R第四章：基本数据管理

柔情只为你懂 2021-12-11 11:43 328阅读 0赞

**创建新变量**

变量名 <- 表达式

表达式可以包含多种运算符和函数。

\+ , - , \* , / , ^ 或 \* \*（求幂），x%%y （求余），x%/%y （整数除法）

#第一种
    mydata <- data.frame(x1= c(2, 2, 6, 4),
                                        x2= c(3, 4, 2, 8))
    mydata$sumx <- mydata$x1 + mydata$x2
    mydata$meanx <- (mydata$x1 + mydata$x2) / 2
    
    #第二种
    attach(mydata)
    mydata$sumx <- x1 + x2
    mydata$meanx <- (x1 + x2) /2
    detach(mydata)
    
    #第三种
    mydata <- transform(mydata, 
                        sumx = x1 + x2,
                        meanx = (x1 + x2) / 2)

transform()函数简化了按需创建新变量并将其保存到数据框中的过程。

**变量的重编码**

重编码涉及根据同一个变量和/或其他变量的现有值创建新值的过程。

语句variable\[condition\] <- expression 将仅在condition的值为TRUE时执行赋值

leadership <- within(leadership,{
                  agecat <- NA
                  agecat[age >75] <- "Elder"
                  agecat[age >=55 & age <= 75] <- "Middle Aged"
                  agecat[age <55] <- "Young"
                  })

函数within()与函数with()类似，不同的是它允许修改数据框。首先，创建了agecat变量，并将每一行都设为缺失值。括号中剩下的语句接下来依次执行。

**变量的重命名**

**1，交互式地修改**

fix()函数来调用一个交互式的编辑器。然后单击变量名，在弹出的对话框中将其重命名。

**2，编程式地修改**

names()函数来重命名变量。

#查看leadership数据框的所有变量名
    names(leadership)
    
    #将leadership的第二个变量进行重命名
    names(leadership)[2] <- "testDate"
    
    #重命名多个变量名
    names(leadership)[6:10] <- c("item1", "item2", "item3", "item4", "item5")

plyr包中的rename()函数，使用格式为：

rename(dataframe, c(oldname="newname", oldname="newname", ...))

#安装plyr包
    install.packages("plyr")
    library(plyr)
    leadership <- rename(leadership,
                         c(manager="managerID", date="testDate"))

**缺失值**

在R中，缺失值以符号NA（Not Available,不可用）表示。R中字符型和数值型数据使用的缺失值符号是相同的。

函数is.na()用来检测缺失值是否存在。返回一个与检测对象相同大小的对象，如果某个元素是缺失值，相应的位置将被改写为TRUE,不是缺失值的位置则为FALSE.

y <- c(1, 2, 3, NA)
    #使用函数is.na()
    is.na(y)
    #返回
    FALSE, FALSE, FALSE, TRUE

\*\*\*注意：

1，缺失值被认为是不可比较的，即便是与缺失值自身的比较。不能使用比较运算符来检测缺失值是否存在。

例如：逻辑测试var == NA 的结果永远不会为TRUE.

2，R并不把无限的或者不可能出现的数值标记成缺失值。

正无穷和负无穷分别用Inf和-Inf标记。不可能的值（比如，sin(Inf)）用NaN来标记（not a number，不是一个数）如果要识别这些数值，需要用到is.infinite()或

is.nan().

**　　一，重编码某些值为缺失值**

在分析之前确保所有的缺失数据都被妥善低编码为缺失值，否则分析结果将失去意义。

**　　二，在分析中排除缺失值**

在分析之前需要进一步以某种方式删除缺失值。因为含有缺失值的算术表达式和函数的计算结果也是缺失值。

x <- c(1, 2, NA, 3)
    y <- x[1] + x[2] + x[3] + x[4]
    z <- sum(x)
    #由于x中的第3个元素是缺失值，所以y和z也都是NA。
    #使用na.rm=TRUE选项
     y <- sum(x,  na.rm=TRUE)

\*\*\*na.rm=TRUE选项，可以在计算之前移除缺失值并使用剩余值进行计算。

函数na.omit()可以删除所有含有缺失数据的行。

**日期值**

日期值通常以字符串的形式输入到R中，然后转化为以数值形式存储的日期变量。as.Date()用于执行这种转化。格式为:as.Date(x, "input\_format")

其中x是字符型数据，input\_format则给出用于读入日期的适当格式。

%d　　数字表示的日期（0-31）　　%a　　缩写的星期名（Mon）　　　　%A　　非缩写星期名（Monday）

%m　   月份（00-12）　　　　　　 %b　　缩写的月份（Jan）　　　　　 %B　　非缩写月份（January）

%y　　两位数的年份（07）　　　　%Y　　四位数的年份（2007）

strDates <- c("01/05/1965","08/16/1975")
    dates <- as.Date(strDates,"%m/%d/%Y")
    dates
    [1] "1965-01-05" "1975-08-16"
    
    #不知道为啥输出的日期格式都是yyyy-mm-dd，而不是%m/%d/%Y 这样形式的

Sys.Date() 返回当天的日期，date() 返回当前的日期和时间。

format(x, format="output\_format") 输出指定格式的日期值，并且可以提取日期值中的某些部分。

format(today, format="%B %d %Y")
    [1] "十一月 02 2017"
    format(today, format="%A")
    [1] "星期四"

日期可以用来执行算术运算。

startdate <- as.Date("2004-02-13")
    enddate <- as.Date("2011-01-22")
    days <- enddate - startdate
    days
    Time difference of 2535 days

函数difftime() 计算时间间隔，并以星期，天，时，分，秒来表示。

today <- Sys.Date()
    dob <- as.Date("1956-10-12")
    difftime(today, dob, units="weeks")
    Time difference of 3185.857 weeks

**将日期转换为字符型变量**

as.character() 可将日期值转换为字符型。

**类型转换**

判断函数：is.numeric() is.character() is.vector() is.matrix() is.data.frame() is.factor() is.logical()

转换：as.numeric() as.character() as.vector() as.matrix() as.data.frame() as.factor() as.logical()

**数据排序**

order()函数对一个数据框进行排序，默认的排序顺序是升序。在排序变量的前边加一个减号即可得到降序的排序结果。

newdata <- leadership[order(gender, -age), ]

**数据集的合并**

**1，向数据框添加列**

多数情况下，两个数据框是通过一个或多个共有变量进行联结的。可以使用merge()函数

#将dataframeA和dataframeB按照ID进行了合并
    total <- merge(dataframeA, dataframeB, by="ID")

直接横向合并两个矩阵或数据框，并且不需要指定一个公共索引，可以直接使用cbind()函数。

total <- cbind(A, B)

要保证每个对象必须拥有相同的行数，以同顺序排序。

**2，向数据框添加行**

纵向合并两个数据框,使用rbind()函数。

total <- rbind(dataframeA, dataframeB)

两个数据框必须拥有相同的变量，不过它们的顺序不必一定相同。（这句话理解有点问题）

如果dataframeA中拥有dataframeB中没有的变量，需要在合并之前先做处理：

1，删除dataframeA中的多余变量。

2，在dataframeB中创建追加的变量并将其值设为NA（缺失）。

**数据集取子集**

**1，选入（保留）变量**

#1,通过dataframe[row indices, column indices]访问
    newdata <- leadership[, c(6:10)]
    #2,变量名
    myvars <- c("q1", "q2", "q3", "q4", "q5")
    newdata <- leadership[myvars]
    #paste()函数
    myvars <- paste("q", 1:5, sep=" ")
    newdata <- leadership[myvars]

**2，剔除（丢弃）变量**

#剔除 q3, q4两列
    #names(leadership) %in% c("q3", "q4") 返回一个逻辑型向量，匹配q3或q4的元素值为TRUE
    myvars <- names(leadership) %in% c("q3", "q4")
    newdata <- leadership[!myvars]
    
    #在某一列的下标之前加一个减号（-）就会剔除那一列
    newdata <- leadership[c(-8, -9)]
    
    #设为NULL(未定义)，NULL与NA是不同的
    leadership$q3 <- leadership$q4 <- NULL

**3，选入观测**

#通过设置下标来选入
    newdata <- leadership[1:3, ]
    
    #通过相应的条件来选入
    newdata <- leadership[leadership$gender=="M" & leadership$age>30, ]

**4，subset()函数**

newdata <- subset(leadership, age >=35 | age <24,
                        select=c(q1, q2, q3, q4,))
    
    #冒号运算符 from:to
    newdata <- subset(leadership, gender=="M" & age >25,
                        select=gender:q4)

**5，随机抽样**

sample()函数能够让你从数据集中（有放回或无放回地）抽取大小为n的一个随机样本。

mysample <- leadership[sample(1:nrow(leadership), 3, replace=FALSE) , ]

sample()函数中的第一个参数是一个由要从中抽样的元素组成的向量。第二个参数是要抽取的元素数量。第三个参数表示无放回抽样。

**使用SQL 语句操作数据框**

install.packages("sqldf")
    library(sqldf)
    #row.names=TRUE 将原始数据框中的行名延续到了新数据框中
    newdf <- sqldf("select * from mtcars where carb=1 order by mpg", row.names=TRUE)

下载并安装好sqldf包，可以使用sqldf()函数在数据框上使用SQL中的SELECT语句。

** **

转载于:https://www.cnblogs.com/xinlanzhang7319/p/7764445.html