R语言统计分析——数据集概念和数据结构

参考资料：R语言实战.第2版

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。

        不同行业对于数据集的行和列叫法不同。统计学称为观测（observation）和变量（variable），数据库中称为记录（record）和字段（field），数据挖掘和机器学习成为示例（example）和属性（attribute）。

        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可以处理的额数据类型包括数值型、字符型、逻辑型、复数型和原生型。

2、数据结构

（1）向量 

        向量是用于存储数值型、字符型或逻辑型数据的一维数组。执行组合功能的函数c()可用来创建向量。

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

        这里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（数值型、字符型或逻辑型等）。同一向量中无法混杂不同模型的数据。

        通过在方括号中给定元素所处位置的数值，我们可以访问向量中的元素。例如：

注意：标量是只含有一个元素的向量，它们用于保存常量。

f<-3
g<-"cn"
h<-TRUE

（2）矩阵

        矩阵是一个二维数组，只是每个元素都拥有相同的模式（数值型、字符型或逻辑型）。可通过函数matrix()创建矩阵。

        matrix(vector,nrow,ncol,byrow,dimnames)

        vector包含矩阵的元素，

        nrow和ncol用以指定行和列的维数

        dimnames包含了可选的、以字符型向量表示的行名和列名

        byrow则表明矩阵应当按行填充还是按列填充，默认按列填充。

# 创建一个5×4的矩阵
y<-matrix(1:20,nrow=5,ncol=4)
y

# 按行填充2×2的矩阵
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))
mymatrix

# 按列填充的2×2矩阵
mymatrix<-matrix(cells,nrow=2,ncol=2,
                 byrow=FALSE,
                 dimnames=list(rnames,cnames))
mymatrix

        我们可以使用下标和方括号来选择矩阵中的行、列或元素。

        X[i,]指矩阵中的第i行，X[,j]指矩阵中的第j列，X[i,j]指第i行第j列的元素。

        选择多行或多列时，下标i和j可以数值型向量。

# 下标的使用
# 创建一个矩阵
x<-matrix(1:10,nrow=2)
x
# 矩阵x的第2行数据
x[2,]
# 矩阵x的第2列数据
x[,2]
# 矩阵x的第2行第4个元素
x[2,4]
# 矩阵x的第1行第4、5个元素
x[1,c(4,5)]

（3）数组

        数组（array）与矩阵类似，但维度可以大于2。数组可以通过array函数创建。形式如下：

        myarray<-array(vector,dimensions,dimnames)

        其中，vector是包含数据中数据的向量；dimensions是一个数值型的向量，给出了各个维度下标的最大值，而dimnames是可选的、各维度名称标签的列表。

        数组是矩阵的一个自然推广。它们在编写新的统计方法时可能很有用。和矩阵一样，数组中的数据也只能拥有一种模式。从数组中选取元素的方式与矩阵相同。

# 创建一个数组
dim1<-c('A1','A2')
dim2<-c('B1','B2','B3')
dim3<-c('C1','C2','C3','C4')
z<-array(1:24,dim=c(2,3,4),
         dimnames=list(dim1,dim2,dim3))
z

（4）数据框

        由于不同的列可以包含不同模式（数值型、字符型等）的数据，数据框的概念较矩阵来说更为一般。也是我们在R中最常处理的数据结构。

        数据框可通过函数data.frame()创建：

        mydata<-data.frame(col1,col2,col3,...)

        其中的列向量col1，col2，col3等可为任何数据类型。每一列的名称可有函数names指定。如下：

# 创建一个数据框
patientID<-c(1,2,3,4)
age<-c(25,34,28,52)
diabetes<-c('Type1','Type2','Type1','Type2')
status<-c('Poor','Improved','Excellent','Poor')
patientdata<-data.frame(patientID,age,diabetes,status)
patientdata

        每一列数据的模式必须唯一，不过我们可以将多个模式的不同列放在一起组成数据框。数据框与分析人员通常设想的数据集形态较为接近。

        选取数据框中元素的方式有若干种。可以使用切片格式，也可以直接指定列名。

# 切片法
patientdata[1:2]
# 指定列名
patientdata[c('diabetes','status')]
# $符号指定列名
patientdata$age
# 交叉表
table(patientdata$diabetes,patientdata$status)

        在每个变量名前都键入一次数据框名称相对比较麻烦，可以走一些捷径。两盒使用attach()和detach()或单独使用with()来简化代码。

        attach()函数可将数据框添加到R的搜索路径中。R在遇到一个变量名以后，将检查搜索路径中的数据框。detach()是将数据框从搜索路径中移除，与attach()函数配合使用。

summary(mtcars$mpg)
plot(mtcars$mpg,mtcars$disp)
plot(mtcars$mpg,mtcars$wt)

以上代码可以写成：

attach(mtcars)
  summary(mpg)
  plot(mpg,disp)
  plot(mpg,wt)
detach(mtcars)

        当名称相同的对象不止一个时，attach()的方法将会显得局限。attach()和detach()最好在分析一个单独的数据框，且不太可能有多个同名称对象时使用。

        另一种方式是函数with()，重写上述代码为：

with(mtcars,{
  print(summary(mpg))
  plot(mpg,disp)
  plot(mpg,wt)
})

        函数with()的局限性在于，赋值仅在此函数的括号内生效。如果要创建在with()结构以外存在的对象，使用特殊赋值符号<<-替代标准赋值符号<-即可，它可将对象保存到with()之外的全局换菌种。如下：

with(mtcars,{
  nokeepstats<-summary(mpg)
  keepstats<<-summary(mpg)
})
nokeepstats
keepstats

        相对于attach()，多数的R数据中更多推荐使用with()函数。

（5）因子

        变量可归结为名义型、有序型和连续型变量。

        名义型变量是没有顺序之分的类别变量。

        有序型边变量是一种顺序关系，而非数量关系。

        连续型变量可以呈现为某个范围内的任意值，并同时表示了顺序和数量。

        名义型变量和有序型变量在R中称为因子（factor）。因子在R中非常重要，因为它决定了数据的分析方式以及如何进行视觉呈现。

        factor()函数以一个整数向量的形式存储类别值，整数的取值范围是[1,...,k]（其中k是名义变量中唯一值的个数），同时一个有字符串（原始值）组成的内部向量将映射到这些整数上。

        对于字符型向量，因子的水平默认依字母顺序创建，我们可以通过指定levels选项来覆盖默认排序。例如：status<-factor(status,order=TRUE,levels=c('Poor','Improved','Excellent'))，各水平的赋值将为1=Poor、2=Improved、3=Excellent。请保证指定的水平与数据中的真实值相匹配，因为任何在数据中出现而未在参数中列举的数据都将设为缺失值。

patientID<-c(1,2,3,4)
age<-c(25,34,28,54)
diabetes<-c('Type1','Type2','Type1','Type1')
status<-c('Poor','Improved','Excellent','Poor')
# 将diabetes设为因子
diabetes<-factor(diabetes)
# 将status设为有序因子
status<-factor(status,order=TRUE)
# 创建数据框
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)

（6）列表

        列表（list）是R的数据类型中最为复杂的一种。一般来说，列表就是一些对象的有序集合。列表允许整合若干不同类型的对象到一个对象名下。

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