{"id":23191,"date":"2026-03-25T10:41:15","date_gmt":"2026-03-25T10:41:15","guid":{"rendered":"https:\/\/datasciencepartners.nl\/?p=23191"},"modified":"2026-04-14T09:56:12","modified_gmt":"2026-04-14T09:56:12","slug":"r-matrix","status":"publish","type":"post","link":"https:\/\/datasciencepartners.nl\/r-matrix\/","title":{"rendered":"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt"},"content":{"rendered":"<div class=\"vgblk-rw-wrapper limit-wrapper\">\n<p>Als je met <a href=\"https:\/\/datasciencepartners.nl\/wat-is-r\/\">R<\/a> werkt, kom je al snel de term <code>matrix<\/code> tegen. Wat is het en wanneer gebruik je dit nu echt? En waarom zou je een matrix gebruiken in plaats van een <code>data.frame<\/code>?<\/p>\n<p>Veel tutorials laten zien hoe je een matrix maakt, maar niet waarom je die \u00fcberhaupt zou gebruiken. In deze blog pakken we het praktisch aan. We leggen niet alleen uit wat een matrix in R is, maar vooral hoe het werkt in relatie tot andere datastructuren, wanneer het handig is, waar het vaak misgaat, en hoe het terugkomt in echte data- en AI-projecten.<\/p>\n<!-- This site is converting visitors into subscribers and customers with OptinMonster - https:\/\/optinmonster.com :: Campaign Title: Cheatsheet R -->\n<div id=\"om-kllwyvg0bcxyzsjvh1il-holder\"><\/div>\n<script>(function(d,u,ac){var s=d.createElement('script');s.type='text\/javascript';s.src='https:\/\/a.omappapi.com\/app\/js\/api.min.js';s.async=true;s.dataset.user=u;s.dataset.campaign=ac;d.getElementsByTagName('head')[0].appendChild(s);})(document,77079,'kllwyvg0bcxyzsjvh1il');<\/script>\n<!-- \/ OptinMonster -->\n<h2>Wat is een matrix in R?<\/h2>\n<p>Een matrix in R is een tweedimensionale datastructuur met rijen en kolommen. Dat lijkt op een tabel, maar er is een belangrijk verschil met een <code>data.frame<\/code>: in een matrix moeten alle waarden hetzelfde <a href=\"https:\/\/datasciencepartners.nl\/data-types-r\/\">datatype<\/a> hebben. Je kunt dus prima een matrix met alleen getallen hebben, of alleen tekst, maar niet netjes een combinatie van tekst en numerieke waarden zoals je vaak in een dataset ziet.<\/p>\n<p>Dat maakt een matrix minder flexibel dan een <code>data.frame<\/code>, maar juist geschikt voor berekeningen. Onder de motorkap is een matrix in R in feite een <code>vector<\/code> met extra informatie over het aantal rijen en kolommen. Daardoor is een matrix vaak compact en effici\u00ebnt, vooral wanneer je werkt met numerieke data.<\/p>\n<p>Je kunt het verschil grofweg zo onthouden: een <code>data.frame<\/code> is gemaakt om data te organiseren en te verkennen, terwijl een <code>matrix<\/code> vooral bedoeld is om mee te rekenen.<\/p>\n<div class=\"dsp-b\"><div class=\"dsp-b-top\"><div class=\"dsp-b-top-title\">Populaire <span>trainingen<\/span><\/div><div class=\"dsp-b-intro\">Wil je R echt in de vingers krijgen? Van matrices tot complete analyses en dashboards: in onze trainingen ga je hands-on aan de slag.<\/div><\/div><div class=\"dsp-b-body\"><div class=\"dsp-b-cards\"><a href=\"https:\/\/datasciencepartners.nl\/opleiding-r\/\" class=\"dsp-b-card\"><div class=\"dsp-b-tag\">R<\/div><div class=\"dsp-b-title\">Opleiding R<\/div><div class=\"dsp-b-dur\">2 dagen<\/div><div class=\"dsp-b-desc\">Leer datastructuren zoals matrices toepassen in echte data-analyses met R.<\/div><div class=\"dsp-b-cta\">Bekijk training &rarr;<\/div><\/a><a href=\"https:\/\/datasciencepartners.nl\/opleiding-r\/\" class=\"dsp-b-card\"><div class=\"dsp-b-tag\">R<\/div><div class=\"dsp-b-title\">Opleiding R Uitgebreid<\/div><div class=\"dsp-b-dur\">3 dagen<\/div><div class=\"dsp-b-desc\">De volledige R opleiding inclusief verdieping in statistiek en modellering.<\/div><div class=\"dsp-b-cta\">Bekijk training &rarr;<\/div><\/a><a href=\"https:\/\/datasciencepartners.nl\/shiny-training\/\" class=\"dsp-b-card\"><div class=\"dsp-b-tag\">R Shiny<\/div><div class=\"dsp-b-title\">R Shiny Training<\/div><div class=\"dsp-b-dur\">2 dagen<\/div><div class=\"dsp-b-desc\">Maak van je R analyses interactieve dashboards en webapplicaties.<\/div><div class=\"dsp-b-cta\">Bekijk training &rarr;<\/div><\/a><\/div><\/div><div class=\"dsp-b-bar\"><div class=\"dsp-b-bar-text\">Meer dan 20 trainingen beschikbaar<\/div><div class=\"dsp-b-bar-right\"><a href=\"https:\/\/datasciencepartners.nl\/data-trainingen\/\" class=\"dsp-b-btn\">Alle data en AI trainingen &rarr;<\/a><a href=\"https:\/\/datasciencepartners.nl\/opleidingsadvies\/\" class=\"dsp-b-adv\">Opleidingsadvies<\/a><\/div><\/div><\/div>\n<h2>Voorbeelddata: gesimuleerde KNMI-data<\/h2>\n<p>We beginnen met een klein, herkenbaar voorbeeld. Stel dat we voor zeven dagen temperatuur, neerslag en zonuren hebben. Dat is precies het soort compacte dataset waarmee je goed kunt laten zien hoe de stap van <code>data.frame<\/code> naar <code>matrix<\/code> werkt.<\/p>\n<p>Hieronder maken we een klein voorbeeld van gesimuleerde weerdata voor zeven dagen. Je kunt natuurlijk ook een <a href=\"https:\/\/datasciencepartners.nl\/read-data-r\/\">lokale dataset uitlezen<\/a> met R.<\/p>\n<pre><code class=\"language-r\">set.seed(42)\n\ndays &lt;- paste0(&quot;day_&quot;, 1:7)\n\ntemperature &lt;- round(rnorm(7, mean = 17, sd = 4), 1)\nprecipitation &lt;- round(runif(7, min = 0, max = 18), 1)\nsun_hours &lt;- round(runif(7, min = 0, max = 12), 1)\n\nweather_df &lt;- data.frame(\n  day = days,\n  temperature = temperature,\n  precipitation = precipitation,\n  sun_hours = sun_hours\n)\n\nweather_df<\/code><\/pre>\n<table>\n<thead>\n<tr>\n<th>day<\/th>\n<th style=\"text-align: right;\">temperature<\/th>\n<th style=\"text-align: right;\">precipitation<\/th>\n<th style=\"text-align: right;\">sun_hours<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>day_1<\/td>\n<td style=\"text-align: right;\">22.5<\/td>\n<td style=\"text-align: right;\">8.3<\/td>\n<td style=\"text-align: right;\">1.7<\/td>\n<\/tr>\n<tr>\n<td>day_2<\/td>\n<td style=\"text-align: right;\">14.7<\/td>\n<td style=\"text-align: right;\">16.9<\/td>\n<td style=\"text-align: right;\">11.9<\/td>\n<\/tr>\n<tr>\n<td>day_3<\/td>\n<td style=\"text-align: right;\">18.5<\/td>\n<td style=\"text-align: right;\">17.6<\/td>\n<td style=\"text-align: right;\">11.4<\/td>\n<\/tr>\n<tr>\n<td>day_4<\/td>\n<td style=\"text-align: right;\">19.5<\/td>\n<td style=\"text-align: right;\">2.1<\/td>\n<td style=\"text-align: right;\">1.0<\/td>\n<\/tr>\n<tr>\n<td>day_5<\/td>\n<td style=\"text-align: right;\">18.6<\/td>\n<td style=\"text-align: right;\">8.5<\/td>\n<td style=\"text-align: right;\">6.2<\/td>\n<\/tr>\n<tr>\n<td>day_6<\/td>\n<td style=\"text-align: right;\">16.6<\/td>\n<td style=\"text-align: right;\">10.1<\/td>\n<td style=\"text-align: right;\">4.7<\/td>\n<\/tr>\n<tr>\n<td>day_7<\/td>\n<td style=\"text-align: right;\">23.0<\/td>\n<td style=\"text-align: right;\">16.3<\/td>\n<td style=\"text-align: right;\">10.9<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Het resultaat is een <code>data.frame<\/code> met \u00e9\u00e9n tekstkolom en drie numerieke kolommen.<\/p>\n<p>Dit lijkt sterk op hoe data er in de praktijk vaak uitziet. Je hebt meestal een tabel met observaties per rij, variabelen per kolom, en niet alle kolommen hebben hetzelfde datatype. Juist daarom is een <code>data.frame<\/code> in R vaak je natuurlijke startpunt.<\/p>\n<h2>Een data.frame omzetten naar matrix<\/h2>\n<p>Zodra je alleen met de numerieke waarden wilt rekenen, wordt een <code>matrix<\/code> interessant. Je selecteert dan de kolommen die numeriek zijn en zet die om naar een <code>matrix<\/code>.<\/p>\n<p>Hieronder zetten we het volledige <code>data.frame<\/code> om naar een <code>matrix<\/code>.<\/p>\n<pre><code class=\"language-r\">as.matrix(weather_df)<\/code><\/pre>\n<pre><code>     day     temperature precipitation sun_hours\n[1,] &quot;day_1&quot; &quot;22.5&quot;      &quot; 8.3&quot;        &quot; 1.7&quot;   \n[2,] &quot;day_2&quot; &quot;14.7&quot;      &quot;16.9&quot;        &quot;11.9&quot;   \n[3,] &quot;day_3&quot; &quot;18.5&quot;      &quot;17.6&quot;        &quot;11.4&quot;   \n[4,] &quot;day_4&quot; &quot;19.5&quot;      &quot; 2.1&quot;        &quot; 1.0&quot;   \n[5,] &quot;day_5&quot; &quot;18.6&quot;      &quot; 8.5&quot;        &quot; 6.2&quot;   \n[6,] &quot;day_6&quot; &quot;16.6&quot;      &quot;10.1&quot;        &quot; 4.7&quot;   \n[7,] &quot;day_7&quot; &quot;23.0&quot;      &quot;16.3&quot;        &quot;10.9&quot;  <\/code><\/pre>\n<p>Omdat er een tekstkolom (<code>day<\/code>) in zit, zet R alle waarden om naar tekst. Dat betekent dat je numerieke data ineens niet meer numeriek is.<\/p>\n<p>Daarom moeten we, als we verder willen werken met numerieke data, de juiste kolommen selecteren.<\/p>\n<p>Hieronder zetten we alleen de numerieke kolommen om naar een <code>matrix<\/code> en geven we de rijen leesbare namen.<\/p>\n<pre><code class=\"language-r\">weather_matrix &lt;- as.matrix(weather_df[, c(&quot;temperature&quot;, &quot;precipitation&quot;, &quot;sun_hours&quot;)])\nrownames(weather_matrix) &lt;- weather_df$day\n\nweather_matrix<\/code><\/pre>\n<pre><code>      temperature precipitation sun_hours\nday_1        22.5           8.3       1.7\nday_2        14.7          16.9      11.9\nday_3        18.5          17.6      11.4\nday_4        19.5           2.1       1.0\nday_5        18.6           8.5       6.2\nday_6        16.6          10.1       4.7\nday_7        23.0          16.3      10.9<\/code><\/pre>\n<p>Het resultaat is een <code>matrix<\/code> van 7 rijen en 3 kolommen met alleen numerieke waarden.<\/p>\n<p>In de praktijk zie je vaak dit patroon:<\/p>\n<ul>\n<li>Je begint met een <code>data.frame<\/code> (data begrijpen)<\/li>\n<li>Je selecteert features (data voorbereiden)<\/li>\n<li>Je zet het waar nodig om naar een <code>matrix<\/code> (rekenen \/ modelleren)<\/li>\n<\/ul>\n<h2>Van data.frame naar matrix en andere datastructuren: wat gebruik je wanneer?<\/h2>\n<p>Tot nu toe hebben we vooral gekeken naar data.frames en matrices. Maar om echt goed te begrijpen wanneer je een matrix gebruikt, helpt het om iets uit te zoomen. R heeft namelijk meerdere datastructuren die elk hun eigen rol hebben. In de praktijk gebruik je die vaak samen, niet los van elkaar.<\/p>\n<h3>De vector: de basis van alles<\/h3>\n<p>In R begint veel bij een <code>vector<\/code>. Een <a href=\"https:\/\/datasciencepartners.nl\/r-vector\/\"><code>vector<\/code><\/a> is simpelweg een reeks waarden van hetzelfde type. Als je \u00e9\u00e9n kolom uit een <code>data.frame<\/code> haalt, krijg je in veel gevallen een <code>vector<\/code> terug.<\/p>\n<p>Als je de temperatuurkolom apart ophaalt, krijg je een <code>vector<\/code> terug.<\/p>\n<pre><code class=\"language-r\">temperature<\/code><\/pre>\n<pre><code>[1] 22.5 14.7 18.5 19.5 18.6 16.6 23.0<\/code><\/pre>\n<p>Het resultaat is een reeks numerieke waarden in \u00e9\u00e9n dimensie.<\/p>\n<p>Dat lijkt misschien simpel, maar het is fundamenteel. Een <code>matrix<\/code> is namelijk in de basis niets meer dan een <code>vector<\/code> met dimensies. Dit inzicht helpt enorm om R beter te begrijpen, omdat veel datastructuren in R uiteindelijk op eenvoudige bouwstenen terug te voeren zijn.<\/p>\n<h3>De matrix: voor gestructureerde numerieke berekeningen<\/h3>\n<p>Zodra je gegevens hebt in twee dimensies, bijvoorbeeld dagen bij rijen en variabelen bij kolommen, kom je uit bij een <code>matrix<\/code>.<\/p>\n<p>Hier zie je de <code>matrix<\/code> terug die we net hebben gemaakt.<\/p>\n<pre><code class=\"language-r\">weather_matrix<\/code><\/pre>\n<table>\n<thead>\n<tr>\n<th><\/th>\n<th style=\"text-align: right;\">temperature<\/th>\n<th style=\"text-align: right;\">precipitation<\/th>\n<th style=\"text-align: right;\">sun_hours<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>day_1<\/td>\n<td style=\"text-align: right;\">22.5<\/td>\n<td style=\"text-align: right;\">8.3<\/td>\n<td style=\"text-align: right;\">1.7<\/td>\n<\/tr>\n<tr>\n<td>day_2<\/td>\n<td style=\"text-align: right;\">14.7<\/td>\n<td style=\"text-align: right;\">16.9<\/td>\n<td style=\"text-align: right;\">11.9<\/td>\n<\/tr>\n<tr>\n<td>day_3<\/td>\n<td style=\"text-align: right;\">18.5<\/td>\n<td style=\"text-align: right;\">17.6<\/td>\n<td style=\"text-align: right;\">11.4<\/td>\n<\/tr>\n<tr>\n<td>day_4<\/td>\n<td style=\"text-align: right;\">19.5<\/td>\n<td style=\"text-align: right;\">2.1<\/td>\n<td style=\"text-align: right;\">1.0<\/td>\n<\/tr>\n<tr>\n<td>day_5<\/td>\n<td style=\"text-align: right;\">18.6<\/td>\n<td style=\"text-align: right;\">8.5<\/td>\n<td style=\"text-align: right;\">6.2<\/td>\n<\/tr>\n<tr>\n<td>day_6<\/td>\n<td style=\"text-align: right;\">16.6<\/td>\n<td style=\"text-align: right;\">10.1<\/td>\n<td style=\"text-align: right;\">4.7<\/td>\n<\/tr>\n<tr>\n<td>day_7<\/td>\n<td style=\"text-align: right;\">23.0<\/td>\n<td style=\"text-align: right;\">16.3<\/td>\n<td style=\"text-align: right;\">10.9<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Het resultaat is een tweedimensionale numerieke structuur met rijen en kolommen.<\/p>\n<p>Een matrix is handig wanneer alle waarden hetzelfde type hebben en je de data wilt gebruiken voor berekeningen. Denk aan gemiddelde waarden, matrixvermenigvuldiging of modelinput. Op dat soort momenten is een <code>matrix<\/code> vaak logischer dan een <code>data.frame<\/code>.<\/p>\n<h3>Het data.frame: voor echte datasets<\/h3>\n<p>Voor de meeste dagelijkse analyses werk je niet direct met matrices, maar met data.frames. Dat komt omdat echte datasets zelden netjes homogeen zijn. Je hebt vaak tekstkolommen, datums, categorie\u00ebn en numerieke variabelen naast elkaar.<\/p>\n<p>Met <code>str()<\/code> kun je de structuur van het <code>data.frame<\/code> bekijken.<\/p>\n<pre><code class=\"language-r\">str(weather_df)<\/code><\/pre>\n<pre><code>&#039;data.frame&#039;: 7 obs. of  4 variables:\n $ day          : chr  &quot;day_1&quot; &quot;day_2&quot; &quot;day_3&quot; &quot;day_4&quot; ...\n $ temperature  : num  22.5 14.7 18.5 19.5 18.6 16.6 23\n $ precipitation: num  8.3 16.9 17.6 2.1 8.5 10.1 16.3\n $ sun_hours    : num  1.7 11.9 11.4 1 6.2 4.7 10.9\n<\/code><\/pre>\n<p>Het resultaat laat zien dat het <code>data.frame<\/code> kolommen bevat met verschillende datatypes.<\/p>\n<p>Dat is precies de kracht van een <code>data.frame<\/code>. Je kunt verschillende soorten informatie in \u00e9\u00e9n object bewaren en daar prettig mee werken. Voor verkennen, filteren, combineren en <a href=\"https:\/\/datasciencepartners.nl\/r-clean-dataset\/\">opschonen<\/a> is een <code>data.frame<\/code> meestal de beste keuze.<\/p>\n<h3>De list: voor flexibiliteit<\/h3>\n<p>Soms wil je verschillende objecten samen opslaan, ook als ze niet dezelfde vorm hebben. Dan gebruik je een <a href=\"https:\/\/datasciencepartners.nl\/r-list\/\"><code>list<\/code><\/a>. Een <code>list<\/code> kan bijvoorbeeld tegelijk een <code>vector<\/code> en een <code>matrix<\/code> bevatten.<\/p>\n<p>Deze code maakt een <code>list<\/code> met meerdere soorten objecten.<\/p>\n<pre><code class=\"language-r\">example_list &lt;- list(\n  temperatures = temperature,\n  summary = mean(temperature),\n  matrix = weather_matrix\n)\n\nexample_list<\/code><\/pre>\n<pre><code>$temperatures\n[1] 22.5 14.7 18.5 19.5 18.6 16.6 23.0\n\n$summary\n[1] 19.05714\n\n$matrix\n      temperature precipitation sun_hours\nday_1        22.5           8.3       1.7\nday_2        14.7          16.9      11.9\nday_3        18.5          17.6      11.4\nday_4        19.5           2.1       1.0\nday_5        18.6           8.5       6.2\nday_6        16.6          10.1       4.7\nday_7        23.0          16.3      10.9\n<\/code><\/pre>\n<p>Het resultaat is een flexibel object dat verschillende typen inhoud naast elkaar bewaart.<\/p>\n<p>In de praktijk zijn <code>list<\/code>-objecten vooral handig wanneer je meerdere tussenstappen of resultaten wilt bundelen, bijvoorbeeld in <a href=\"https:\/\/datasciencepartners.nl\/r-functions\/\">functies<\/a> of complexere workflows.<\/p>\n<h3>Hoe dit samenkomt in de praktijk<\/h3>\n<p>In echte projecten lopen deze datastructuren vaak in elkaar over. Je begint met een <code>data.frame<\/code>, haalt daar een <code>vector<\/code> uit, zet een deel om naar een <code>matrix<\/code>, en stopt meerdere objecten eventueel samen in een <code>list<\/code>.<\/p>\n<pre><code class=\"language-r\">df &lt;- weather_df\nvec &lt;- df$temperature\nmat &lt;- as.matrix(df[, 2:4])\nlst &lt;- list(df = df, mat = mat)<\/code><\/pre>\n<p>Het resultaat is dat dezelfde informatie in verschillende vormen beschikbaar is, elk voor een ander doel.<\/p>\n<p>Dat is een belangrijk inzicht. De vraag is meestal niet welke datastructuur &quot;de beste&quot; is, maar welke datastructuur op dat moment het beste past bij wat je wilt doen. Voor begrip en bewerking is een <code>data.frame<\/code> vaak ideaal. Voor rekenen is een <code>matrix<\/code> vaak logischer. En vectors en lists spelen daar ondersteunende rollen in.<\/p>\n<h2>Zelf een matrix maken met matrix()<\/h2>\n<p>Je hoeft niet altijd te starten vanuit een <code>data.frame<\/code>. Je kunt een <code>matrix<\/code> ook direct maken met de functie <code>matrix()<\/code>. Dat is interessant om te zien, omdat je dan meteen iets belangrijks leert over hoe R met matrices omgaat.<\/p>\n<p>Deze code maakt een <code>matrix<\/code> op basis van een <code>vector<\/code> met waarden.<\/p>\n<pre><code class=\"language-r\">values &lt;- c(temperature, precipitation, sun_hours)\n\nmatrix_colwise &lt;- matrix(values, ncol = 3)\nmatrix_colwise<\/code><\/pre>\n<pre><code>     [,1] [,2] [,3]\n[1,] 22.5  8.3  1.7\n[2,] 14.7 16.9 11.9\n[3,] 18.5 17.6 11.4\n[4,] 19.5  2.1  1.0\n[5,] 18.6  8.5  6.2\n[6,] 16.6 10.1  4.7\n[7,] 23.0 16.3 10.9<\/code><\/pre>\n<p>Het resultaat is een <code>matrix<\/code> die standaard kolomsgewijs is gevuld.<\/p>\n<p>Let op: in values staan eerst alle temperatuurwaarden, daarna alle neerslagwaarden en daarna alle zonuren. In combinatie met kolomsgewijs vullen bepaalt dat hoe de uiteindelijke <code>matrix<\/code> eruitziet.<\/p>\n<p>Met <code>byrow = TRUE<\/code> vul je de waarden rij voor rij in plaats van kolom voor kolom, waardoor de structuur van de <code>matrix<\/code> verandert.<\/p>\n<pre><code class=\"language-r\">matrix_rowwise &lt;- matrix(values, ncol = 3, byrow = TRUE)\nmatrix_rowwise<\/code><\/pre>\n<pre><code>     [,1] [,2] [,3]\n[1,] 22.5 14.7 18.5\n[2,] 19.5 18.6 16.6\n[3,] 23.0  8.3 16.9\n[4,] 17.6  2.1  8.5\n[5,] 10.1 16.3  1.7\n[6,] 11.9 11.4  1.0\n[7,]  6.2  4.7 10.9<\/code><\/pre>\n<p>Vergelijk deze output met de vorige: de vulrichting bepaalt direct hoe de structuur van de <code>matrix<\/code> eruitziet.<\/p>\n<h2>Werken met een matrix: selecteren en bewerken<\/h2>\n<h3>Waarden selecteren<\/h3>\n<p>Als je eenmaal een matrix hebt, is de basisstructuur gelukkig heel overzichtelijk. Je selecteert altijd eerst de rij en dan de kolom. Dat maakt het gedrag van matrices voorspelbaar.<\/p>\n<p>Deze code laat zien hoe je een hele rij, een hele kolom en \u00e9\u00e9n specifieke waarde uit een matrix selecteert.<\/p>\n<pre><code class=\"language-r\">weather_matrix[1, ]      # first day\nweather_matrix[, 1]      # all temperatures\nweather_matrix[3, 2]     # specific value<\/code><\/pre>\n<pre><code>  temperature precipitation     sun_hours \n         22.5           8.3           1.7 \n\nday_1 day_2 day_3 day_4 day_5 day_6 day_7 \n 22.5  14.7  18.5  19.5  18.6  16.6  23.0 \n\n[1] 17.6<\/code><\/pre>\n<p>Het resultaat laat drie vormen van selectie zien: een rij, een kolom en \u00e9\u00e9n losse celwaarde.<\/p>\n<p>Omdat matrices homogeen zijn, zijn dit soort selecties meestal eenvoudig te begrijpen. Er zit geen extra complexiteit in van verschillende datatypes per kolom, zoals je die bij data.frames soms wel hebt.<\/p>\n<h3>Waarden aanpassen<\/h3>\n<p>Je kunt ook waarden in een matrix aanpassen.<\/p>\n<p>Deze code verandert de temperatuur op de eerste dag.<\/p>\n<pre><code class=\"language-r\">weather_matrix[1, 1] &lt;- 25.0\nweather_matrix<\/code><\/pre>\n<pre><code>      temperature precipitation sun_hours\nday_1        25.0           8.3       1.7\nday_2        14.7          16.9      11.9\nday_3        18.5          17.6      11.4\nday_4        19.5           2.1       1.0\nday_5        18.6           8.5       6.2\nday_6        16.6          10.1       4.7\nday_7        23.0          16.3      10.9<\/code><\/pre>\n<p>Het resultaat is dat \u00e9\u00e9n specifieke cel in de matrix is overschreven met een nieuwe waarde.<\/p>\n<p>Dat lijkt simpel, maar laat goed zien dat een matrix niet alleen een passieve opslagvorm is. Je kunt er ook actief mee werken, bijvoorbeeld in simulaties of iteratieve berekeningen.<\/p>\n<h2>Waarom matrices handig zijn: snelle berekeningen<\/h2>\n<p>De echte meerwaarde van een matrix zie je zodra je berekeningen gaat uitvoeren. Omdat alle waarden van hetzelfde type zijn, kan R daar effici\u00ebnt mee omgaan.<\/p>\n<p>Deze code berekent gemiddelden per kolom en totalen per rij.<\/p>\n<pre><code class=\"language-r\">colMeans(weather_matrix)\nrowSums(weather_matrix)<\/code><\/pre>\n<pre><code>  temperature precipitation     sun_hours \n    19.414286     11.400000      6.828571 \n\nday_1 day_2 day_3 day_4 day_5 day_6 day_7 \n 35.0  43.5  47.5  22.6  33.3  31.4  50.2 <\/code><\/pre>\n<p>Het resultaat is een compacte samenvatting van de matrix per kolom en per rij.<\/p>\n<p>Dit soort operaties vormt de basis van veel statistische analyses. Het laat ook goed zien waarom matrices zo belangrijk zijn in <a href=\"https:\/\/datasciencepartners.nl\/data-science\/\">data science<\/a>. Niet omdat je ze altijd direct ziet, maar omdat ze onder de motorkap heel geschikt zijn voor snelle numerieke bewerkingen.<\/p>\n<h2>Waar gebruik je matrices echt voor?<\/h2>\n<p>Als je alleen tutorials leest, zou je kunnen denken dat je in R voortdurend expliciet met matrices werkt. In de praktijk ligt dat genuanceerder. Meestal werk je vooral met <code>data.frames<\/code>, en verschijnen matrices als tussenstap zodra je data wilt omzetten naar iets waarop een model of berekening kan draaien.<\/p>\n<p>In veel <a href=\"https:\/\/datasciencepartners.nl\/machine-learning\/\">machine learning<\/a> workflows zie je dit letterlijk terug: ruwe data start als <code>data.frame<\/code>, maar v\u00f3\u00f3r modellering wordt de input vaak omgezet naar een numerieke <code>matrix<\/code>.<\/p>\n<p>Zo ziet zo'n eenvoudige tussenstap eruit.<\/p>\n<pre><code class=\"language-r\">df &lt;- weather_df\nX &lt;- as.matrix(df[, c(&quot;temperature&quot;, &quot;precipitation&quot;)])<\/code><\/pre>\n<p>Het resultaat is dat je vanuit een <code>data.frame<\/code> een numerieke matrix maakt die geschikt is voor verdere berekeningen.<\/p>\n<p>Dat is precies hoe het in veel projecten gaat: het <code>data.frame<\/code> is prettig om mee te werken, terwijl de <code>matrix<\/code> beter past zodra je gaat rekenen of modelleren. Bij <a href=\"https:\/\/datasciencepartners.nl\/lineaire-regressie-r\/\">regressieanalyse<\/a>, clustering, dimensiereductie en veel andere methoden speelt die matrixvorm een centrale rol, ook als je die zelf niet steeds direct ziet. Bijvoorbeeld: bij een regressiemodel wordt je input intern omgezet naar een matrix, waarbij elke kolom een feature is en elke rij een observatie.<\/p>\n<p>De belangrijkste nuance is dan ook niet dat je in de praktijk vooral matrices gebruikt. De nuance is dat je vaak met data.frames werkt, terwijl matrices onmisbaar zijn in de stap daarna.<\/p>\n<h2>Conclusie<\/h2>\n<p>Matrices zijn in R zelden je startpunt, maar vaak wel een belangrijke tussenstap. Werk je met gemengde data, dan is een <code>data.frame<\/code> meestal de logische keuze. Wil je rekenen of modelleren met numerieke data, dan kom je al snel uit bij een <code>matrix<\/code>. Begrijp je dat onderscheid goed, dan wordt R niet alleen logischer, maar kun je ook beter inschatten welke datastructuur in een analyse of modelpipeline het meest passend is.<\/p>\n<p><strong>Klaar om dit soort concepten echt in de vingers te krijgen en toe te passen in je eigen werk? Dan is de <a href=\"https:\/\/datasciencepartners.nl\/opleiding-r\/\">Opleiding R<\/a> precies wat je zoekt.<\/strong><\/p>\n<\/div>\n<p><!-- .vgblk-rw-wrapper --><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Als je met R werkt, kom je al snel de term matrix tegen. Wat is het en wanneer gebruik je dit nu echt? En waarom zou je een matrix gebruiken in plaats van een data.frame? Veel tutorials laten zien hoe je een matrix maakt, maar niet waarom je die \u00fcberhaupt zou gebruiken. In deze blog&#8230;<\/p>\n","protected":false},"author":5,"featured_media":23192,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"footnotes":""},"categories":[118,112],"tags":[],"class_list":["post-23191","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-r","category-tutorial"],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v26.7 (Yoast SEO v27.5) - https:\/\/yoast.com\/product\/yoast-seo-premium-wordpress\/ -->\n<title>De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt<\/title>\n<meta name=\"description\" content=\"Werken met een R Matrix? In dit blog leggen we precies uit hoe dat werkt. In een tutorial volg je stap voor stap ins en outs.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datasciencepartners.nl\/r-matrix\/\" \/>\n<meta property=\"og:locale\" content=\"nl_NL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt\" \/>\n<meta property=\"og:description\" content=\"Werken met een R Matrix? In dit blog leggen we precies uit hoe dat werkt. In een tutorial volg je stap voor stap ins en outs.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datasciencepartners.nl\/r-matrix\/\" \/>\n<meta property=\"og:site_name\" content=\"Data Science Partners | Trainingen Data Science in Python, SQL &amp; R\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/Data-Science-Partners-102566501086560\" \/>\n<meta property=\"article:published_time\" content=\"2026-03-25T10:41:15+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-04-14T09:56:12+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datasciencepartners.nl\/wp-content\/uploads\/2026\/03\/r-matrix-uitleg-tutorial.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1584\" \/>\n\t<meta property=\"og:image:height\" content=\"672\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Peter Tieleman\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Geschreven door\" \/>\n\t<meta name=\"twitter:data1\" content=\"Peter Tieleman\" \/>\n\t<meta name=\"twitter:label2\" content=\"Geschatte leestijd\" \/>\n\t<meta name=\"twitter:data2\" content=\"2 minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/\"},\"author\":{\"name\":\"Peter Tieleman\",\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/#\\\/schema\\\/person\\\/2446edb5fdc88e86d93d270c736a8803\"},\"headline\":\"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt\",\"datePublished\":\"2026-03-25T10:41:15+00:00\",\"dateModified\":\"2026-04-14T09:56:12+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/\"},\"wordCount\":1753,\"publisher\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/datasciencepartners.nl\\\/wp-content\\\/uploads\\\/2026\\\/03\\\/r-matrix-uitleg-tutorial.jpg\",\"articleSection\":[\"R\",\"Tutorial\"],\"inLanguage\":\"nl-NL\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/\",\"url\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/\",\"name\":\"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/datasciencepartners.nl\\\/wp-content\\\/uploads\\\/2026\\\/03\\\/r-matrix-uitleg-tutorial.jpg\",\"datePublished\":\"2026-03-25T10:41:15+00:00\",\"dateModified\":\"2026-04-14T09:56:12+00:00\",\"description\":\"Werken met een R Matrix? In dit blog leggen we precies uit hoe dat werkt. In een tutorial volg je stap voor stap ins en outs.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/#breadcrumb\"},\"inLanguage\":\"nl-NL\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"nl-NL\",\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/#primaryimage\",\"url\":\"https:\\\/\\\/datasciencepartners.nl\\\/wp-content\\\/uploads\\\/2026\\\/03\\\/r-matrix-uitleg-tutorial.jpg\",\"contentUrl\":\"https:\\\/\\\/datasciencepartners.nl\\\/wp-content\\\/uploads\\\/2026\\\/03\\\/r-matrix-uitleg-tutorial.jpg\",\"width\":1584,\"height\":672,\"caption\":\"r-matrix-uitleg-tutorial\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/r-matrix\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/datasciencepartners.nl\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/#website\",\"url\":\"https:\\\/\\\/datasciencepartners.nl\\\/\",\"name\":\"Data Science Partners | Trainingen Data Science & AI in Python, SQL & R\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/datasciencepartners.nl\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"nl-NL\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/#organization\",\"name\":\"Data Science Partners\",\"url\":\"https:\\\/\\\/datasciencepartners.nl\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"nl-NL\",\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/datasciencepartners.nl\\\/wp-content\\\/uploads\\\/2021\\\/02\\\/data-science-partners.png\",\"contentUrl\":\"https:\\\/\\\/datasciencepartners.nl\\\/wp-content\\\/uploads\\\/2021\\\/02\\\/data-science-partners.png\",\"width\":655,\"height\":329,\"caption\":\"Data Science Partners\"},\"image\":{\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/Data-Science-Partners-102566501086560\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/23709861\\\/\"],\"description\":\"Data Science Partners helpt organisaties met Data Science & AI. We werken voornamelijk met Python, SQL & R. We geven trainingen en doen consultancy opdrachten.\",\"email\":\"info@datasciencepartners.nl\",\"telephone\":\"0202443146\",\"legalName\":\"Data Science Partners B.V.\",\"foundingDate\":\"2019-10-01\",\"vatID\":\"NL863566261B01\",\"numberOfEmployees\":{\"@type\":\"QuantitativeValue\",\"minValue\":\"11\",\"maxValue\":\"50\"}},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/datasciencepartners.nl\\\/#\\\/schema\\\/person\\\/2446edb5fdc88e86d93d270c736a8803\",\"name\":\"Peter Tieleman\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"nl-NL\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/bb4d292d1a92cd51cab3aa9697a6ed2fd45c819952fb923a01231e1282f5a0df?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/bb4d292d1a92cd51cab3aa9697a6ed2fd45c819952fb923a01231e1282f5a0df?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/bb4d292d1a92cd51cab3aa9697a6ed2fd45c819952fb923a01231e1282f5a0df?s=96&d=mm&r=g\",\"caption\":\"Peter Tieleman\"},\"description\":\"Peter is een ervaren data scientist, AI engineer en python trainer. Na zijn studie aan de Technische Universiteit Delft heeft hij zich altijd bezig gehouden met data en diverse programmeertalen. Peter heeft veel data analyses uitgevoerd en processen geautomatiseerd met Python in productieomgevingen.\",\"sameAs\":[\"https:\\\/\\\/www.linkedin.com\\\/in\\\/petertieleman\\\/\"],\"honorificPrefix\":\"Heer\",\"honorificSuffix\":\"Ir.\",\"birthDate\":\"1988-05-26\",\"gender\":\"mannelijk\",\"knowsAbout\":[\"Python\",\"R\",\"Data Science\",\"AI\",\"SQL\",\"Data Engineering\"],\"knowsLanguage\":[\"Nederlands\",\"Engels\"],\"jobTitle\":\"Data Scientist & AI Engineer\",\"worksFor\":\"Data Science Partners\",\"url\":\"https:\\\/\\\/datasciencepartners.nl\\\/author\\\/peter-tieleman\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt","description":"Werken met een R Matrix? In dit blog leggen we precies uit hoe dat werkt. In een tutorial volg je stap voor stap ins en outs.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datasciencepartners.nl\/r-matrix\/","og_locale":"nl_NL","og_type":"article","og_title":"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt","og_description":"Werken met een R Matrix? In dit blog leggen we precies uit hoe dat werkt. In een tutorial volg je stap voor stap ins en outs.","og_url":"https:\/\/datasciencepartners.nl\/r-matrix\/","og_site_name":"Data Science Partners | Trainingen Data Science in Python, SQL &amp; R","article_publisher":"https:\/\/www.facebook.com\/Data-Science-Partners-102566501086560","article_published_time":"2026-03-25T10:41:15+00:00","article_modified_time":"2026-04-14T09:56:12+00:00","og_image":[{"width":1584,"height":672,"url":"https:\/\/datasciencepartners.nl\/wp-content\/uploads\/2026\/03\/r-matrix-uitleg-tutorial.jpg","type":"image\/jpeg"}],"author":"Peter Tieleman","twitter_card":"summary_large_image","twitter_misc":{"Geschreven door":"Peter Tieleman","Geschatte leestijd":"2 minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datasciencepartners.nl\/r-matrix\/#article","isPartOf":{"@id":"https:\/\/datasciencepartners.nl\/r-matrix\/"},"author":{"name":"Peter Tieleman","@id":"https:\/\/datasciencepartners.nl\/#\/schema\/person\/2446edb5fdc88e86d93d270c736a8803"},"headline":"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt","datePublished":"2026-03-25T10:41:15+00:00","dateModified":"2026-04-14T09:56:12+00:00","mainEntityOfPage":{"@id":"https:\/\/datasciencepartners.nl\/r-matrix\/"},"wordCount":1753,"publisher":{"@id":"https:\/\/datasciencepartners.nl\/#organization"},"image":{"@id":"https:\/\/datasciencepartners.nl\/r-matrix\/#primaryimage"},"thumbnailUrl":"https:\/\/datasciencepartners.nl\/wp-content\/uploads\/2026\/03\/r-matrix-uitleg-tutorial.jpg","articleSection":["R","Tutorial"],"inLanguage":"nl-NL"},{"@type":"WebPage","@id":"https:\/\/datasciencepartners.nl\/r-matrix\/","url":"https:\/\/datasciencepartners.nl\/r-matrix\/","name":"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt","isPartOf":{"@id":"https:\/\/datasciencepartners.nl\/#website"},"primaryImageOfPage":{"@id":"https:\/\/datasciencepartners.nl\/r-matrix\/#primaryimage"},"image":{"@id":"https:\/\/datasciencepartners.nl\/r-matrix\/#primaryimage"},"thumbnailUrl":"https:\/\/datasciencepartners.nl\/wp-content\/uploads\/2026\/03\/r-matrix-uitleg-tutorial.jpg","datePublished":"2026-03-25T10:41:15+00:00","dateModified":"2026-04-14T09:56:12+00:00","description":"Werken met een R Matrix? In dit blog leggen we precies uit hoe dat werkt. In een tutorial volg je stap voor stap ins en outs.","breadcrumb":{"@id":"https:\/\/datasciencepartners.nl\/r-matrix\/#breadcrumb"},"inLanguage":"nl-NL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datasciencepartners.nl\/r-matrix\/"]}]},{"@type":"ImageObject","inLanguage":"nl-NL","@id":"https:\/\/datasciencepartners.nl\/r-matrix\/#primaryimage","url":"https:\/\/datasciencepartners.nl\/wp-content\/uploads\/2026\/03\/r-matrix-uitleg-tutorial.jpg","contentUrl":"https:\/\/datasciencepartners.nl\/wp-content\/uploads\/2026\/03\/r-matrix-uitleg-tutorial.jpg","width":1584,"height":672,"caption":"r-matrix-uitleg-tutorial"},{"@type":"BreadcrumbList","@id":"https:\/\/datasciencepartners.nl\/r-matrix\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/datasciencepartners.nl\/"},{"@type":"ListItem","position":2,"name":"De R Matrix: uitleg, voorbeelden en wanneer je een matrix gebruikt"}]},{"@type":"WebSite","@id":"https:\/\/datasciencepartners.nl\/#website","url":"https:\/\/datasciencepartners.nl\/","name":"Data Science Partners | Trainingen Data Science & AI in Python, SQL & R","description":"","publisher":{"@id":"https:\/\/datasciencepartners.nl\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datasciencepartners.nl\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"nl-NL"},{"@type":"Organization","@id":"https:\/\/datasciencepartners.nl\/#organization","name":"Data Science Partners","url":"https:\/\/datasciencepartners.nl\/","logo":{"@type":"ImageObject","inLanguage":"nl-NL","@id":"https:\/\/datasciencepartners.nl\/#\/schema\/logo\/image\/","url":"https:\/\/datasciencepartners.nl\/wp-content\/uploads\/2021\/02\/data-science-partners.png","contentUrl":"https:\/\/datasciencepartners.nl\/wp-content\/uploads\/2021\/02\/data-science-partners.png","width":655,"height":329,"caption":"Data Science Partners"},"image":{"@id":"https:\/\/datasciencepartners.nl\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/Data-Science-Partners-102566501086560","https:\/\/www.linkedin.com\/company\/23709861\/"],"description":"Data Science Partners helpt organisaties met Data Science & AI. We werken voornamelijk met Python, SQL & R. We geven trainingen en doen consultancy opdrachten.","email":"info@datasciencepartners.nl","telephone":"0202443146","legalName":"Data Science Partners B.V.","foundingDate":"2019-10-01","vatID":"NL863566261B01","numberOfEmployees":{"@type":"QuantitativeValue","minValue":"11","maxValue":"50"}},{"@type":"Person","@id":"https:\/\/datasciencepartners.nl\/#\/schema\/person\/2446edb5fdc88e86d93d270c736a8803","name":"Peter Tieleman","image":{"@type":"ImageObject","inLanguage":"nl-NL","@id":"https:\/\/secure.gravatar.com\/avatar\/bb4d292d1a92cd51cab3aa9697a6ed2fd45c819952fb923a01231e1282f5a0df?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/bb4d292d1a92cd51cab3aa9697a6ed2fd45c819952fb923a01231e1282f5a0df?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/bb4d292d1a92cd51cab3aa9697a6ed2fd45c819952fb923a01231e1282f5a0df?s=96&d=mm&r=g","caption":"Peter Tieleman"},"description":"Peter is een ervaren data scientist, AI engineer en python trainer. Na zijn studie aan de Technische Universiteit Delft heeft hij zich altijd bezig gehouden met data en diverse programmeertalen. Peter heeft veel data analyses uitgevoerd en processen geautomatiseerd met Python in productieomgevingen.","sameAs":["https:\/\/www.linkedin.com\/in\/petertieleman\/"],"honorificPrefix":"Heer","honorificSuffix":"Ir.","birthDate":"1988-05-26","gender":"mannelijk","knowsAbout":["Python","R","Data Science","AI","SQL","Data Engineering"],"knowsLanguage":["Nederlands","Engels"],"jobTitle":"Data Scientist & AI Engineer","worksFor":"Data Science Partners","url":"https:\/\/datasciencepartners.nl\/author\/peter-tieleman\/"}]}},"_links":{"self":[{"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/posts\/23191","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/comments?post=23191"}],"version-history":[{"count":3,"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/posts\/23191\/revisions"}],"predecessor-version":[{"id":23264,"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/posts\/23191\/revisions\/23264"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/media\/23192"}],"wp:attachment":[{"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/media?parent=23191"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/categories?post=23191"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datasciencepartners.nl\/wp-json\/wp\/v2\/tags?post=23191"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}