R语言学习笔记——入门篇：第四章-基本数据管理

R语言

R语言学习笔记——入门篇：第四章-基本数据管理

---

---

一、示例

• 一组数据：上司对经理人的服从度的评价，q1-q5表示了"非常不同意"，“不同意”，“一般”，“同意”，“非常同意”。
• 其中存在着缺失的数据（经理人4，q4-q5），无效的数据（经理人5，年龄99），为了更好的处理数据还需要对数据重编排等，这些都需要我们对数据进行基本的管理。数据管理前的第一步是创建数据集（详见第二章）
• 第一步——创建数据集：

Sys.setenv(LANGUAGE = "en")
options(stringsAsFactors = F)
rm(list = ls())
setwd("C:/Users/16748/Desktop/R语言学习/R")

manager <- c(1,2,3,4,5)
manager <- c(1,2,3,4,5)
date <- c("10/24/08","10/28/08","10/1/08","10/12/08","5/1/09")
country <- c("US","US","UK","UK","UK")
age <- c(32,45,25,39,99)
gender <- c("M","F","F","M","F")
q1 <- c(5,3,3,3,2)
q2 <- c(4,5,5,3,2)
q3 <- c(5,2,5,4,1)
q4 <- c(5,5,5,NA,2)
q5 <- c(5,5,2,NA,1)

leadership <- data.frame(manager,date,country,
                         gender,age,q1,q2,q3,q4,q5)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

二、创建新变量

• 创建新变量或对原变量进行替换
• 方法：

变量名 <- 表达式
# 表达式可以包含多种运算符和函数
1
2

• 算数运算符：

• 函数：transform( )
  • 创建新变量的步骤
• 语法：

变量名 <- transform(数据框名，变量名 = 表达式)
1

• 示例：展示三种创建新变量的方法

x <- data.frame(x1 = c(1,2,3,4),
                x2 = c(4,3,2,1))
# 方法一
x$sum <- x$x1 + x$x2
# 方法二
attach(x)
x$sum <- x1 + x2
detach(x)
# 方法三
x <- transform(x,sum = x1 + x2)
1
2
3
4
5
6
7
8
9
10

三、变量的重编码

• 定义：根据变量的现有值重新创建新的值
  • 例如：将误编码的值替换为正确值
  • 基于一个指标将值划分为几个区间
• 判定：利用逻辑运算符来对数据进行判定，逻辑运算符的返回值为TRUE或FALSE
• 逻辑运算符：

• 示例：

# 将99岁的年龄重编码为缺失值
leadership$age[leadership$age ==99] <- NA

# variable[condition] <- expression将仅在condition的值为TRUE时执行
# 希望将年龄值按照不同年龄段分类
leadership <- within(leadership,{
  age[age == 99] <- NA
  agecat <- NA
  agecat[age > 75] <- "Elder"
  agecat[age >= 35 & age <= 75] <- "Middle Aged"
  agecat[age < 35 ] <- "Young"
  agecat <- factor(agecat,levels = c("Elder","Middle Aged","Young"),ordered = T)
})
1
2
3
4
5
6
7
8
9
10
11
12
13

四、变量的重命名

有两种方式进行变量重命名

4.1、交互式编辑器

• 函数：

fix(数据框名)
1

此函数会调用出一个交互式编辑器，然后直接单击变量名就可以重命名。

• 示例：
  

• 结果：
  

4.2、函数编程

• 函数：

names( )
rename( )# 属于plyr包
1
2

• 语法：

names(数据框名)[需要修改变量的列（数值）] <- "修改后的名字"
rename(dataframe,c(oldname1="newname1",oldname2="newname2",...))
1
2

• 示例：

names(leadership)[2] <- "testDate"
leadership <- rename(leadership,c(manager = "managerID",date = "testDate"))
1
2

• 结果：
  

五、缺失值

• 缺失值（NA，Not Available，不可用）：项目中不完整的数据，字符型与数值型中都用NA表示。
• 检测缺失值： is.na（）函数 ，返回逻辑值
• 注意点：
  • 缺失值不可用于比较（即使是与缺失值自身比较）
  • 无限大或不可能的值 ！= 缺失值（在R中）
    • 例如：正无穷（负无穷） 标记为 （-）Inf
    • 不可能的值（如sin（Inf）） 标记为 NAN（not a number）
    • 利用is.infinite（）函数 和is.nan（）函数 来判断无限大与不可能的值。

5.1、重编码某些值为缺失值

如 三、变量的重编码 演示一般

5.2、在分析中排除缺失值

• 由于含有缺失值的函数计算结果也是缺失值，因此在数据分析之前需要删除缺失值。
  • 多数函数中含有na.rm=TRUE的参数选项，可以移除缺失值并将剩余值进行计算.
  • na.omit（）函数，将含有缺失值的那一行删除（项目中含有少量缺失值时使用）
  • 精细操作会在后续章节探讨
• 示例：

x <- c(1,2,NA,4)
y <- sum(x,na.rm = T)

newdata <- na.omit(leadership)
1
2
3
4

六、日期值

• 概述：通过将日期值改编为日期变量后就可以对日期进行分析与绘图
• 日期变量：日期值会以字符串的形式输入到R中，然后转化为以数值形式存储的日期变量
• 函数：as.Date（）
• 语法：

as.Date(x,"input_format")
# x为字符串数据
# input_format为日期格式参数
1
2
3

• 日期格式参数：

• 默认输入格式：yyyy-mm-dd
  • 通过设定日期格式参数来转化输入格式
• 示例：

> date1 <- as.Date("1956-10-12")
> date1
[1] "1956-10-12"
> Dates <- c("01/05/1965","02/05/2000")
> myformat <- "%m/%d/%Y"
> dates <- as.Date(Dates,myformat)
> dates
[1] "1965-01-05" "2000-02-05"
1
2
3
4
5
6
7
8

• 函数扩展：

Sys.Date()
# 返回当天的日期
date()
# 返回当前的具体时间
format(TimeData，input_format)
# 将输入的TimeData日期变量，按照input_format日期格式输出
difftime(TimeData1,TimeData2,units = "")
# 计算时间间隔（星期，天，时，分，秒），可以存在负数

# 示例
> Sys.Date()
[1] "2022-12-03"
> # 返回当天的日期
> date()
[1] "Sat Dec  3 17:51:32 2022"
> # 计算时间间隔（星期，天，时，分，秒）
> format(as.Date("1956-10-12"),"%A")
[1] "星期五"
> difftime(as.Date("1956-10-12"),as.Date("2022-12-3"),units = "weeks")
Time difference of -3451.143 weeks
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

6.1、将日期值转换回字符型变量

• 函数：as.character（）
• 转化后，即可使用一系列字符函数处理数据（如取子集，替换，连接等）

6.2、进阶函数介绍

# 了解字符型数据转为日期的更多细节
help(as.Date)
help(strftime)
# 查看日期与时间格式
help(ISOdatetime)
# 简化日期处理的函数，用于识别解析日期-时间数据，抽取日期-时间成分（如年份，月份等），对日期-时间进行算数运算
lubridate
# 进行复杂的日期运算包，处理多时区，历法操作，支持工作日假期等。
timeDate
1
2
3
4
5
6
7
8
9

七、类型判断/转化

• 查询：class( )，mode( )， typeof( )
• 判断：is.arrary(/list/character …) 输出TRUE或FALSE
• 修改：as.arrary(/list/character …)

八、数据排序

• 函数：order（排序变量）
  • 默认排序顺序：升序
  • 降序：在排序变量前加上负号“-”
• 示例：

# 对行排序，先按照女性到男性的顺序，同性别中按年龄降序排序。
> newdate <- leadership[order(leadership$gender,-leadership$age),]
> newdate
  managerID testDate country gender age q1 q2 q3 q4 q5
5         5   5/1/09      UK      F  99  2  2  1  2  1
2         2 10/28/08      US      F  45  3  5  2  5  5
3         3  10/1/08      UK      F  25  3  5  5  5  2
4         4 10/12/08      UK      M  39  3  3  4 NA NA
1         1 10/24/08      US      M  32  5  4  5  5  5
1
2
3
4
5
6
7
8
9

九、数据集的合并

向数据框中添加行或列

9.1、向数据框添加列

有两种函数可以实现该目的

• 函数：merge（）
• 语法：

x <- merge(dateframe1,dateframe2,by = "变量名") 
x <- merge(dateframe1,dateframe2,by = c("变量名1","变量名2"..))
1
2

• 对象：横向合并两个数据框（数据集），根据一个或多个变量进行联结。

• 函数：cbind（）

• 语法：

x <- cbind(A,B)
1

• 对象：横向合并两个数据框或矩阵，不需要索引变量，要求两个对象拥有相同的函数。
• 预处理：如果行数不同就需要预处理下数据，使得行数相同。例如dateframe1中拥有dateframe2中没有的变量。
  • 方法一：删除dateframe1中多余变量
  • 方法二：在dateframe2中创建追加变量，并将值设为NA

9.2、向数据框添加行

• 函数：rbind（）
• 语法：

x <- merge(dateframe1,dateframe2,by = "变量名") 
x <- merge(dateframe1,dateframe2,by = c("变量名1","变量名2"..))
1
2

• 对象：纵向合并两个数据框或矩阵，不需要索引变量，要求两个对象拥有相同的函数。
• 预处理：如果行数不同就需要预处理下数据，使得行数相同。例如dateframe1中拥有dateframe2中没有的变量。
  • 方法一：删除dateframe1中多余变量
  • 方法二：在dateframe2中创建追加变量，并将值设为NA

十、数据集取子集

10.1、保留变量

• 提取原数据集中的变量赋给新的数据集
• 操作：数据提取（详见第二章）
• 示例：

> newdata <- leadership[,c(6:10)]
> newdata
  q1 q2 q3 q4 q5
1  5  4  5  5  5
2  3  5  2  5  5
3  3  5  5  5  2
4  3  3  4 NA NA
5  2  2  1  2  1
1
2
3
4
5
6
7
8

10.2、删除变量

• 删除原数据集中的变量后赋给新的数据集
• 通过逻辑判为FALSE，变量前加负号“-”，数据赋为NULL（非NA）实现
• 操作：数据删除（详见第二章）
• 示例：

> x <- names(leadership) %in% c("q3","q4")
> x
 [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE
> newdata <- leadership[!x]
> newdata
  managerID     date country gender age q1 q2 q5
1         1 10/24/08      US      M  32  5  4  5
2         2 10/28/08      US      F  45  3  5  5
3         3  10/1/08      UK      F  25  3  5  2
4         4 10/12/08      UK      M  39  3  3 NA
5         5   5/1/09      UK      F  99  2  2  1
1
2
3
4
5
6
7
8
9
10
11

10.3、筛选变量

• 通过一系列逻辑运算符来筛选需要的数据集后赋给新的数据集
• 操作：逻辑运算符
• 示例：

> newdata <- leadership[1:3,]
> newdata <- leadership[leadership$gender == "M" & leadership$age >30,]
> newdata
  managerID     date country gender age q1 q2 q3 q4 q5
1         1 10/24/08      US      M  32  5  4  5  5  5
4         4 10/12/08      UK      M  39  3  3  4 NA NA
1
2
3
4
5
6

10.4、subset( )函数

• 函数：subset（）
• 功能：用于选择变量和观测subset
• 语法：

subset(dateframe,condition,select = c())
# dateframe为数据集
# condition为筛选条件
# select里面为保留的变量名
1
2
3
4

• 示例：

x <- subset(leadership,age >=35 | age <=24 ,select = c(q1,q2,q3,q4))
x <- subset(leadership,gender =="M" | age > 24 ,select = gender:q4)
# 保留了变量gender到q4及其之间的列
1
2
3

10.5、随机抽样

• 函数：sample（）
• 功能：从数据集中（有/无放回的）抽取大小为n的一个随机样本
• 语法：

sample(x,n,replace = T/F)
# x为抽样的范围
# n为抽样的数量
# replace表示有（T）无（F）放回抽样
1
2
3
4

• 示例：

x <- leadership[sample(1:nrow(leadership),,replace = T),]
1

十一、使用sql语句操作数据框

• R包：sqldf
• 通过该R包就可以在R中使用SQl语句对数据框等变量进行操作。
• 示例：

install.packages("sqldf")
library(sqldf)
dateframe <- sqldf("select * from x",row.names = T)
1
2
3