Note:R+Python数据科学实战(1)

数据的初步处理：

#用read.csv的命令来导入数据，相较于read.table，个人觉得csv更常用，并适用于任何操作系统；

#若数据是zip压缩文件，可通过unz("filename.zip","filename")的命令来直接读取zip中的文件，而不用解压；

e.g: vehicles=read.csv(unz("vehicles.csv.zip","vehicles.csv"),stringsAsFactors=F)

（#R默认将字符串转为因子，即定性变量，被认为对数据的标注或标签；因子被存为整数，且没有顺序；）

#养成导入文件后检查是否成功的习惯，一般检查数据的一些基本信息，用head(par)，nrow(par)，ncol(par)，names(par)，class(par)；

#一些数据当中，一个值可能会重复出现多次，当需要取一套各数值时用unique(data)处理数据，而种类的数量用length(..)统计长度；

#提取变量下数据的最小值和最大值，min(data)，max(data)；

#用table(data$var)函数来快速浏览数据，变量下不同取值所对应的记录数，即统计相同值的数量；

  (#table还能做一些交叉列联表，table(data1,data2)，将两个数据集交叉显示，若其间有相关性；)

#若数据中有缺失值的时候，用NA来填补，使得数据框完整；

#根据字符检索函数substr对数据进行条件操作，用ifelse(condition,op1,op2)命令，若满足条件则执行op1，不然op2；

#with(data,operation)即在with命令下先将范围转到data数据集下，再在此数据集下进行operation操作；

e.g: table(vehicles$fuelType1)

e.g: vehicles$trany[vehicles$trany == ""] = NA

e.g: vehicles$trany2=ifelse(substr(vehicles$trany,1,4)=="Auto","Auto","Manual")

在数据处理之前，一定要对文件中数据的类型有认识：“数值型”；“字符型”；“逻辑型”；“因子”等。因为，对于不同类型的数据有时需要不同的命令处理，有时也需要将数据统一和转换。