[R语言]Chapter 2 创建数据集

2.1 数据集的概念
数据集通常是由数据构成的一个矩形数组，行表示观测，列表示变量。 R可以处理的数据类型包括数值型，字符型，逻辑型，复数型（虚数）和原生型（字节）。

2.2 数据结构

0.png

一些定义

在R中，对象（object)是指可以赋值给变量的任何事物，包括常量、数据结构、函数、甚至图形。对象都拥有某种模式，描述了此对象是如何存储的，以及某个类，像print这样的泛型函数表明如何处理此对象。数据框（data frame）是R中用于存储数据的一种结构：列表示变量，行表示观测。在同一个数据框中可以存储不同类型（如数值型、字符型）的变量，数据框是用来存储数据集的主要数据结构。

2.2.1 向量

向量用于存储数值型、字符型或逻辑型数据的一维数组。执行组合功能的函数c()可用来创建向量。

a <- c(1,2,5,3,6,-2,4)
b <- c("one","two","three")
c <- c(T,T,T,F,T,F)

a是数值型向量，b是字符型向量，c是逻辑型向量。注意，单个向量中的数据必须拥有相同的类型或模式（数值型，字符型或逻辑型），同一向量中无法混杂不同模式的数据。

而标量是只含一个元素的向量，如f<-3,g<-"US",它们用于保存常量。

通过在方括号中给定元素所处位置的数值，我们可以访问向量中的元素。

a <- c("k","j","h","a","c","m")
a[3]
a[c(1,3,5)]
a[2:6] #等价于 a <- c(2,3,4,5,6)

2.2.2 矩阵

矩阵是一个二维数组，只是每个元素都拥有相同的模式（数值型，字符型或逻辑型），可通过matrix()创建矩阵，一般使用格式为：

myymatrix <- matrix(vector,nrow = number_of_rows,ncol = number_of_columns,byrow = logical_value,dimnames = list(char_vector_rownames,char_vector_colnames))

vector包含了矩阵的元素，nrow和ncol用以指定行和列的维数，dimnames包含了可选的、以字符型向量表示的行名和列名。选项byrow则表示矩阵应当按行填充（byrow=T)，还是按列填充(byrow=F)，默认情况下按列填充。

y <- matrix(1:20,nrow = 5,ncol = 4) #创建一个5*4的矩阵
view(y)
cells <- c(1,26,24,68)
rnames <- c("R1","R2")
cnames <- c("C1","C2")
mymatrix <- matrix(cells,nrow = 2,ncol = 2,byrow = T,dimnames = list(rnames,cnames)) #按行填充的2*2矩阵
View(mymatrix)
mymatrix <- matrix(cells,nrow = 2,ncol = 2,byrow = F,dimnames = list(rnames,cnames)) #按列填充的2*2矩阵
View(mymatrix)

我们可以使用下标和方括号来选择矩阵中的行、列或元素。X[i,]指矩阵X中的第i行，X[,j]指第j列，X[i,j]指第i行第j个元素。

x <- matrix(1:10,nrow = 2)
View(x)
View(x[2,])
View(x[,2])
View(x[1,4])
x[1,c(4,5)] #选择多行或多列时，下标i和j可为数值型向量

2.2.3 数组

矩阵和向量都只能包含一种数据类型，当维度超过2时，就要使用数组。

创建形式：

myarray <- array(vector,dimensions,dimnames)

其中vector包含了数组中的数据，dimensions是一个数值型向量，给出了各个维度下标的最大值，而dimnames是可选的、各维度名称标签的列表。

#创建三维（2*3*4）数值型数组
dim1 <- c("A1","A2")
dim2 <- c("B1","B2","B3")
dim3 <- c("C1","C2","C3","C4")
z <- array(1:24,c(2,3,4),dimnames = list(dim1,dim2,dim3))
View(z)

数组是矩阵的一个自然推广，像矩阵一样，数组中的数据也只能拥有一种模式，且从数组中选取元素的方式与矩阵相同。

2.2.4 数据框

由于不同的列可以包含不同模式（数值型，字符型等）的数据，数据框的概念较矩阵来说更为一般。

##创建一个数据框
patientID <- c(1,2,3,4)
age <- c(25,34,28,52)
diabetes <- c("Type1","Type2","Type1","Type1")
status <- c("Poor","Improved","Excellent","Poor")
patientdata <- data.frame(patientID,age,diabetes,status)
View(patientdata)
View(patientdata[1:2])#选取数据框中的1-2列
View(patientdata[c("diabetes","status")])#选取数据框中的 diabetes 和 status 两列
patientdata$age #选取一个给定数据框中的某个特定变量
table(patientdata$diabetes,patientdata$status) #生成diabetes和status的列联表

每一列数据的模式必须唯一，不过你却可以将多个模式的不同列放到一起组成数据框。

联合使用attach()和detach()或单独使用函数with()来简化代码。

1. attach()、detach()和with()

函数attach()可将数据框添加到R的搜索路径中。R在遇到一个变量名以后，将检查搜索路径中的数据框。

#以mtcars为例，获取mpg的描述性统计量，并绘制mpg与disp和wt的散点图
summary(mtcars$mpg)
plot(mtcars$mpg,mtcars$disp)
plot(mtcars$mpg,mtcars$wt)
#以上代码也可以写成如下
attach(mtcars) #将数据框添加到R的搜索路径中。
summary(mpg) #获取mpg的描述性统计量。
plot(mpg,disp) #绘制散点图，左X右Y。
plot(mpg,wt)
detach(mtcars) #将数据框从搜索路径中移除，也可以省略

任何情况下，都要当心那些告知某个对象已被屏蔽（masked）的警告。

with(mtcars,{
  print(summary(mpg))
  plot(mpg,disp)
  plot(mpg,wt)
})

在这种情况下，花括号{}之间的语句都针对数据框mtcars执行，这样就无需担心名称冲突了。如果仅有一条语句（例如summary(mpg)),那么花括号{}可以省略。

函数with()的局限性在于，赋值仅在此函数的括号内生效，如果想要在with()结构以外创建存在的对象，使用特殊赋值符<<- 代替标准赋值符 <-，它可以将对象保存到with()之外的全局环境中。

with(mtcars,{
  nokeepstats <- summary(mpg)
  keepstats <<- summary(mpg)
})
nokeepstats # Error: object 'nokeepstats' not found
keepstats # 不报错

2.实例标识符

在R中，实例标识符（case identifier）可通过数据框操作函数中的rowname选项指定。

patientdata <- data.frame(patientID,age,diabetes,status,row.names = patientID)
View(patientdata)
#将patientID指定为R中标记各类打印输出和图形中实例名称所用的变量。

2.2.5 因子

变量可归结为名义型、有序型或连续型变量。

名义型变量是没有顺序之分的类别变量。

有序型变量表示一种顺序关系，而非数量关系，如病情（poor,improved,excellent)。

连续型变量可以呈现为某个范围内的任意值，并同时表示了顺序和数量，如age。

名义型变量和有序型变量在R中称为因子（factor）。

函数factor()以一个整数向量的形式存储类别值，整数的取值范围是【1...k】(k是名义型变量中唯一值的个数),同时一个由字符串（原始值）组成的内部向量将映射到这些整数上。

diabetes <- c("Type1","Type2","Type1","Type1")
diabetes <- factor(diabetes) #将此向量存储为(1,2,1,1),并在内部将其关联为1=Type1,2=Type2。
diabetes <- factor(diabetes,ordered = T) #使用order=T来表示有序型变量
diabetes <- factor(diabetes,ordered = T,levels = c("Type2","Type1")) #指定levels选项来覆盖默认排序。
status <- c("Poor","Improved","Excellent","Poor")
status <- factor(status,ordered = T) #对于字符向量，factor的水平默认依字母顺序创建。

数值型变量可以用levels和labels参数来编码成因子。把变量转换成一个无序因子，注意到标签的顺序必须和水平相一致。

sex <- factor(sex,levels = c(1,2),labels = c("Male","Famale"))

因子的使用：

patientID <- c(1,2,3,4)
age <- c(25,34,28,52)
diabetes <- c("Type1","Type2","Type1","Type1")
status <- c("Poor","Improved","Excellent","Poor") #以上为以向量形式输入数据
diabetes <- factor(diabetes) #将diabetes指定为一个普通因子
status <- factor(status,ordered = T) #将status指定为一个有序型因子
patientdata <- data.frame(patientID,age,diabetes,status) #合并为数据框
str(patientdata) #显示对象的结构
summary(patientdata) #显示对象的统计概要

2.2.6 列表

list 是R数据类型中最为复杂的一种，一般来说，列表就是一些对象（或成分，component)的有序集合。列表允许你整合若干（可能无关的）对象到单个对象名下。如，某个列表中可能是若干向量、矩阵、数据框，甚至是其他列表的组合。

#创建一个列表
g <- "My First List"
h <- c(25,26,18,39)
j <- matrix(1:10,nrow = 5)
k <- c("one","two","three")
mylist <- list(title=g,ages=h,j,k) #输出整个列表
mylist
mylist[[2]] #根据位置取第二个成分
mylist[["ages"]] #根据字符取第二个成分

程序员注意的一些事项

001.对象名称中的句点（.）没有特殊意义，但$能指定一个数据框或者列表中的某些成分。

002.R不提供多行注释或块注释功能，必须以#作为多行注释每行的开始。

003.将一个值赋给某个向量,矩阵，数组或列表中一个不存在的元素时，R将自动扩展这个数据结构以容纳新值。

> x <- c(8, 6, 4)
> x[7] <- 10
> x #从三个元素扩展到七个元素。如果不是赋值的话，则返回NA
[1] 8 6 4 NA NA NA 10
> x <- x[1:3] #从七个元素缩到三个元素

2.3 数据的输入

2.3.1 使用键盘输入数据

R中的函数edit()会自动调用一个允许手动输入数据的文本编辑器。

mydata <- data.frame(age=numeric(0),gender=character(0),weight=numeric(0))
mydata <- edit(mydata) #等价于 fix(mydata)

2.3.2 从带分隔符的文本文件导入数据

mydataframe <- read.table(file,options)

关于options的一些选项如下：

header:一个表示文件是否在第一行包含了变量名的逻辑型变量。

sep:分开数据值的分隔符，默认是sep="",表示了一个或多个空格、制表符、换行或回车。使用 sep=","来读取用逗号来分隔行内数据的文件，使用sep="\t" 来读取使用制表符来分隔行内数据的文件。

row.names:一个用于指定一个或多个行标记符的可选参数

col.names:如果数据文件的第一行不包括变量名（header=F),你可以用col.names去指定一个包含变量名的字符向量。如果header=F以及col.names选项被省略了，变量会被分别命名为v1,v2,以此类推。

na.strings: 可选的用于表示缺失值的字符向量。比如说，na.strings=c("-9","?")把-9和？值在读取数据的时候转换成NA。

colClasses: 可选的分配到每一列的类向量。比如说，colClasses=c("numeric","numeric","character","NULL","numeric") 把前两列读取为数值型变量，把第三列读取为字符型向量，跳过第四列，把第五列读取为数值型向量。如果数据有多余五列，colClasses的值会被循环，当你在读取大型文本文件的时候，加上colClasses选项可以可观地提升处理的速度。

quote:用于对有特殊字符的字符串划定界限的自负床。默认值是"or ‘

skip:读取数据前跳过的行的数目。

stringsAsFactors:一个逻辑变量，标记处字符向量是否需要转化成因子，默认值是T，除非它被colClasses所覆盖。当你在处理大型文本文件的时候，设置成stringsAsFactors= F可以提升处理速度。

text: 一个指定文字进行处理的字符串。

grades <- read.table("studentgrades.csv", header=TRUE,
row.names="StudentID", sep=",")

grades <- read.table("studentgrades.csv", header=TRUE,
row.names="StudentID", sep=",",
colClasses=c("character", "character", "character",
"numeric", "numeric", "numeric"))

2.3.3 导入Excel数据

读取一个Excel文件最好的方式，就是在Excel中将其导出为一个逗号分隔文件（csv）。此外，可以用xlsx包直接导入Excel工作表。

library(xlsx)
workbook <- "c:/myworkbook.xlsx"
mydataframe <- read.xlsx(workbook, 1)

2.3.4 导入XML数据

2.3.5 从网页抓取数据

网络上的数据，可以通过所谓的Web数据抓取（Webscraping）的过程，或对应用程序接口（application programming interface,API）的使用来获得。

一般来说，在Web数据抓取过程中，用户从互联网上提取嵌入在网页中的信息，并将其保存为R中的数据结构以做进一步地分析。

API指定了软件组件如何互相进行交互。

2.3.6 导入SPSS数据

2.3.7 导入SAS数据

2.3.8 导入Stata数据

2.3.9 导入NetCDF数据

2.3.10 导入HDF5数据

2.3.11 访问数据库管理系统

2.4 数据集的标注

2.4.1 变量标签

R处理变量标签的能力有限，解决的办法是将变量标签作为变量名，然后通过位置下标来访问这个变量。

names(patientdata)[2] <- "Age at hospitalization (in years)" #将age重命名为"Age at hospitalization (in years)"
View(patientdata)

2.4.2 值标签

函数factor()可为类别型变量创建值标签。????

patientdata$gender <- factor(patientdata$gender,
                          levels = c(1,2),
                          labels = c("male","female")) #levels代表变量的实际值，而labels表示包含了理想值标签的字符型向量。
View(patientdata)

2.5 处理数据对象的实用函数

length(object) #显示对象中元素/成分的数量

dim(object) #显示某个对象的**维度**

str(object) #显示某个对象的**结构**

class(object) #显示某个对象的**类或类型**

mode(object) #显示某个对象的模式

names(object) #显示某对象中各成分的名称

c(object,object,...) #将对象合并入一个向量

cbind(object,object,...) #按列合并对象

rbind(object,object,...) #按行合并对象

object #输出某个对象

head(object) #列出某个对象的开始部分

tail(object) #列出某个对象的最后部分

ls() #显示当前的对象列表

rm(object,object,...) #删除一个或更多个对象。语句rm(list=ls())将删除当前工作环境中的几乎所有对象

newobject <- edit(object) #编辑对象并另存为newobject

fix(object) #直接编辑对象

2.6 小结

数据的准备可能是数据分析中最具挑战性的任务之一，后续反复使用向量、矩阵、数据框和列表的改变，掌握通过括号表达式选取元素的能力，对数据的选择、取子集和变换将是非常重要的。