R语言实战Chapter2 创建数据集

Chapter2 创建数据集

第一章R语言介绍直接忽略了，理解R是个很强的工具就OK

• 探索R中的数据结构
• 输入数据
• 导入数据
• 标注数据
• 处理数据对象的实用函数

2.1 数据集的概念
数据集通常是由数据构成的一个矩形数组，行表示观测，列表示变量。
在如图所示的数据集中，PatientID是行/实例标识符，AdmDate是日期型变量，Age是连续型变量，Diabetes是名义型变量，Status是有序性变量

R中有许多用于存储数据的结构，包括标量、向量、数组、数据框和列表

R将实例标识符称为rownames(行名)，将类别型(名义型和有序型)变量称为因子(factors)。后面会给出日期型数据的处理。

2.2数据结构

一些定义：
对象(object)是指可以赋值给变量的任何事物，包括常量、数据结构、函数、甚至图形。对象都拥有某种模式，描述了对象是如何存储的，以及某个类，像print这样的泛型函数表明如何处理此对象

数据框是R中用于存储数据的一种结构：列表示变量，行表示观测。同一个数据框可以存储不同类型（如数值型，字符型）的变量。数据框是用来存储数据集的主要数据结构

因子是名义型变量或有序型变量，在R中被特殊地存储和处理
2.2.1向量
向量是用于存储数值型、字符型或逻辑性数据的一维数组。函数c()来创建向量

a<-c(1,2,5,3,6,-2,4)
b<-c("one","two","three")
c<-c(TRUE,TRUE,FALSE)

a是数值型向量，b是字符型向量，c是逻辑型向量。注意：单个向量中的数据必须拥有相同的类型或模式，不得混杂
ps：标量是只含一个元素的向量，例如f<-3、g<-“US”
向量[ ]用来访问向量中的元素

a<-c(1,5,6,7,8)
a[3]
a[c(1,3,5)]
a[2:5]

最后语句的冒号用于生成一个数值序列，例如a<-c(2:6)等价于a<-c(2,3,4,5,6)

2.2.2矩阵
矩阵是一个二维数组，matrix()函数可以创建矩阵

vector包含了矩阵的元素，nrow和ncol用来指定行和列的维数，dimnames包含了可选的以字符向量表示的行名和列名，byrow=TRUE表明按行填充，默认下按列填充

y<-matrix(1:20,nrow = 5,ncol = 4) #按行
y

cells<-c(1,26,24,68)
rnames<-c("R1","R2")
cnames<-c("C1","C2")
mymatrix<-matrix(cells,nrow = 2,ncol = 2,byrow = TRUE,dimnames = list(rnames,cnames)) #按行填充的2*2
mymatrix

同理，矩阵也可以用[ ]来提取矩阵中的数据：X[i,]提取矩阵X中的第i行，X[,j]提取矩阵中的第j列，X[i,j]指第i行第j个元素，选择多行多列的时候i和j可以是字符型向量：

x<-matrix(1:10,nrow = 2)
x
x[2,]
x[,2]
x[2,2]
x[1,c(4,5)]

和向量类似，矩阵里面也是只能同一种类型的元素，当维度超过2时，数组时更好的选择，当数据模式较多时，可以使用数据框

2.2.3数组
*数组(array)*与矩阵类似，但是维度可以大于2。array()函数来创建数组：

vector包含了数组中的数据，dimensions是一个数值型向量，给出了各个维度下标的最大值，dimnames是可选的、各维度名称标签的列表

dim1<-c("A1","A2")
dim2<-c("B1","B2","B3")
dim3<-c("C1","C2","C3","C4")
z<-array(1:24,c(2,3,4),dimnames = list(dim1,dim2,dim3)) #2*3*4的三维数值型数组
z  

数组是矩阵的一个自然推广。数组的数据也只能有一种模式，同理从数组中选取元素的方式和矩阵相同，例如z[1,2,3]就是取的15

2.2.4数据框
数据框的概念更为一般化，是最常见的数据结构。数据框中可以有多重模式的数据：

列向量col1、col2…可以为任意类型（字符，逻辑或数值型等等）。每一列的名字可以由函数names（）指定

patientID<-c(1,2,3,4)
age<-c(25,34,28,52)
diabetes<-c("Type1","Type2","Type1","Type1")
status<-c("Poor","Improved","Excellent","Poor")
patientData<-data.frame(patientID,age,diabetes,status)
patientData

选取数据框中的元素可以使用前边的记号，也可以直接指定列名：

patientData
patientData[1:2]
patientData[c("diabetes","status")]
patientData$age #$可以用来选取一个给定数据框中的某个特定变量

如果嫌弃每次都要输入一次data$比较麻烦，可以考虑attach()和detach(),或者单独使用with()来简化代码
attach()、detach()、和with（）

• 函数attach()可以将数据框添加到R的搜索路径中，R在遇到一个变量名后将会检索路径中的数据框
• 函数detach()可以将数据框从搜索路径中移除，但是它不会对数据框本身做任何处理

缺陷：这两个函数最好在分析一个数据框，并且不太可能有多个同名对象时使用

with(data,{ })这样{ }之间的语句都是只针对数据框data执行，这样就无需担心同名
缺陷：赋值仅在此函数的括号内生效，出括号外就查无此人了

解决方案：在括号里的赋值符号从<-变成<<-,它可以把对象保存到with()之外的全局环境中

实例标识符
实例标识符可以通过数据框操作函数中的rowname选项指定：

将patientID指定为R中标记各类打印输出和图形中实例名称所用的变量

2.2.5因子

类别(名义型)变量和有序型变量(有序类别)在R中称为因子(factor)

非常重要
函数factor()以一个整数向量的形式存储类别值，取值范围是[1,2,…k]（k是名义型变量中唯一值的个数），同时一个由字符串（原始值）组成的内部向量将映射到这些整数上：

diabetes<-c("Type1","Type2","Type1","Type1")
diabetes<-factor(diabetes)

factor将此向量存储为（1,2，1,1,），并在内部将其关联为1=Type1,2=Type2（具体复制根据字母顺序而定）针对向量diabetes的任何分析都会将其作为名义型变量对待

ordered选项设置为有序型变量：

status<-c("Poor","Improved","Excellent","Poor",ordered=TRUE)

ordered=TRUE表示有序型变量
对于字符型向量，因子的水平默认依照字母顺序创建，但这往往不能让人满意，水平levels选项可以解决这个问题：

status<-factor(status,ordered = TRUE,levels = c("Poor","Improved","Excellent"))

这就是赋值为1=Poor，2=Improved，3=Excellent，注意指定的水平要与数据中的真实值相匹配，任何在数据中出现而未在参数中列举的数据都将被设置为缺失值

数值型变量可以用levels和labels参数来编码因子。如果男性被编码成1，女性被编码成2，则：

sex<-factor(sex,levels =c(1,2),labels = c("Male","Female"))

把变量转换成一个无序因子，标签的顺序必须和水平一致

因子的使用：

#以向量形式输入数据
patientID<-c(1,2,3,4)
age<-c(25,34,28,52)
diabetes<-c("Type1","Type2","Type1","Type1")
status<-c("Poor","Improved","Excellent","Poor")
diabetes<-factor(diabetes)
status<-factor(status,ordered = TRUE)
patientData<-data.frame(patientID,age,diabetes,status)
#显示对象的结构
str(patientData)
#显示对象的统计概要
summary(patientData)

2.2.6列表
列表就是一些对象（或成分）的有序集合，某个列表可以是若干向量、矩阵、数据框，甚至其他列表的组合，可以用list（）创建列表：

其中的object可以是目前为止讲的任意结构。
还可以为列表中的对象命名：

g<-"My First List"
h<-c(25,26,18,39)
j<-matrix(1:10,nrow = 5)
k<-c("one","two","three")
#创建列表
mylist<-list(title=g,ages=h,j,k)
mylist
#提取成分
mylist[[2]]
mylist[["ages"]]

1. 列表允许一种简单的方式组织和重新调用不相干的信息
2. 许多R函数的运行结果都是以列表的形式返回的

2.3数据的输入

2.3.1从键盘录入数据

或者对一个已经编辑了的或者导入的数据进行编辑可以简洁地写为
fix(mydata)

2.3.2从带分隔符的文本文件导入数据


read.table默认把字符变量转化为因子
2.3.3导入Excel数据
读取一个Excel的最好方式，就是在Excel中将其导出为一个逗号分割文件（csv）,并用上文方式导入R
如果想直接去读取，须下载并且加载包xlsx、xlsxjars、rJava和一个正常工作的Java：

file是Excel工作簿的所在路径，n为要导入的工作表序号，例如：

2.2.4——2.3.12
略
有需要直接查书

2.4数据集的标注
2.4.1变量标签

一种解决方法是把变量标签作为变量名

不太理想
2.4.2值标签
函数factor()可为类别变量创建值标签

2.5处理数据对象的实用函数


head()查看数据集的前六行，tail()查看数据集的后六行

end