R语言数据高效处理指南——基本数据处理
1 数据集基本探索
str、summary、head这三个函数，是对数据框进行探索性分析的“三板斧”。
> str(iris)
'data.frame': 150 obs. of 5 variables:
$ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
$ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
$ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
$ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
$ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
> summary(iris)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100 setosa :50
1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300 versicolor:50
Median :5.800 Median :3.000 Median :4.350 Median :1.300 virginica :50
Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
> head(iris)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa2 基本范式实现
2.1 创建（read.csv/data.frame）
2.1.1 外部导入
首先创建一个csv文件，为了步骤统一，我们先用write.csv函数从内部写出表格，再用read.csv读入。以iris数据及为例，首先将它写入D盘根目录下：
> write.csv(iris,file = "D:/iris.csv")
# 上面函数可以默认file = 这个部分，也就是说，可以写成：
# write.csv(iris,"D:/iris.csv")操作完毕后，可以把这个数据从外部读入，并赋值iris2：
> iris2 = read.csv("D:/iris.csv")
> iris2
X Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 1 5.1 3.5 1.4 0.2 setosa
2 2 4.9 3.0 1.4 0.2 setosa
3 3 4.7 3.2 1.3 0.2 setosa
4 4 4.6 3.1 1.5 0.2 setosa
5 5 5.0 3.6 1.4 0.2 setosa
…………一般来说，read.csv函数默认第一行为表头，会作为列名称赋给数据框，如果不希望这个操作，可设置参数“header = F”，不过在包含列名称的数据中使用header = F是错误的。
2.1.2 内部创作（data.frame）
内部创作数据框，可使用data.frame函数直接创建：
> df = data.frame(x = 1:3,y = c("a","b","c"))
> df
x y
1 1 a
2 2 b
3 3 c2.2 删除（rm）
如果不希望R 中继续使用这个变量，可以用rm函数删除它：
> rm(df)
> df
function (x, df1, df2, ncp, log = FALSE)
{
if (missing(ncp))
.Call(C_df, x, df1, df2, log)
else .Call(C_dnf, x, df1, df2, ncp, log)
}
想要知道环境中有哪些变量，可以用ls函数显示：
> ls()
[1] "iris2"如果想清空环境中所有变量，可以这么做：
> rm(list = ls())但是注意，无法删除系统自带数据集。
2.3 检索（DF[i , j]）
检索分为行检索和列检索，注意几点：中括号，逗号前行后列，连续行用冒号，不连续行用向量c(* , * , *)
2.3.1 行检索
iris的第33行：
> iris[33,]
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
33 5.2 4.1 1.5 0.1 setosa选取多行，例如33到35行：
> iris[33:35,]
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
33 5.2 4.1 1.5 0.1 setosa
34 5.5 4.2 1.4 0.2 setosa
35 4.9 3.1 1.5 0.2 setosa
选取不连续行，例如33、36、38行：
> iris[c(33,36,38),]
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
33 5.2 4.1 1.5 0.1 setosa
36 5.0 3.2 1.2 0.2 setosa
38 4.9 3.6 1.4 0.1 setosa2.3.2 列检索
同理
> iris1 = iris[2:5,]
> iris1[,2:4]
Sepal.Width Petal.Length Petal.Width
2 3.0 1.4 0.2
3 3.2 1.3 0.2
4 3.1 1.5 0.2
5 3.6 1.4 0.2因为列是有名称的，例如选取Petal.Length列：
> iris1[,"Petal.Length"]
[1] 1.4 1.3 1.5 1.4
也可以通过$符号来选取列，上面的例子也可以这样实现：
> iris1$Petal.Length
[1] 1.4 1.3 1.5 1.4如果需要选取多列，就需要利用向量的方法：
> iris1[,c("Sepal.Length","Petal.Length")]
Sepal.Length Petal.Length
2 4.9 1.4
3 4.7 1.3
4 4.6 1.5
5 5.0 1.42.4 插入（rbind/cbind）
同检索，插入也分为行插入和列插入。
2.4.1 行插入（rbind）
对数据框进行行插入时，必须保证两个数据框列数一样，而且列名一致。下面，我将区iris两个子集，再将两个子集合并在一起，完成对第一个列表插入第二个列表的操作：
> iris[1:3,] -> i1
> iris[4,] -> i2
> i1
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
> i2
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
4 4.6 3.1 1.5 0.2 setosa
> rbind(i1,i2)->i
> i
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
> 注意，“->”箭头指向哪里，就往哪里赋值
2.4.2 列插入（cbind）
c是column的简写
> i1[,1:2]->i3
> i1[,3]->i4
> cbind(i3,i4)->i5
> i3
Sepal.Length Sepal.Width
1 5.1 3.5
2 4.9 3.0
3 4.7 3.2
> i4
[1] 1.4 1.4 1.3
> i5
Sepal.Length Sepal.Width i4
1 5.1 3.5 1.4
2 4.9 3.0 1.4
3 4.7 3.2 1.3注意，i4 表格没有列名称，因此赋值后，自动将i4 作为列名称放入数据框，如果想改列名称，可以用colnames函数或者names函数
> names(i5) = c("a","b","c")
> i5
a b c
1 5.1 3.5 1.4
2 4.9 3.0 1.4
3 4.7 3.2 1.32.5 排序（order）
order函数原理：接受一个向量，然后返回这个向量的排序。例如：
> c(3,5,2,6,4,8)->a
> order(a)
[1] 3 1 5 2 4 6解释一下意思，输出结果第一个数字3也就是向量中第3个数字应该排在第一位，以此类推。
> a[order(a)]
[1] 2 3 4 5 6 8取iris前六行进行演示
> > test<-iris[1:6,]
> test[order(test$Sepal.Length),]
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
4 4.6 3.1 1.5 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
1 5.1 3.5 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa如果希望降序，在order函数的参数中加入负号即可：
> test[order(-test$Sepal.Length),]
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
6 5.4 3.9 1.7 0.4 setosa
1 5.1 3.5 1.4 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosaorder函数中可以加入多个参数
？
2.6 过滤（DF[condition,]）
对数据框的过滤依然需要对行进行操作，行的检索其实是可以利用逻辑值的，例如：
> test[c(T,T,T,T,F)]
Sepal.Length Sepal.Width Petal.Length Petal.Width
1 5.1 3.5 1.4 0.2
2 4.9 3.0 1.4 0.2
3 4.7 3.2 1.3 0.2
4 4.6 3.1 1.5 0.2
5 5.0 3.6 1.4 0.2
6 5.4 3.9 1.7 0.4筛选Sepal.Lenght大于5的记录，查看是否满足条件
满足逻辑值的进行筛选
> test$Sepal.Length > 5
[1] TRUE FALSE FALSE FALSE FALSE TRUE
> test[test$Sepal.Length > 5,]
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa2.7 汇总（apply）
iris最后一列是物种名，汇总没有意义，因此去掉，在使用apply函数汇总：
apply(要操作的数据框，1按行汇总/2按列汇总，汇总的操作)
> iris0 <- iris[,-5]
> apply(iris0,2,mean)
Sepal.Length Sepal.Width Petal.Length Petal.Width
5.843333 3.057333 3.758000 1.199333 2.8 分组（aggregate）
iris数据集中有三个物种，分别汇总求平均值，则需要分组。例如，现在求3中鸢尾花Sepal.Length属性的平均值：
> aggregate(Sepal.Length ~ Species, data = iris, mean)
Species Sepal.Length
1 setosa 5.006
2 versicolor 5.936
3 virginica 6.588如果对所有属性进行分组汇总，可以用 . 表示出来Species外所有属性：
> aggregate(. ~ Species,data = iris,mean)
Species Sepal.Length Sepal.Width Petal.Length Petal.Width
1 setosa 5.006 3.428 1.462 0.246
2 versicolor 5.936 2.770 4.260 1.326
3 virginica 6.588 2.974 5.552 2.0262.9 连接（merge）
基本包中，merge函数进行多表连接。我们构造新的数据集进行举例。
> #构建顾客交易数据框
> df1 = data.frame(CustomerID = c(1:6) , Product = c(rep("Oven", 3), rep("Television", 3)))
> df1
CustomerID Product
1 1 Oven
2 2 Oven
3 3 Oven
4 4 Television
5 5 Television
6 6 Television
> #构建顾客地址数据框
> df2 = data.frame(CustomerID = c(2, 4, 6),State = c(rep("California", 2),rep("Texas", 1)))
> df2
CustomerID State
1 2 California
2 4 California
3 6 Texas
> #两个表中都有顾客，所以才能连接
> df <- merge(x=df1,y=df2,by="CustomerID")
> df
CustomerID Product State
1 2 Oven California
2 4 Television California
3 6 Television Texas
> #如果需要做左连接，可以设置all.x=T
> df <- merge(x=df1,y=df2,by="CustomerID",all.x=T)
> df0 <- merge(x=df1,y=df2,by="CustomerID",all.x=T)
> df0
CustomerID Product State
1 1 Oven
2 2 Oven California
3 3 Oven
4 4 Television California
5 5 Television
6 6 Television Texas
> #如果需要做右连接，可以设置all.y=T
> df3 <- merge(x=df1,y=df2,by="CustomerID",all.y=T)
> df3
CustomerID Product State
1 2 Oven California
2 4 Television California
3 6 Television Texas
> df4 <- merge(x=df1,y=df2,by="CustomerID",all=T)
> df4
CustomerID Product State
1 1 Oven
2 2 Oven California
3 3 Oven
4 4 Television California
5 5 Television
6 6 Television Texas