R_2.创建数据集

2.1什么是数据集

• 数据集通常是由数据构成的一个矩阵数组。行为观测列为变量(统计学术语，在机器学习学科称行为示例example列为属性attribute)。
• R中有很多用于存储数据的结构，包括标量，向量，数组，数据框和列表
• R原生可以处理的数据类型包括数值型(numeric,integer)、字符型、布尔型(TRUE/FALSE)、复数型、原生型(字节)
  • numeric与interger两种数据类型的区分：numeric为浮点数，integer为整数，integer占用内存少，所以在数据方便时，把numeric转成integer可以节省内存

#区别如下(使用as命令，as为显式强转) > as.integer(1.23) #将1.23强转为integer [1] 1 > as.numeric(1.23)#将1.23强转为numeric [1] 1.23

  

• 以一个表格为例：

ID(行/实例标识符)	入学时间(日期型变量)	年龄(连续型变量)	院系(名义型变量)	性别(有序型变量)
1 数值型变量	10/9/2015 数值型变量(存疑，如果算上'/'的话得按字符型变量算)	18 数值型变量	信息 字符型变量	男 字符型变量
…	…	…	…	…
称为：行名			因子	因子

  

  

2.2向量

向量分为数值型,字符型和逻辑型,都可以用c()函数创建

a <- c(1,2,35,3,6,-2,4) b <- c("one","two","three") c <- c(TRUE,TRUE,TRUE,FALSE,TRUE)

同一向量中无法混杂不同模式的数据

a[c(2,4)]访问向量a中的第二个和第四个元素 a[2:6]访问第二个到第六个元素

同时，还有vector()函数，可以限定创建特定类型的向量

this_is_a_vector<-vector("numeric", length=10) #默认numeric类型向量会生成长度为10元素全为0的向量

> this_is_a_vector [1] 0 0 0 0 0 0 0 0 0 0

需要注意的是，如果一个向量混入了不同类型的变量，R并不会报错，而是会隐式强转成同一种数据类型

如果数值型与字符型混在一起就会变成字符型，布尔型与数值型混在一起则会转成数值型，字符型与布尔型混在一起会变成字符型

同时，R还提供显式强转函数as.xx例如as.numeric(a)会把a转换为numeric类型同理还可转换成字符，布尔。

但有时候强转会失灵(即出现NA错误)

> g<-c("a","b","c") > as.numeric(g) [1] NA NA NA #强转失灵，发生NA错误，因为没法将字符型转为数值型 Warning message: NAs introduced by coercion > as.logical(g) [1] NA NA NA

2.3矩阵

同样，分为数值型,字符型和逻辑型通过函数matrix()创建矩阵

书写格式：

my_matrix <- matrix(vector, nrow=5,ncol=5,byrow=TRUE/FALSE, dimnames=list(一个行名，一个列名)) #其中"一个行名"和"一个列名"用字符型向量生成e.g.①rnames<-("R1","R2")②cnames<-("C1","C2") ③dimnames=list(rnames,cnames)#rnames即为"一个行名"，cnames即为"一个列名"

创建了一个5*5的矩阵，元素在vector中到时候替换即可，byrow代表按行存储还是按列TRUE就代表按行存储，dimnames包含了可选的、以字符型向量表示的行名和列名。

例如

>test_matrix<-matrix(1:20,nrow=5,ncol=4)#创建5*4矩阵,因为没有设置byrow=TRUE所以矩阵默认按列生成 > test_matrix [,1] [,2] [,3] [,4] [1,] 1 6 11 16 [2,] 2 7 12 17 [3,] 3 8 13 18 [4,] 4 9 14 19 [5,] 5 10 15 20    > cells <-c(1,26,24,68) > rnames<-c("R1","R2") > cnames<-c("C1","C2") > new_matrix<-matrix(cells,nrow=2,ncol=2,byrow=TRUE,dimnames = list(rnames,cnames)) #创建2*2的含列名标签的按行填充的矩阵 > new_matrix C1 C2 R1 1 26 R2 24 68 > new_matrix<-matrix(cells,nrow=2,ncol=2,byrow=FALSE,dimnames = list(rnames,cnames)) #按列填充的2*2矩阵 > new_matrix C1 C2 R1 1 24 R2 26 68

x[i,]指矩阵x中的第i行，x[,j]指矩阵x中的第j列，x[i,j]指第i行第j列的元素，选择多行或多列时可用数值型向量如x[i,c(m,n)]为第i行第m,n列的元素

与矩阵相关的函数dim() 返回维度属性，几行几列 > dim(test_matrix) [1] 5 4 test_matrix为5行4列的矩阵 attribues()#返回一个列表，第一个元素为dim元素即一个包含dim元素的向量 > attributes(test_matrix) $dim [1] 5 4

矩阵还可以通过对已有向量添加维度属性来创建 > existing_vextor<-1:10 #已存在向量 > existing_vextor [1] 1 2 3 4 5 6 7 8 9 10 > dim(existing_vextor)<-c(2,5)#对exising_vecor的dim属性进行了赋值，相当于把向量转化为x行x列的矩阵 > existing_vextor [,1] [,2] [,3] [,4] [,5] [1,] 1 3 5 7 9 [2,] 2 4 6 8 10

还可以通过绑定行或列来生成 cbind()#绑定列来生成矩阵 rbind()#绑定行来生成矩阵 > a<-1:4 > b<-5:8 > cbind(a,b) a b [1,] 1 5 [2,] 2 6 [3,] 3 7 [4,] 4 8 > rbind(a,b) [,1] [,2] [,3] [,4] a 1 2 3 4 b 5 6 7 8

2.4数组

维度大于2时就不建议使用矩阵了，建议使用数组。

使用array()函数创建，形式如下

this_is_a_array<-array(vector,dimensions,dimnames)

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、各个维度名称标签的列表。

#创建一个三维(2*3*4)数值型数组 > name1<-c("A1","A2") > name2<-c("B1","B2","B3") > name3<-c("C1","C2","C3","C4") > this_is_a_array<-array(1:24,c(2,3,4),dimnames=list(name1,name2,name3)) > this_is_a_array , , C1 B1 B2 B3 A1 1 3 5 A2 2 4 6 , , C2 B1 B2 B3 A1 7 9 11 A2 8 10 12 , , C3 B1 B2 B3 A1 13 15 17 A2 14 16 18 , , C4 B1 B2 B3 A1 19 21 23 A2 20 22 24

#选取元素方式与矩阵相同，this_is_a_array[1,2,3]对应15

2.5数据框

从结构上来看，与矩阵是相似的。由于不同的列可包含多种数据类型，数据框较矩阵更加一般。在R中非常常用。之前的那个表由于包含了数值型和字符型数据等不同种数据，不能使用矩阵，这种情况下(存储表格数据)，使用数据框是最佳选择。

使用data.frame()函数创建数据框

this_is_a_dataframe<-data.frame(col1,col2,col3,…)

列向量col1,col2,col3,…可为任意类型(如字符型，数值型或逻辑型)。但列向量类型必须唯一

> ID<-c(1,2) > age<-c(18,19) > sex<-c("male","female") > department<-c("COI","COB") > admit_time<-c('9/1/2015','8/31/2015') > student_data<-data.frame(ID,age,sex,admit_time,department) > student_data ID age sex admit_time department 1 1 18 male 9/1/2015 COI 2 2 19 female 8/31/2015 COB > nrow(student_data)#返回行数 [1] 2 > NCOL(student_data)#返回列数 [1] 5

选取数据框中元素的方式有若干种，既可以使用前述下标记号student_data[2,3]，也可以直接指定列名 > student_data[1,2] [1] 18 > student_data[1:2] ID age 1 1 18 2 2 19 > student_data[c("sex","department")] sex department 1 male COI 2 female COB > student_data$age #'$age'表示student_data数据框中的变量age [1] 18 19

如果想生成sex与department的列联表 > table(student_data$sex,student_data$department) COB COI female 1 0 male 0 1

可能会注意到，每次都要在变量名之前添上student_data$不免麻烦，其实可以借助attach()、detach()函数或者单独使用with()函数来简化代码。 attach()函数可将数据框添加到R的搜索路径中，R在遇到一个变量名后，将检查搜索路径中的数据框，以定位到这个变量 attach(student_data)#当名称相同的的对象不止一个时会出现 The following objects are masked _by_ .GlobalEnv:#以下对象已被屏蔽 admit_time, age, department, ID, sex 的错误，原因是student_data被绑定前环境里已经有一个名为student_data的对象了。所以使用attach()函数最好在分析一个单独的数据框，且不太可能有重名对象的情况下。 summary(department) plot(sex,department) detach(student_data) detach()是个好习惯，虽然放在这里是可以忽略的。但习惯要有，就像malloc()和free()一样 with()函数->推荐 在不确定的情况下，with()函数在一些方面优于attach() > with(student_data,{ + stats<-summary(sex) + stats + }) female male 1 1 如果只有一条语句(如只有summary(sex))那么{}可以省略 with()函数的局限性在于赋值尽在大括号内有效，括号外就消亡了，所以是局部变量局部赋值而非全局赋值 > with(student_data,{stats<-summary(sex)}) > stats Error: object 'stats' not found 要想创建全局有效的变量与赋值，需要特殊赋值符"<<-"代替"<-"，如此可将stats保存为with()以外的全局环境中 > with(student_data,{stats<<-summary(sex)}) > stats female male 1 1 下面介绍实例标识符，用于区分数据集中不同的个体。可通过数据框操作函数row.names()指定。例如this_is_a_dataframe<-data.frame(col1,col2,col3，row.names=col2) 将col2指定为R中标记各类打印输出和图形中实例名称所用的变量 > plot(col2,this_is_a_dataframe$col3)

2.6因子

有开头的表格例子可以看出,在变量逻辑性质上可以将变量分为名义型、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，如"院系"中可以将信息学院编号为1，工学院编为2但并不意味着二者有序。
• 有序型变量则表示顺序关系，而非数量关系。如"年级"中的大一大二大三，大三已学的东西最多大二次之大一最少，然而并不知道学的到底差多少。
• 连续型变量可以呈现某个范围内的任意值，并同时表示了顺序和数量。如"年龄"可以表示18岁到22岁之间的任意值包括18.8或者21.5这样的小数。不像有序性变量大一大二，在连续型变量中我们可以清楚知道19岁比18岁大一岁

于是引出因子的概念，R中的因子即为类别（名义型）变量和有序类别（有序型）变量。因子决定了数据的分析方式以及如何进行视觉呈现。

函数factor()以一整数向量的形式存储类别值，整数的取值范围是[1…k]其中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。

例如

设向量college_department<-c("xinxi","gongxue","zhibao","xinxi") college_department<-factor(college_department)将此向量存储为(1,2,3,1) 并在内部将关联设为1=xinxi，2=gongxue，3=植保 现在针对college_deparment的分析均会以名义型变量对待。

如要表示有序型变量，需要为函数factor()指定参数ordered=TRUE grade<-c("freshman","sophomore","junior","senior","freshman") grade<-factor(grade,ordered=TRUE)会将向量编码为(1,4,2,3,1)，然而这并不是我们想要的顺序，原因是字符型向量因子按照字符串比较(先字母顺序再字符串长度)来分的顺序。我们可人为标号来保证顺序 grade<-c("4senior","3junior","2sophomore","1freshman","1freshman") 或者通过levels命令来覆盖默认顺序 grade<-factor(grade,ordered=TRUE,levels=c("freshman","sophomore","junior","senior")) 现在针对grade的分析均会以有序型变量对待。

给出示例 #以向量形式输入数据 > sex<-c("male","male","male","female","female") > college_department<-c("xinxi","gongxue","dongke","zhibao","xinxi") > college_department<-factor(college_department) > grade<-c("freshman","sophomore","junior","senior","freshman") > grade<-factor(grade,ordered=TRUE,levels=c("freshman","sophomore","junior","senior")) > ID<-c(1,2,3,4,5) > age<-c(18,19,20,21,17) > student_data<-data.frame(ID,sex,age,college_department,grade) #显示对象的结构 > str(student_data) 'data.frame':        5 obs. of 5 variables: $ ID : num 1 2 3 4 5 $ sex : Factor w/ 2 levels "female","male": 2 2 2 1 1 $ age : num 18 19 20 21 17 $ college_department: Factor w/ 4 levels "dongke","gongxue",..: 3 2 1 4 3 $ grade : Ord.factor w/ 4 levels "freshman"<"sophomore"<..: 1 2 3 4 1 #显示对象的统计概要 > summary(student_data) ID sex age college_department grade Min. :1 female:2 Min. :17 dongke :1 freshman :2 1st Qu.:2 male :3 1st Qu.:18 gongxue:1 sophomore:1 Median :3 Median :19 xinxi :2 junior :1 Mean :3 Mean :19 zhibao :1 senior :1 3rd Qu.:4 3rd Qu.:20 Max. :5 Max. :21 #显示关系图表 > student_data ID sex age college_department grade 1 1 male 18 xinxi freshman 2 2 male 19 gongxue sophomore 3 3 male 20 dongke junior 4 4 female 21 zhibao senior 5 5 female 17 xinxi freshman

提示：

• str()函数提供R某个具体对象(示例中的student_data)的信息，示例中str函数就很清楚得显示出college_department是因子，grade是有序型因子，以及他们的编码顺序
• summary()区别对待各个变量，它显示了连续型变量age的最大值最小值均值以及各四分位数，对于类别型变量college_department和grade则显示了各水平的频数值。

再举一个例子

> a<-c("yes","yes","ok","no","no","maybe") > x<-factor(a) > x [1] yes yes ok no no maybe Levels: maybe no ok yes > table(x)#返回每个level出现的频率 x maybe no ok yes 1 2 1 2 > unclass(x)#移除一个向量的类型，此语句会将x变为一个整型向量，这个函数帮助你了解因子在R中是如何被编码的 [1] 4 4 3 2 2 1 attr(,"levels") #包含了名为levels的属性，level分为yes,no,maybe,ok [1] "maybe" "no" "ok" "yes" > xx<-factor(a,ordered=TRUE,levels=c("no","maybe","ok","yes")) > xx [1] yes yes ok no no maybe Levels: no < maybe < ok < yes > unclass(xx) [1] 4 4 3 1 1 2 attr(,"levels") [1] "no" "maybe" "ok" "yes" > xx<-factor(a,levels=c("no","maybe","ok","yes")) xx [1] yes yes ok no no maybe Levels: no maybe ok yes > unclass(xx)#如果不加ordered=TRUE内部编码不会变 [1] 4 4 3 1 1 2 attr(,"levels") [1] "no" "maybe" "ok" "yes"

2.7列表

非常重要的数据类型，形似向量，然而兼容性更好，可以包括若干不同类型的元素

> h<-c(18,18,18,19,17) > a_list<-list(1,2.5,"a",age=h,TRUE,4+26i) > a_list[[2]] [1] 2.5 > a_list[[4]] [1] 18 18 18 19 17 > a_list[["age"]] [1] 18 18 18 19 17 > a_list [[1]] [1] 1 [[2]] [1] 2.5 [[3]] [1] "a" $age [1] 18 18 18 19 17 [[5]] [1] TRUE [[6]] [1] 4+26i

双重方括号可以用来查找列表元素，而查找时不光可以使用元素顺序值，还可以使用名称(如果设定了的话，如age)