变量、因子、缺失值、类型转换、剔除多余变量、随机抽样、用R使用SQL、trim、na.rm=TRUE、数据标准化应用

变量：名义型、有序型、连续型变量
名义型：普通事件类型，如糖尿病I型和糖尿病II型。
有序型：有顺序的事件类型，如一年级、二年级和三年级。
连续型：表示有顺序的数量，如年龄。

因子：名义型、有序型。
名义型会用123形容不同类型名称。
有序性会用1<2<3形容类型和顺序/程度。
用str(数据框)可以查看程度顺序。

stringAsFactors=FALSE:

创建数据框的时候，会在data.frame的最后加一个stringsAsFactors=FALSE，是为了防止R把字符类型默认为因子。

标记为缺失值：

leadership$age[leadership$age==99] <- NA
1

将连续型，转化为有序型：

leadership$agecat[leadership$age <55] <- "young"
leadership$agecat[leadership$age >=55 & leadership$age <75] <- "middle aged"
leadership$age[leadership$age >= 75] <- "elder"

1
2
3
4

重命名列：

names(leadership)[6:10]<- paste("item",1:5,sep="")
1

删除所有有缺失值的行：

newdata <- na.omit(leadership)
1

类型转换：
as.类型()

剔除变量：
用名字剔除

myvars <- names(leadership) %in% c("q3","q4")
newdate <- leadership[!myvars]
1
2

筛选数据：

newdate <- leadership[leadership$age>30&leadership$gender=="M",]
1

随机抽样：
sample()，3表示抽3个，replace=FALSE表示无放回抽样。

mysample <- leadership[sample(1:nrow(leadership),3,replace=FLASE
1

SQL语句操作数据框：
加载sqldf包，library(sqldf)

library(sqldf)
newdf <- sqldf("select * from mtcars where crab=1 order by mpg",row.names=TRUE)
1
2

取平均值mean():

z <- mean(x, trim = 0.05, na.rm=TRUE)
1

trim的取值范围为0到0.5之间，表示在计算均值前需要去掉的异常值的比例。trim会在首尾分别去除N个异常值，其中N=样本数量*要去除的百分比(即是trim的值)
na.rm=TRUE <-- 把缺失值删除掉再计算。

中心化与标准化：
中心化：数值-均值
标准化：（数值-均值）/标准差
方差=标准差的平方

数据标准化的应用：
极差法：（原数据-极小值）/（极大值-极小值）*100
例如新的分数是140分满分，但是我们习惯于按照百分之去看分数。所以可以用极差法，将数值规制于百分制内，便于查看。