【R语言】数据操作

一、查看和编辑数据

1、查看数据

直接打印到控制台

x <- data.frame(a=1:20, b=21:30)
x

View()函数

此函数可以将数据以电子表格的形式进行展示。

用reshape2包中的tips进行举例：

library("reshape2")
View(tips)

head()函数

 查看前几行数据，参数n表示需要查看的行数，默认为6

tail()函数

查看后几行数据，参数n表示需要查看的行数，默认为6

2、编辑数据

fix()函数

 数据较少时，可以用此函数来编辑数据。使用时，会出现如下所示的一个弹窗，可以直接在这上面编辑数据。

当数据量特别大时，不适宜用此方法。

fix(tips)

 edit()函数

使用此函数，会生成一个新的数据，如果没有将新数据赋值给变量，它将直接打印到控制台。使用时，也会出现如下所示的一个弹窗，可以直接在这上面编辑数据。

当数据量特别大时，不适宜用此方法。

edit(tips)

二、筛选数据

subset()函数

此函数可对向量、矩阵和数据框提取子集，它允许直接使用列名或变量名，使得相较于中括号来说可读性更强。

以下通过reshape2包中的tips数据集进行举例：

# 筛选tips数据集中，星期天消费大于40美元，小费大于5美元，且不吸烟的男性买单
# 方法一：用中括号
tips[tips$total_bill > 20 &tips$tip > 5 &tips$sex == "Male" &tips$smoker == "No" &tips$day == "Sun",c("total_bill", "tip", "sex", "smoker", "day")]
# 方法二：使用subset()函数进行筛选
subset(tips,subset = total_bill > 20 & tip > 5 &sex == "Male" &smoker == "No" &day == "Sun",select = c("total_bill", "tip", "sex", "smoker", "day"))

 将上述方法一进行改进：使用with()函数，它的作用是对当前数据构建一个环境，并在该环境中计算表达式。

with(tips,tips[total_bill > 20 &tip > 5 &sex == "Male" &smoker == "No" &day == "Sun",c("total_bill", "tip", "sex", "smoker", "day")])

 sample()函数：随机抽样

此函数的3个重要参数：

1. size：抽样数量
2. replace：是否有放回地抽样
3. prob：按照一定的概率进行抽样

x <- letters
sample(x, size=12)y <- array(LETTERS[1:24], dim=c(3,4,2))
sample(y,size=12)

如果对数据框和列表使用sample()函数，那么得到的结果是对列或元素的随机抽样。对数据框来说，希望得到对行的随机抽样，所以需要先对行号随机抽样，然后选取相应的行。

 对列表进行随机抽样：

x <- list(a = c(1,3,4), b = letters, c=3:15, d=month.abb)
x
sample(x, size=3)

 对数据框进行随机抽样：

tips[sample(1:nrow(tips), 3),]

 三、合并数据

paste()和paste0()函数

将向量以字符串的形式拼接起来。

c()函数

将几个向量合并为更大的向量或列表

data.frame()函数

合并数据框。

cbind()函数

按列合并

x <- tips[,c(1,2)]
head(x)
y <- tips[,c(5,6)]
head(y)
z <- cbind(x,y)
head(z)

rbind()函数

 按行合并，且在合并时数据的列名称必须一样，但对列的顺序没要求。

x <- tips[sample(1:nrow(tips), 100),]
head(x)
y <- tips[sample(1:nrow(tips), 50),][,7:1] # y的列名称顺序与x相反
head(y)
z <- rbind(x,y)
head(z)

merge()函数

# 构建作者信息表
authors <- data.frame(name = I(c("Tukey", "Venables", "Tierney", "Ripley", "McNeil")),nationality = c("US", "Australia", "US", "UK", "Australia"),deceased = c("yes", rep("no", 4)))
authors
authors.new <- within(authors,{ surname <- name; rm(name) }) 
authors.new  # 构建著作信息表
books <- data.frame(name = I(c("Tukey", "Venables", "Tierney","Ripley", "Ripley", "McNeil", "R Core")),other.author = c(NA, "Ripley", NA, NA, NA, NA,"Venables & Smith"),title = c("Exploratory Data Analysis","Modern Applied Statistics with S-PLUS","LISP-STAT","Spatial Statistics", "Stochastic Simulation","Interactive Data Analysis","An Introduction to R"),publishers = c("Addison-Wesley","Springer","Wiley-Interscience","Springer","Wiley-Interscience","Wiley","Samurai Media Limited"),year = c(1977,1994,1990,1988,2006,1992,2015))
books

合并有相同列名的数据框

merge(authors,books,by = "name")

合并没有相同列名的数据框

merge(authors.new,books,by.x = "surname",by.y = "name")

四、分组和汇总

 cut()函数

x <- rnorm(20,10,5)
# 按c(min(x),5,10,15,max(x))区间将x分成4个区间（组）
# include.lowest表示第一组是否包含最小值
cut(x,breaks = c(min(x),5,10,15,max(x)),include.lowest = T)# 可以为每一个组赋予标签
cut(x,breaks = c(min(x),5,10,15,max(x)),labels = c("第一组","第二组","第三组","第四组"),include.lowest = T)

# 实际应用中往往是在数据框中生成新列
a <- data.frame(x = x)
a$y <- cut(a$x,breaks = c(min(a$x),5,10,15,max(a$x)),labels = c("第一组","第二组","第三组","第四组"),include.lowest = T)
head(a)

split()函数

通过分组变量以列表的形式将向量或者数据框分割为若干组。

b <- split(a$x,a$y)
str(b)

unsplit()函数

将分组结果还原。

c <- unsplit(b,a$y)
c

rowsum()函数

分组求和。

rowsum(a$x,group = a$y)

 

table()与xtabs()函数

计算每一组的元素数量。

table(a$x)xtabs(~ x, a)

aggregate()函数

用于数据汇总。

library(reshape2)
# 按sex、smoker计算tips数据集中tatal_bill和tip的平均值
aggregate(tips[,c("total_bill","tip")],list(tips$sex,tips$smoker),mean)aggregate(cbind(total_bill,tip) ~ sex + smoker,data = tips,mean)

五、排序数据

sort()函数

常用于对数值向量或因子就行排序。

如果向量中有NA，sort()函数会自动舍弃掉，如果想要保留，可通过na.last参数控制。

sort()函数默认以升序排序，可通过设置decreasing参数为TRUE，使其按照降序排序。

x <- c(1,4,3,7,8,9,1,NA)
sort(x)
sort(x, na.last=T, decreasing=T)y <- factor(rep(c("东","西","北","南"),3), levels = c("东","南","西","北"))
sort(y)

 rank()函数

此函数的操作对象是向量，它输出的结果为向量的秩，即排名。

当向量中出现重复值时，其排名将受到ties.method参数的影响。

ties.method参数一共有7种：

1. average：默认值。平均排名，即对于重复值，分配它们在所有可能排名中的平均排名。例如，如果有两个并列第二的数值，则它们都会被赋予2.5的排名
2. first：升序排名，即对于重复值，分配它们的最小可能排名。即，如果排名是从1开始的，则所有重复值都会被赋予它们原本可以占据的最小排名。
3. last：降序排名，即对于重复值，分配它们的最大可能排名。即，如果排名是从1开始的，则所有重复值都会被赋予它们原本可以占据的最大排名。
4. random：随机排名，即对于重复值，随机分配它们可能的排名之一。每次运行可能会得到不同的结果。
5. max：最大排名，与last一致
6. min：最小排名，与first一致
7. dense：与"average"相似，但分配的是连续排名。即，如果有两个并列第二的数值，则下一个数值的排名将是第四，而不是跳过第三。

x <- c(4, 2, 2, 8, 3, 3, 1)# 使用默认方法（即"average"）
rank(x)
# 结果可能是: [1] 6.0 3.5 3.5 8.0 4.5 4.5 1.0# 使用"first"方法
rank(x, ties.method = "first")
# 结果可能是: [1] 6 2 2 8 4 4 1# 使用"last"方法
rank(x, ties.method = "last")
# 结果可能是: [1] 6 3 3 8 5 5 1# 使用"dense"方法
rank(x, ties.method = "dense")
# 结果可能是: [1] 5 2 2 7 3 3 1

 order()函数

用于返回向量中元素的排序索引。即order函数不会直接改变向量的顺序，而是返回一个整数向量，该向量指定了原始向量中元素在排序后应该出现的位置。

 order(x, decreasing = FALSE)

• x：一个数值向量、字符向量或因子向量。
• decreasing：一个逻辑值，指定是否按降序排序。默认为FALSE，即按升序排序。

它返回一个整数向量，该向量给出了x中元素在排序前（升序或降序）的索引位置

x <- c(4, 2, 8, 3, 1)# 按升序排序
sorted_indices <- order(x)
sorted_indices
# 结果可能是: [1] 5 2 4 1 3；因为元素1最开始的索引是5，元素2最开始的索引是2，依次类推（这里有点绕）# 使用排序索引获取排序后的向量
sorted_x <- x[sorted_indices]
sorted_x
# 结果: [1] 1 2 3 4 8# 按降序排序
sorted_indices_desc <- order(x, decreasing = TRUE)
sorted_indices_desc
# 结果可能是: [1] 3 1 4 2 5# 使用排序索引获取降序排序后的向量
sorted_x_desc <- x[sorted_indices_desc]
sorted_x_desc
# 结果: [1] 8 4 3 2 1

六、增加数据

with()函数：增加一列数据

作用是对当前数据构建一个环境，并在该环境中计算表达式。

tips1 <- tips
# 在tips1中增加一列cost（总消费）
tips1$cost <- with(tips1, total_bill + tip)
head(tips1)# 使用$符号
tips1$cost <- tips$total_bill + tips$tip

within()和transform()函数：增加多列数据

tips2 <- tips
# 增加两列数据：总消费cost和人均消费avg.cost
tips2 <- within(tips2,{cost=total_bill + tipavg.cost=cost/size})
head(tips2)

within()函数中新生成的变量（上例中的cost）可以被后续的代码调用，而trnasform()函数新生成的变量则无法被后续的代码调用，如下所示： 

tips3 <- tips
tips3 <- transform(tips3, cost=total_bill + tip, avg.cost=cost/size)

tips3 <- tips
tips3 <- transform(tips3, cost=total_bill + tip, avg.cost=(total_bill+tip)/size)