข้อมูลจาก data frame โดยการระบุตำแหน่งแล้ว คุณสามารถเลือกข้อมูลโดยการระบุชื่อคอลัมน์ได้อีกด้วย ซึ่งเราจะได้เรียนรู้กันในแบบฝึกหัดต่อไป"
# ดีมาก! นอกจากการเลือกข้อมูลจาก data frame โดยการระบุตำแหน่งแล้ว คุณสามารถเลือกข้อมูลโดยการระบุชื่อคอลัมน์ได้อีกด้วย ซึ่งเราจะได้เรียนรู้กันในแบบฝึกหัดต่อไป
test_output_contains("planets_df[1,3]", incorrect_msg = output_msg_1)
test_output_contains("planets_df[4, ]", incorrect_msg = output_msg_2)
success_msg(success_msg)
```
--- type:NormalExercise xp:100 skills:1 key:faf104fb0c605fd89f048648a4a588200bc89c76
## การเลือกข้อมูลจาก Data Frame (2)
นอกจากการเลือกข้อมูลด้วยตัวเลขระบุตำแหน่งแถวและคอลัมน์แล้ว คุณยังสามารถใช้ชื่อตัวแปรในการเลือกข้อมูลบางคอลัมน์จาก data frame ได้
สมมติว่าคุณอยากได้ข้อมูล 3 ตัวแรกจากคอลัมน์ `type` วิธีหนึ่งที่สามารถทำได้คือการรระบุตำแหน่งข้อมูลแบบนี้:
```
planets_df[1:3,1]
```
ข้อเสียอย่างหนึ่งของวิธีนี้คือ คุณจะต้องรู้ว่าคอลัมน์ `type` อยู่ในตำแหน่งที่เท่าไร ซึ่งอาจจะทำได้ยากเมื่อคุณมีจำนวนคอลัมน์มากๆ วิธีที่มักจะง่ายกว่าคือ การอ้างอิงถึงข้อมูลที่คุณต้องการด้วยชื่อตัวแปร(หรือชื่อคอลัมน์) เช่น:
```
planets_df[1:3,"type"]
```
`@instructions`
เลือกและแสดงค่าข้อมูล 5 ตัวแรกจากคอลัมน์ `"diameter"` ใน data frame `planets_df`
`@hint`
คุณสามารถเลือกข้อมูล 5 ตัวแรกได้โดยใช้คำสั่ง `planets_df[1:5, ...]` แต่คุณต้องแทนที่ `...` ด้วยอะไร เพื่อเลือกข้อมูลจากคอลัมน์ `"diameter"` เท่านั้น?
`@pre_exercise_code`
```{r}
load(url("http://s3.amazonaws.com/assets.datacamp.com/course/intro_to_r/planets.RData"))
```
`@sample_code`
```{r}
# The planets_df data frame from the previous exercise is pre-loaded
# Select first 5 values of diameter column
```
*** =solution
```{r}
# The planets_df data frame from the previous exercise is pre-loaded
# Select first 5 values of diameter column
planets_df[1:5, "diameter"]
```
`@sct`
```{r}
msg <- paste("อย่าลบหรือเปลี่ยนแปลงค่าใน data frame", "`planets_df`!")
# อย่าลบหรือเปลี่ยนแปลงค่าใน data frame `planets_df`!
incorrect_msg <- paste("คุณได้เลือกข้อมูล 5 ตัวแรกจากคอลัมน์เส้นผ่านศูนย์กลาง(diameter) และแสดงค่าออกมาแล้วหรือยัง? คุณสามารถใช้", "`[1:5, \"diameter\"]`", "ในการดึงข้อมูลที่ต้องการได้")
# คุณได้เลือกข้อมูล 5 ตัวแรกจากคอลัมน์เส้นผ่านศูนย์กลาง(diameter) และแสดงค่าออกมาแล้วหรือยัง? คุณสามารถใช้ `[1:5, \"diameter\"]` ในการดึงข้อมูลที่ต้องการได้
success_msg <- "ดีมาก! ไปดูแบบฝึกหัดต่อไปกันเลย"
# ดีมาก! ไปดูแบบฝึกหัดต่อไปกันเลย
test_object("planets_df", undefined_msg = msg, incorrect_msg = msg)
test_output_contains("planets_df[1:5, \"diameter\"]", incorrect_msg = incorrect_msg)
success_msg(success_msg)
```
--- type:NormalExercise xp:100 skills:1 key:e550ecb6ec45b856e6160ddfbb3d7875998e8365
## การคัดกรองข้อมูลที่ต้องการจาก Data Frame
บ่อยครั้งที่คุณต้องการเลือกข้อมูลแค่คอลัมน์เดียวทั้งคอลัมน์ออกมาจาก data frame ตัวอย่างเช่น ถ้าคุณต้องการเลือกข้อมูลทั้งหมดจากคอลัมน์ `diameter` คุณจะสามารถใช้คำสั่งเหล่านี้ได้:
```
planets_df[,3]
planets_df[,"diameter"]
```
แต่มีอีกวิธีหนึ่งที่ง่ายกว่านั้น ถ้าคอลัมน์ใน data frame ได้ถูกตั้งชื่อไว้แล้ว คุณสามารถใช้เครื่องหมาย `$` ในการดึงคอลัมน์ออกมา:
```
planets_df$diameter
```
`@instructions`
- ใช้เครื่องหมาย `$` ในการเลือกตัวแปร `rings` จาก `planets_df` และเก็บ vector ผลลัพธ์ที่ได้ไว้ในตัวแปร `rings_vector`
- สั่งให้ R แสดงค่า `rings_vector` และดูว่าคุณได้สิ่งที่ต้องการหรือไม่
`@hint`
คำสั่ง `planets_df$diameter` จะทำการเลือกคอลัมน์ `diameter` จาก `planets_df` ทีนี้หากคุณต้องการเลือกคอลัมน์ `rings` คุณจะต้องทำอย่างไร?
`@pre_exercise_code`
```{r}
load(url("http://s3.amazonaws.com/assets.datacamp.com/course/intro_to_r/planets.RData"))
```
`@sample_code`
```{r}
# planets_df is pre-loaded in your workspace
# Select the rings variable from planets_df
rings_vector <-
# Print out rings_vector
```
*** =solution
```{r}
# planets_df is pre-loaded in your workspace
# Select the rings variable from planets_df
rings_vector <- planets_df$rings
# Print out rings_vector
rings_vector
```
`@sct`
```{r}
msg <- paste("อย่าลบหรือเปลี่ยนแปลงค่าใน data frame", "`planets_df`!")
# อย่าลบหรือเปลี่ยนแปลงค่าใน data frame `planets_df`!
object_msg <- paste("คุณได้เลือกคอลัมน์", "`rings`", "ออกมาจาก", "`planets_df`", "อย่างถูกต้องหรือไม่? ใช้คำสั่ง", "`$rings`", "และเก็บผลลัพธ์ที่ได้ไว้ในตัวแปร", "`rings_vector`")
# คุณได้เลือกคอลัมน์ `rings` ออกมาจาก `planets_df` อย่างถูกต้องหรือไม่? ใช้คำสั่ง `$rings` และเก็บผลลัพธ์ที่ได้ไว้ในตัวแปร `rings_vector`
output_msg <- paste("อย่าลืมสั่งให้ R แสดงค่า", "`rings_vector`", "ที่คุณสร้างออกมาด้วย!")
# อย่าลืมสั่งให้ R แสดงค่า `rings_vector` ที่คุณสร้างออกมาด้วย!
success_msg <- "เยี่ยม! ไปต่อที่แบบฝึกหัดถัดไปกันเลย เพื่อเรียนรู้วิธีการคัดกรองข้อมูลอีกวิธีหนึ่ง"
# เยี่ยม! ไปต่อที่แบบฝึกหัดถัดไปกันเลย เพื่อเรียนรู้วิธีการคัดกรองข้อมูลอีกวิธีหนึ่ง
test_object("planets_df", undefined_msg = msg, incorrect_msg = msg)
test_object("rings_vector", incorrect_msg = object_msg)
test_output_contains("rings_vector", incorrect_msg = output_msg)
success_msg(success_msg)
```
--- type:NormalExercise xp:100 skills:1 key:1581bf4667477f274188f4f637ec7fdc73659651
## การคัดกรองข้อมูลที่ต้องการจาก Data Frame (2)
คุณอาจจะยังจำความรู้สมัยมัธยมได้ว่าดาวเคราะห์เพียงบางดวงเท่านั้นที่มีวงแหวนล้อมรอบ แต่คุณอาจจะจำชื่อของดาวเคราะห์เหล่านั้นไม่ได้
R จะช่วยคุณได้หรือไม่?
ถ้าคุณลองพิมพ์ `rings_vector` ลงไปใน Console นี่คือสิ่งที่คุณจะเห็น:
```
[1] FALSE FALSE FALSE FALSE TRUE TRUE TRUE TRUE
```
นั่นหมายความว่าข้อมูล 4 แถวแรกของเรา (หรือก็คือดาว 4 ดวงแรก) เป็นดาวที่ไม่มีวงแหวน (`FALSE`) แต่ที่เหลืออีก 4 ดวงมีวงแหวน (`TRUE`) อย่างไรก็ตาม ไม่มีอะไรที่บ่งบอกถึงชื่อของดาวเลย หรือแม้กระทั่งข้อมูลอื่นๆก็ไม่มี ดังนั้นเราจะมาลองใช้ `rings_vector` ในการเลือกข้อมูลเฉพาะดาว 4 ดวงที่มีวงแหวนกัน
`@instructions`
โค้ดทางด้านขวามือจะทำการเลือกคอลัมน์ `name` เฉพาะดาวที่มีวงแหวน ลองเปลี่ยนแปลงโค้ดจากการเลือกคอลัมน์ `name` ไปเป็นการเลือกทุกคอลัมน์ของดาวที่มีวงแหวนแทน
`@hint`
จำไว้ว่าในการเลือกคอลัมน์ทั้งหมด คุณจะต้องเว้นตำแหน่งคอลัมน์ใน `[ ]` เอาไว้! นั่นแปลว่าคำสั่งที่คุณต้องการก็คือ `[rings_vector, ]`
`@pre_exercise_code`
```{r}
load(url("http://s3.amazonaws.com/assets.datacamp.com/course/intro_to_r/planets.RData"))
rings_vector <- planets_df$rings
```
`@sample_code`
```{r}
# planets_df and rings_vector are pre-loaded in your workspace
# Adapt the code to select all columns for planets with rings
planets_df[rings_vector, "name"]
```
*** =solution
```{r}
# planets_df and rings_vector are pre-loaded in your workspace
# Adapt the code to select all columns for planets with rings
planets_df[rings_vector, ]
```
`@sct`
```{r}
msg <- paste("อย่าลบหรือเปลี่ยนแปลงค่าใน data frame", "`planets_df`", "หรือ", "`rings_vector`!")
# อย่าลบหรือเปลี่ยนแปลงค่าใน data frame `planets_df` หรือ `rings_vector`!
output_msg <- paste("คุณได้ปรับเปลี่ยนโค้ดเพื่อเลือกข้อมูลทุกคอลัมน์ของดาวเคราห์ที่มีวงแหวนหรือยัง? คุณสามารถทำได้โดยใช้คำสั่ง", "`planets_df[rings_vector, ]`", "ดูให้แน่ใจว่าคุณได้ใส่", "`,`", "ลงไปใน", "`[]`", "ด้วย!")
# คุณได้ปรับเปลี่ยนโค้ดเพื่อเลือกข้อมูลทุกคอลัมน์ของดาวเคราห์ที่มีวงแหวนหรือยัง? คุณสามารถทำได้โดยใช้คำสั่ง `planets_df[rings_vector, ]` ดูให้แน่ใจว่าคุณได้ใส่ `,` ลงไปใน `[]` ด้วย!
success_msg <- "ยอดเยี่ยม! แบบฝึกหัดต่อไปจะสอนอีกวิธีหนึ่งที่ให้ผลลัพธ์แบบเดียวกันแต่ง่ายกว่า"
# ยอดเยี่ยม! แบบฝึกหัดต่อไปจะสอนอีกวิธีหนึ่งที่ให้ผลลัพธ์แบบเดียวกันแต่ง่ายกว่า
test_object("planets_df", undefined_msg = msg, incorrect_msg = msg)
test_object("rings_vector", undefined_msg = msg, incorrect_msg = msg)
test_output_contains('planets_df[rings_vector, ]', incorrect_msg = output_msg)
success_msg(success_msg)
```
--- type:NormalExercise xp:100 skills:1 key:a4a8b72a74097196eb2f8a28b056987aae834565
## การคัดกรองข้อมูลที่ต้องการจาก Data Frame (ฉบับทางลัด)
ในแบบฝึกหัดที่แล้ว คุณได้เรียนรู้การเลือกข้อมูลบางส่วนจาก data frame (`planets_df`) ตามเงื่อนไขบางอย่างจริงหรือไม่จริง (มีวงแหวนหรือไม่มีวงแหวน)
คราวนี้เราจะมาลองอีกวิธีหนึ่ง โดยการใช้ function [`subset()`](http://www.rdocumentation.org/packages/base/functions/subset) เป็นทางลัดในการทำสิ่งเดียวกับที่คุณต้องการในแบบฝึกหัดที่แล้ว เรามาลองดูตัวอย่างโค้ดด้านล่างกัน:
```
subset(my_df, subset = some_condition)
```
Argument แรกของ function [`subset()`](http://www.rdocumentation.org/packages/base/functions/subset) ใช้ระบุชุดข้อมูลที่คุณต้องการเลือกข้อมูลบางส่วนออกมา ในขณะที่ argument ที่สอง ใช้ระบุเงื่อนไขที่คุณต้องการใช้ในการเลือกข้อมูล
ตัวอย่างโค้ดด้านล่างจะให้ผลลัพธ์แบบเดียวกับในแบบฝึกหัดก่อน เพียงแต่คราวนี้คุณไม่จำเป็นต้องใช้ `rings_vector` แล้ว!
```
subset(planets_df, subset = rings)
```
`@instructions`
ใช้ function `subset()` กับ `planets_df` เก็บค่าเส้นผ่านศูนย์กลางของดาวนั้นๆเทียบกับโลก เงื่อนไขที่คุณต้องการคือ `diameter < 1`
`@hint`
คำสั่ง `subset(planets_df, subset = ...)` เกือบจะทำให้คุณได้คำตอบแล้ว แต่คุณต้องทำการเติมคำลงในช่องว่าง (`...`) นิดหน่อย
`@pre_exercise_code`
```{r}
load(url("http://s3.amazonaws.com/assets.datacamp.com/course/intro_to_r/planets.RData"))
```
`@sample_code`
```{r}
# planets_df is pre-loaded in your workspace
# Select planets with diameter < 1
```
*** =solution
```{r}
# planets_df is pre-loaded in your workspace
# Select planets with diameter < 1
subset(planets_df, subset = diameter < 1)
```
`@sct`
```{r}
msg <- paste("อย่าลบหรือเปลี่ยนแปลงค่าใน data frame", "`planets_df`!")
# อย่าลบหรือเปลี่ยนแปลงค่าใน data frame `planets_df`!
output_msg <- paste("คุณได้ระบุส่วนของ argument", "`subset = ...`", "ใน function", "`subset()`", "ถูกต้องแล้วหรือยัง? เงื่อนไขที่ต้องเติมลงไปคือ", "`diameter < 1`")
# คุณได้ระบุส่วนของ argument `subset = ...` ใน function `subset()` ถูกต้องแล้วหรือยัง? เงื่อนไขที่ต้องเติมลงไปคือ `diameter < 1`
function_not_called <- paste("ตรวจสอบให้แน่ใจว่าคุณได้ใช้ function", "`subset()`", "ในการคัดกรองข้อมูล!")
# ตรวจสอบให้แน่ใจว่าคุณได้ใช้ function `subset()` ในการคัดกรองข้อมูล!
function_incorrect <- paste("argument ตัวแรกที่คุณใส่เข้าไปใน function", "`subset()`", "ควรเป็น", "`planets_df`")
# argument ตัวแรกที่คุณใส่เข้าไปใน function `subset()` ควรเป็น `planets_df`
success_msg <- paste("เยี่ยมมาก! นอกจาก function", "`subset()`", "จะสั้นกว่าแล้ว มันยังช่วยให้คนที่มาอ่านโค้ดของคุณทีหลังเข้าใจได้ง่ายกว่าด้วยว่าคุณกำลังทำอะไร ไปแบบฝึกหัดต่อไปกันเลย")
# เยี่ยมมาก! นอกจาก function `subset()` จะสั้นกว่าแล้ว มันยังช่วยให้คนที่มาอ่านโค้ดของคุณทีหลังเข้าใจได้ง่ายกว่าด้วยว่าคุณกำลังทำอะไร ไปแบบฝึกหัดต่อไปกันเลย
test_object("planets_df", undefined_msg = msg, incorrect_msg = msg)
test_correct({
test_output_contains("subset(planets_df, subset = diameter < 1)", incorrect_msg = output_msg)
}, {
test_function("subset", args = "x", not_called_msg = function_not_called, incorrect_msg = function_incorrect)
})
success_msg(success_msg);
```
--- type:NormalExercise xp:100 skills:1 key:6a6fe74d3917c37380f7ac616ce084aa7814fb8a
## การเรียงลำดับข้อมูลใน R
การจัดอันดับเป็นหนึ่งในสิ่งที่มนุษย์ชอบทำ ซึ่งการจัดอันดับดังกล่าวอาจมีประโยชน์ไม่มากก็น้อย (เช่น มหาวิทยาลัยที่ดีที่สุด, ดาราที่ดังที่สุด เป็นต้น)
ในการวิเคราะห์ข้อมูล คุณอาจจะอยากเรียงลำดับข้อมูลตามค่าของตัวแปรในชุดข้อมูล ซึ่งในภาษา R เราสามารถทำได้โดยใช้ function [`order()`](http://www.rdocumentation.org/packages/base/functions/order)
Function [`order()`](http://www.rdocumentation.org/packages/base/functions/order) ให้ผลลัพธ์เป็นตำแหน่งของข้อมูลที่เรียงลำดับแล้ว ตัวอย่างเช่น:
```
> a <- c(100, 10, 1000)
> order(a)
[1] 2 1 3
```
เนื่องจาก 10 ซึ่งเป็นข้อมูลในตำแหน่งที่สองของตัวแปร `a` นั้นมีค่าน้อยที่สุด เลขตำแหน่งที่สองจึงปรากฏเป็นลำดับแรกในผลลัพธ์ของคำสั่ง `order(a)` และเนื่องจาก 100 ซึ่งเป็นข้อมูลในตำแหน่งแรกของตัวแปร `a` มีค่าน้อยเป็นอันดับสอง เลขตำแหน่งที่หนึ่งจึงมาเป็นลำดับถัดไปในผลลัพธ์ของคำสั่ง `order(a)`
นั่นหมายความว่าเราสามารถใช้ผลลัพธ์จากคำสั่ง `order(a)` ในการเรียงลำดับ `a` ได้ด้วยวิธีนี้:
```
> a[order(a)]
[1] 10 100 1000
```
`@instructions`
ลองใช้ function [`order()`](http://www.rdocumentation.org/packages/base/functions/order) ใน Console ดู แล้วกดปุ่ม 'Submit Answer' ได้เลยเมื่อคุณพร้อมไปที่แบบฝึกหัดต่อไป
`@hint`
แค่ลองเล่นกับ function [`order()`](http://www.rdocumentation.org/packages/base/functions/order) ดูใน Console!
`@pre_exercise_code`
```{r}
# no pec
```
`@sample_code`
```{r}
# Play around with the order function in the console
```
*** =solution
```{r}
# Play around with the order function in the console
```
`@sct`
```{r}
msg <- paste("เยี่ยม! ในแบบฝึกหัดต่อไปเราจะให้คุณได้ลองนำ function", "`order()`", "มาใช้กับ data frame ดู!")
# เยี่ยม! ในแบบฝึกหัดต่อไปเราจะให้คุณได้ลองนำ function `order()` มาใช้กับ data frame ดู!
success_msg(msg)
```
--- type:NormalExercise xp:100 skills:1 key:fa88b58bf2cf62e0c181dfdcbdd2e1ddeac66807
## การเรียงลำดับข้อมูลใน Data Frame
หลังจากที่คุณเข้าใจแล้วว่า function [`order()`](http://www.rdocumentation.org/packages/base/functions/order) ทำงานอย่างไร เรามาลองใช้ประโยชน์จากมันกันดีกว่า ให้คุณเรียงลำดับข้อมูลใน data frame ตามขนาดของดาวเคราะห์จากเล็กไปใหญ่ (ใช้คอลัมน์ `diameter` ในการเรียงลำดับ)
`@instructions`
- เรียกใช้ function `order()` กับ `planets_df$diameter` (คอลัมน์ `diameter` จาก data frame `planets_df`) จากนั้นเก็บผลลัพธ์ไว้ในตัวแปร `positions`
- เรียงลำดับข้อมูลใน `planets_df` ใหม่โดยใช้ตัวแปร `positions` ในการระบุลำดับแถวใน `[]` เก็บทุกคอลัมน์ไว้ และแสดงผลลัพธ์ด้วย
`@hint`
- ใช้คำสั่ง `order(planets_df$diameter)` ในการสร้างตัวแปร `positions`
- จากนั้นให้คุณใส่ `positions` ลงไปใน square brackets: `planets_df[...]` คุณสามารถเติมคำตอบลงในช่องว่าง (`...`) ได้ใช่ไหม?
`@pre_exercise_code`
```{r}
load(url("http://s3.amazonaws.com/assets.datacamp.com/course/intro_to_r/planets.RData"))
```
`@sample_code`
```{r}
# planets_df is pre-loaded in your workspace
# Use order() to create positions
positions <-
# Use positions to sort planets_df
```
*** =solution
```{r}
# planets_df is pre-loaded in your workspace
# Use order() to create positions
positions <- order(planets_df$diameter)
# Use positions to sort planets_df
planets_df[positions, ]
```
`@sct`
```{r}
msg <- paste("อย่าลบหรือเปลี่ยนแปลงค่าใน data frame", "`planets_df`!")
# อย่าลบหรือเปลี่ยนแปลงค่าใน data frame `planets_df`!
object_msg <- paste("คุณได้สร้างตัวแปร", "`positions`", "ถูกต้องแล้วหรือยัง? คุณสามารถใช้คำสั่ง", "`order(planets_df$diameter)`")
# คุณได้สร้างตัวแปร `positions` ถูกต้องแล้วหรือยัง? คุณสามารถใช้คำสั่ง `order(planets_df$diameter)`
output_msg <- paste("คุณควรใช้คำสั่ง", "`planets_df[positions, ]`", "ในการเรียงลำดับข้อมูลใน data frame", "`planets_df`", "อย่าลืมใส่", "`,`", "ใน", "`[]`", "ด้วยนะ!")
# คุณควรใช้คำสั่ง `planets_df[positions, ]` ในการเรียงลำดับข้อมูลใน data frame `planets_df` อย่าลืมใส่ `,` ใน `[]` ด้วยนะ!
success_msg <- "เยี่ยมไปเลย! นี่คือแบบฝึกหัดสุดท้ายของบทนี้ จำไว้ว่า data frame เป็นสิ่งที่สำคัญมากในภาษา R และคุณจะได้ใช้มันอยู่เสมอ รูปแบบข้อมูลที่สำคัญอีกประเภทหนึ่งก็คือ list ซึ่งเราจะพูดถึงกันในบทถัดไป!"
# เยี่ยมไปเลย! นี่คือแบบฝึกหัดสุดท้ายของบทนี้ จำไว้ว่า data frame เป็นสิ่งที่สำคัญมากในภาษา R และคุณจะได้ใช้มันอยู่เสมอ รูปแบบข้อมูลที่สำคัญอีกประเภทหนึ่งก็คือ list ซึ่งเราจะพูดถึงกันในบทถัดไป!
test_object("planets_df", undefined_msg = msg, incorrect_msg = msg)
test_object("positions", incorrect_msg = object_msg)
test_output_contains("planets_df[positions,]", incorrect_msg = output_msg)
success_msg(success_msg)
```