《R語言實戰》第四章—數據預處理

《R語言實戰》第四章正式進入了數據分析之預處理，該章講了如何創建變數，怎樣對數據集進行整理，數據類型轉換，數據排序以及觀測和列的提取，數據篩選等。本章知識點小結如下：

1、創建新變數：格式為：變數名 <— 表達式

假設你有一個名為mydata的數據框，其中的變數為x1和x2，現在你想創建一個新變數sumx

存儲以上兩個變數的加和。代碼： sumx <- x1 + x2

但是這是錯誤的，因為R並不知道x1和x2來自於數據框mydata。正確代碼如下：

sumx <- mydata$x1 + mydata$x2

2、R語言裡面的運算符主要有以下：

+ 加

– 減

* 乘

/ 除

^或

** 求冪

x%%y 求余（x mod y）

x%/%y 整數除法。5%/%2 的結果為2

3、變數重新賦值：語句variable[condition] <- expression將僅在condition的值為TRUE時執行賦值；例如將99歲的年齡值重編碼為缺失值：leadership$age[leadership$age == 99] <—NA

4、變數重命名的3種方法：

• 用fix(數據結構名)，調用一個互動式的編輯器。然後你單擊變數名，然後在彈出的對話框中將其重命名。例如修改mydata中age這個變數名：fix（mydata）則調出以下編輯器，點擊age則彈出可以修改的對話框，則可以對變數名進行修改。

• 通過names()函數來重命名變數，代碼如下：
  names(mydata) 可以顯示這個數據框中包含的變數。
  names(mydata)[2]<-「gender_test」 將第二個變數重命名。

用plyr包中的rename()函數，可用於修改變數名。格式為：rename(dataframe,c(oldname="newname", oldname="newname",...))

5、含有缺失值的算術表達式和函數的計算結果也是缺失值。

例如：

x <- c(1, 2, NA, 3)

y <- x[1] + x[2] + x[3] + x[4]

z <- sum(x)

由於x中的第3個元素是缺失值，所以y和z也都是NA（缺失值）。

而na.rm=TRUE選項，可以在計算之前移除缺失值並使用剩餘值進行計算：

x <- c(1, 2, NA, 3)

y <- sum(x, na.rm=TRUE) 這裡，y等於6。另外：na.omit()可以刪除所有含有缺失數據的行，格式為newdata <- na.omit(mydata)

6、日期值：

• 日期值的默認輸入格式為yyyy-mm-dd。

mydates <- as.Date(c("2007-06-22", "2004-02-13"))將默認格式的字元型數據轉換為了對應日期。

dates <- as.Date(strDates, "%m/%d/%Y")則使用mm/dd/yyyy的格式讀取數據。

Sys.Date()可以返回當天的日期

date()則返回當前的日期和時間。

• 函數format(x, format="output_format")來輸出指定格式的日期值

• 時間間隔可以用「-」減號進行

也可以用difftime()來計算

• as.character()可將日期值轉換為字元型

7、R語言中類型轉換常用函數如下：

8、數據排序：使用order()函數對一個數據框進行排序。默認的排序順序是升序。在排序變數的前邊加一個減號即可得到降序的排序結果。

例如：

將這個數據集按年齡升序排序，結果如下:

• 這句代碼：newdata<-stuff[order(stuff$gender,stuff$age),]則將數據中的性別和年齡依次排序，結果如下；

• 在變數前加減號則降序排序：newdata<-stuff[order(stuff$gender,-stuff$age),]，執行結果如下：

注意order（）函數中若有兩個變數，則先對第一變數進行排序，再對第二個變數進行排序。

9、數據集的合併

添加列有兩個函數可以完成

• merge()：格式: total<- merge(dataframeA, dataframeB, by="ID"),通過共有變數「ID」來聯結

• 用cbind()進行橫向合併：total <- cbind(A, B) 每個對象必須擁有相同的行數，以同順序排序。

添加行可用以下方法

• 要縱向合併兩個數據框（數據集），用rbind()函數：total <- rbind(dataframeA, dataframeB)

兩個數據框必須擁有相同的變數，不過它們的順序不必一定相同。如果dataframeA中擁有

dataframeB中沒有的變數，在合併它們之前做以下某種處理：

? 1、刪除dataframeA中的多餘變數；

? 2、在dataframeB中創建追加的變數並將其值設為NA（缺失）。

10、數據集取子集

以下表為例子

• 選入變數q1~q5:

方法1：newdata <- leadership[, c(5:9)]

方法2：myvars <- c("q1", "q2", "q3", "q4", "q5")

newdata <-leadership[myvars]

方法3：myvars <- paste("q", 1:5, sep="") newdata <- leadership[myvars]

這三種方法得到的結果均為：

• 剔除變數

方法1：myvars <- names(leadership) %in% c("q3", "q4")

newdata <- leadership[!myvars]

該語句names(leadership) %in% c("q3", "q4")生成c(FALSE, FALSE, FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, FALSE)，因為leadership中的變數只有第七個和第八個與之匹配，因此為TRUE。

方法2：newdata <- leadership[c(-7,-8)]，在某一列的下標之前加一個減號（–）就會剔除那一列。

方法3：leadership$q3 <- leadership$q4 <- NULL

三種方法運行的結果為：

• 選入行（觀測）

對於該表

例1：假如我們要選入前三行，則代碼如下：newdata <- leadership[1:3,]，結果如下：

例2：代碼：newdata <- leadership[leadership$gender ==M& leadership$age>30,]則是選出年齡大於30的男性，結果如下：

除此之外還有subset()函數來選擇行，讓代碼變得簡單。例如：選擇所有age值大於等於35或age值小於24的行，保留了變數q1到q4，

代碼如下： newdata <-subset(leadership,age>=39 | age<24,select=c(q1,q2,q3,q4))

其中select = c(q1,q2,q3,q4)也可以寫成 select = q1:q4 結果均如下：

• 隨機抽樣
  可用sample()函數進行；
  例如：從leadership數據集中隨機抽取一個大小為3的樣本
  代碼：mysample <-leadership[sample(1:nrow(leadership),3,replace = FALSE),]

結果：

11、使用SQL語句操作數據框

例如：選出leadership中大於30歲的行

代碼：newdf<-sqldf("select * from leadership where age >30")

通過對以上方法的學習，我們可以將數據進行規整，為之後的數據分析做好準備工作。
推薦閱讀：