【R语言学习笔记】实现类似数据透视表的若干方式
EXCEL中的很强大的功能就是数据透视表，不得不说，透视表解决了很多数据汇总的问题，包括可以计数、求和、均值等一系列操作；然而数据透视表比较慢，而且对于后续的处理不是很友好。既然用R来分析数据，则不能把所有数据放在excel里然后用R分析，通过R in action的启发，加上很多自己的实验，总结三种透视表的方法。
【一】SQL语言的透视表
一般在数据分析处理前，从数据库中提取会有若干字段的csv，我们可以利用R进行二次加工，看一个例子：
首先建立一个data.frame-test
Region Surname Age height salary
1 辽宁 王 25 180 100
2 北京 杨 27 185 50
3 山东 王 27 185 80
4 辽宁 齐 27 190 55
我们首先要统计一下，各省市的平均年龄是多少？这个时候的逻辑其实是按照区域汇总，然后求均值
首先用sql包
library(sqldf)
然后用SQL语言进行选择求值，需要注意的是，SQL中的均值和R不同，R中是mean函数，SQL是avg。
用如下语句，其实就是选择Region这一列，对Age求平均值，最后以Region分组
sqldf('select Region, avg(Age) from test group by Region')结果如下：
Region avg(Age)
1 北京 27
2 山东 27
3 辽宁 26
同理，如果我要统计各姓氏的工资总和，
sqldf('select Region, avg(Age) from test group by Region')
Surname sum(salary)
1 杨 50
2 王 180
3 齐 55
顺便我要按照工资高低排序
sqldf('select Surname, sum(salary) from test group by surname order by salary desc')
order by 是排序，desc是排倒序，结果为
Surname sum(salary)
1 王 180
2 齐 55
3 杨 50
其实这就是初步的实现了数据透视表的功能，但是这个格式还是字段型的格式，也就是一行是一个字段的列表，如果想分类汇总，可能在excel中还需要sumif,sumifs,sumproduct等函数做出美观的效果。如果想直接按照行列式的数据透视表，就需要下面的方法。
【二】reshape包的透视表
reshape包的透视表可以做出和excel一模一样的功能，但是首先需要数据标准化，也就是melt，这部分的数据标准化其实就是标准化成字段模式，举个例子：
这个表f
王 齐 杨
salary 180 55 50
标准化之后就成了之前的表e：
Surname sum(salary)
1 王 180
2 齐 55
3 杨 50
具体的过程可以用如下代码
library(reshape2)
melt(f,varnames = c('field','Surname'))第一个是调用reshape2包，因为reshape包竟然无法使用varnames和value.names函数，也不知道为什么；然后处理一下数据集，让他看起来和表e一样
field Surname value
1 salary 王 180
2 salary 齐 55
3 salary 杨 50
下面说说区别，看到表e有三列，而之前的表e的第一列可以认为是列序号，这就是一个微小的差异，也就是针对melt后的表，一定要有一个字段的，而字段不在表头，在行上，基于这个推论，也就是说
melt后的标准化数据一定至少有三列
即使一列是没什么用的。
melt后就可以开始cast了，这里面不用这个例子，用最原始的表test
之前说过，test已经是标准化之后的数据了，我们现在想取region和surname下的salary水平，利用如下代码
library(reshape)
cast(test,Region~Surname,value='salary')结果如下：
Region 齐 王 杨
1 北京 NA NA 50
2 辽宁 55 100 NA
3 山东 NA 80 NA
或者看身高的均值g
cast(test,Region~Age,value='height',mean,na.rm=T)Region 25 27
1 北京 NaN 185
2 辽宁 180 190
3 山东 NaN 185
可以看到有很多NA和NAN的值，因为我们的原始数据不是在每个交叉表里都有，所以会有NAN值
可以利用
na.omit(g)删除含有缺失值的一行
剩下：
Region 25 27
2 辽宁 180 190
或者为了分析方便，如后续的分析应用到mean，sum等加上na.rm=T
再或者为了表示NA值就是0，可以赋值
g[is.na(g)]<-0Region 25 27
1 北京 0 185
2 辽宁 180 190
3 山东 0 185
除此之外，还有subset函数以及其他的针对数据异常数据的提取和改名，可以保证随心所欲的处理R的数据源。
【三】aggregate函数
还是原来的test数据框
Region Surname Age height salary
1 辽宁 王 25 180 100
2 北京 杨 27 185 50
3 山东 王 27 185 80
4 辽宁 齐 27 190 55
这时候，如果我想要对姓氏的年龄做平均，利用
h<-aggregate(test$Age*,by=list(test$Surname),mean)得到
h
Group.1 x
1 齐 27
2 王 26
3 杨 27
或者直接改掉Group.1的名字
h<-aggregate(test$Age,by=list(Surname=Surname),mean)得到
h
Surname x
1 齐 27
2 王 26
3 杨 27
同理，我要是想要算区域的总工资
j<-aggregate(test$salary,by=list(Region=Region),sum)则
j
Region x
1 北京 50
2 辽宁 155
3 山东 80
同时，aggregate函数还可以对多列进行汇总，比如对身高和工资的汇总
j<-aggregate(test$salary,by=list(Age=Age,height=height),sum)这里是对test里的salary一列汇总，同时条件是筛选出age和height相同的进行加总，结果为
j
Age height x
1 25 180 100
2 27 185 130
3 27 190 55
THE END