《R语言与农业数据统计分析及建模》学习——数据框的统计处理

1、数据框的透视

        aggregate()函数用于对数据框进行聚合操作，可以按照指定的条件对数据进行分组，并计算每组的汇总统计量。函数如下：

aggregate(formula,data,FUN,...)

        formula：定义聚合的公式，指定需要聚合的变量和分组条件。

        data：指定数据框。

        FUN：指定要进行聚合操作的函数，如sum，mean，max等。

        ...：其他可选参数，如na.rm用于忽略缺失值。

# 创建示例数据框
df<-data.frame(
  Region=c('North','North','South','South','North','South'),
  Crop=c('Wheat','Rice','Corn','Wheat','Rice','Corn'),
  Production=c(50000,80000,70000,55000,85000,72000),
  Area=c(10000,12000,15000,11000,13000,16000)
)

# 使用aggregate()函数对数据框进行聚合
result<-aggregate(cbind(Production,Area)~Region,
                  data=df,FUN=mean)
# 显示聚合结果
print(result)

        

2、数据框的条件筛选

        在R语言中，可以使用逻辑条件来查询数据框中满足特定条件的数据子集。常用的方法包括：使用subset()函数或逻辑运算符（例如==，>，<等）结合行列索引来查询数据。

# 创建示例数据框
df<-data.frame(
  Region=c('North','North','South','South','North','South'),
  Crop=c('Wheat','Rice','Corn','Wheat','Rice','Corn'),
  Production=c(50000,80000,70000,55000,85000,72000),
  Area=c(10000,12000,15000,11000,13000,16000)
)

# 使用subset()函数查询满足条件的数据
subset_df<-subset(df,Area>11000 & Crop=="Corn")
print(subset_df)

# 使用逻辑运算符查询满足条件的数据
subset_df<-df[df$Area>11000 & df$Crop=="Corn",]
print(subset_df)

3、数据框的处理和清洗

（1）类型转换和重编码

        在数据处理过程中，有时需要对数据框的类型进行转换，比如将字符型转换为数值型，日期型转换为字符型等。重编码是指将数据框中的特定值映射为新的值，通常用于创建分类变量。

# 创建示例数据框
df<-data.frame(
  Region=c('North','North','South','South','North','South'),
  Crop=c('Wheat','Rice','Corn','Wheat','Rice','Corn'),
  Production=c(50000,80000,70000,55000,85000,72000),
  Area=c('10000','12000','15000','11000','13000','16000')
)

# 类型转换：将字符型Area转换为数值型
df$Area<-as.numeric(df$Area)

# 重编码：将Region列中的"North"替换为1，"South"替换为0
df$Region<-ifelse(df$Region=="North",1,0)

#显示处理后的数据框
print(df)

（2）处理缺失值和重复值

        在现实数据中，经常会出现缺失值和重复值。

        缺失值是指数据中缺少某些观测值或信息，而重复值是指数据中存在相同的观测记录。

# 创建含有缺失值的示例数据框
df<-data.frame(
  Region=c('North','North',NA,'South','North','South'),
  Crop=c('Wheat','Rice',NA,'Wheat','Rice','Corn'),
  Production=c(50000,80000,NA,55000,85000,72000),
  Area=c(10000,NA,15000,11000,13000,16000)
)

# 移除含有缺失值的行
cleaned_df<-na.omit(df)
print(cleaned_df)

# 使用指定值填充缺失值
library(zoo)
cleaned_df<-na.fill(df,fill=0)
print(cleaned_df)

# 使用列的均值填充缺失值
library(tidyr)
cleaned_df<-replace_na(df,
                       list(Production=mean(df$Production,na.rm=TRUE),
                            Area=mean(df$Area,na.rm=TRUE)))
print(cleaned_df)

# 创建含有重复值的示例数据框
df<-data.frame(
  Region=c('North','North','South','South','North','South'),
  Crop=c('Wheat','Rice','Corn','Wheat','Wheat','Corn'),
  Production=c(50000,80000,70000,55000,50000,72000),
  Area=c('10000','12000','15000','11000','10000','16000')
)

# 移除重复值
cleaned_df<-unique(df)

# 显示处理后的数据框
print(cleaned_df)