R语言的四种数据结构---数据框
数据框是最常见的数据结构，一般来讲，从csv或txt文件读入时就会自动存储为数据框对象。
与矩阵不同的是，矩阵只可以存储一种数据类型，而数据框可以存储多种类型，但是每一列必须为相同的数据类型
1.创建数据框
（1）从外部读入
# 读入一个txt,csv等格式数据,即自成一个数据框
movie = read.csv("电影数据.csv", fileEncoding = "UTF-8", stringsAsFactors = F)
class(movie)
## [1] "data.frame"（2）自己创建
# 自己创建
star1 = c("邓超", "赵丽颖", "郭富城", "周润发", "杰克布莱克", "汤唯", "白敬亭", "陈晓", "梁家辉", "姚晨", "宋茜", "黄宗泽", "黄晓明")
birthyear = c(1979, 1987, 1965, 1955, 1969, 1979, 1993, 1987, 1958, 1979, 1987, 1980, 1977)
gender = c("男", "女", "男", "男", "男", "女", "男", "男", "男", "女", "女", "男", "男")
# 使用head（）函数可以提取数据的前六行
stars = data.frame(star1, birthyear, gender); head(stars)
## star1 birthyear gender
## 1 邓超 1979 男
## 2 赵丽颖 1987 女
## 3 郭富城 1965 男
## 4 周润发 1955 男
## 5 杰克布莱克 1969 男
## 6 汤唯 1979 女2.汇总
str()函数用来展示每列的数据类型，可以确定是连续的数值好事离散的因子
summary()函数是清洗数据的必备之选，可自动根据数据类型调整输出结果。具体来说，对于连续数据，它能给出输出数据的分位数值，对于类别数据（以factor存储形式），它能给出输出每个类别的数目统计，这样，各类数据样本是否平衡就一目了然。
str(movie)
## 'data.frame': 19 obs. of 11 variables:
## $ name : chr "叶问3" "美人鱼" "女汉子真爱公式" "西游记之孙悟空三打白骨精" ...
## $ boxoffice : num 77060 338583 6184 119957 111694 ...
## $ doubanscore: num 6.4 6.9 4.5 5.7 4 7.7 6.5 6.4 5 5.6 ...
## $ type : chr "动作" "喜剧" "喜剧" "喜剧" ...
## $ duration : int 105 93 93 120 112 95 131 108 95 102 ...
## $ showtime : chr "2016/3/4" "2016/2/8" "2016/3/18" "2016/2/8" ...
## $ director : chr "叶伟信" "周星驰" "郭大雷" "郑保瑞" ...
## $ star1 : chr "甄子丹" "邓超" "赵丽颖" "郭富城" ...
## $ index1 : int 11385 41310 181979 12227 16731 178 13499 14759 13251 6911 ...
## $ star2 : chr "张晋" "林允" "张翰" "巩俐" ...
## $ index2 : int 4105 9292 44277 8546 30277 1540 77260 755 9549 5614 ...
summary(movie)
## name boxoffice doubanscore type
## Length:19 Min. : 924.9 Min. :3.400 Length:19
## Class :character 1st Qu.: 3799.5 1st Qu.:4.600 Class :character
## Mode :character Median : 12561.5 Median :5.300 Mode :character
## Mean : 50813.3 Mean :5.568
## 3rd Qu.: 77700.9 3rd Qu.:6.450
## Max. :338583.3 Max. :8.000
## duration showtime director star1
## Min. : 84.0 Length:19 Length:19 Length:19
## 1st Qu.: 94.5 Class :character Class :character Class :character
## Median : 99.0 Mode :character Mode :character Mode :character
## Mean :101.5
## 3rd Qu.:107.5
## Max. :131.0
## index1 star2 index2
## Min. : 178 Length:19 Min. : 521
## 1st Qu.: 8232 Class :character 1st Qu.: 3650
## Median : 12227 Mode :character Median : 9292
## Mean : 27861 Mean :17369
## 3rd Qu.: 24663 3rd Qu.:20763
## Max. :181979 Max. :77260
head(movie)
## name boxoffice doubanscore type duration showtime
## 1 叶问3 77060.44 6.4 动作 105 2016/3/4
## 2 美人鱼 338583.26 6.9 喜剧 93 2016/2/8
## 3 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18
## 4 西游记之孙悟空三打白骨精 119956.51 5.7 喜剧 120 2016/2/8
## 5 澳门风云三 111693.89 4.0 喜剧 112 2016/2/8
## 6 功夫熊猫3 99832.53 7.7 喜剧 95 2016/1/29
## director star1 index1 star2 index2
## 1 叶伟信 甄子丹 11385 张晋 4105
## 2 周星驰 邓超 41310 林允 9292
## 3 郭大雷 赵丽颖 181979 张翰 44277
## 4 郑保瑞 郭富城 12227 巩俐 8546
## 5 王晶 周润发 16731 刘德华 30277
## 6 吕寅荣 杰克布莱克 178 安吉丽娜朱莉 1540
3.变大--数据框的增列、合并
# 添加一列数据prefer
prefer = 1:19
movie$pre = prefer
head(movie)
## name boxoffice doubanscore type duration showtime
## 1 叶问3 77060.44 6.4 动作 105 2016/3/4
## 2 美人鱼 338583.26 6.9 喜剧 93 2016/2/8
## 3 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18
## 4 西游记之孙悟空三打白骨精 119956.51 5.7 喜剧 120 2016/2/8
## 5 澳门风云三 111693.89 4.0 喜剧 112 2016/2/8
## 6 功夫熊猫3 99832.53 7.7 喜剧 95 2016/1/29
## director star1 index1 star2 index2 pre
## 1 叶伟信 甄子丹 11385 张晋 4105 1
## 2 周星驰 邓超 41310 林允 9292 2
## 3 郭大雷 赵丽颖 181979 张翰 44277 3
## 4 郑保瑞 郭富城 12227 巩俐 8546 4
## 5 王晶 周润发 16731 刘德华 30277 5
## 6 吕寅荣 杰克布莱克 178 安吉丽娜朱莉 1540 6merge(x,y,by),其中x，y分别是要合并的两个数据框，by是它们共有的列。如果这两个共有的列在两个数据框中的名字不同，还需要通过by.x，by.y分别定义识别。另外，和数据库中中的操作类似，我们经常会发现两个数据框中匹配的值域并不相同，这事还需要用all类的参数设置以哪个所包含的值域为准。
# merge实现的效果是：将movie和stars按照列star1匹配并合并起来
(movie.star = merge(movie[1:3, ], stars,by = "star1"))
## star1 name boxoffice doubanscore type duration showtime
## 1 邓超 美人鱼 338583.26 6.9 喜剧 93 2016/2/8
## 2 赵丽颖 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18
## director index1 star2 index2 pre birthyear gender
## 1 周星驰 41310 林允 9292 2 1979 男
## 2 郭大雷 181979 张翰 44277 3 1987 女# all.x=T,即取前一个数据框movie中star1列所有的值做合并，匹配不到赋值NA
(movie.star = merge(movie[1:3, ], stars[1:5, ], by = "star1", all.x = T))
## star1 name boxoffice doubanscore type duration showtime
## 1 邓超 美人鱼 338583.26 6.9 喜剧 93 2016/2/8
## 2 赵丽颖 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18
## 3 甄子丹 叶问3 77060.44 6.4 动作 105 2016/3/4
## director index1 star2 index2 pre birthyear gender
## 1 周星驰 41310 林允 9292 2 1979 男
## 2 郭大雷 181979 张翰 44277 3 1987 女
## 3 叶伟信 11385 张晋 4105 1 NA 4.变小-数据的筛选、引用
（1）引用
movie[3, ] # 查看第3行的电影信息
## name boxoffice doubanscore type duration showtime director
## 3 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18 郭大雷
## star1 index1 star2 index2 pre
## 3 赵丽颖 181979 张翰 44277 3movie[, 8] # 查看第8列主演者的名字
## [1] "甄子丹" "邓超" "赵丽颖" "郭富城" "周润发"
## [6] "杰克布莱克" "汤唯" "白敬亭" "陈晓" "梁家辉"
## [11] "姚晨" "宋茜" "黄宗泽" "黄晓明" "洪金宝"
## [16] "陈坤" "陶泽如" "刘亦菲" "何润东"（2）筛选
movie$star1 # 用$符号通过列名引用
## [1] "甄子丹" "邓超" "赵丽颖" "郭富城" "周润发"
## [6] "杰克布莱克" "汤唯" "白敬亭" "陈晓" "梁家辉"
## [11] "姚晨" "宋茜" "黄宗泽" "黄晓明" "洪金宝"
## [16] "陈坤" "陶泽如" "刘亦菲" "何润东"(action = movie[movie$type == "动作", ]) # 选择数据中的动作电影
## name boxoffice doubanscore type duration showtime director
## 1 叶问3 77060.44 6.4 动作 105 2016/3/4 叶伟信
## 10 冰河追凶 4262.14 5.6 动作 102 2016/4/15 徐伟
## 15 我的特工爷爷 32009.37 5.3 动作 99 2016/4/1 洪金宝
## 19 钢刀 924.86 4.3 动作 94 2016/5/20 阿甘
## star1 index1 star2 index2 pre
## 1 甄子丹 11385 张晋 4105 1
## 10 梁家辉 6911 佟大为 5614 10
## 15 洪金宝 9148 刘德华 30277 15
## 19 何润东 11822 李学东 521 19(action_long = movie[movie$type == "动作" & movie$duration > 100, ]) # 放映时间超过100分钟的动作电影
## name boxoffice doubanscore type duration showtime director star1
## 1 叶问3 77060.44 6.4 动作 105 2016/3/4 叶伟信 甄子丹
## 10 冰河追凶 4262.14 5.6 动作 102 2016/4/15 徐伟 梁家辉
## index1 star2 index2 pre
## 1 11385 张晋 4105 1
## 10 6911 佟大为 5614 105.变序--数据框的内部排序
(action_long = movie[movie$type == "动作" & movie$duration > 100, ]) # 放映时间超过100分钟的动作电影
## name boxoffice doubanscore type duration showtime director star1
## 1 叶问3 77060.44 6.4 动作 105 2016/3/4 叶伟信 甄子丹
## 10 冰河追凶 4262.14 5.6 动作 102 2016/4/15 徐伟 梁家辉
## index1 star2 index2 pre
## 1 11385 张晋 4105 1
## 10 6911 佟大为 5614 10# 先按电影类型排序，再按照豆瓣评分排序
movie = movie[order(movie$type, movie$doubanscore, decreasing = T), ]; head(movie)
## name boxoffice doubanscore type duration showtime
## 6 功夫熊猫3 99832.53 7.7 喜剧 95 2016/1/29
## 2 美人鱼 338583.26 6.9 喜剧 93 2016/2/8
## 7 北京遇上西雅图之不二情书 78341.38 6.5 喜剧 131 2016/4/29
## 4 西游记之孙悟空三打白骨精 119956.51 5.7 喜剧 120 2016/2/8
## 13 刑警兄弟 3005.96 5.2 喜剧 97 2016/4/22
## 3 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18
## director star1 index1 star2 index2 pre
## 6 吕寅荣 杰克布莱克 178 安吉丽娜朱莉 1540 6
## 2 周星驰 邓超 41310 林允 9292 2
## 7 薛晓路 汤唯 13499 吴秀波 77260 7
## 4 郑保瑞 郭富城 12227 巩俐 8546 4
## 13 戚家基 黄宗泽 9823 金刚 4010 13
## 3 郭大雷 赵丽颖 181979 张翰 44277 3
6.变形--长宽表互换
（1）宽表变长表
melt()函数是一个专门把宽表收起来，把多个列表变成一个变量下的属性函数。其中，参数id.vars用来设定把哪列定住不动，然后其他列就会自动收入这一列中；参数variable_name用来设定设个新列的列名。
下方代码就是以id.vars为基准，其他所有的原始变量都排成一个新列，然后原始列下面的数值就会被记录在一列新的value中。
# install.packages(reshape)
library(reshape)
# install.packages(reshape2)
library(reshape2)
## (1) 宽表变长表 ##
mWide = data.frame(Name = c("熊大", "水妈"), Type = c("帅哥", "美女"),
GF2013 = c(300, 100), GF2014 = c(500, 350), GF2015 = c(1000, 886))
# 由于构造数据框时列名不可以为纯数字，在数字前添加GF
# 将列名中的GF去掉
colnames(mWide)[3:5] = gsub("GF", "", colnames(mWide)[3:5])
mWide #查看原表
## Name Type 2013 2014 2015
## 1 熊大 帅哥 300 500 1000
## 2 水妈 美女 100 350 886
(mLong = melt(mWide, id.vars = c("Name", "Type"), variable_name = "Year"))
## Name Type Year value
## 1 熊大 帅哥 2013 300
## 2 水妈 美女 2013 100
## 3 熊大 帅哥 2014 500
## 4 水妈 美女 2014 350
## 5 熊大 帅哥 2015 1000
## 6 水妈 美女 2015 886
## (2) 长表变宽表 ##
# 将列Year从字符型变成数值型
mLong$Year = as.numeric(mLong$Year)（2）长表变宽表
dcast()函数可将长表变为宽表，第一个参数是要变形的数据框，第二个参数采用了公示参数，公示的左边每个变量都会作为结果中的一列，而右边的变量被当成因子类型，每个水平值都会在结果中新生成一个单独列。
# 长表变宽表
dcast(mLong, Name + Type ~ Year)
## Name Type 1 2 3
## 1 水妈 美女 100 350 886
## 2 熊大 帅哥 300 500 10007.R中的数据透视表--神奇的ddply
ddply()是一个把数据框按照某种属性分组，然后分别应用到同一函数的操作。其基本用法是ddply(.data, .variables, .fun=NULL)，第一个参数是要处理的数据框；第二个参数是分组标记，这个标记可以是多个分类变量；第三个参数是一个函数。ddply()的处理逻辑是按照第二个参数定义的分组变量把数据框分组成多个子数据框，然后作为第三个函数的输入，如果第三个函数函数需要有额外的参数输入，需要在第四个参数的位置设定。
# install.packages(plyr)
library(plyr)
# 根据电影类型进行分组，查看不同类型电影票房的平均水平
popular_type = ddply(movie, .(type), function(x) {mean(x$boxoffice)}); head(popular_type)
## type V1
## 1 爱情 11206.95
## 2 动作 28564.20
## 3 犯罪 36624.84
## 4 剧情 6671.91
## 5 喜剧 95116.85
# 根据电影类型和电影时长同时分组，查看电影票房的平均水平
long = ddply(movie, .(type,duration), function(x) {mean(x$index1)}); head(long)
## type duration V1
## 1 爱情 84 58355
## 2 爱情 95 13251
## 3 爱情 108 14759
## 4 动作 94 11822
## 5 动作 99 9148
## 6 动作 102 6911