R语言数据处理

已于 2022-04-26 15:01:32 修改
阅读量6.5k 收藏 75
点赞数 6
文章标签： r语言
于 2022-04-24 15:14:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_54356409/article/details/124379848
版权

目录

一、读取和保存数据

1、读取外部数据

（1） 读取不含有标题的csv格式数据

（2） 读取含有标题的csv格式数据

（3）读取R格式数据 

2、保存数据

（1）将数据保存成csv格式

（2）将数据保存成R格式

二、随机数和数据抽样

1、生成随机数

2、数据抽样

三、生成频数分布表 

1、类别数据频数分布表 

（1）一维列联表

 （二）二维列联表

（三）多维列联表 

2、数值数据类别化 

（1）按组数分割 

 （2）按组距分割

（3）使用DescTools包中的Freq函数生成频数分布表

四、数据类型的转换 

1、将变量转换为向量

2、将数据框转换成矩阵 

 3、将列联表转化成数据框

4、将短格式数据转化成长格式数据 

（1）将短格式数据转化成长格式数据（数据框中有标识变量（类别因子））

 （2）将短格式数据转化成长格式数据（数据框中无标识变量）

一、读取和保存数据

1、读取外部数据

（1） 读取不含有标题的csv格式数据

table1_1 <- read.csv('./mydata/chap01/table1_1.csv', header = FALSE)
head(table1_1)

    V1       V2     V3
1 性别 网购次数 满意度
2   女  6次以上   满意
3   男    3~5次 不满意
4   女    3~5次 不满意
5   男    3~5次   中立
6   女    1~2次   满意

（2） 读取含有标题的csv格式数据

table1_1 <- read.csv('./mydata/chap01/table1_1.csv')
head(table1_1)

  性别 网购次数 满意度
1   女  6次以上   满意
2   男    3~5次 不满意
3   女    3~5次 不满意
4   男    3~5次   中立
5   女    1~2次   满意
6   男  6次以上 不满意

（3）读取R格式数据 

load('./mydata/chap01/table1_1.RData')

2、保存数据

（1）将数据保存成csv格式

write.csv(table1_1, file='./mydata/chap01/table1_1_1.csv')

（2）将数据保存成R格式

save(table1_1, file='./mydata/chap01/table1_1.RData')

二、随机数和数据抽样

1、生成随机数

# 生成不同分布的随机数
rnorm(10)         # 产生10个标准正态分布随机数
rnorm(10, 50, 5)  # 产生10个均值为50，标准差为5的正态分布随机数
runif(10, 0, 100) # 在0~100之间产生10个均匀分布随机数
rchisq(10, 15)    # 产生10个自由度为1.5的卡方分布随机数



# 想产生相同的随机数，使用set.seed()设定种子，如set.seed(10)

2、数据抽样

n <- 1:10
n1 <- sample(n, size=8)                # 无放回抽取10个数据
n1

[1]  9  7  8  6  3  2 10  5

n2 <- sample(n, size=8, replace=TRUE)  # 有放回抽取10个数据
n2

[1] 2 8 8 7 6 7 6 2

三、生成频数分布表 

频数分布表：对类别数据（因子的水平）计数或数值数据类别化（分组）后计数生成的表格。

1、类别数据频数分布表 

（1）一维列联表

# 读入数据【2000个消费者的网购情况调查数据】
data1_1 <- read.csv('./mydata/chap01/data1_1.csv')
head(data1_1,5)

  性别 网购次数 满意度
1   女  6次以上   满意
2   男    3~5次 不满意
3   女    3~5次 不满意
4   男    3~5次   中立
5   女    1~2次   满意

# 查看数据结构
str(data1_1)

 'data.frame':    2000 obs. of  3 variables:
 $ 性别    : chr  "女" "男" "女" "男" ...
 $ 网购次数: chr  "6次以上" "3~5次" "3~5次" "3~5次" ...
 $ 满意度  : chr  "满意" "不满意" "不满意" "中立" ...

# 生成满意度的一维表
mytable1 <- table(data1_1$满意度)
mytable1

不满意   满意   中立 
   800    520    680 

# 将mytable1转换为百分比表
prop.table(mytable1) * 100

不满意   满意   中立 
    40     26     34

 （二）二维列联表

二维列联表：一个名称放在“行”位置，另一个变量各类别放在“列”位置

# 生成性别和满意度的二维列联表
mytable2 <- table(data1_1$性别, data1_1$满意度) 
mytable2

     不满意 满意 中立
  男    360  160  320
  女    440  360  360

prop.table(mytable2)      # 所占总量的百分比

      不满意 满意 中立
  男   0.18 0.08 0.16
  女   0.22 0.18 0.18

prop.table(mytable2, 1)   # 行汇总的百分比

         不满意      满意      中立
  男 0.4285714 0.1904762 0.3809524
  女 0.3793103 0.3103448 0.3103448

prop.table(mytable2, 2)   # 列汇总的百分比

         不满意         满意            中立
  男 0.4500000 0.3076923 0.4705882
  女 0.5500000 0.6923077 0.5294118

addmargins(mytable2)      # 为列联表添加边际和

       不满意 满意 中立  Sum
  男     360  160  320  840
  女     440  360  360 1160
  Sum    800  520  680 2000

（三）多维列联表 

多维列联表：将一个或多个变量按“列”摆放，其余变按“行”摆放。

# 生成三维列联表（列变量为“满意度”）
mytable3 <- ftable(data1_1, row.vars = c("性别", "网购次数"), col.vars = "满意度")
mytable3

              满意度 不满意 满意 中立
性别 网购次数                        
男   1~2次              117   57  106
     3~5次              137   54  131
     6次以上            106   49   83
女   1~2次              122  114  102
     3~5次              179  141  162
     6次以上            139  105   96

# 生成三维列联表（列变量为"性别"和"满意度"）
mytable4 <- ftable(data1_1, row.vars = '网购次数', col.vars = c('性别', '满意度'))
mytable4

         性别       男                 女          
         满意度 不满意 满意 中立 不满意 满意 中立
网购次数                                         
1~2次              117   57  106    122  114  102
3~5次              137   54  131    179  141  162
6次以上            106   49   83    139  105   96

# 使用structable函数生成多维表
library(vcd)
structable(data1_1)

            网购次数 1~2次 3~5次 6次以上
性别 满意度                             
男   不满意            117   137     106
     满意               57    54      49
     中立              106   131      83
女   不满意            122   179     139
     满意              114   141     105
     中立              102   162      96

structable(网购次数 ~性别 + 满意度, data1_1)

            网购次数 1~2次 3~5次 6次以上
性别 满意度                             
男   不满意            117   137     106
     满意               57    54      49
     中立              106   131      83
女   不满意            122   179     139
     满意              114   141     105
     中立              102   162      96

2、数值数据类别化 

# 读入数据【某购物网站60天的销售额】
data1_2 <- read.csv('./mydata/chap01/data1_2.csv')
# 查看数据前5行
head(data1_2, 5)

  销售额
1    572
2    588
3    678
4    604
5    606

# 查看数据结构
str(data1_2)

 'data.frame':    60 obs. of  1 variable:
 $ 销售额: int  572 588 678 604 606 686 623 537 566 578 ...

# 查看销售额字段值类型
class(data1_2$销售额)

 [1] "integer"

（1）按组数分割 

注：生成数值数据频数分布表，先将其类别化（转化为类别或因子数据）

nclass.Sturges(data1_2$销售额)    #nclass.Sturges可算出大概数，具体组数可根据需要调整
v <- as.vector(data1_2$销售额)   # 将销售额转化为向量
cut(v, breaks = 7)               # 按组数切割：将数值向量切割成7组

 [1] (561,590] (561,590] (649,679] (590,620] (590,620] (679,708] (620,649] (531,561] (561,590] (561,590] (649,679]
[12] (590,620] (620,649] (590,620] (561,590] (679,708] (620,649] (502,531] (620,649] (561,590] (531,561] (561,590]
[23] (531,561] (561,590] (561,590] (502,531] (620,649] (590,620] (531,561] (649,679] (620,649] (561,590] (620,649]
[34] (620,649] (620,649] (620,649] (620,649] (590,620] (561,590] (561,590] (561,590] (561,590] (531,561] (679,708]
[45] (649,679] (531,561] (561,590] (561,590] (620,649] (590,620] (590,620] (590,620] (590,620] (649,679] (561,590]
[56] (649,679] (502,531] (620,649] (590,620] (590,620]
Levels: (502,531] (531,561] (561,590] (590,620] (620,649] (649,679] (679,708]

cut(v, breaks = 7, right = F)    # 左闭右开

 [1] [561,590) [561,590) [649,679) [590,620) [590,620) [679,708) [620,649) [531,561) [561,590) [561,590) [649,679)
[12] [590,620) [620,649) [590,620) [561,590) [679,708) [620,649) [502,531) [620,649) [561,590) [531,561) [561,590)
[23] [531,561) [561,590) [561,590) [502,531) [620,649) [590,620) [531,561) [649,679) [620,649) [561,590) [620,649)
[34] [620,649) [620,649) [620,649) [620,649) [590,620) [561,590) [561,590) [561,590) [561,590) [531,561) [679,708)
[45] [649,679) [531,561) [561,590) [561,590) [620,649) [590,620) [590,620) [590,620) [590,620) [649,679) [561,590)
[56] [649,679) [502,531) [620,649) [590,620) [590,620)
Levels: [502,531) [531,561) [561,590) [590,620) [620,649) [649,679) [679,708)

data1_2$销售额类别 = cut(v, breaks = 5)
head(data1_2,5)

   销售额 销售额类别
1    572  (543,584]
2    588  (584,626]
3    678  (667,708]
4    604  (584,626]
5    606  (584,626]

 （2）按组距分割

# 组距=(最大值 - 最小值)/组数
(max(v) - min(v))/5
mi <- floor(min(v) / 41)
ma <- ceiling(max(v) / 41)
cut(v, breaks = 41*(mi:ma))      # 按组距切割：将数值向量切割成组距为41

 [1] (533,574] (574,615] (656,697] (574,615] (574,615] (656,697] (615,656] (533,574] (533,574] (574,615] (656,697]
[12] (615,656] (615,656] (574,615] (533,574] (656,697] (615,656] (492,533] (615,656] (574,615] (533,574] (574,615]
[23] (533,574] (533,574] (533,574] (492,533] (615,656] (574,615] (533,574] (656,697] (615,656] (574,615] (615,656]
[34] (615,656] (615,656] (615,656] (615,656] (574,615] (574,615] (574,615] (533,574] (574,615] (533,574] (697,738]
[45] (656,697] (533,574] (574,615] (574,615] (615,656] (574,615] (574,615] (574,615] (574,615] (656,697] (574,615]
[56] (656,697] (492,533] (615,656] (574,615] (574,615]
Levels: (492,533] (533,574] (574,615] (615,656] (656,697] (697,738]

# 确定组数的常用方法
nclass.Sturges(v)

# 确定组距的方法：组距 = (最大值 - 最小值) / 组数
(max(v) - min(v)) / nclass.Sturges(v)

 注：组数和组距可根据分析需要调整

# 分成间隔为30的组，右开
d <- table(cut(v, breaks = 30*(16:24), right = F))
dd <- data.frame(d)    # 组织成数据框
dd

        Var1 Freq
1 [480,510)    1
2 [510,540)    4
3 [540,570)    8
4 [570,600)   17
5 [600,630)   14
6 [630,660)    7
7 [660,690)    8
8 [690,720)    1

# 计算频数百分比，结果 保留2位小数
percent <- round(dd$Freq/sum(dd$Freq) * 100, 2)
df <- data.frame(dd, percent)  # 组织成数据框
df

       Var1 Freq percent
1 [480,510)    1    1.67
2 [510,540)    4    6.67
3 [540,570)    8   13.33
4 [570,600)   17   28.33
5 [600,630)   14   23.33
6 [630,660)    7   11.67
7 [660,690)    8   13.33
8 [690,720)    1    1.67

# 重新命名并组织成频数分布表
mytable <- data.frame(分组 = df$Var1, 频数 = df$Freq, 频数百分比 = df$percent)
mytable

        分组 频数 频数百分比
1 [480,510)    1       1.67
2 [510,540)    4       6.67
3 [540,570)    8      13.33
4 [570,600)   17      28.33
5 [600,630)   14      23.33
6 [630,660)    7      11.67
7 [660,690)    8      13.33
8 [690,720)    1       1.67

# 实际分组时，可将组距确定易于理解的值，如50
# 分组间隔为50，并生成频数分布表
d <- table(cut(v, breaks = c(500, 550, 600, 650, 700, 750), right = F))
d

[500,550) [550,600) [600,650) [650,700) [700,750) 
        9          21              21            8              1

（3）使用DescTools包中的Freq函数生成频数分布表

data1_2 <- read.csv('./mydata/chap01/data1_2.csv')
# install.packages('DescTools')
library(DescTools)

# A.默认分组，含上限值
# 简单代码得到组别(level)、各组的频数(freq)、各组频数百分比(perc)、累积频数(cumfreq)、累积频数百分比(cumprec
tab <- Freq(data1_2$销售额)
tab

       level  freq   perc  cumfreq  cumperc
1  [500,550]     9  15.0%        9    15.0%
2  (550,600]    21  35.0%       30    50.0%
3  (600,650]    21  35.0%       51    85.0%
4  (650,700]     8  13.3%       59    98.3%
5  (700,750]     1   1.7%       60   100.0%

# B.使用Freq函数生成频数分布表，指定组距=20
20*(25:36)
tab1 <- Freq(data1_2$销售额, breaks = 20*(25:36), right = F)
tab1
tab2 <- data.frame(分组 = tab1$level,
                     频数 = tab1$freq,
                     频数百分比 = tab1$perc * 100,
                     累积频数 = tab1$cumfreq,
                     累积百分比 = tab1$cumperc * 100)
print(tab2, digits = 3)  # 用print函数定义输出结果的小数位数

         分组 频数 频数百分比 累积频数 累积百分比
1  [500,520)    2       3.33        2       3.33
2  [520,540)    3       5.00        5       8.33
3  [540,560)    4       6.67        9      15.00
4  [560,580)    9      15.00       18      30.00
5  [580,600)   12      20.00       30      50.00
6  [600,620)    8      13.33       38      63.33
7  [620,640)    9      15.00       47      78.33
8  [640,660)    4       6.67       51      85.00
9  [660,680)    6      10.00       57      95.00
10 [680,700)    2       3.33       59      98.33
11 [700,720]    1       1.67       60     100.00

四、数据类型的转换 

1、将变量转换为向量

table1_1 <- read.csv('./mydata/chap01/table1_1.csv')
table1_1

     姓名 统计学 数学 经济学
1 刘文涛     68   85     84
2 王宇翔     85   91     63
3 田思雨     74   74     61
4 徐丽娜     88  100     49
5 丁文彬     63   82     89

vector1 <- as.vector(table1_1$统计学)  # 将统计学分数转换成向量
# 将统计学和数学分数合并转换成一个向量
vector2 <- as.vector(c(table1_1$统计学, table1_1$数学))
vector1;vector2

[1] 68 85 74 88 63

 [1]  68  85  74  88  63  85  91  74 100  82

2、将数据框转换成矩阵 

# 将table1_1中的第2~4列转换成矩阵mat
mat <- as.matrix(table1_1[, 2:4])
mat
# 矩阵的行名为table1_1第1列的名称
rownames(mat) = table1_1[, 1]
mat

       统计学 数学 经济学
刘文涛     68   85     84
王宇翔     85   91     63
田思雨     74   74     61
徐丽娜     88  100     49
丁文彬     63   82     89

# 将矩阵转换成数据框
as.data.frame(mat)

 3、将列联表转化成数据框

library(DescTools)

# 将列联表转化成数据框
df <- Untable(mytable3)
head(df, 3)      #后三行tail(df, 3)

  性别 网购次数 满意度
1   男    1~2次 不满意
2   男    1~2次 不满意
3   男    1~2次 不满意

# 将列联表转化成带有类别频数的数据框
data1_1 <- read.csv('./mydata/chap01/data1_1.csv')
tab <- ftable(data1_1)    # 生成列联表（也可以使用table函数生成列联表）

df <- as.data.frame(tab)      # 将列联表转化成带有类别频数的数据框
head(df)

  性别 网购次数 满意度 Freq
1   男    1~2次 不满意  117
2   女    1~2次 不满意  122
3   男    3~5次 不满意  137
4   女    3~5次 不满意  179
5   男  6次以上 不满意  106
6   女  6次以上 不满意  139

reshape2::melt(table(data1_1))     # 与ftable(data1_1)效果相同

    性别 网购次数 满意度 value
1    男    1~2次 不满意   117
2    女    1~2次 不满意   122
3    男    3~5次 不满意   137
4    女    3~5次 不满意   179
5    男  6次以上 不满意   106
6    女  6次以上 不满意   139
7    男    1~2次   满意    57
8    女    1~2次   满意   114
9    男    3~5次   满意    54
10   女    3~5次   满意   141
11   男  6次以上   满意    49
12   女  6次以上   满意   105
13   男    1~2次   中立   106
14   女    1~2次   中立   102
15   男    3~5次   中立   131
16   女    3~5次   中立   162
17   男  6次以上   中立    83
18   女  6次以上   中立    96

4、将短格式数据转化成长格式数据 

（1）将短格式数据转化成长格式数据（数据框中有标识变量（类别因子））

table1_1

    姓名 统计学 数学 经济学
1 刘文涛     68   85     84
2 王宇翔     85   91     63
3 田思雨     74   74     61
4 徐丽娜     88  100     49
5 丁文彬     63   82     89

library(reshape2)
melt(table1_1, id.vars = '姓名') # 保持'姓名'列固定，其它列会自动融合
# variable.name、value.name分别用来设定列变量和值的名称
tab_long <- melt(table1_1, id.vars = '姓名', variable.name = '课程', value.name = '分数')
tab_long

      姓名   课程 分数
1  刘文涛 统计学   68
2  王宇翔 统计学   85
3  田思雨 统计学   74
4  徐丽娜 统计学   88
5  丁文彬 统计学   63
6  刘文涛   数学   85
7  王宇翔   数学   91
8  田思雨   数学   74
9  徐丽娜   数学  100
10 丁文彬   数学   82
11 刘文涛 经济学   84
12 王宇翔 经济学   63
13 田思雨 经济学   61
14 徐丽娜 经济学   49
15 丁文彬 经济学   89

 （2）将短格式数据转化成长格式数据（数据框中无标识变量）

table1_4 <- read.csv('./mydata/chap01/table1_4.csv')
table1_4

  统计学 数学 经济学
1     68   85     84
2     85   91     63
3     74   74     61
4     88  100     49
5     63   82     89

tab_long <- melt(table1_4, variable.name = '课程', value.name = '分数')  # 不使用标识变量直接融合
tab_long

      课程 分数
1  统计学   68
2  统计学   85
3  统计学   74
4  统计学   88
5  统计学   63
6    数学   85
7    数学   91
8    数学   74
9    数学  100
10   数学   82
11 经济学   84
12 经济学   63
13 经济学   61
14 经济学   49
15 经济学   89

 使用tidyr包中的gather函数融合数据

library(tidyr)
# key、value分别用来设定列变量和值的名称
df1 <- gather(table1_1, key = '课程', value = '分数', '统计学', '数学', '经济学')
df1
可乐　　
关注
  • 6
    点赞
  • 踩
  • 75
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
R语言数据分析案例.pdf
02-21
R语言是一种用于数据分析、统计建模和可视化的编程语言和环境。它是一个开源、免费的软件，在统计学和数据科学领域非常流行。R语言具有丰富的数据处理、统计分析和图形绘制功能，同时还可以通过扩展包来扩展其功能。R语言提供了一种方便的命令行界面，也可以通过集成开发环境（IDE）如RStudio来进行交互式编程。R语言的语法相对简洁易懂，易于学习和使用，使得它成为数据科学家和统计学家的首选工具之一。
R语言基础ppt
10-22
R语言零基础，内含R安装，数据处理及运算，线性回归多元统计
R语言数据分析案例-学习
12-27
R语言在数据分析中扮演着重要的角色，它是一种灵活的编程语言，专为促进探索性数据分析、经典统计学测试和高级图形学而设计。以下是R语言在数据分析中的主要作用和影响： 数据处理和分析：R语言拥有丰富的数据包库，可以进行各种数据处理和分析工作，包括数据清洗、数据转换、数据探索等。它提供了许多强大的工具和包，可以轻松地处理大规模数据集，并进行复杂的数据分析。 统计建模和预测：R语言在统计建模方面具有很强的能力，可以用于构建各种统计模型，如回归模型、时间序列模型、聚类分析等。通过这些模型，可以对数据进行深入挖掘
基于R语言的数据处理与图形绘制
06-28
基于R语言的数据处理与图形绘制、基于R语言的数据处理与图形绘制、基于R语言的数据处理与图形绘制
R语言数据分析案例实战文章整理
12-27
R语言是一种广泛使用的统计计算和图形化的编程语言，它可以处理各种类型和规模的数据，进行数据清洗、转换、可视化、建模、预测等操作，支持多种数据分析的技术和方法，如探索性数据分析、时间序列分析、回归分析、分类分析、聚类分析、文本分析、空间分析等。 R语言的优势在于它有丰富的扩展包和社区资源，可以满足不同领域和需求的数据分析，如医疗、金融、教育、商业、社会科学等。R语言也有一些缺点，如内存管理、速度、兼容性等方面，但这些问题可以通过一些技巧和工具来改善或解决。 R语言是一种广泛使用的统计计算和图形化的编程语言，它可以处理各种类型和规模的数据，进行数据清洗、转换、可视化、建模、预测等操作，支持多种数据分析的技术和方法，如探索性数据分析、时间序列分析、回归分析、分类分析、聚类分析、文本分析、空间分析等。 R语言的优势在于它有丰富的扩展包和社区资源，可以满足不同领域和需求的数据分析，如医疗、金融、教育、商业、社会科学等。R语言也有一些缺点，如内存管理、速度、兼容性等方面，但这些问题可以通过一些技巧和工具来改善或解决。 R语言是一种广泛使用的统计计算和图形化的编程语言，它可以处理各种类型和规模的
R语言处理数据
2301_78098294的博客
06-16 1149
R语言提供了多种数据转换函数，例如`as.numeric()`、`as.character()`、`as.logical()`等。3. 数据清洗：删除缺失值、重复值、异常值等。可以使用subset()、dropna()、duplicated()等函数进行数据清洗。1. 导入数据：使用read.table()或read.csv()函数从文件中读取数据，或者使用data()函数从数据库中读取数据。2. 查看数据：使用head()、tail()、summary()等函数查看数据的前几行、后几行、摘要信息等。
R语言 | 数据分析与处理
天下弈星~的博客
05-11 3193
本篇文章详细介绍了R语言中常用的数据处理与分析所需要的函数用法以及相应的代码实现。
R语言基础之R语言入门
热门推荐
weixin_46912400的博客
11-26 5万+
R语言最初是由新西兰奥克兰大学统计系的教授Ross Ihaka和Robert Gentleman在S语言基础上开发完成的。是一门解释性语言。在我看来R语言是一门数学性极强的语言，或者说这是一门为数学而生的语言，因为其具有极其出色的计算与统计分析能力...
R语言基础知识汇总
yayiling的博客
02-06 8543
文章目录一、常量与变量1.1 常量1.2变量1.3 R数据类型二、数值型向量及其运算2.1 数值型向量2.2 向量运算2.2.1 标量和标量运算2.2.2 向量与标量运算2.2.3 等长向量运算2.2.4 不等长向量的运算2.3 向量函数2.3.1 向量化的函数2.3.2 排序函数2.3.3 统计函数2.3.4 生成规则序列的函数2.4 复数向量三、逻辑型向量及其运算3.1 逻辑型向量与比较运算3.2 逻辑运算3.3 逻辑运算函数四、字符型数据及其处理4.1 字符型向量4.2 paste（）函数 一、常量与
R语言学习笔记 | R语言的入门
abcbbbd的博客
03-28 5767
文章目录前言R语言是什么？为什么要学习R语言？学习R语言困难吗？R语言的获取R语言的界面及编译器下载RStudio的获取RStudio界面介绍 前言 R语言是我2020年底开始接触的，出于科研，同时也在巫师兄的推荐下慢慢上手R语言，起初只是需要做一个DBSCAN的聚类分析，后来却渐渐地爱上了它的强大功能和出图，下面就先从R语言的入门开始讲起吧！ R语言是什么？ R语言是一种为统计计算和图像显示而设计的语言环境，是贝尔实验室(Bell Laboratories)的Rick Becker、John Chambe
R语言处理缺失值
01-07
R语言处理缺失值 在处理数据过程中，避免不了会产生一些缺失值，如未填写数据或者编码错误等原因，用NA表示缺失值。在R语言中，is.na()函数可以判断元素是否是缺失值，从而返回逻辑值(TRUE/FALSE)，所以该函数将会返回和元数据集一样大小的数据集。在判断缺失值的过程中，需要注意以下两点： 一是缺失值是不可以比较的，即不可以用缺失值去寻找缺失值，如var == NA返回的结果永远不会是true。 二是R语言中不会将正无穷和负无穷写成NA，分别用 Inf 和 –Inf 所标记。 既然缺失值可能无处不在，那么在数据分析过程中可以采取如下的方法去除缺失值： 一是很多数值函数都拥有一个 na.rm
R语言教程及数据分析案例
01-04
本篇文章详细介绍了R语言的基本知识和数据分析技巧，并提供了实际案例以帮助读者深入理解和应用R语言进行数据分析。内容涵盖R语言的基础语法、数据结构、数据处理、数据可视化等方面，旨在帮助读者快速上手和提高数据分析能力。本篇文章详细介绍了R语言的基本知识和数据分析技巧，并提供了实际案例以帮助读者深入理解和应用R语言进行数据分析。内容涵盖R语言的基础语法、数据结构、数据处理、数据可视化等方面，旨在帮助读者快速上手和提高数据分析能力。本篇文章详细介绍了R语言的基本知识和数据分析技巧，并提供了实际案例以帮助读者深入理解和应用R语言进行数据分析。内容涵盖R语言的基础语法、数据结构、数据处理、数据可视化等方面，旨在帮助读者快速上手和提高数据分析能力。本篇文章详细介绍了R语言的基本知识和数据分析技巧，并提供了实际案例以帮助读者深入理解和应用R语言进行数据分析。内容涵盖R语言的基础语法、数据结构、数据处理、数据可视化等方面，旨在帮助读者快速上手和提高数据分析能力。本篇文章详细介绍了R语言的基本知识和数据分析技巧，并提供了实际案例以帮助读者深入理解和应用R语言进行数据分析。内容涵盖R语言的基础语法、数据结构
使用R语言处理分析淘宝数据
12-19
R语言数据分析案例,使用R语言处理分析淘宝数据,某店主想知道自己行业对手（产品）的情况，想通过分析了解一些经营指标对于对手销量的影响等。于是决定使用R语言的rattle包处理淘宝数据
R语言数据处理系列进阶练习提升
03-13
R语言数据处理系列进阶练习提升
R语言数据分析案例.doc
04-23
R语言数据分析案例 在R语言中，数据分析通常涉及到数据清洗、数据探索、数据可视化以及统计建模等步骤。以下是一个简单的R语言数据分析案例，我们将使用内置的mtcars数据集来探索不同车型的燃油效率与其他变量之间的...
R可视化：分组频率分布直方图和密度图
H20230717的博客
04-24 659
ggplot2绘制分组频率分布直方图和密度图
用R软件寻找最优子集，应用回归分析，逐步回归实例，前进法，后退法
2201_75305489的博客
04-27 999
x1 x2 x3 x4 x5 x6 x7 x8 x9 调整R平方。用R软件寻找最优子集，
openGauss学习笔记-272 openGauss性能调优-实际调优案例01-调整查询重写GUC参数rewrite_rule
最新发布
超哥的博客
04-28 653
openGauss学习笔记-272 openGauss性能调优-实际调优案例01-调整查询重写GUC参数rewrite_rule272.1 目标列子查询提升参数intargetlist272.2 提升
R语言高级数据管理
袁震的博客
04-27 488
绝对值函数abs(x)sqrt(x) 开平方根不小于某个数的最小整数ceiling(x)不大于某个数的最大整数floor(x)四舍五入round(x)sin(x)cos(x)log(x)
生信 R语言 数据处理
10-20
生物信息学是一门涉及生物学、计算机科学和统计学的交叉学科，而R语言是生物信息学中最常用的编程语言之一。在生信分析中，数据处理是非常重要的一步，而R语言正是用于数据处理和分析的强大工具之一。R语言可以用于数据的读取、清洗、转换、集成和重塑等多个方面，同时也提供了丰富的数据可视化功能。在生信分析中，R语言可以用于基因表达分析、序列分析、蛋白质结构预测等多个方面。因此，学习R语言对于生物信息学专业的学生来说是非常必要的。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

可乐　　

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值