作者:张丹,R语言中文社区专栏特邀作者,《R的极客理想》系列图书作者,民生银行大数据中心数据分析师,前况客创始人兼CTO。
个人博客 http://fens.me, Alexa全球排名70k。
前言
作为数据分析师,每天都有大量的数据需要处理,我们会根据业务的要求做各种复杂的报表,包括了分组、排序、过滤、转置、差分、填充、移动、合并、分裂、分布、去重、找重、填充 等等的操作。
有时为了计算一个业务指标,你的SQL怎么写都不会少于10行时,另外你可能也会抱怨Excel功能不够强大,这个时候R语言绝对是不二的选择了。用R语言可以高效地、优雅地解决数据处理的问题,让R来帮你打开面向数据的思维模式。
目录
为什么要用R语言做数据处理?
数据处理基础
个性化的数据变换需求
1. 为什么要用R语言做数据处理?
R语言是非常适合做数据处理的编程语言,因为R语言的设计理念,就是面向数据的,为了解决数据问题。读完本文,相信你就能明白,什么是面向数据的设计了。
一个BI工程师每天的任务,都是非常繁琐的数据处理,如果用Java来做简直就是折磨,但是换成R语言来做,你会找到乐趣的。
当接到一个数据处理的任务后,我们可以把任务拆解为很多小的操作,包括了分组、排序、过滤、转置、差分、填充、移动、合并、分裂、分布、去重、找重等等的操作。对于实际应用的复杂的操作来说,就是把这些小的零碎的操作,拼装起来就好了。
在开始之前,我们要先了解一下R语言支持的数据类型,以及这些常用类型的特点。对于BI的数据处理的工作来说,可能有4种类型是最常用的,分别是向量、矩阵、数据框、时间序列。
向量 Vector : c()
矩阵 Matrix: matrix()
数据框 DataFrame: data.frame()
时间序列 XTS: xts()
我主要是用R语言来做量化投资,很多的时候,都是和时间序列类型数据打交道,所以我把时间序列,也定义为R语言最常用的数据处理的类型。时间序列类型,使用的是第三方包xts中定义的类型。
2. 数据处理基础
本机的系统环境:
Win10 64bit
R: version 3.2.3 64bit
2.1 创建一个数据集
创建一个向量数据集。
> x<-1:20;x [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
创建一个矩阵数据集。
> m<-matrix(1:40,ncol=5);m
[,1] [,2] [,3] [,4] [,5]
[1,]19 17 25 33
[2,]2 10 18 26 34
[3,]3 11 19 27 35
[4,]4 12 20 28 36
[5,]5 13 21 29 37
[6,]6 14 22 30 38
[7,]7 15 23 31 39
[8,]8 16 24 32 40
创建一个数据框数据集。
> df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df
a b c
1 1 A 1.1519118
2 2 A 0.9921604
3 3 B -0.4295131
4 4 B 1.2383041
5 5 A -0.2793463
创建一个时间序列数据集,时间序列使用的第三方的xts类型。关于xts类型的详细介绍,请参考文章 可扩展的时间序列xts。
> library(xts) > xts(1:10,order.by=as.Date('2017-01-01')+1:10) [,1] 2017-01-02 1 2017-01-03 2 2017-01-04 3 2017-01-05 4 2017-01-06 5 2017-01-07 6 2017-01-08 7 2017-01-09 8 2017-01-10 9 2017-01-11 10
2.2 查看数据概况
通常进行数据分析的第一步是,查看一下数据的概况信息,在R语言里可以使用summary()函数来完成。
# 查看矩阵数据集的概况 > m<-matrix(1:40,ncol=5) > summary(m) V1 V2 V3 V4 V5 Min. :1.00 Min. : 9.00 Min. :17.00 Min. :25.00 Min. :33.00 1st Qu.:2.75 1st Qu.:10.75 1st Qu.:18.75 1st Qu.:26.75 1st Qu.:34.75 Median :4.50 Median :12.50 Median :20.50 Median :28.50 Median :36.50 Mean :4.50 Mean :12.50 Mean :20.50 Mean :28.50 Mean :36.50 3rd Qu.:6.25 3rd Qu.:14.25 3rd Qu.:22.25 3rd Qu.:30.25 3rd Qu.:38.25 Max. :8.00 Max. :16.00 Max. :24.00 Max. :32.00 Max. :40.00 # 查看数据框数据集的概况信息 > df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5)) > summary(df) a b c Min. :1 A:3 Min. :-1.5638 1st Qu.:2 B:2 1st Qu.:-1.0656 Median :3 Median :-0.2273 Mean :3 Mean :-0.1736 3rd Qu.:4 3rd Qu.: 0.8320 Max. :5 Max. : 1.1565
通过查看概况,可以帮助我们简单了解数据的一些统计特征。
2.3 数据合并
我们经常需要对于数据集,进行合并操作,让数据集满足处理的需求。对于不同类型的数据集,有不同的处理方法。
向量类型
> x<-1:5 > y<-11:15 > c(x,y) [1] 1 2 3 4 5 11 12 13 14 15
数据框类型的合并操作。
> df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df a b c 1 1 A 1.1519118 2 2 A 0.9921604 3 3 B -0.4295131 4 4 B 1.2383041 5 5 A -0.2793463 # 合并新行 > rbind(df,c(11,'A',222)) a b c 1 1 A 1.1519117540872 2 2 A 0.992160365445798 3 3 B -0.429513109491881 4 4 B 1.23830410085338 5 5 A -0.279346281854269 6 11 A 222 # 合并新列 > cbind(df,x=LETTERS[1:5]) a b c x 1 1 A 1.1519118 A 2 2 A 0.9921604 B 3 3 B -0.4295131 C 4 4 B 1.2383041 D 5 5 A -0.2793463 E # 合并新列 > merge(df,LETTERS[3:5]) a b c y 1 1 A 1.1519118 C 2 2 A 0.9921604 C 3 3 B -0.4295131 C 4 4 B 1.2383041 C 5 5 A -0.2793463 C 6 1 A 1.1519118 D 7 2 A 0.9921604 D 8 3 B -0.4295131 D 9 4 B 1.2383041 D 10 5 A -0.2793463 D 11 1 A 1.1519118 E 12 2 A 0.9921604 E 13 3 B -0.4295131 E 14 4 B 1.2383041 E 15 5 A -0.2793463 E
2.4 累计计算
累计计算,是很常用的一种计算方法,就是把每个数值型的数据,累计求和或累计求积,从而反应数据的增长的一种特征。
# 向量x > x<-1:10;x [1] 1 2 3 4 5 6 7 8 9 10 # 累计求和 > cum_sum<-cumsum(x) # 累计求积 > cum_prod<-cumprod(x) # 拼接成data.frame > data.frame(x,cum_sum,cum_prod) x cum_sum cum_prod 1 1 1 1 2 2 3 2 3 3 6 6 4 4 10 24 5 5 15 120 6 6 21 720 7 7 28 5040 8 8 36 40320 9 9 45 362880 10 10 55 3628800
我们通常用累计计算,记录中间每一步的过程,看到的数据处理过程的特征。
2.5 差分计算
差分计算,是用向量的后一项减去前一项,所获得的差值,差分的结果反映了离散量之间的一种变化。
> x<-1:10;x
[1] 1 2 3 4 5 6 7 8 9 10
# 计算1阶差分
> diff(x)
[1] 1 1 1 1 1 1 1 1 1
# 计算2阶差分
> diff(x,2)
[1] 2 2 2 2 2 2 2 2
# 计算2阶差分,迭代2次
> diff(x,2,2)
[1] 0 0 0 0 0 0
下面做一个稍微复杂一点的例子,通过差分来发现数据的规律。
# 对向量2次累积求和 > x <- cumsum(cumsum(1:10));x [1] 1 4 10 20 35 56 84 120 165 220 # 计算2阶差分 > diff(x, lag = 2) [1] 9 16 25 36 49 64 81 100 # 计算1阶差分,迭代2次 > diff(x, differences = 2) [1] 3 4 5 6 7 8 9 10 # 同上 > diff(diff(x)) [1] 3 4 5 6 7 8 9 10
差分其实是很常见数据的操作,但这种操作是SQL很难表达的,所以可能会被大家所忽视。
2.6 分组计算
分组是SQL中,支持的一种数据变换的操作,对应于group by的语法。
比如,我们写一个例子。创建一个数据框有a,b,c的3列,其中a,c列为数值型,b列为字符串,我们以b列分组,求出a列与c的均值。
# 创建数据框 > df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df a b c 1 1 A 1.28505418 2 2 A -0.04687263 3 3 B 0.25383533 4 4 B 0.70145787 5 5 A -0.11470372 # 执行分组操作 > aggregate(. ~ b, data = df, mean) b a c 1 A 2.666667 0.3744926 2 B 3.500000 0.4776466
同样的数据集,以b列分组,对a列求和,对c列求均值。当对不同列,进行不同的操作时,我们同时也需要换其他函数来处理。
# 加载plyr库
> library(plyr)
# 执行分组操作
> ddply(df,.(b),summarise,
+ sum_a=sum(a),
+ mean_c=mean(c))
b sum_a mean_c
1 A 8 -0.05514761
2 B 7 0.82301276
生成的结果,就是按b列进行分组后,a列求和,c列求均值。
2.7 分裂计算
分裂计算,是把一个向量按照一列规则,拆分成多个向量的操作。
如果你想把1:10的向量,按照单双数,拆分成2个向量。
> split(1:10, 1:2) $`1` [1] 1 3 5 7 9 $`2` [1] 2 4 6 8 10
另外,可以用因子类型来控制分裂。分成2步操作,第一步先分成与数据集同样长度的因子,第二步进行分裂,可以把一个大的向量拆分成多个小的向量。
# 生成因子规则 > n <- 3; size <- 5 > fat <- factor(round(n * runif(n * size)));fat [1] 2 3 2 1 1 0 0 2 0 1 2 3 1 1 1 Levels: 0 1 2 3 # 生成数据向量 > x <- rnorm(n * size);x [1] 0.68973936 0.02800216 -0.74327321 0.18879230 -1.80495863 1.46555486 0.15325334 2.17261167 0.47550953 [10] -0.70994643 0.61072635 -0.93409763 -1.25363340 0.29144624 -0.44329187 # 对向量以因子的规则进行拆分 > split(x, fat) $`0` [1] 1.4655549 0.1532533 0.4755095 $`1` [1] 0.1887923 -1.8049586 -0.7099464 -1.2536334 0.2914462 -0.4432919 $`2` [1] 0.6897394 -0.7432732 2.1726117 0.6107264 $`3` [1] 0.02800216 -0.93409763
这种操作可以非常有效地,对数据集进行分类整理,比if..else的操作,有本质上的提升。
2.8 排序
排序是所有数据操作中,最常见一种需求了。在R语言中,你可以很方便的使用排序的功能,并不用考虑时间复杂度与空间复杂度的问题,除非你自己非要用for循环来实现。
对向量进行排序。
# 生成一个乱序的向量 > x<-sample(1:10);x [1] 6 2 5 1 9 10 8 3 7 4 # 对向量排序 > x[order(x)] [1] 1 2 3 4 5 6 7 8 9 10
以数据框某一列进行排序。
> df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df a b c 1 1 A 1.1780870 2 2 A -1.5235668 3 3 B 0.5939462 4 4 B 0.3329504 5 5 A 1.0630998 # 自定义排序函数 > order_df<-function(df,col,decreasing=FALSE){ + df[order(df[,c(col)],decreasing=decreasing),] + } # 以c列倒序排序 > order_df(df,'c',decreasing=TRUE) a b c 1 1 A 1.1780870 5 5 A 1.0630998 3 3 B 0.5939462 4 4 B 0.3329504 2 2 A -1.5235668
排序的操作,大多都是基于索引来完成的,用order()函数来生成索引,再匹配的数据的数值上面。
2.9 去重与找重
去重,是把向量中重复的元素过滤掉。找重,是把向量中重复的元素找出来。
> x<-c(3:6,5:8);x [1] 3 4 5 6 5 6 7 8 # 去掉重复元素 > unique(x) [1] 3 4 5 6 7 8 # 找到重复元素,索引位置 > duplicated(x) [1] FALSE FALSE FALSE FALSE TRUE TRUE FALSE FALSE # 找到重复元素 > x[duplicated(x)] [1] 5 6
2.10 转置
转置是一个数学名词,把行和列进行互换,一般用于对矩阵的操作。
# 创建一个3行5列的矩阵 > m<-matrix(1:15,ncol=5);m [,1] [,2] [,3] [,4] [,5] [1,] 1 4 7 10 13 [2,] 2 5 8 11 14 [3,] 3 6 9 12 15 # 转置后,变成5行3列的矩阵 > t(m) [,1] [,2] [,3] [1,] 1 2 3 [2,] 4 5 6 [3,] 7 8 9 [4,] 10 11 12 [5,] 13 14 15
2.11 过滤
过滤,是对数据集按照某种规则进行筛选,去掉不符合条件的数据,保留符合条件的数据。对于NA值的操作,主要都集中在了过滤操作和填充操作中,因此就不在单独介绍NA值的处理了。
# 生成数据框 > df<-data.frame(a=c(1,NA,NA,2,NA), + b=c('B','A','B','B',NA), + c=c(rnorm(2),NA,NA,NA));df a b c 1 1 B -0.3041839 2 NA A 0.3700188 3 NA B NA 4 2 B NA 5 NA <NA> NA # 过滤有NA行的数据 > na.omit(df) a b c 1 1 B -0.3041839 # 过滤,保留b列值为B的数据 > df[which(df$b=='B'),] a b c 1 1 B -0.3041839 3 NA B NA 4 2 B NA
过滤,类似与SQL语句中的 WHERE 条件语句,如果你用100个以上的过滤条件,那么你的程序就会比较复杂了,最好想办法用一些巧妙的函数或者设计模式,来替换这些过滤条件。
2.12 填充
填充,是一个比较有意思的操作,你的原始数据有可能会有缺失值NA,在做各种计算时,就会出现有问题。一种方法是,你把NA值都去掉;另外一种方法是,你把NA值进行填充后再计算。那么在填充值时,就有一些讲究了。
把NA值进行填充。
# 生成数据框 > df<-data.frame(a=c(1,NA,NA,2,NA), + b=c('B','A','B','B',NA), + c=c(rnorm(2),NA,NA,NA));df a b c 1 1 B 0.2670988 2 NA A -0.5425200 3 NA B NA 4 2 B NA 5 NA <NA> NA # 把数据框a列的NA,用9进行填充 > na.fill(df$a,9) [1] 1 9 9 2 9 # 把数据框中的NA,用1进行填充 > na.fill(df,1) a b c [1,] " 1" "B" " 0.2670988" [2,] "TRUE" "A" "-0.5425200" [3,] "TRUE" "B" "TRUE" [4,] " 2" "B" "TRUE" [5,] "TRUE" "TRUE" "TRUE"
填充时,有时并不是用某个固定的值,而是需要基于某种规则去填充。
# 生成一个zoo类型的数据 > z <- zoo(c(2, NA, 1, 4, 5, 2), c(1, 3, 4, 6, 7, 8));z 1 3 4 6 7 8 2 NA 1 4 5 2 # 对NA进行线性插值 > na.approx(z) 1 3 4 6 7 8 2.000000 1.333333 1.000000 4.000000 5.000000 2.000000 # 对NA进行线性插值 > na.approx(z, 1:6) 1 3 4 6 7 8 2.0 1.5 1.0 4.0 5.0 2.0 # 对NA进行样条插值 > na.spline(z) 1 3 4 6 7 8 2.0000000 0.1535948 1.0000000 4.0000000 5.0000000 2.0000000
另外,我们可以针对NA的位置进行填充,比如用前值来填充或后值来填充。
> df a b c 1 1 B 0.2670988 2 NA A -0.5425200 3 NA B NA 4 2 B NA 5 NA <NA> NA # 用当前列中,NA的前值来填充 > na.locf(df) a b c 1 1 B 0.2670988 2 1 A -0.5425200 3 1 B -0.5425200 4 2 B -0.5425200 5 2 B -0.5425200 # 用当前列中,NA的后值来填充 > na.locf(df,fromLast=TRUE) a b c 1 1 B 0.2670988 2 2 A -0.5425200 3 2 B <NA> 4 2 B <NA>
2.13 计数
计数,是统计同一个值出现的次数。
# 生成30个随机数的向量 > set.seed(0) > x<-round(rnorm(30)*5);x [1] 6 -2 7 6 2 -8 -5 -1 0 12 4 -4 -6 -1 -1 -2 1 -4 2 -6 -1 2 1 4 0 3 5 -3 -6 0 # 统计每个值出现的次数 > table(x) x -8 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 12 1 3 1 2 1 2 4 3 2 3 1 2 1 2 1 1
用直方图画出。
> hist(x,xlim = c(-10,13),breaks=20)
2.14 统计分布
统计分布,是用来判断数据是否是满足某种统计学分布,如果能够验证了,那么我们就可以用到这种分布的特性来理解我们的数据集的情况了。常见的连续型的统计分布有9种,其中最常用的就是正态分布的假设。
runif() :均匀分布
rnorm() :正态分布
rexp() :指数分布
rgamma() :伽马分布
rweibull() :韦伯分布
rchisq() :卡方分布
rf() :F分布
rt() :T分布
rbeta() :贝塔分布
统计模型定义的回归模型,就是基于正态分布的做的数据假设,如果残差满足正态分布,模型的指标再漂亮都是假的。如果你想进一步了解回归模型,请参考文章R语言解读一元线性回归模型。
下面用正态分布,来举例说明一下。假设我们有一组数据,是人的身高信息,我们知道平均身高是170cm,然后我们算一下,这组身高数据是否满足正态分布。
# 生成身高数据 > set.seed(1) > x<-round(rnorm(100,170,10)) > head(x,20) [1] 164 172 162 186 173 162 175 177 176 167 185 174 164 148 181 170 170 179 178 176 # 画出散点图 > plot(x)
通过散点图来观察,发现数据是没有任何规律。接下来,我们进行正态分布的检验,Shapiro-Wilk进行正态分布检验。
> shapiro.test(x) Shapiro-Wilk normality test data: x W = 0.99409, p-value = 0.9444
该检验原假设为H0:数据集符合正态分布,统计量W为。统计量W的最大值是1,越接近1,表示样本与正态分布越匹配。p值,如果p-value小于显著性水平α(0.05),则拒绝H0。检验结论: W接近1,p-value>0.05,不能拒绝原假设,所以数据集S符合正态分布!
同时,我们也可以用QQ图,来做正态分布的检验。
> qqnorm(x) > qqline(x,col='red')
图中,散点均匀的分布在对角线,则说明这组数据符合正态分布。
为了,更直观地对正态分布的数据进行观察,我们可以用上文中计数操作时,使用的直方图进行观察。
> hist(x,breaks=10)
通过计数的方法,发现数据形状如钟型,中间高两边低,中间部分的数量占了95%,这就是正态的特征。当判断出,数据是符合正态分布后,那么才具备了可以使用一些的模型的基础。
2.15 数值分段
数值分段,就是把一个连续型的数值型数据,按区间分割为因子类型的离散型数据。
> x<-1:10;x [1] 1 2 3 4 5 6 7 8 9 10 # 把向量转换为3段因子,分别列出每个值对应因子 > cut(x, 3) [1] (0.991,4] (0.991,4] (0.991,4] (0.991,4] (4,7] (4,7] (4,7] (7,10] (7,10] (7,10] Levels: (0.991,4] (4,7] (7,10] # 对因子保留2位精度,并支持排序 > cut(x, 3, dig.lab = 2, ordered = TRUE) [1] (0.99,4] (0.99,4] (0.99,4] (0.99,4] (4,7] (4,7] (4,7] (7,10] (7,10] (7,10]
2.16 集合操作
集合操作,是对2个向量的操作,处理2个向量之间的数值的关系,找到包含关系、取交集、并集、差集等。
# 定义2个向量x,y > x<-c(3:8,NA);x [1] 3 4 5 6 7 8 NA > y<-c(NA,6:10,NA);y [1] NA 6 7 8 9 10 NA # 判断x与y重复的元素的位置 > is.element(x, y) [1] FALSE FALSE FALSE TRUE TRUE TRUE TRUE # 判断y与x重复的元素的位置 > is.element(y, x) [1] TRUE TRUE TRUE TRUE FALSE FALSE TRUE # 取并集 > union(x, y) [1] 3 4 5 6 7 8 NA 9 10 # 取交集 > intersect(x, y) [1] 6 7 8 NA # 取x有,y没有元素 > setdiff(x, y) [1] 3 4 5 # 取y有,x没有元素 > setdiff(y, x) [1] 9 10 # 判断2个向量是否相等 > setequal(x, y) [1] FALSE
2.17 移动窗口
移动窗口,是用来按时间周期观察数据的一种方法。移动平均,就是一种移动窗口的最常见的应用了。
在R语言的的TTR包中,支持多种的移动窗口的计算。
runMean(x) :移动均值
runSum(x) :移动求和
runSD(x) :移动标准差
runVar(x) :移动方差
runCor(x,y) :移动相关系数
runCov(x,y) :移动协方差
runMax(x) :移动最大值
runMin(x) :移动最小值
runMedian(x):移动中位数
下面我们用移动平均来举例说明一下,移动平均在股票交易使用的非常普遍,是最基础的趋势判断的根踪指标了。
# 生成50个随机数 > set.seed(0) > x<-round(rnorm(50)*10);head(x,10) [1] 13 -3 13 13 4 -15 -9 -3 0 24 # 加载TTR包 > library(TTR) # 计算周期为3的移动平均值 > m3<-SMA(x,3);head(m3,10) [1] NA NA 7.6666667 7.6666667 10.0000000 0.6666667 -6.6666667 -9.0000000 -4.0000000 [10] 7.0000000 # 计算周期为5的移动平均值 > m5<-SMA(x,5);head(m5,10) [1] NA NA NA NA 8.0 2.4 1.2 -2.0 -4.6 -0.6
当计算周期为3的移动平均值时,结果的前2个值是NA,计算的算法是
(第一个值 + 第二个值 + 第三个值) /3 = 第三个值的移动平均值 (13 + -3 + 13) /3 = 7.6666667
画出图形
> plot(x,type='l') > lines(m3,col='blue') > lines(m5,col='red')
图中黑色线是原始数据,蓝色线是周期为3的移动平均值,红色线是周期为5的移动平均值。这3个线中,周期越大的越平滑,红色线波动是最小的,趋势性是越明显的。
2.18 时间对齐
时间对齐,是在处理时间序列类型时常用到的操作。我们在做金融量化分析时,经常遇到时间不齐的情况,比如某支股票交易很活跃,每一秒都有交易,而其他不太活跃的股票,可能1分钟才有一笔交易,当我们要同时分析这2只股票的时候,就需要把他们的交易时间进行对齐。
# 生成数据,每秒一个值 > a<-as.POSIXct("2017-01-01 10:00:00")+0:300 # 生成数据,每59秒一个值 > b<-as.POSIXct("2017-01-01 10:00")+seq(1,300,59) # 打印a > head(a,10) [1] "2017-01-01 10:00:00 CST" "2017-01-01 10:00:01 CST" "2017-01-01 10:00:02 CST" "2017-01-01 10:00:03 CST" [5] "2017-01-01 10:00:04 CST" "2017-01-01 10:00:05 CST" "2017-01-01 10:00:06 CST" "2017-01-01 10:00:07 CST" [9] "2017-01-01 10:00:08 CST" "2017-01-01 10:00:09 CST" # 打印b > head(b,10) [1] "2017-01-01 10:00:01 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:59 CST" "2017-01-01 10:02:58 CST" [5] "2017-01-01 10:03:57 CST" "2017-01-01 10:04:56 CST"
按分钟进行对齐,把时间都对齐到分钟线上。
# 按分钟对齐 > a1<-align.time(a, 1*60) > b1<-align.time(b, 1*60) # 查看对齐后的结果 > head(a1,10) [1] "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" [5] "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" [9] "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" > head(b1,10) [1] "2017-01-01 10:01:00 CST" "2017-01-01 10:02:00 CST" "2017-01-01 10:02:00 CST" "2017-01-01 10:03:00 CST" [5] "2017-01-01 10:04:00 CST" "2017-01-01 10:05:00 CST"
由于a1数据集,每分钟有多条数据,取每分钟的最后一条代表这分钟就行。
> a1[endpoints(a1,'minutes')] [1] "2017-01-01 10:01:00 CST" "2017-01-01 10:02:00 CST" "2017-01-01 10:03:00 CST" "2017-01-01 10:04:00 CST" [5] "2017-01-01 10:05:00 CST" "2017-01-01 10:06:00 CST"
这样子就完成了时间对齐,把不同时间的数据放到都一个维度中了。
3. 个性化的数据变换需求
我们上面已经介绍了,很多种的R语言数据处理的方法,大多都是基于R语言内置的函数或第三方包来完成的。在实际的工作中,实际还有再多的操作,完全是各性化的。
3.1 过滤数据框中,列数据全部为空的列
空值,通常都会给我们做数值计算,带来很多麻烦。有时候一列的数据都是空时,我们需要先把这一个过滤掉,再进行数据处理。
用R语言程序进行实现
# 判断哪列的值都是NA na_col_del_df<-function(df){ df[,which(!apply(df,2,function(x) all(is.na(x))))] } # 生成一个数据集 > df<-data.frame(a=c(1,NA,2,4),b=rep(NA,4),c=1:4);df a b c 1 1 NA 1 2 NA NA 2 3 2 NA 3 4 4 NA 4 # 保留非NA的列 > na_col_del_df(df) a c 1 1 1 2 NA 2 3 2 3 4 4 4
3.2 替换数据框中某个区域的数据
我们想替换数据框中某个区域的数据,那么应该怎么做呢?
找到第一个数据框中,与第二个数据框中匹配的行的值作为条件,然后替换这一行的其他指定列的值。
> replace_df<-function(df1,df2,keys,vals){ + row1<-which(apply(mapply(match,df1[,keys],df2[,keys])>0,1,all)) + row2<-which(apply(mapply(match,df2[,keys],df1[,keys])>0,1,all)) + df1[row1,vals]<-df2[row2,vals] + return(df1) + } # 第一个数据框 > df1<-data.frame(A=c(1,2,3,4),B=c('a','b','c','d'),C=c(0,4,0,4),D=1:4);df1 A B C D 1 1 a 0 1 2 2 b 4 2 3 3 c 0 3 4 4 d 4 4 # 第二个数据框 > df2<-data.frame(A=c(1,3),B=c('a','c'),C=c(9,9),D=rep(8,2));df2 A B C D 1 1 a 9 8 2 3 c 9 8 # 定义匹配条件列 > keys=c("A","B") # 定义替换的列 > vals=c("C","D") # 数据替换 > replace_df(df1,df2,keys,vals) A B C D 1 1 a 9 8 2 2 b 4 2 3 3 c 9 8 4 4 d 4 4
其实不管R语言中,各种内置的功能函数有多少,自己做在数据处理的时候,都要自己构建很多DIY的函数。
3.3 长表和宽表变换
长宽其实是一种类对于标准表格形状的描述,长表变宽表,是把一个行数很多的表,让其行数减少,列数增加,宽表变长表,是把一个表格列数减少行数增加。
长表变宽表,指定program列不动,用fun列的每一行,生成新的列,再用time列的每个值进行填充。
# 创建数据框 > df<-data.frame( + program=rep(c('R','Java','PHP','Python'),3), + fun=rep(c('fun1','fun2','fun3'),each = 4), + time=round(rnorm(12,10,3),2) + );df program fun time 1 R fun1 10.91 2 Java fun1 6.59 3 PHP fun1 9.26 4 Python fun1 11.17 5 R fun2 12.27 6 Java fun2 6.61 7 PHP fun2 7.28 8 Python fun2 9.39 9 R fun3 9.22 10 Java fun3 11.20 11 PHP fun3 13.40 12 Python fun3 10.67 # 加载reshape2库 > library(reshape2) # 长表变宽表 > wide <- reshape(df,v.names="time",idvar="program",timevar="fun",direction = "wide");wide program time.fun1 time.fun2 time.fun3 1 R 10.91 12.27 9.22 2 Java 6.59 6.61 11.20 3 PHP 9.26 7.28 13.40 4 Python 11.17 9.39 10.67
接下来,进行反正操作,把宽表再转换为长表,还是使用reshape()函数。
# 宽表变为长表 > reshape(wide, direction = "long") program fun time R.fun1 R fun1 8.31 Java.fun1 Java fun1 8.45 PHP.fun1 PHP fun1 10.49 Python.fun1 Python fun1 10.45 R.fun2 R fun2 8.72 Java.fun2 Java fun2 4.15 PHP.fun2 PHP fun2 11.47 Python.fun2 Python fun2 13.25 R.fun3 R fun3 10.10 Java.fun3 Java fun3 13.86 PHP.fun3 PHP fun3 9.96 Python.fun3 Python fun3 14.64
我们在宽表转换为长表时,可以指定想转换部分列,而不是所有列,这样就需要增加一个参数进行控制。比如,只变换time.fun2,time.fun3列到长表,而不变换time.fun1列。
> reshape(wide, direction = "long", varying =3:4) program time.fun1 time id 1.fun2 R 8.31 8.72 1 2.fun2 Java 8.45 4.15 2 3.fun2 PHP 10.49 11.47 3 4.fun2 Python 10.45 13.25 4 1.fun3 R 8.31 10.10 1 2.fun3 Java 8.45 13.86 2 3.fun3 PHP 10.49 9.96 3 4.fun3 Python 10.45 14.64 4
这样子的转换变形,是非常有利于我们从多角度来看数据的。
3.4 融化
融化,用于把以列进行分组的数据,转型为按行存储,对应数据表设计的概念为,属性表设计。
我们设计一下标准的二维表结构,然后按属性表的方式进行转换。
# 构建数据集 > df<-data.frame( + id=1:10, + x1=rnorm(10), + x2=runif(10,0,1) + );df id x1 x2 1 1 1.78375335 0.639933473 2 2 0.26424700 0.250290845 3 3 -1.83138689 0.963861236 4 4 -1.77029220 0.451004465 5 5 -0.92149552 0.322621217 6 6 0.88499153 0.697954226 7 7 0.68905343 0.002045145 8 8 1.35269693 0.765777220 9 9 0.03673819 0.908817646 10 10 0.49682503 0.413977373 # 融合,以id列为固定列 > melt(df, id="id") id variable value 1 1 x1 1.783753346 2 2 x1 0.264247003 3 3 x1 -1.831386887 4 4 x1 -1.770292202 5 5 x1 -0.921495517 6 6 x1 0.884991529 7 7 x1 0.689053430 8 8 x1 1.352696934 9 9 x1 0.036738187 10 10 x1 0.496825031 11 1 x2 0.639933473 12 2 x2 0.250290845 13 3 x2 0.963861236 14 4 x2 0.451004465 15 5 x2 0.322621217 16 6 x2 0.697954226 17 7 x2 0.002045145 18 8 x2 0.765777220 19 9 x2 0.908817646 20 10 x2 0.413977373
这个操作其实在使用ggplot2包画图时,会被经常用到。因为ggplot2做可视化时画多条曲线时,要求的输入的数据格式必须时属性表的格式。
3.5 周期分割
周期分割,是基于时间序列类型数据的处理。比如黄金的交易,你可以用1天为周期来观察,也可以用的1小时为周期来观察,也可以用1分钟为周期来看。
下面我们尝试先生成交易数据,再对交易数据进行周期的分割。本例仅为周期分割操作的示范,数据为随机生成的,请不要对数据的真实性较真。
# 加载xts包 > library(xts) # 定义生成每日交易数据函数 > newTick<-function(date='2017-01-01',n=30){ + newDate<-paste(date,'10:00:00') + xts(round(rnorm(n,10,2),2),order.by=as.POSIXct(newDate)+seq(0,(n-1)*60,60)) + }
假设我们要生成1年的交易数据,先产生1年的日期向量,然后循环生成每日的数据。
# 设置交易日期 > dates<-as.Date("2017-01-01")+seq(0,360,1) > head(dates) [1] "2017-01-01" "2017-01-02" "2017-01-03" "2017-01-04" "2017-01-05" "2017-01-06" # 生成交易数据 > xs<-lapply(dates,function(date){ + newTick(date) + }) # 查看数据静态结构 > str(head(xs,2)) List of 2 $ :An ‘xts’ object on 2017-01-01 10:00:00/2017-01-01 10:29:00 containing: Data: num [1:30, 1] 9.98 9.2 10.21 9.08 7.82 ... Indexed by objects of class: [POSIXct,POSIXt] TZ: xts Attributes: NULL $ :An ‘xts’ object on 2017-01-02 10:00:00/2017-01-02 10:29:00 containing: Data: num [1:30, 1] 9.41 13.15 6.07 10.12 10.37 ... Indexed by objects of class: [POSIXct,POSIXt] TZ: xts Attributes: NULL # 转型为xts类型 > df<-do.call(rbind.data.frame, xs) > xdf<-as.xts(df) > head(xdf) V1 2017-01-01 10:00:00 9.98 2017-01-01 10:01:00 9.20 2017-01-01 10:02:00 10.21 2017-01-01 10:03:00 9.08 2017-01-01 10:04:00 7.82 2017-01-01 10:05:00 10.47
现在有了数据,那么我们可以对数据日期,按周期的分割了,从而生成开盘价、最高价、最低价、收盘价。这里一样会用到xts包的函数。
# 按日进行分割,对应高开低收的价格 > d1<-to.period(xdf,period='days');head(d1) xdf.Open xdf.High xdf.Low xdf.Close 2017-01-01 10:29:00 9.98 13.74 5.35 13.34 2017-01-02 10:29:00 9.41 13.54 6.07 9.76 2017-01-03 10:29:00 12.11 13.91 7.16 10.75 2017-01-04 10:29:00 10.43 14.02 6.31 12.10 2017-01-05 10:29:00 11.51 13.97 6.67 13.97 2017-01-06 10:29:00 10.57 12.81 4.30 5.16 # 按月进行分割 > m1<-to.period(xdf,period='months');m1 xdf.Open xdf.High xdf.Low xdf.Close 2017-01-31 10:29:00 9.98 16.40 3.85 10.14 2017-02-28 10:29:00 8.25 16.82 4.17 11.76 2017-03-31 10:29:00 10.55 15.54 2.77 9.61 2017-04-30 10:29:00 9.40 16.13 3.84 11.77 2017-05-31 10:29:00 13.79 16.74 3.97 10.25 2017-06-30 10:29:00 9.29 16.15 4.38 7.92 2017-07-31 10:29:00 5.39 16.09 4.55 9.88 2017-08-31 10:29:00 5.76 16.34 3.27 10.86 2017-09-30 10:29:00 9.56 16.40 3.58 10.09 2017-10-31 10:29:00 8.64 15.50 3.23 10.26 2017-11-30 10:29:00 9.20 15.38 3.00 10.92 2017-12-27 10:29:00 6.99 16.22 3.87 8.87 # 按7日进行分割 > d7<-to.period(xdf,period='days',k=7);head(d7) xdf.Open xdf.High xdf.Low xdf.Close 2017-01-07 10:29:00 9.98 15.54 4.30 10.42 2017-01-14 10:29:00 11.38 14.76 5.74 9.17 2017-01-21 10:29:00 9.57 16.40 3.85 11.91 2017-01-28 10:29:00 10.51 14.08 4.66 10.97 2017-02-04 10:29:00 10.43 16.69 4.53 6.09 2017-02-11 10:29:00 11.98 15.23 5.04 11.57
最后,通过可视化把不同周期的收盘价,画到一个图中。
> plot(d1$xdf.Close) > lines(d7$xdf.Close,col='red',lwd=2) > lines(m1$xdf.Close,col='blue',lwd=2)
从图中,可以看出切换为不同的周期,看到的形状是完全不一样的。黑色线表示以日为周期的,红色线表示以7日为周期的,蓝色线表示以月为周期的。
从本文的介绍来看,要做好数据处理是相当不容易的。你要知道数据是什么样的,业务逻辑是什么,怎么写程序以及数据变形,最后怎么进行BI展示,表达出正确的分析维度。试试R语言,忘掉程序员的思维,换成数据的思维,也许繁琐的数据处理工作会让你开心起来。
本文所介绍的数据处理的方法,及个性化的功能函数,我已经发布为一个github的开源项目,项目地址为:https://github.com/bsspirit/RTransform 欢迎大家试用,共同完善。
R的极客理想:量化投资篇
金融投资学理论
R语言数据处理
量化投资策略
三个维度
教你如何将R语言技术应用于金融市场
↙点击“阅读原文”即可购买本书