chapter5.Rmd

--- 
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)
```