《R in action》《R语言实战》源代码_2

2.1 数据集的概念

表2-1 病例数据

病人编号（Patient ID）	入院时间（AdmDate）	年龄（Age）	糖尿病类型（Diabetes）	病情（Status）
1	10/15/2009	25	Type1	Poor
2	11/01/2009	34	Type2	Improved
3	10/21/2009	28	Type1	Excellent
4	1-/28/2009	52	Type1	Poor

2.2 数据结构

维度	同质性	异质性
一维	向量 vector	列表 list
二维	矩阵 matrix	数据框 data frame
N维	数组 array

2.2.1 向量

是用于储存数值型、字符型、逻辑型数据的一维数组。

#创建向量：c()

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

#访问向量中的指定元素：[所处位置的数值]

> a <- c(1, 2, 5, 3, 6, -2, 4)
> a[3]		
[1] 5
> a[c(1, 3, 5)]
[1] 1 5 6
> a[2:6]
[1] 2 5 3 6 -2

2.2.2 矩阵

是一个二维数组，且每个元素性质同一。

# 创建矩阵：matrix()
# 示例：myymatrix <-matrix(vector, nrow=number_of_row, 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：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；
• byrow（选填）：默认=FALSE，即按列填充；=TRUE，即按行填充。

代码清单2-1 创建矩阵

y <- matrix(1:20, nrow = 5, ncol = 4)
y
cells <- c(1, 26, 24, 68)
rnames <- c("R1", "R2")
cnames <- c("C1", "C2")
mymatrix <- matrix(cells, nrow = 2, ncol = 2, byrow = TRUE, 
                   dimnames = list(rnames, cnames))
mymatrix
mymatrix <- matrix(cells, nrow = 2, ncol = 2, byrow = FALSE, 
                   dimnames = list(rnames, cnames))
mymatrix

> y <- matrix(1:20, nrow = 5, ncol = 4)	#创建一个5×4的矩阵
> y
     [,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")
> mymatrix <- matrix(cells, nrow = 2, ncol = 2, byrow = TRUE, 
+                    dimnames = list(rnames, cnames))
#创建一个按行填充的、含列名标签的2×2矩阵
> mymatrix
   C1 C2
R1  1 26
R2 24 68
> mymatrix <- matrix(cells, nrow = 2, ncol = 2, byrow = FALSE, 
+                    dimnames = list(rnames, cnames))
#创建一个按列填充的、含列名标签的2×2矩阵
> mymatrix
   C1 C2
R1  1 24
R2 26 68

代码清单2-2 矩阵下标的使用

x <- matrix(1:10, nrow = 2)
x
x[2, ]
x[, 2]
x[1, 4]
x[1, c(4, 5)]

> x <- matrix(1:10, nrow = 2)
> x
     [,1] [,2] [,3] [,4] [,5]
[1,]    1    3    5    7    9
[2,]    2    4    6    8   10
> x[2, ]
[1]  2  4  6  8 10
> x[, 2]
[1] 3 4
> x[1, 4]
[1] 7
> x[1, c(4, 5)]
[1] 7 9

2.2.3 数组

类似矩阵，但维度大于矩阵。

# 创建数组：array()
# 示例：myarray <-array(vector, dimension, dimnames)

代码清单2-3 创建一个数组

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))
z

> z
, , 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

> z[1,2,3]
[1] 15

2.2.4 数据框

==最常用！！！==类似矩阵，但可包含不同格式的数据。

# 创建数组：data.frame()
# 示例：mydata <-data.frame(col1, col2, col3)

代码清单2-4 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)
patientdata

> patientdata
  patientID age diabetes    status
1         1  25    Type1      Poor
2         2  34    Type2  Improved
3         3  28    Type1 Excellent
4         4  52    Type1      Poor

代码清单2-5 选取数据框值中的元素

patientdata[1:2]
patientdata[c("diabetes", "status")]
patientdata$age

> patientdata
  patientID age diabetes    status
1         1  25    Type1      Poor
2         2  34    Type2  Improved
3         3  28    Type1 Excellent
4         4  52    Type1      Poor
> patientdata[1:2]
  patientID age
1         1  25
2         2  34
3         3  28
4         4  52
> patientdata[c("diabetes", "status")]
  diabetes    status
1    Type1      Poor
2    Type2  Improved
3    Type1 Excellent
4    Type1      Poor
> patientdata$age
[1] 25 34 28 52

$：用于选取给定数据框中的特定变量；可运用以下函数简化代码：

# 将数据框添加到R的搜索路径中：attach()
# 将数据框从搜索路径中删除：detach()

在使用函数attach()前存在与数据框中相同的对象时，R可能会报错：

#某个对象_已被屏蔽(mask)_
The following object is masked _by_ .GlobalEnv: 	mpg

#应用范围更广的函数：with()

• 仅有一条语句时，{ }可省略
• 赋值：<-仅在函数括弧内生效；特殊赋值符<<-可创建with( )结构外的对象

> with(mtcars,{
+   nokeepstats<-summary(mpg)
+   keepstats<<-summary(mpg)
+   })
> nokeepstats
Error: object 'nokeepstats' not found
> keepstats
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   10.4    15.4    19.2    20.1    22.8    33.9 

实例标识符（case identifier）：用于区分数据集中不同的个体。如表2-1中的病人编号（Patient ID）。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)

2.2.5 因子 factor

即R中类别/名义型变量、有序/有序型变量的总称。

#以整数向量形式存储类别：factor()
#当类别为有序型变量时：需为factor()制定参数向量order=TRUE

代码清单2-6 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")
diabetes <- factor(diabetes)
status <- factor(status, order = TRUE)
patientdata <- data.frame(patientID, age, diabetes, status)
str(patientdata)	#显示对象结构
summary(patientdata)	#显示对象的统计概要

> str(patientdata)
'data.frame':	4 obs. of  4 variables:
 $ patientID: num  1 2 3 4
 $ age      : num  25 34 28 52
 $ diabetes : Factor w/ 2 levels "Type1","Type2": 1 2 1 1
 $ status   : Ord.factor w/ 3 levels "Excellent"<"Improved"<..: 3 2 1 3
> summary(patientdata)
   patientID         age        diabetes       status 
 Min.   :1.00   Min.   :25.0   Type1:3   Excellent:1  
 1st Qu.:1.75   1st Qu.:27.2   Type2:1   Improved :1  
 Median :2.50   Median :31.0             Poor     :2  
 Mean   :2.50   Mean   :34.8                          
 3rd Qu.:3.25   3rd Qu.:38.5                          
 Max.   :4.00   Max.   :52.0    

2.2.6 列表

代码清单2-7 创建列表

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)
mylist
mylist[[2]]
mylist[["ages"]]

> mylist
$title
[1] "My First List"

$ages
[1] 25 26 18 39

[[3]]
     [,1] [,2]
[1,]    1    6
[2,]    2    7
[3,]    3    8
[4,]    4    9
[5,]    5   10

[[4]]
[1] "one"   "two"   "three"

> mylist[[2]]
[1] 25 26 18 39

> mylist[["ages"]]
[1] 25 26 18 39

2.3 数据输入

向R中导入数据的权威指南参见可在 http://cran.r-project.org/doc/manuals/R-data.pdf下载的R Data Import/Export手册

2.3.1 键盘

mydata <- data.frame(age=numeric(0), gender=character(0), weight=numeric(0))
	#age=numeric(0)：将创建一个有格式，但为空的变量
mydata <- edit(mydata)
	#edit()必须赋值到一个目标，否则所有修改无效

fix(mydata)			#等价写法

2.3.2 带分隔符的文本文件.txt

read.table()

#格式如下：
mydataframe <- read.table(file, header=logical_value, 
	sep="delimiter", row.names="names")

• 参数sep默认=" "，即分隔符可以为一或多个空格、制表符（\t）、换行符（\n）、回车符（\r）；
• 字符型变量默认情况下转换为factor，当处理某些情况（如被调查者评论）时，可采取以下方法禁止转换：

1. 设置选项：stringsAsFactors=FALSE
2. 使用colClasses为每个列制定格式：如logical（逻辑型）、numeric（数值型）、character（字符型）、factor（因子）

通过连接(connection)来访问数据的机制：文件名参数

• 函数file()：允许用户访问文件、剪贴板和C级别的标准输入。
• 函数gzfile()、bzfile()、xzfile()、unz()：允许用户读取压缩文件。
• 函数url()：能够让你通过一个含有http://、ftp://或file://的完整URL访问网络上的文件，还可以为HTTP和FTP连接指定代理。为了方便，(用""围住的)完整的URL也经常直接用来代替文件名使用。
• 更多详情，参见help(file)。

2.3.3 Excel数据

1. 将EXCEL文件导出为.csv（以逗号分隔文件），用read.table(file)导入；
2. 使用函数read.xlsx(file, n)：导入.xlsx文件（实质是多个xml文件组成的压缩包）

library(xlsx)
workbook <- "/Users/Documents/myworkbook.xlxs" #“文件路径”
mydataframe <- read.xlxs(workbook, 1)	#1为要导入的表格名称

3. Win系统：RODBC包

#安装RODBC包
install.packages("RODBC")
#导入数据
library(RODBC)
channel <- odbcConnectExcel("myfile.xls")
mydataframe <- sqlFetch(channel, "mysheet")
odbcClose(channel)

• channel：是一个由odbcConnectExcel()返回的RODBC连接对象；
• mydataframe是返回的数据框；
• RODBC也可用于从Microsoft Access导入数据。

2.3.4 XML

XML包

2.3.5 网页数据抓取 Webscraping

1. 结构简单的网页：先用readLines( )下载网页；后用grep( )/gsub( )处理；
2. 结构复杂的网页：用RCurl包、XML包提取

2.3.6 SPSS

1. foreign包 -> read.spss()
2. Hmisc包 -> spss.get()

install.packages("Hmisc")
mydataframe <- spss.get("mydata.sav", use.value.labels=TRUE)

use.value.labels=TRUE：表示让函数将带有值标签的变量导入为R中水平对应相同的因子
？？？

2.3.7 SAS

• 旧版本

1. foreign包 -> read.ssd()
2. Hmisc包 -> sas.get()

• 新版本（9.1或更高）

1. 在SAS中用PROC EXPORT储存为.csv格式文件后导入R

#SAS程序：
proc export data = mydata
	 outfile = "mydata.csv"
	 dbms = csv;
run;

#R：
mydata <- read.table("mydata.csv", header=TRUE, sep=" ")

2. Stat/Transfer商业软件

2.3.8 Stata

library（foreign）
mydataframe <- read.dta("mydata.dta")

2.3.9 netCDF

• Unidata项目主导的开源软件库netCDF（network Common Data Form，网络通用数据格式）
• 常用领域：地球物理
• ncdf包、ncdf4包（Win不可用，支持netCDF4更早版本）

library（ncdf）
nc <- nc_open("mynetCDFfile")
myarray <- get.var.ncdf(nc, myvar)

2.3.10 HDF5

• HDF5（Hierarchical Data Format，分层数据格式）：是一套用于管理超大型和结构极端复杂数 据集的软件技术方案。
• hdf5包

2.3.11 数据库

1. ODBC接口

library(RODBC)	#载入了RODBC包
myconn <- odbcConnect("mydsn", uid="Rob", pwd="aardvark")	#通过一个已注册的数据源名称(mydsn)、用户名(rob)、密码(aardvark)打开了一个ODBC数据库连接
crimedat <- sqlFetch(myconn, Crime)		#连接字符串被传递给sqlFetch，它将Crime表复制到R数据框crimedat中
pundat <- sqlQuery(myconn, "select * from Punishment")	#对Punishment表执行SQL语句select并将结果保存到数据框pundat中
close(myconn)	#关闭连接

2. DBI相关包

• RJDBC包：使用时请确保安装了针对你的系统和数据库的必要JDBC驱动
• 其他：RMySQL、ROracle、RPostgreSQL、RSQLite（都为对应的数据库提供了原生的数据库驱动，但可能不是在所有系统上都可用）
• 详情请参阅 CRAN(http://cran.r-project.org)上的相应文档

2.3.12 Stat/Transfer

2.4 数据集的标注

类似对变量进行备注

2.4.1 变量标签

name()

names(patientdata)[2] <- "Age at hospitalization (in years)"
#将age重命名为"Age at hospitalization (in years)"
names(patientdata)[2] <- “admissionAge”
#或更为理想的命名，如“admissionAge”

2.4.2 值标签

factor()

patientdata$gender <- factor(patient$gender,
							 levels = c(1,2),
							 labels = c("male", "female"))

2.5 处理数据对象的实用函数 P38-39