dataframe 控对象_DAUR/chap02_data_structure.md at master · KenLeeJ/DAUR · GitHub

2 R 语言基础操作

数据分析首先需要把数据输入或导入为特定的格式，即保存为特征的数据结构。本章首先介绍 R 中的5种基础数据类型：向量、矩阵、数组、数据框、列表以及两种特殊的数据类型：因子和 tibble。此后简单介绍向 R 中导入外部数据的多种方法，并罗列了 R 中处理数据的基础函数。

2.1 数据结构基础

R 中储存和操纵的实体(entity)可统称为对象(object)，其基础数据类型包括向量(vector)、矩阵(matrix)、数组(array)、数据框(data frame)和列表(list)，也可包括由这些实体定义的更一般性的结构(structures)。实体、对象和结构，以及 R 说明文档中经常涉及的“类”、“S3”、“S4”等，都是抽象的计算机术语，初学者可暂不必过分在意其“本质定义”，仅从功能性或操作性的视角加以理解即可。为便于理解，这里未从计算机程序语言的角度严格区分数据结构(data stucture)和数据类型(data type)这两个概念。其实，R 的开发者也未对两者之间的定义做出明确区分，并多用“数据结构”一词指代一般计算机程序中的“数据类型”，用于说明 R 中数据的储存形态、提取方式及相关的指定操作。因此，在本书中暂可将两者等同看待。

2.1.1 对象与赋值

新引入的对象通常需要进行赋值(assign)，即给对象“取名”。R 中规范的对象赋值符号使用箭头符号，但后者比较少用。箭头实际上表示赋值的方向，箭头所指处通常为对象名。例如

x

x

第一行语句表示生成10个服从标准正态分布$N(0, 1)$的随机数，并将其赋值为x，即储存为数据对象x。仅执行第一条语句并不能直接在 R 的控制台显示这一对象本身，需要像第二行那样输入对象名让 R 去调用这一对象，从而进行展示。由于是随机生成的，故重复这一代码会产生不同的结果。如想使结果具有可重复性，可使用set.seed()函数设定随机数种子数(seed)，相同的种子数总会产生相同的结果，但这一结果仅对set.seed()之后的第一条命令适用。

set.seed(1234)

y

y

注意上述命令中的参数(parameter)mean = 0, sd = 1其实可以省略，即写成rnorm(10)；或者写成rnorm(10, 0, 1)也可。因为rnorm()函数默认的参数取值与顺序就是如此。除非要设定其他均值或标准差，否则没有必要申明参数取值。

使用ls()函数可查看当前环境中的所有已赋值对象。ls是 list 的缩写。

ls()

而要移除(remove)某一对象，可使用rm()命令，rm是 remove 的缩写。

rm(x, y)

如要移除所有对象，可使用命令

rm(list = ls()) # 移除所有对象

ls() # 显示空对象时的结果

#号表示注释，注释掉的内容不会作为程序执行。结果显示character(0)，即不存在任何对象。rm(list = ls())经常用在新建某个工作任务的时候。若该任务未完成，要谨慎使用这一命令，否则会移除所有前期工作结果。

一般意义上，R 中最常见的基础数据类型包括：

数值型(numeric)，又可分为整型(integer)和双精度型(double)

逻辑型(logical)，取值只能为真(TRUE)或假(FALSE)

字符型(character)，夹在双引号("")或单引号('')之间的字符串(string)

此外还有一些特殊符号表示数据对象的特殊取值。

Inf，表示无穷大(infinity)，负无穷大表示为-Inf。如输入1/0即可显示Inf。

NA，缺失值(not available)。

NaN，表示不确定(not a number)，如0/0的结果即是NaN。

NULL，表示意义为空的对象。

要注意对包含NA值的变量施加任何运算，结果均为NA。

z

mean(z)

上述第一行命令生成一个由数字1、2、3和缺失值NA四个元素构成的数列(数值向量)。第二行命令表示对这一数据求均值(mean)。结果返回为NA，这是因为z中存在缺失值。若想在计算时剔除缺失值，仅对有具体取值的对象进行计算，可将mean()函数(及其他类似函数)中的na.rm =参数设定为TRUE。

mean(z, na.rm = TRUE)

下面具体介绍 R 中的基础数据结构，并在此基础上介绍 R 中两种特殊的数据结构：因子(factor)与 tibble。

2.1.2 向量

向量(Vector)是 R 中最简单的数据结构，它通常用来存储数值型(numeric)、字符型(character)或逻辑型(logical)数据，且一个向量只能存储一种类型的数据。向量使用c()函数进行创建，其中c表示 concatenate(联结、串联)，或者 combine。R 中不存在“标量”(scalar)，单个数字或字符串等所谓的标量其实是只含一个元素的向量。

vector_num

vector_char

vector_log

其中

字符型向量中的元素应放在引号(""或'')中

T与F是逻辑型数据TRUE与FALSE的缩写。多数情况下，T与TRUE、F与FALSE分别等价，故定义变量名时尽量不要使用这T和F这两个大写字母。但从规范性出发，宜尽量不要用缩写表示逻辑型数据。

c(1, 2, 3)与c(1:3)等价。还可使用类似vector_num

使用vector_name[]的形式可调用向量中的元素，[]中填入表示元素位置的整数。

vector_char

vector_char[2]

vector_char[2:3]

vector_char[c(1, 3)]

以上三种方式分别调用vector_char向量的第2个元素、第2到第3个元素、第1和第3个元素。

在 R 中，向量的长度(length)是指其所包含的元素个数，这可用函数length()判定。

length(vector_char)

可使用is.numeric()、is.character()、is.logical()命令来判断向量是否为指定类型。

is.numeric(vector_num)

is.character(vector_char)

is.logical(vector_log)

is.numeric(vector_char)

向量是 R 数据结构的基础。R 中的诸多函数都是向量化(vectorization)的，即对向量施加的运算会作用于该向量的每一个元素。前面命令中的y

x

x + 100

sqrt(x)

y

x > y

pmax(x, y)

其中

sqrt()表示求算术平方根(square root)

x > y给出逻辑向量，最左起第一个向量开始比较，检测相同位置上x中的元素是否大于y中的元素。

pmax(x, y)给出一个与所给向量中最长向量长度相等的向量，向量中的元素由相同位置所在向量的最大值组成，类似的还有pmin(),含义可自推。可尝试运行并修改以下内容,解释结果：

pmin(c(1:3),c(3:1),c(1,2,3))

pmin(c(1:3),c(3:1),c(3,2,1))

从中不难理解为什么 R 要求向量中的元素必须具备同样的模式，否则就无法进行向量化的运算。

另外，R 中的对象名称可以重复定义，最近一次赋值的对象会覆盖(即替换)原有对象，且不会有弹窗提醒。例如

x

x

x

x

x

x

尤其要注意x

2.1.3 矩阵

矩阵(Matrix)是仅包含同质数据的二维数据结构，可理解为许多同类型、等长度向量的组合。矩阵使用matrix()函数创建。

matrix_01

matrix_01

其中nrow = 参数用于设定行数(number of rows)，ncol = 参数用于设定列数(number of columns)。两者确定一个，即可确定矩阵的形式。

从matrix_01的结果可看出，matrix()函数中默认是以“按列填充”的方式排列数据的。若要按行填充，则可使用byrow = TRUE参数。

matrix_02

matrix_02

还可通过如下方式设置矩阵的维度名称，以增强矩阵的可读性。

cells

row_names

col_names

matrix_03

matrix_03

另可通过dim()函数对向量添加维度(dimention)属性创建矩阵。

vector_matrix

dim(vector_matrix)

vector_matrix

可使用matrix_name[,]的方式调用矩阵中的元素，逗号前填入行数，逗号后填入列数，若这两个位置中某个位置留空，则表示选择整行或整列数据。

matrix_04

matrix_04

matrix_04[2, ]

matrix_04[, 1]

matrix_04[4,2]

matrix_04[c(1, 3), 2]

最后一行命令使用了c(1, 3)的方式指定了多个不同行。

2.1.4 数组

数组(Array)是矩阵的拓展形式，同样只能存储同质数据，但可有2个以上维度。数组使用array()函数创建。这种形式的数据结构在初学期较少遇见。

以下命令可创建 $3 \times 2 \times 2$、且各维度均有命名的数组，并填充数字1到12。

dim1

dim2

dim3

array_01

array_01

同样也可通过对向量添加dim()属性来创建数组。

vector_array

dim(vector_array)

vector_array

数组中元素的调用方式与矩阵类似，可以array_name[,,]形式调用。

array_01[1, , ]

array_01[2, 1, ]

array_01[, , 2]

array_01[1, 1, 1]

2.1.5 数据框

数据框(Data Frame)是 R 里应用最多的数据结构，能存储不同类型的数据，可视为许多等长度(但类型可不相同)向量的组合，也可视为解除了存储数据类型限制的矩阵。数据框使用data.frame()函数创建。

以下命令可在 R 中创建一个学生信息数据框。

student_id

student_name

male

student_data01

student_data01

可通过row.names = 参数设定行标志符(case identifier)，即把每行的名称等同于某列中对应行的元素取值。试比较如下命令创建的student_data02与student_data01的显示结果。

student_data02

student_data02

当两个数据框行数相同时，可使用cbind()进行列合并(bind columns)，也可使用此函数将独立的向量合并到数据框中；当两个数据框列数相同且列名一一对应时，可使用rbind()进行行合并(bind rows)。

先看cbind()的示例。

age

cbind(student_data01, age)

再看rbind()的示例。

rbind(student_data01, data.frame(student_id = 5, student_name = "a005", male = TRUE))

上例中临时创建了未命名的数据框，将其合并到了已有数据框student_data01中。

在数据框内，列表示变量名(variables)，行表示观测值(observations)。此后行文中，列与变量、行与观测分别同义，可替换使用。

与矩阵类似，可使用dataframe_name[,]的形式来读取数据框中的元素。

student_data01[2:3]

student_data01[1, ]

student_data01[, 1]

student_data01[1, 2]

也可使用美元符号$提取数据框中的列。

student_data01$student_id

student_data01$male

还可使用双方括号[[]](通常也简写成[[)的形式提取元素。使用[[]]时，首先提取数据框中下一层级的元素(即列)，还可在[[]]后附加[]提取再下一层级的元素(即向量中的基础元素)。请看下例。

student_data01[[2]]

student_data01[[2]][3]

[[]]的链式提取功能可便于复杂数据结构中的元素提取。

在某些时候，使用绑定函数attach()和解绑函数detach()可以让命令变得简单。绑定后可省略数据框名进行框内数据访问。若同时绑定多个数据框，涉及重名的变量以最近一次绑定的数据框中的变量为准。在真实的数据处理中，应避免过多使用这种方式绑定数据框。

attach(mtcars)

mpg

detach(mtcars)

如果未绑定mtcars数据框，则会出现如下错误提示：

mpg

Error: object 'mpg' not found

另外，可使用with()和within()绑定数据框，前者只可绑定但不可修改数据框，后者则可绑定并修改的数据框。

with(data, {expr, ...})

within(data, {expr, ...})

使用with()命令时，左括号(后写入数据框名，待实现的命令需放在{}中，可分行写入不同命令。注意此时一般应保存命令结果或使用print()输出单行命令的结果，否则默认输出最后一行命令。

with(mtcars, {

print(summary(mpg))

plot(mpg, wt)

})

其中

summary()函数用于输出变量的描述统计结果，分别是(括号中为输入结果中对应的英文)最小值(Min)、第一四分位数(1st Qu)、中位数(Median)、均值(Mean)、第三四分位数(3rd Qu)和最大值(Max)。

plot()函数用于绘制两个变量之间的散点图(scatterplot)。

试比较：

with(mtcars, {

summary(mpg)

plot(mpg, wt)

})

此时结果中并没有输入summary(mpg)的结果。

within()命令的用法与with()类似，但可修改数据框，但应注意保存操作结果。

mtcars_new

high

high[mpg >= median(mpg)]

high[mpg < median(mpg)]

})

high

high[mpg >= median(mpg)]这种方括号的用法在 R 的数据框操纵中非常常见，在此[]表示特定的条件。若其对应的mpg大于等于中位数，则将high赋值为TRUE；反之赋值为FALSE。

最后可用head()命令观察增加新变量的数据框的前 6 行。

head(mtcars_new)

此例实际上给出了 R 中为指定数据框新增变量的基本方法。

2.1.6 列表(List)

列表是 R 中最复杂的数据类型，可包含任何类型的数据，包括向量、矩阵、数组、数据框，还可嵌套包含其他列表，各成分的元素性质与长度可不统一。列表使用list()函数创建，并可以为列表内项目命名。

a

b

c

d

list_01

上述命令创建了包含向量、矩阵、数组和数据框的列表，并将列表中下一层级的数据分别命名为 name_01至 name_04。

list_01

列表同样可使用[[或$符号进行内部元素的提取。

list_01[[2]]

list_01[[2]][2]

list_01$name_01

在知道列表内部元素的命名时，使用$提取是较为方便的。否则，使用双方括号的形式提取可能更有通用性。

使用str()可展示列表(及其他数据类型)的结构。

str(list_01)

通过这一命令可了解某些复杂结构的数据对象。以下命令给出了mtcars数据中以wt为自变量，建立mpg与wt之间的一元线性回归方程模型后，R 中保存的拟合模型(此处命名为fit)的数据结构信息。

fit

summary(fit)

str(fit)

str(fit)的具体内容此时暂不必深究，仅供了解数据结构使用。R 中诸多统计模型的命令结果均储存为列表，若要提取其中某些元素，宜先用此命令检视其数据结构。

2.1.7 因子

一般数据分析中称为类型变量(categorical data)的数据 ，在 R 中都以因子(Factor)的形式储存。类型变量依测量水平高低又可分为定类(nominal level，又译称名尺度)和定序(ordinal level，又译顺序尺度)两种类型，前者只有类别属性之分，如通常意义上的颜色(非光谱学意义上)、性别、种族等，后者则有程度大小之别，如年级、以优良中差等方式标注的等级成绩，以及以满意、中立、不满意等方式呈现的满意程度等。前者可称为无序因子，后者可称为有序因子(ordered factor)。

抽象地讲，因子是建立在整型(integer)向量基础上、只能包含预先定义数值的向量，它具有不同的水平(levels)，用于表示因子的所有可能取值。因子和水平的翻译，已经熟悉实验设计或方差分析的用户应该并不陌生，但对完全不熟悉相关统计方法的用户可能需要适应这种翻译生硬、但又约定俗成的做法。因子可使用factor()函数创建，其用法如下

factor(x, levels = , labels = levels, ordered = , ...)

其中

x表示待因子化的向量

levels表示因子的取值(水平)

labels表示因子的取值标签(默认等同于因子水平本身)

ordered用于设定有序因子

其他参数请使用?factor命令查看

以下通过示例说明factor()函数的用法。

factor_01

factor_01

mode(factor_01)

as.numeric(factor_01)

levels(factor_01)

从结果中可看出，R 自动将因子factor_01存储为向量(1, 2, 2, 1)的形式，其中female = 1, male = 2，这实际是按变量取值的字母序进行赋值，即确定其水平的排序。使用levels()命令可查看因子型数据的具体取值。mode()命令详见下文。

若要指定因子水平的特定顺序(非字母序)时，可使用factor()中的levels =参数进行设定。

factor_02

levels(factor_02)

针对定序数据，可能需要指定因子的取值排序，使之成为有序因子。此时需使用参数ordered = TURE加以设定。

grade_01

levels(grade_01)

as.numeric(grade_01)

grade_02

factor(

c("freshman", "sophomore", "junior", "senior"),

levels = c("freshman", "sophomore", "junior", "senior"),

ordered = TRUE

)

levels(grade_02)

as.numeric(grade_02)

对于数值型向量，进行因子化时可采用labels参数进行设置。

gender

gender_factor

gender_factor

levels(gender_factor)

需要说明的是，R 在读入外部数据并转为数据框的过程中，默认将所有字符型变量转化为了因子数据加以储存。这对于早期的计算机具有节约内存的效果，但对当下的计算机硬件性能而言，这种优势已几乎不复存在。因此，许多后起的 R 包在读入外部数据，不再默认对字符型变量进行因子化，具体宜参考其说明文档加以识别。

2.1.8 tibble

tibble 并不是 R 自有的数据类型。它是 Hadley 等人在数据框函数data.frame()基础上衍生的一种扩展性数据框。它本质就是一种数据框，但在显示形式上更加人性化，应用更加方便，可存储任意类型数据。tibble 暂无明确的中文翻译，这里直接使用英文(通常缩写为 tbl)。此类型数据依赖于 tibble 包(需自行安装)，可使用其中tibble()函数创建。向量、矩阵和数据框均可通过as_tibble()函数转换为 tibble。

以下示例假定已安装 tibble 包或 tidyverse 包。

library(tibble)

tbl_01

tbl_01

可以看到 tibble 类型的数据框列名下标示出此列数据类型的缩写，这是它不同于传统数据框的一个特征。同时，在显示 tibble 时，首先给出该 tibble 的维度(行数 $\times$ 列数)。tibble 定义了7种数据类型的缩写：int(integer，整型)、dbl(double，双精度)、chr(character ，字符型)、dttm(date + time，日期 + 时间)、lgl(logical，逻辑型)、fctr(factor，因子)、date(日期)。

对于较长的数据框，tibble 默认只显示前10行(相当于head(x, 10)的效果)，并给出剩余的行数；其显示的列数则视显示窗口的大小而自动调整。这有利于简洁列示大型数据框的基本信息。

mtcars_tibble

mtcars_tibble

再看一个较大的数据框，以cgss2013.dta为例 ^[cgss2013是中国综合社会调查(Chinese General Social Survey，CGSS)2013年数据的简称，数据储存为.dta格式，即 Stata 格式。中国综合社会调查始于2003年，是我国最早的全国性、综合性、连续性学术调查项目。该系列数据可从CGSS官网注册后下载。]进行。这里使用 haven 包中的read_dta()函数读入。读入后自动转为 tibble。

library(haven)

cgss2013

length(names(cgss2013))

names()用于列示数据框中的所有变量名，length()用于显示其长度，即变量个数。结果显示有722个。若将所有变量与数据进行展示，无疑会占据很大的屏幕空间，多数情况下不是必要的。tibble 可根据屏幕宽度自动调整，并只显示前10行，然后给出相关信息。

cgss2013

tibble 本身即是数据框，但具有普通数据框不具备的特征；然而又不是所有的数据框都是 tibble。这一点从以下命令中可以看得很清楚。

is.data.frame(mtcars_tibble)

is_tibble(mtcars_tibble)

is_tibble(mtcars)

其他关于 tibble 的更详细特征，可参见其说明文档：

2.2 读写外部数据

R 很少作为一个数据输入软件，通常只作为一个数据分析软件。这里简单介绍在 R 中直接输入数据的方式，重点在于说明如何导入外部数据。限于本书的篇幅与定位，这里仅说明如何导入常用的、且以数据框形式存在的数据。

导入这些外部数据通常需要安装其他相关 R 包。常用的包有：

foreign 包，R 默认安装，可导入 SPSS、Stata、SAS 格式的数据

Hmisc 包，可导入 SPSS、Stata、SAS 格式的数据

openxlsx 包，可导入 Excel 格式数据

Hadley 开发的 R 包，如 haven 等，可导入各类数据

sas7bdat 包，可导入 SAS 格式数据

memisc 包，可导入 SPSS、Stata 格式数据

这里择要进行介绍。以下假定读者已安装各相关 R 包。

2.2.1 直接输入数据

使用 R 内置的文本编辑器，可以弹出类似 Excel 的数据输入的朴素界面，通常在数据较少时使用。R 中的函数 edit() 会自动调用一个可手动输入数据的文本编辑器。步骤如下：

创建一个空数据框(或矩阵)，其中变量名和变量的模式要与理想中的最终数据集一致

针对此数据对象调用文本编辑器，输入数据并将结果保存回此数据对象中

例：创建一个名为data的数据框，它含有三个变量：age(数值型)、 gender(字符型)和weight(数值型)。

data

data

调用 edit() 函数后结果如图2.1。

单击列的标题，可以修改变量名与变量类型

单击未使用的标题可以添加新的变量

编辑器关闭后，结果会保存到之前赋值的对象中。

应注意 edit() 是在数据对象的副本上进行操作的。若未将其赋值到到原有对象中，所有修改并不会自动保存。如想直接在原始对象中修改并保存，可使用fix()命令，它同样可弹出数据编辑窗口，修改后直接保存至原数据对象。

2.2.2 导入文本格式数据

read.table()函数

纯文本文档数据，可用 read.table() 函数，语法如下

file

其中

xxx.txt表示待读取的文件名

header = TRUE表示将数据第一行读为变量名(默认选项)，header = FALSE表示不将数据第一行读为变量名，若数据无变量名，则会自动以V1、V2等依次来命名

sep = ""表示分隔符，引号中可填入空格(即""，两个引号之间有一个英文空格)、回车符(\r)、换行符(\n)、制表符(\t)等

...表示其他参数，具体可使用?read.table()查询

read.delim()函数

类似的函数还有read.delim()，语法如下

read.delim(file, header = TRUE, sep = "\t", ...)

在sep = 后输入其他符号，可以导入不同分隔符的文本数据。

scan() 函数

读取数据时，scan() 函数可以指定输出变量的数据类型，输出形式可以是向量、矩阵、数据框、列表等。语法如下

scan(file = "", sep = "", ...)

其中

file 表示文件名(在""之内)

sep = ""用于指定分隔符

有关其他参数说明，请参考 ?scan()

read.csv()函数

csv文档可理解为特殊格式的txt文档，其后缀名为.csv，意为逗号分隔值(comma separated values)，是常见的通用文件格式，也是跨系统储存数据时的最常见文件格式之一。它可直接使用read.csv()函数读取，语法如下

file

其中，

xxx.csv表示待读取的文件名

...表示其他参数，形式同read.table()函数，具体也可使用?read.csv()查询

2.2.3 导入 Excel 格式数据

对已安装 Office 软件的用户，推荐先将 Excel 文件导出为csv文件，再使用read.csv()导入。如想直接导入 Excel 格式数据，通常需要安装相关 R 包。

如果已经安装了 Java 环境的用户，传统上可通过安装 xlsx 包来导入 Excel 数据。对 Windows 用户，Java 环境并非默认安装，需自行下载安装，稍显繁琐。现在，也可使用 openxlsx 包中的read.xlsx()函数来实现同样功能，此包无须安装 Java 环境，值得推荐。用法如下

library(openxlsx)

file

其中， sheet = 1表示读入第一个表单的数据，可通过输入不同数字或表单名来指定要读入的表单。

2.2.4 导入 SPSS 格式数据

通过 foreign 包中的read.spss()函数可以导入相关文件，foreign 包已默认安装，但使用时仍需调用。

library(foreign)

file

read.spss("xxx.sav",

use.value.labels = TRUE,

to.data.frame = FALSE,

...)

其中，

xxx.sav表示文件名

file, use.value.labels = TRUE表示默认读入原始文件中的标签

to.data.frame = FALSE默认不将数据读为数据框而是列表，一般宜设置成to.data.frame = TRUE

Hmisc 包中的函数 spss.get() 导入 SPSS 格式数据时，默认转为数据框。

libiary(Hmisc)

file

spss.get("xxx.sav",

use.vaule.labels = TRUE,

to.data.frame = TRUE)

2.2.5 导入 Stata 格式数据

导入 Stata 12 及以下数据

foreign 包中的read.dta()函数可导入 Stata 12 及以下版本的数据，语法为

library(foreign)

read.dta("xxx.dta")

但对 Stata 13 及以上版本，此函数无效。

导入 Stata 13及以上数据

使用 readstata13 包中的函数read.dta13()，语法如下

read.dta13("xxx.dta", convert.factors = TRUE, ...)

有关 readstata13 包中其他函数以及有关各函数的参数说明请点击这里

2.2.6 Hadley 函数

Hadley Wickham开发的系列R包可灵活方便导入上述各种数据 ：

readr 导入csv、fwf 数据

readxl 导入 Excel数据(包括.xls和.xlsx型)

haven 导入SAS,SPSS,and Stata数据

httr 导入网页API(Application Programming Interface,应用程序编辑接口)数据

rvest 网页数据抓取

xml2 导入 XML文件

readr 包中的函数

readr 包提供诸多读取文本数据的函数，比 R 自带的函数一般而言速度更快，且直接转换为 tibble，而不是 data frame。其中几个主要的分别如下：

读取含有分隔符文件：

read_delim(file, delim, ...) ：可以指定分隔符的数据文件

read_csv(file, col_names = , ...) ：读取逗号分隔的数据文件

read_tsv(file, col_names = , ...) ：读取制表符分割的数据文件

read_table(file, col_names = , ...) ：读取空格分隔的数据文件

read_fwf(file, col_positions, ...)：读取固定宽度文件

read_log(file, col_names = , ...)：读取日志文件

read_lines(file, skip = , ...)：从文件中逐行读取数据

read_table()：读取表格文件

更多有关readr中的这些函数参数说明请点击这里

readxl 包中的函数

readxl 包提供了一些在 R 中读取 Excel 表格数据的函数(.xls 和 .xlsx 格式)。

read_excel() 函数用来读取 .xls/.xlsx 文件。语法如下

read_excel("xxx.xls", sheet = )

read_excel("xxx.xlsx", sheet = )

其中，

xxx.xls、xxx.xlsx表示文件名

sheet 表示 Excel 文件中表单号，默认为1

有关 readxl 包详细内容请点这里

haven 包中的函数

haven 包提供了读取 SPSS, SAS 和 Stata 统计软件格式数据的函数，分别如下

read_sas("xxx.sas")：读取 SAS 数据

read_sav("xxx.sav")：读取 SPSS 数据

read_dta("xxx.dta")：读取 Stata 数据

所有读入的数据自动转为 tibble 格式。

2.2.7 R 数据导出

一般只推荐导出为.csv等通用型的数据。使用 write.csv() 将数据导出为 .csv 文件。

write.csv(prac01, "prac01.csv")

csv 文件选择 Excel 打开另存为后即可导出 Excel 文档。

使用 haven 包中的write_sav()、write_dta()和wirte_sas()函数分别可导出为 SPSS、Stata 和 SAS 格式的数据，使用简单明了，这里不再说明。

2.3 实用基础命令

R 内置诸多功能丰富的基础函数，使用这些函数不需要先加载任何包，启动 R 后即可运行。这里粗略地分为数学函数、统计函数、向量计算函数、概率函数、逻辑与集合函数、类型判断与转换函数、日期格式函数、帮助函数、工作目录与工作空间函数、apply()族函数等类别进行介绍，并首先介绍了基本的算术运算符和逻辑运算符。部分函数的分类可能有所重叠。R 本身内置的文本数据分析函数、即字符串处理函数(string functions)，将在介绍 stringr 包时再行介绍。

如无特殊说明，以下举例中的x、y等均指向量。各函数用法在解释其基本功能后，易于理解者不再举例，复杂者再行举例说明。部分专业术语给出英文，方便记忆与对照。初学者宜花一定时间，尝试以下所有函数，以熟悉 R 的命令模式与函数风格。

如需了解更多 R 基础函数，可输入如下命令

help(package = "base")

2.3.1 算术运算符

运算符

功能

+

加/求和(sum)

-

减/求差(difference)

*

乘/求积(product)

/

除/求商(quotient)

^或**

求幂(乘方，power)，如5 ** 2的结果为25

x %% y

求余运算，如5 %% 2的结果为1

x %/% y

整除运算，如5 %/% 2的结果为2

2.3.2 逻辑运算符

运算符

功能

<

小于

<=

小于等于

>

大于

>=

大于等于

==

严格等于

!=

不等于

!x

非x

`x

y`

x & y

x和y

isTRUE(X)

测试x是否为TRUE

2.3.3 数学计算函数

函数名

功能

abs(x)

求绝对值(absolute value)

sign(x)

求数字向量x中各元素的“符号”(正数为1，负数为$-1$，0仍为0)，sign(-2:2)返回值为-1 -1 0 1 1

sqrt(x)

求算术平方根(square root)

max(x)

求x中元素的最大值

min(x)

求x中元素的最小值

sum(x)

求x中的元素之和，如sum(1:5)返回值为15

prod(x)

求x中元素的乘积(product意为乘积)，如prod(3, 4, 5)返回值为60

factorial()

求阶乘(factorial)，如factorial(10)返回值为3628800

diff(x)

求x中相邻元素之差

pmax(x, y)

求x，y在相应位置上元素的较大值

pmin(x, y)

求x，y在相应位置上元素的较小值

cummax(x)

求累计最大值(从左向右)，如cummax(c(3:1, 2:0, 4:2))返回值为 3 3 3 3 3 3 4 4 4

cummin(x)

求累计最小值(从左向右)，如cummin(c(3:1, 2:0, 4:2))返回值为 3 2 1 1 1 0 0 0 0

cummprod(x)

求x各元素的累积乘积值，如cumprod(1:10)返回值为 1 2 6 24 120 720 5040 40320 362880 3628800

cumsum(x)

计算x各元素的累加值，如cumsum(1:10)返回值为 1 3 6 10 15 21 28 36 45 55

ceiling(x)

求大于等于x的最小整数，如ceiling(3.14)返回值为4

floor(x)

求小于等于x的最大整数，如floor(3.14)返回值为3

trunc(x)

向0的方向截取x中的整数部分，如trunc(5.99)返回值为5

round(x)

将x舍入(round off)为指定数位的小数，如round(3.1415, digits = 2)返回值为3.14

signif(x)

将x舍入为指定数位的有效数字(significant figures)，如signif(3.1415, digit=2)返回值为3.1

choose(n, k)

求组合数，即 $C _n ^k$ 或 $ _n C _k $，如choose(10, 2)返回值为45

sin(x),cos(x),tan(x)

求x的正弦值、余弦值、正切值

asin(x),acos(x),atan(x)

计算x的反正弦、反余弦、反正切

sinpi(x),cospi(x),tanpi(x)

即为sin(pi*x)，cos(pi*x)，tan(pi*x)，如sinpi(1/6)返回值为0.5

sinh(x)

双曲正弦函数 $\sinh(x)$

cosh(x)

双曲余弦函数 $\cosh(x)$

tanh(x)

双曲正切函数 $\tanh(x)$

log(x, base=n)

对x取以 $n$ 为底的对数(logarithm)

log(x)

对x取以自然底数 $\mathrm{e}$ 为底的对数

log10(x)

对x取以10为底的对数

log2(x)

对x取以2为底的对数

log1p(x)

即 $\log_{\mathrm{e}} (1 + x)$,对 $1 + x$ 取以 $\mathrm{e}$ 为底的对数

exp(x)

指数函数(exponential function)，即 $\mathrm{e} ^ x$

expm1(x)

$\mathrm{e} ^ x - 1$

integrate(f, lower, upper)

求积分，f表示被积函数(integrand)，lower表示积分下限，upper表示积分上限

D(fun, "x")

求导函数，原函数fun通常使用expression()函数定义或直接输入

eval(D(fun, "x"))

求(设定x值后)指定点处的导数值，eval表示evaluate(计算)

2.3.4 统计计算函数

函数

功能

mean(x)

求均值，如mean(c(1, 3, 5, 7))返回值为4

median(x)

求中位数，如median(c(1, 3, 5, 7))返回值为4

range(x)

求最小值与最大值之差(range 在统计中常翻译为极差或全距，在数学中翻译为值域)

IQR(x)

求x的四分位差(interquartile range)

cor(x, y)

求x、y之间的相关系数

sd(x)

求标准差 (standard deviation，分母为 $n - 1$ )

var(x)

求方差(variance，分母为 $n - 1$)

quantile(x, probs)

求分位数，probs为一个由[0,1]之间的概率值向量，如求x的30%和84%分位点为quantile(x, c(0.3, 0.84))

scale(x, center = , scale = )

对x进行中心化(减去平均数，center = T)或标准化(减去平均数再除以标准差，scale = T)

2.3.5 向量操纵函数

函数

功能

length(x)

求x的长度，如length(c(1, 2, 3, 4))返回值为4

seq(from, to, by)

以by为步长生成从from到to的等差数列，如seq(1, 10, 2)返回值为1 3 5 7 9

rep(x, times = , each = , len = )

重复x，times控制向量整体的重复次数，each控制每个元素的重复次数，len控制输出长度

gl(n, k, labels = c() )

产生因子向量，其中n表示因子的水平数，k表示每一水平下的取值次数，labels = c()用于输入水平取值的标签

cut(x, n)

将连续型向量x分割为有着 $n$ 个水平的因子

pretty(x, n)

创建美观分割点。选取 $n + 1$ 个等距分割点，将连续型向量x分割为 $n$ 个区间

colSums(x)

求列总和，x为数值型矩阵、数组或数据框

rowSums(x)

求行总和，x为数值型矩阵、数组或数据框

colMeans(x)

求列均值，x为数值型矩阵、数组或数据框

rowMeans(x)

求行均值，x为数值型矩阵、数组或数据框

duplicated(x)

求向量或数据框的重复元素中的下标较小元素，并返回逻辑向量指出哪些元素重复

unique(x)

删除x向量、数据框或数组中重复的元素，如unique(c(1, 2, 2, 4, 5, 4, 6))返回值为1 2 4 5 6

table()

制作频次表(frequency table)或列联表(contingency table)

rev(x)

对x中元素取逆序(reverse order)排列

sort(x, decreasing = FALSE)

对向量x进行升序排序，若设置decreasing = TRUE则进行降序排序

order(x)

将x中元素下标按升序排列，如order(c(20, 4, 13, 9))返回值为2 4 3 1

rank(x)

求秩(即排序位置)，返回该向量中对应元素的大小位置排序，如rank(c(20, 4, 13, 9))返回值为4 1 3 2

需要说明的是rank()与order()这两个“排序”函数之间的区别。rank()给出了向量的排序位置(默认从小到大)，这在直觉上是易于理解的。然而order()函数的结果却有些晦涩。试看下例。

x

rank(x)

至此并未有任何难解之处。麻烦在于理解order()的结果。

order(x)

如何理解结果中2 4 3 1与原向量c(20, 4, 13, 9)之间的对应关系呢？实际上，这里的2 4 3 1是指，若对原向量进行升序排序，则该向量中的第2个元素(4)应当排在第1位，第4个元素(9)应当排在第2位，第3个元素(13)应当排在第3位，第1个元素(20)应当排在第4位。也就是说，这里的2 4 3 1实际是标志着原向量中各元素的位置下标，并将其重新升序排列，表示第2个元素应当排在第1位，依次类推。这正是order()这一函数的本意：给出重新排列后，各元素应当具有的大小顺序关系，且这一顺序以原元素的位置下标予以体现。

比较如下两行命令，可更好地理解上面的说明。

x[order(x)]

sort(x)

两者结果相同。其实x[order(x)]的意思正是把x向量中的元素，按照其“应当出现的位置”(由order(x)提供)重新排列。

再看其在数据框的变量排序中的应用。

attach(mtcars) # 绑定数据框

mtcars[order(cyl), ]

这里的order(cyl)出现在行标的位置，意指让cyl(气缸数)最少者排在最前的行，逗号后留空表示所有其他列依前面的排序规则重新排序。

若要对多列取值进行排序，在order()中用逗号隔开即可，按括号中各列的先后次序进行排序。例如

mtcars[order(cyl, -mpg), ]

detach(mtcars) # 解绑数据框

另外，colSums (x)、rowSums (x)、colMeans(x)和rowMeans(x)这四个函数其实是一类，都是 R 向量化运算的一种体现，用于分行或分列求和或求均值。默认不移除缺失值，如需移除需对na.rm =参数加以设定(以colSums()为例)

colSums(x, na.rm = TRUE)

2.3.6 集合与逻辑函数

函数

功能

intersect(x, y)

求x、y的交集(intersect)

union(x, y)

求x、y的并集(union)

setdiff(x, y)

求x、y的差集(x - y，要求y是x的真子集，否则结果显示零个元素)

setequal(x, y)

判定x、y是否相等(所有元素相同)

all()

给定一组逻辑向量所有值是否为真

any()

给定一组逻辑向量是否有一个值为真

which()

返回x为真值的位置下标，如which(c(T, F, T))返回值为1 3

ifelse(cond, statement1, statement2)

若cond(条件)为真，则执行第一个语句；若cond为假，则执行第二个语句

%in%

匹配函数，详见说明

match(x, table)

匹配函数，详见说明

%in%是常用的匹配函数，其结果返回一组逻辑向量，x %in% y给出向量x中每个元素是否为向量y中的元素。x与y的长度不一定相同，但x %in% y结果向量的长度与x的长度相同。例如

x

y

x %in% y

y %in% x

match()的功能与此类似，但较不易理解。match(x, y)返回值为x各元素与y中相匹配的元素在y中的位置信息，没有相匹配的元素则返回NA。试看下例

x

y

match(x, y)

通常使用%in%函数更为便捷，也较易理解。

2.3.7 概率函数

此处所谓的概率函数并不是严格的定义，而泛指涉及概率计算的函数。R 中的概率函数包括四大类型

d：密度函数(density function)，给出密度函数值

p：(累积)分布函数(distribution function)，给出 $P(X \leqslant q )$ 的概率值，此处的p即表示概率(probability)

q：分位数函数(quantile function)，给出 $P(X \leqslant q) = p$的q值(分位数值)，此时 $p$ 需要指定

r：生成服从特定分布的随机数(random digits)

这四个字母加上不同的分布名称的缩写，即可完成相应的功能。例如

函数

功能

dnorm(x, mean = , sd = )

给出指定正态分布的对应密度函数值

pnorm(q, mean = , sd = )

给出指定正态分布中 $P(X \leqslant q)$ 的概率值

qnorm(p, mean = , sd = )

给出指定正态分布中使得 $P(X \leqslant q) = p$ 的$q$值

rnorm(n, mean = , sd = )

给出 $n$ 个服从指定参数的正态分布随机数

下面以正态分布为例进行说明。

设$X \sim N(10, 2)$，求

$P(X \leqslant 12)$

$P(X \geqslant 13)$

$P(9 < X < 12.5)$

$P(X \geqslant q = 0.95)$，求 $q$

解法如下

pnorm(12, 10, 2)，给出$P(X \leqslant 12)$的值，即0.8413447

1 - pnorm(13, 10, 2)或pnorm(13, 10, 2, lower.tail = FALSE)，给出$P(X \geqslant 13)$ 的值，即0.0668072

pnorm(12.5, 10, 2) - pnorm(9, 10, 2) 给出$P(9 < X < 12.5)$的值，即0.5858127

qnorm(0.95, 10, 2)给出符合$P(X \leqslant q = 0.95)$的 $q$ 值，即13.28971

此处需要说明两点

对于连续型分布，从概率计算角度而言$P(a \leqslant X \leqslant b)$中的等于号是否取到不必计较

mean和sd的字样可省略，直接输入数值；若在上述相关命令中不指定mean与sd，则默认为标准正态分布，即$N(0, 1)$

由此，生成10个服从标准正态随机数的命令如下

rnorm(10, 0, 1) # 或简单地 rnorm(10)

由于未设定随机数种子数，不同人演示的结果可能各不相同。

其他分布的概率计算与正态分布相似，只是在d、p、q、r后代入各自分布的名称即可。当然，命令中的具体参数需要参阅其帮助文档。

R 中概率分布名称的缩写如下

分布名称

缩写

二项分布(binomial distribution)

binom

多项分布(multinomial distribution)

multinom

正态分布(normal distribution)

norm

几何分布(geometric distribution)

geom

超几何分布(hypergeometric distribution)

hyper

负二项分布(negative binomial distribution)

nbinom

对数正太分布(log normal distribution)

lnorm

卡方分布(chi-squared distribution)

chisq

F 分布

f

指数分布(exponential distribution)

exp

Gamma 分布

gamma

Beta 分布

beta

泊松分布(poisson distribution)

pois

t 分布(student distribution)

t

均匀分布(uniform distribution)

unif

Logistic 分布

logis

柯西分布(Cauchy distribution)

cauchy

Wilcoxon 符号秩分布

signrank

Wilcoxon 秩和分布

wilcox

Weibull 分布

wilbull

以下再以二项分布为例进行说明。若有随机变量 $X \sim B(10, 0.2)$，则

rbinom(5, 10, 0.2)输出5个服从 $B(10 ,0.2)$ 分布的随机数，其格式为rbinom(n, size, prob)，其中n表示输出随机数个数，size表示二项试验的总次数，prob表示每次试验成功的概率。

dbinom(4, 10, 0.2)求出 $P(X = 4)$ 的概率值，即 0.08808038

pbinom(4, 10, 0.2)求出 $P(X \leqslant 4)$ 的概率值，即0.9672065

qbinom(0.9672065, 10, 0.2)表示求出 $P(X \leqslant q) = 0.9672065$ 的$q$值，即4

其余不再一一举例。

2.3.8 数据对象操纵函数

函数

功能

length()

显示对象中元素的个数

dim()

显示某个对象的维度

str()

显示某个对象的结构

class()

显示某个对象的类

mode()

显示某个对象的模式

names()

显示某对象中各元素的名称

head()

列出某个对象的开始部分

tail()

列出某个对象的最后部分

ls()

显示当前工作空间中的所有对象

rm(A, B, ...)

删除一个或多个对象，语句rm(list = ls())将删除当前工作环境中的所有对象

newobject

编辑对象并另存为新对象

fix(object)

直接编辑对象，关闭后自动保存改动至原对象

cbind()

根据列进行合并，要求所有的行数相等

rbind()

根据行进行合并，要求所有的列数相等

rownames()

修改行数据框行变量名

colnames()

修改行数据框列变量名

exists()

寻找给定名称的 R 对象

2.3.9 类型判断与转换函数

判断

转换

is.numeric()

as.numeric()

is.character()

as.character()

is.vector()

as.vector()

is.matrix()

as.matrix()

is.data.frame()

as.data.frame()

is.factor()

as.factor()

is.logical()

as.logical()

2.3.10 日期函数

符号

含义

示例

%d

数字日期(0~31)

01~31

%a

缩写星期名

Mon

%A

非缩写星期名

Monday

%m

月份(00~12)

00~12

%b

缩写月份

Jan

%B

非缩写月份

January

%y

两位数年份

07

%Y

四位数年份

2017

2.3.11 帮助函数

函数

功能

help(package = "package_name")

输出某个包的简短描述以及包中所有函数与数据集列表

help.start()

打开帮助文档首页

help("xxx")或?xxx

精确搜索，查看函数xxx的帮助文档(引号可以省略)

help.search("xxx")或??xxx

模糊搜索，以xxx为关键字搜索本地帮助文档

example("xxx")

函数xxx的使用示例(引号可以省略)

RSiteSearch("xxx")

以xxx为关键字搜索在线文档和邮件列表存档

apropos("xxx", mode = "function")

列出名称中含有xxx的所有可用函数

data()

列出当前已加载包中所含的所有可用示例数据集 、

vignette()

列出当前已安装包中所有可用的 vignette 文档，即扼要说明文档

vignette("xxx")

以xxx为主题显示指定的 vignette 文档

2.3.12 工作目录与工作空间函数

函数

功能

getwd()

显示当前的工作目录

setwd()

设定当前工作路径

install.packages()

下载和安装 R 包

update.packages()

更新已经安装的 R 包

load("")

读取 R 格式数据(.RData)

library()

载入已安装的包

require()

将会根据包的存在与否返回TRUE或FALSE

options()

显示或设置当前选项

save()

保存指定对象

q()

退出 R

dir()

返回文件名、目录名或文件夹名称

dirname()

返回路径中的目录部分

dir.creat()

建立新目录

history()

显示最近使用过的命令(默认值为25)

savehistory()

保存命令历史文件(默认为.Rhistory)

loadhistory()

载入一个命令历史文件(默认为.Rhistory)

save.image()

保存工作空间到文件中(默认值为.RData)

source()

执行包含在文件中的 R 语句命令集合

download.file()

下载文件

file.path()

拼接目录字符串

file.choose()

返回可选择文件位置的对话框

file.copy()

复制单个文件

file.create()

返回创建的文件的句柄后，状态就是打开状态

file.remove()

删除指定文件

file.rename()

文件或目录的重命名

file.exists()

检查文件或目录是否存在

file.info()

查看当前或指定目录完整信息

.libPaths()

能够显示库所在的位置 、

此处附加说明两个常用函数：options()和require()。

·options()·函数常用来设置 R 的结果显示，涉及的参数、功能及默认值很多，可用·?options·查看。这里只说明两个参数

digits =，用于控制小数位

scipen =，用于控制科学计数法(scientific notation)显示

先看digits = 的使用。

x

x

options(digits = 3)

x

再看scipen = 的使用。其中sci表示科学计数法，pen表示penalty，通常译为惩罚因子，实质就是一个用于设定显示方式的临界值。=号后输入整数，超过此整数位则使用科学计数法，否则呈现所有数位。

factorial(20)

options(scipen = 100)

factorial(20)

require()函数也常用来加载 R 包，相当于library()。两者的不同在于，require()某个包之后，若发现未安装此包，则 R 会出现警告信息(warning message)，但 R 仍将继续运行后续命令；而library()了某个不存在的包后，则会出现错误信息(error message)，R 将停止执行后续命令。

例如

require(abcd)

试比较

library(abcd)

## Error in library(abc) : there is no package called ‘abc’

但有一种情况中，使用require()是比较方便的。

if (!require(dplyr)) install.packages("dplyr")

其含义是：若加载 dplyr 包时发现没有安装此包，则先行安装再加载。这对于不确定是否安装该包的用户进行代码演示时较为方便。

2.3.13 apply族函数

在 R 中，apply族函数apply()、lapply()、sapply()、tapply()等形式。前三者可将某一函数“应用”(apply)于矩阵、数组、数据框和列表的任一维度，tapply()则经常作用于因子数据以进行分组统计。

apply()

apply()函数只能作用于数组或矩阵，要求所有数据具有相同类型。使用语法为

apply(x, MARGIN, FUN)

其中

x是数据对象

MARGIN是维度下标，1表示行，2表示列，c(1, 2)表示行与列

FUN是指定函数

这里采用虚拟数据进行演示。

set.seed(1234)

x

x

x

上述命令中的set.seed(1234)表示设定随机数，rnorm(12)表示生成12个服从标准正态分布的随机数，并将这12个随机数按列填充为 $ 3 \times 4$ 的矩阵。

下面使用apply()计算相关统计量。

apply(x, 1, mean)

apply(x, 2, mean)

apply(x, 1, sd)

apply(x, 2, sd)

以上分别求矩阵各行均值、各列均值、合行标准差、各列标准差。当然，若要求行或列均值，使用colMeans()或rowMeans()速度更快(针对大型数据而言)。

lapply()与sapply()

apply()只作用于矩阵或数组，要求数据类型相同。lapply()与sapply()函数则作用于向量或列表。使用语法为

lapply(x, FUN)

其中

x是列表型数据，其他类型对象可通过函数as.list()转换成列表

fun表示任意函数

下面通过 R 自带的mtcars数据进行示例。假设要使用 Shapiro 法对该数据中的mpg、disp、wt、drat进行正态性检验(命令为shapiro.test())，自然可以对这四个变量执行4次shapiro.test()，但命令重复较多。

shapiro.test(mtcars$mpg)

shapiro.test(mtcars$disp)

shapiro.test(mtcars$wt)

shapiro.test(mtcars$drat)

可通过以下方式简化命令

x

lapply(x, shapiro.test)

sapply()与lapply()多数情况下只是结果的显示方式不同。试比较

x

sapply(x, shapiro.test)

注意这里的x本质上是一个数据框，但shapiro.test()函数实质上作用于该数据框中的列(向量)。

tapply()

tapply()函数常于对数据进行分组统计。使用语法为

tapply(x, INDEX, FUN)

其中

x为向量

INDEX为长度与x相同的因子列表，通常填入因子型变量的名称即可

FUN为函数

例如，在mtcars数据中，要分气缸数(cyl)统计不同气缸数汽车的耗油量(mpg)，可使用如下命令

tapply(mtcars$mpg, mtcars$cyl, mean)

其他apply()族函数还包括mapply()、vapply()等，使用相对较少，这里暂不细述。

2.4 本章习题

创建一个名为student_data 的数据框，其包含了四个列向量，分别为name、age、gender和 id。具体信息见下表。

name

age

gender

id

张文理

18

男

21202001

徐弱水

19

女

21202002

刘子睿

19

男

21202003

洪依凡

18

女

21202004

使用 R 自带的数据集 mtcars，分别采用 $、attach() 和 with() 绘制每加仑行驶英里数(mpg)与发动机排量(disp)的散点图。

加载readr包，读入外部数据score.csv，计算得分的均值。

请解释以下函数的用途：

min(x)

mean(x)

IQR(x)

summary(x)

diff(x)

scale(x, center = , scale = )

gl(n, k, labels = c() )

sort(x, decreasing = FALSE)

rbinom(5, 10, 0.2)

setwd()