R语言基本数据管理

创建新变量

在平时的项目之中，对于已有的数据，可能需要对现有的变量进行转换或常见新变量。

下面介绍3中创建新变量的方法：

有数据框

mydata <- data.frame(x1=c(1,4,5,3),x2=c(5,6,2,4))

需要增加两个新的变量sumx（x1和x2之和），meanx（x1和x2的平均值）。

方法一

mydata$sumx <- mydata$x1+mydata$x2
mydata$meanx <- (mydata$x1+mydata$x2)/2

方法二

> attach(mydata)
> mydata$sumx <- x1+x2
> mydata$smeanx <- (x1+x2)/2
> detach(mydata)

方法三

mydata <- transform(mydata,sumxx=x1+x2,meanx=(x1+x2)/2)

推荐使用方法三，简洁明了

三种方法的最终结果都一样：

变量的重编码

在数据的处理的时候，有时需要对变量的现有值进创建新值，例如：

>将连续变量转换成分段的值

>将误编码的值替换为正确的值

>将一组年龄分为年轻，中年，年长

......

语句variable[condition] <- expression  condition为真的时候才执行赋值。

eg:

leadership$agecat[leadership$age > 75] <- "Elder" #该语句将数据框中的age变量大于75的编码为Elder，新的变量名称叫agecat

变量的重命名

三种方法

1. fix()函数，fix(dataframe)

2.rename()函数，需要先安装reshape包

  使用：rename(dataframe,c(oldname="newname",...))

3. names()函数

namespace(dataframe)[n] <- "newname"   #n为需修改名称的变量所在列位置

缺失值

R语言中NA表示缺失值，NaN表示非数值（例如被0除的数）

is.na()函数用来检测是否存在缺失值

重编码缺失值

格式：variable[condition] <- expression condition为真时，执行赋值

在分析中排除缺失值

使用参数na.rm=TRU

eg：x <- c(1,2,NA)

        y<-sum(x)      #则y为NA

        z <- sum(x,na.rm=TRUE)  则z值为3

函数na.omit()可以删除所有含有缺失值的行。

不同函数处理不完整数据可能有不同的方法，具体查看每个函数

日期值

as.Date()函数

as.Date(x,"input_format")  # input_format表示日期的输入格式

日期格式

符号	含义	示例
%d	数字日期	01~31
%a	缩写星期名	周一
%A	非缩写星期名	星期一
%m	月份	00~12
%b	缩写的月份	11月
%B	非缩写的月份	十一月
%y	两位数的年份	15
%Y	四位数的年份	2015

函数Sys.date()返回当天的时间，只有年月日

函数date()返回当天的时间，年月日时分秒星期

时间间隔的计算：（1）两个日期直接相减（2）使用函数difftime() 。格式为difftime(date1,date2,units="years/weeks/days...")

常用类型转换函数

类型转换函数

判断	转换
is.numeric()	as.numeric()
is.character()	as.character()
is.vector()	as.vector()
ix.matrix()	as.matrix()
is.data.frame()	as.data.frame()
is.factor()	as.factor()
is.logical()	as.logical()

数据的排序

使用order()函数进行数据排序，默认为升序，在变量名前加减号表示降序。

eg:数据框leadership按age的降序排列。newdata <- leadership[order(leadership$age)]

数据集的合并

（1）增加列，使用merge()函数，一般两个数据框有至少一个相同的列，通过这些列进行合并

eg: total <- merge(dataframeA,dataframeB,by="ID")                       # 按照单列合并

或total <- merge(dataframeA,dataframeB,by=c("ID","country"))     #按照多列合并

cbind()函数

若两个数据框没有共同的列，合并两个数据框使用cbind()函数，但两个对象必须有相同的行数。

（2）添加行（追加）。

rbind()函数

eg: total <- rbind(dataframeA,dataframeB)

要力求两个数据框必须有相同的变量。若数据框A中有B中没有的变量，则

a. 删除数据框A中多于的变量

b. 在数据框B中追加变量并将其设为NA

选取数据子集

（leadership为举例数据框）

 （1） 选择部分变量(列)

法1：newdata <- leadership[,c(6:10)]或者newdata <- leadership[,6:10]

法2：myvars <- c("q1","q2","q3","q4")  #  q1,2,3,4表示要提取的变量名

          newdata <- leadership[myvars]

（2）删除部分变量(列)

          myvars <- names(leadership)%in%c("q1","q2","q3","q4")  #  q1,2,3,4表示要提取的变量名

          newdata <- leadership[!myvars]

（3）选择或删除行

         newdata <- leadership[1:3,]  # 选取1到3行

        newdata <- leadersgip[which(leadership$gender =="M" & leadership$age >30),] #按条件选取行，“,”不能忘。

利用subset()函数选取子集

newdata <- subset(leadership,age>35|age<24,select=c(q1,q2,q3,q4))

数据的随机抽样

sample()函数

sample(x, size, replace = FALSE, prob = NULL)

其中  x 为向量，要抽取的数据集的范围，size为整数，要抽取的个数，replace表示物防会抽样，prob表示为获取的数据分配的权值向量

使用sql操作数据框

需安装sqldf包

eg: a <- sqldf("select * from mtcars order by mpg",row.name=TRUE)  # row.name=TRUE表示将原始数据框的变量名用到新的数据框中，sql语句的写法同往常的一样。