1  การติดตั้งโปรแกรมและเตรียมความพร้อมสำหรับการสร้างภาพนิทัศน์

1.1 ความสำคัญของภาพนิทัศน์จากข้อมูล (The importance of data visualization)

Note

เพื่อการอ่านเป็นอย่างราบรื่น จะเรียกว่าภาพนิทัศน์ว่ากราฟ

การแสดงภาพข้อมูลมีความสำคัญมากเนื่องจากช่วยให้เรามองเห็นและเข้าใจรูปแบบต่างๆ เช่น แนวโน้ม หรือความสัมพันธ์ชินดต่างๆ ในข้อมูลที่อาจสังเกตุได้ข้อมูลที่เก็บอยู่ในรูปของตาราง ภาพของข้อมูลช่วยให้เรา มองเห็นภาพรวม ความสัมพันธ์ ตรวจจับความผิดปกติของข้อมูลบางตัว และแสดงข้อมูลเชิงลึกที่สามารถช่วยในการตัดสินใจได้สำหรับปัญหาต่างๆ โดยการแปลงข้อมูลเป็นการแสดงภาพ

ตัวอย่างเหตุผลที่ทำให้การแสดงภาพข้อมูลมีความสำคัญได้แก่:

• การสื่อสารข้อมูลที่ซับซ้อน: การแสดงข้อมูลช่วยให้ข้อมูลที่ซับซ้อนง่ายขึ้นโดยการนำเสนอด้วยวิธีที่ชัดเจนและใช้งานง่าย สิ่งนี้ทำให้ผู้คนเข้าใจและตีความข้อมูลได้ง่ายขึ้น

• การระบุรูปแบบและแนวโน้ม: การแสดงข้อมูลทำให้เราเห็นรูปแบบและแนวโน้มของข้อมูลที่อาจไม่ปรากฏทันทีจากข้อมูลในรูปของตาราง ภาพข้อมูลสามารถช่วยเราระบุความสัมพันธ์และความสัมพันธ์ที่สามารถแจ้งการตัดสินใจได้

• การตรวจจับความผิดปกติและค่าผิดปกติ: การแสดงภาพข้อมูลสามารถช่วยเราระบุค่าผิดปกติและความผิดปกติในข้อมูลที่อาจบ่งบอกถึงข้อผิดพลาดหรือเหตุการณ์ที่ผิดปกติ ในบ้างช่วงเวลาได้

• การสำรวจข้อมูล: การแสดงภาพข้อมูลสามารถใช้เพื่อสำรวจข้อมูลในลักษณะที่มีการโต้ตอบมากขึ้น ทำให้เราสามารถเจาะลึกลงไปในลักษณะเฉพาะของข้อมูลและดูจากมุมมองที่แตกต่างกันได้

• การตัดสินใจ: การแสดงข้อมูลเป็นภาพสามารถช่วยเราตัดสินใจได้ดีขึ้นโดยการนำเสนอข้อมูลในลักษณะที่ง่ายต่อการเข้าใจและตีความ สิ่งนี้มีประโยชน์อย่างยิ่งในสาขาต่างๆ เช่น ธุรกิจ ซึ่งการตัดสินใจที่ขับเคลื่อนด้วยข้อมูลมีความสำคัญมากขึ้นเรื่อยๆ

ในภาพรวมแล้ว การแสดงข้อมูลเป็นภาพเป็นเครื่องมือที่จำเป็นสำหรับทุกคนที่ทำงานกับข้อมูล ไม่ว่าจะเป็นในสาขาวิทยาศาสตร์ ธุรกิจ เศรษฐศาสตร์ สังคมศาสตร์หรือสาขาอื่นๆ การทำให้มองเห็นและเข้าใจข้อมูลได้ง่ายขึ้น การแสดงภาพสามารถช่วยเราตัดสินใจได้ดีขึ้น

1.2 การติดตั้งภาษาอาร์ (R) และโปรแกรม RStudio

ภาษาอาร์เป็นภาษาคอมพิวเตอร์ (computer programming language) ที่ถูกสร้างขึ้นมาสำหรับการคำนวณในงานทางสถิติและกราฟิกที่ทุกคนสามารถใช้งานโดยไม่มีค่าใช้จ่าย ภาษาอาร์ได้รับการปรุบปรุงและพัฒนาอย่างต่อเนื่องโดย R Development Core Team

ภาษาอาร์มีชุดคำสั่งให้เลือกใช้มากมายตามประเภทของงานที่ทำ เช่นงานทางสถิติ งานสร้างกราฟิกจากข้อมูล และการใช้งานกันอย่างแพร่หลายในวงการวิชาการ การวิจัย และอุตสาหกรรมต่างๆ สำหรับการวิเคราะห์ข้อมูล (data analytics) การทำเหมืองข้อมูล (data mining) การเรียนรู้ของเครื่องจักร (machine learning) เป็นต้น ภาษาอาร์สามารถใช้งานได้ในระบบปฎิบัติการณ์ที่หลากหลาย เช่น WINDOWS OSX และ LINUX รวมถึงการทำงานแบบกลุ่มเมฆ (cloud computing)

RStudio เป็นโปรแกรม IDE (integrated development environment) ที่ช่วยให้การเขียนโปรแกรมด้วยภาษาอาร์ง่ายขึ้น และที่ได้รับความนิยม โดยมีอินเทอร์เฟซที่ใช้งานง่ายสำหรับการเขียนโปรแกรม การดำเนินการ และการตรวจหาข้อผิดพลาดของโค้ด และสามารถใช้งานได้ในระบบปฎิบัติการณ์ WINDOWS OSX และ LINUX มีทั้งรูปแบบการใช้งานโปรแกรมได้ฟรี และรูปแบบที่ต้องเสียเงินเพื่อให้ได้รับฟังก์ชันการทำงานที่เพิ่มขึ้น รวมการการทำงานแบบก้อนเมฆ

ในการติดตั้งโปรแกรมภาษาอาร์และโปรแกรม RStudio ให้ทำตามขั้นตอนดังนี้

1 ติดตั้งอาร์: ดาวน์โหลดและติดตั้งอาร์ได้จากเว็บไซต์ R Project (https://www.r-project.org/) และทำตามคำแนะนำสำหรับแต่ละระบบปฏิบัติการของในเครื่องคอมพิวเตอร์

https://www.r-project.org/

2. ติดตั้ง RStudio: ดาวน์โหลดและติดตั้ง RStudio ได้จากเว็บไซต์ posit (https://posit.co/download/RStudio-desktop/) ทำตามคำแนะนำสำหรับแต่ละระบบปฏิบัติการ

https://posit.co/download/RStudio-desktop/

3. เปิด RStudio: เมื่อคุณติดตั้ง RStudio แล้ว ให้เปิดจากโฟลเดอร์ Applications (OSX) หรือเมนู Start (WINDOWS)

4. สำรวจอินเทอร์เฟซ: อินเทอร์เฟซ RStudio ประกอบด้วยพาเนลหลายพาเนล รวมถึงซอร์สเอดิเตอร์ คอนโซล สภาพแวดล้อม และไฟล์ ใช้เวลาในการสำรวจอินเทอร์เฟซและทำความคุ้นเคยกับพาเนลต่างๆ

หน้าต่างการทำงานของ RStudio

1.3 การปรับแต่งโปรแกรม RStudio เบื้องต้น

การเลือกใช้ชุดแบบอักษร (font) และธีม (theme) ต่างๆ

1) เลือก Tools 2) เลือก Global Options

ขั้นตอน 3-7

ชุดแบบอักษรที่ผู้เขียนแนะนำ สำหรับการเขียนโปรแกรมด้วยภาษาอาร์

ชุดแบบอักษร Fira Code สามารถดาวโหลดมาติดตั้งได้จาก https://github.com/tonsky/FiraCode

1.4 การลงชุดคำสั่งนอกเหนือจากที่ภาษาอาร์มีให้

โดยปกติแล้วมีชุดคำสั่งอีกมากมายที่ไม่ได้ติดตั้งมากับการลงโปรแกรมอาร์ครั้งแรก เช่นชุดคำสั่ง dplyr ggplot2 tidyverse หรือ quantmod ฯลฯ ผู้ใช้งานจำเป็นต้องติดตั้งเพิ่มเติมเอง เพื่อเรียกใช้ชุดคำสั่งเหล่านี้ต่อไป ซึ่งทำได้ 2 วิธี

วิธีที่ 1 ใช้การพิมพ์คำสั่งใน หน้าต่าง console ด้วยคำสั่ง install.packages( )

install.packages("ชื่อชุดคำสั่งที่ต้องการ")

เช่นถ้าต้องการ ติดตั้งชุดคำสั่ง tidyverse สามารถทำได้โดย

install.packages("tidyverse")

วิธีที่ 2 เลือกจากเมนูใน RStudio

เลือก เมนู Tools แล้วกดที่ Install Packages

พิมพ์ชื่อชุดคำสั่งที่ต้องการ และเลือก Install

หมายเหตุ เครื่องคอมพิวเตอร์จะต้องทำการเชื่อมต่อกับอินเตอร์ก่อนจึงสามารถติดตั้งชุดคำสั่งที่ต้องการได้

Tip

ในกรณีที่ต้องต้องการติดตั้งชุดคำสั่งหลายๆ ชุดพร้อมกัน ควรใช้การพิมพ์คำสั่งมากกว่าการเลือกจากเมนู เช่น

install.packages(c("ggplot2", "quantmod", "tinytex", "dplyr"))

c( ) คือคำสั่งสำหรับการสร้างเวคเตอร์

1.5 การเรียกใช้ชุดคำสั่งที่ติดตั้งแล้ว

ในการใช้คำสั่ง ฟังก์ชัน หรือข้อมูลจากชุดคำสั่งที่ติดตั้งจากภายนอก เช่น คำสั่ง mutate( ) จากชุดคำสั่ง dplyr จะต้องเรียกใช้ชุดคำสั่ง dplyr เสียก่อน จึงจะสามารถใช้คำสั่ง mutate( ) ได้ โดยใช้คำสั่ง

library("ชื่อชุดคำสั่งที่ต้องการ")
# หรือไม่ใส่เครื่องหมาย " " ก็ได้
library(ชื่อชุดคำสั่งที่ต้องการ)

ตัวอย่าง ผลของการใช้คำสั่ง mutate( ) โดยไม่ได้มีเรียกใช้ชุดคำสั่ง dplyr ก่อนจะได้รับลัพธ์ดังนี้

Data <- cars |> 
        mutate(km_per_hour = 1.609344*speed)
str(Data)

Error in mutate(cars, km_per_hour = 1.609344 * speed): could not find function \("\)mutate$“$

เมื่อมีการเรียกใช้ชุดคำสั่งแล้ว จะได้ผลลัพธ์ ดังนี้

library(dplyr)
Data <- cars |> 
        mutate(km_per_hour = 1.609344*speed)
str(Data)

'data.frame':   50 obs. of  3 variables:
 $ speed      : num  4 4 7 7 8 9 10 10 10 11 ...
 $ dist       : num  2 10 4 22 16 10 18 26 34 17 ...
 $ km_per_hour: num  6.44 6.44 11.27 11.27 12.87 ...

สำหรับการใช้งานขั้นสูงหรือสำหรับผู้มีประสบการณ์มาก ในกรณีที่ต้องการใช้คำสั่งเพียงหนึ่งคำสั่ง หรือ สองคำสั่งก็อาจจะไม่จำเป็นต้องเรียกใช้ชุดคำสั่งทั้งหมด ด้วยคำสั่ง library( ) ก็ได้ โดยใช้วิธี

<ชื่อชุดคำสั่ง>::<คำสั่งที่ต้องการจะใช้>

เช่น

Data <- cars |> 
        dplyr::mutate(km_per_hour = 1.609344*speed)
str(Data)

'data.frame':   50 obs. of  3 variables:
 $ speed      : num  4 4 7 7 8 9 10 10 10 11 ...
 $ dist       : num  2 10 4 22 16 10 18 26 34 17 ...
 $ km_per_hour: num  6.44 6.44 11.27 11.27 12.87 ...

Important

คำแนะนำจากประสบการณ์ทำงานของผู้เขียน ก่อนเริ่มการทำงาน ควรจะต้องมีการเรียกใช้ชุดคำสั่งที่ติดตั้งจากภายนอกที่ต้องการใช้งานก่อนเสมอ เหมือนกับการเขียนโปรแกรมด้วยภาษาคอมพิวเตอร์อื่นๆ เช่น python

sessionInfo( )

คำสั่ง sessionInfo( ) ในอาร์ใช้สำหรับแสดงข้อมูลเกี่ยวกับเวอร์ชันของอาร์ ระบบปฎิบัติการณ์ของเครื่องคอมพิวเตอร์ ภาษาที่ใช้ เวลาที่ใช้ เวอร์ชันของชุดคำสั่งที่ถูกใช้งาน และข้อมูลอื่นๆ เกี่ยวกับสภาวะของระบบที่กำลังทำงานอยู่

sessionInfo( )

R version 4.4.1 (2024-06-14)
Platform: x86_64-apple-darwin20
Running under: macOS Big Sur 11.7.10

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.4-x86_64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.4-x86_64/Resources/lib/libRlapack.dylib;  LAPACK version 3.12.0

locale:
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

time zone: Asia/Bangkok
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] dplyr_1.1.4

loaded via a namespace (and not attached):
 [1] digest_0.6.37     utf8_1.2.4        R6_2.5.1          fastmap_1.2.0    
 [5] tidyselect_1.2.1  xfun_0.48         magrittr_2.0.3    glue_1.8.0       
 [9] tibble_3.2.1      knitr_1.48        pkgconfig_2.0.3   htmltools_0.5.8.1
[13] generics_0.1.3    rmarkdown_2.28    lifecycle_1.0.4   cli_3.6.3        
[17] fansi_1.0.6       vctrs_0.6.5       compiler_4.4.1    rstudioapi_0.17.1
[21] tools_4.4.1       pillar_1.9.0      evaluate_1.0.1    yaml_2.3.10      
[25] rlang_1.1.4       jsonlite_1.8.9    htmlwidgets_1.6.4

\(~~\)

Allaire, J., Xie, Y., Dervieux, C., McPherson, J., Luraschi, J., Ushey, K., Atkins, A., Wickham, H., Cheng, J., Chang, W., & Iannone, R. (2023). Rmarkdown: Dynamic documents for r. https://github.com/rstudio/rmarkdown

Arnold, J. B. (2021). Ggthemes: Extra themes, scales and geoms for ’ggplot2’. https://CRAN.R-project.org/package=ggthemes

Attali, D. (2023). Colourpicker: A colour picker tool for shiny and for selecting colours in plots. https://CRAN.R-project.org/package=colourpicker

Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice. OTexts.

Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 26(3), 1–22. https://doi.org/10.18637/jss.v027.i03

Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O’Hara-Wild, M., Petropoulos, F., Razbash, S., Wang, E., & Yasmeen, F. (2023). forecast: Forecasting functions for time series and linear models. https://pkg.robjhyndman.com/forecast/

Neuwirth, E. (2022). RColorBrewer: ColorBrewer palettes. https://CRAN.R-project.org/package=RColorBrewer

Ooms, J. (2023). Writexl: Export data frames to excel ’xlsx’ format. https://CRAN.R-project.org/package=writexl

Pedersen, T. L. (2023). Patchwork: The composer of plots. https://CRAN.R-project.org/package=patchwork

Phillips, N. (2017). Yarrr: A companion to the e-book "YaRrr!: The pirate’s guide to r". https://CRAN.R-project.org/package=yarrr

Ryan, J. A., & Ulrich, J. M. (2023a). Quantmod: Quantitative financial modelling framework. https://CRAN.R-project.org/package=quantmod

Ryan, J. A., & Ulrich, J. M. (2023b). Xts: eXtensible time series. https://CRAN.R-project.org/package=xts

Wickham, H. (2016). ggplot2 elegant graphics for data analysis. Springer International Publishing. https://doi.org/10.1007/978-3-319-24277-4

Wickham, H. (2023). Forcats: Tools for working with categorical variables (factors). https://CRAN.R-project.org/package=forcats

Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., … Yutani, H. (2019). Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686

Wickham, H., & Bryan, J. (2023). Readxl: Read excel files. https://CRAN.R-project.org/package=readxl

Wickham, H., François, R., Henry, L., Müller, K., & Vaughan, D. (2023). Dplyr: A grammar of data manipulation. https://CRAN.R-project.org/package=dplyr

Wickham, H., Hester, J., & Bryan, J. (2023). Readr: Read rectangular text data. https://CRAN.R-project.org/package=readr

Wickham, H., & Seidel, D. (2022). Scales: Scale functions for visualization. https://CRAN.R-project.org/package=scales

Wickham, H., Vaughan, D., & Girlich, M. (2024). Tidyr: Tidy messy data. https://CRAN.R-project.org/package=tidyr

Xie, Y., Allaire, J. J., & Grolemund, G. (2018). R markdown: The definitive guide. Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown

Xie, Y., Dervieux, C., & Riederer, E. (2020). R markdown cookbook. Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown-cookbook