R | 常用函数-1

1 读入数据

针对不同的数据格式，有不同的数据读取方法

1.1 csv格式

• 针对csv文件，直接read_csv。
• 注意fileEncoding是说编码，win系统下为GBK，更常见的是utf-8。
• stringsAsFactors = F是个很好用的技巧，避免后面为因子型变量去麻烦。

house = read.csv("./data/二手房.csv",fileEncoding = "GBK",stringsAsFactors = F)
head(house)

CATE	bedrooms	halls	AREA	floor	subway	school	price	LONG	LAT	NAME	DISTRICT
chaoyang	1	0	46.06	middle	1	0	4.8850	116.4597	39.92835	10AM新坐标	方庄
chaoyang	1	1	59.09	middle	1	0	4.6540	116.4597	39.92835	10AM新坐标	方庄
haidian	5	2	278.95	high	1	1	7.1662	116.3036	39.95481	10号名邸	紫竹桥
haidian	3	2	207.00	high	1	1	5.7972	116.3036	39.95481	10号名邸	紫竹桥
fengtai	2	1	53.32	low	1	1	7.1268	116.4188	39.94381	17号旁门	蒲黄榆
fengtai	2	1	58.00	low	1	1	7.0690	116.4188	39.94381	17号旁门	蒲黄榆

1.2 xlsx格式

• 针对xls或者xlsx文件，需要先导入一个包：readxl
• 然后用函数read_excel

library(readxl)
movie2=read_excel("./data/电影数据.xlsx")
tail(movie2)

name	boxoffice	doubanscore	type	duration	showtime	director	star1	index1	star2	index2
大唐玄奘	3271.44	5.1	剧情	90	2016/4/29	霍建起	黄晓明	32595	徐峥	10318
我的特工爷爷	32009.37	5.3	动作	99	2016/4/1	洪金宝	洪金宝	9148	刘德华	30277
火锅英雄	36624.84	7.3	犯罪	95	2016/4/1	杨庆	陈坤	5763	白百何	10585
百鸟朝凤	8686.14	8.0	剧情	108	2016/5/6	吴天明	陶泽如	1139	李岷城	3290
夜孔雀	3260.42	4.7	爱情	84	2016/5/20	戴思杰	刘亦菲	58355	刘烨	11248
钢刀	924.86	4.3	动作	94	2016/5/20	阿甘	何润东	11822	李学东	521

1.3 txt文件

针对txt文件，要考虑两种情况：数据为结构化的还是非结构化的。

• 结构化：指txt中已经是很规范的数据，类似DataFrame，则直接read_table

movie = read.table("./data/电影.txt", header = TRUE) # 编码是utf-8的
head(movie)

name	boxoffice	doubanscore	type	duration	showtime	director	star1	index1	star2	index2
叶问3	77060.44	6.4	动作	105	2016/3/4	叶伟信	甄子丹	11385	张晋	4105
美人鱼	338583.26	6.9	喜剧	93	2016/2/8	周星驰	邓超	41310	林允	9292
女汉子真爱公式	6184.45	4.5	喜剧	93	2016/3/18	郭大雷	赵丽颖	181979	张翰	44277
西游记之孙悟空三打白骨精	119956.51	5.7	喜剧	120	2016/2/8	郑保瑞	郭富城	12227	巩俐	8546
澳门风云三	111693.89	4.0	喜剧	112	2016/2/8	王晶	周润发	16731	刘德华	30277
功夫熊猫3	99832.53	7.7	喜剧	95	2016/1/29	吕寅荣	杰克布莱克	178	安吉丽娜朱莉	1540

• 非结构化：通常是文本数据，这样直接就readlines 按行读取

yitian=readLines("./data/倚天屠龙记.txt")
head(yitian)

1. ' 一　 天涯思君不可忘'
2. ' “春游浩荡，是年年寒食，梨花时节。白锦无纹香烂漫，玉树琼苞堆雪。静夜沉沉，'
3. '浮光霭霭，冷浸溶溶月。人间天上，烂银霞照通彻。浑似姑射真人，天姿灵秀，意气殊高'
4. '洁。万蕊参差谁信道，不与群芳同列。浩气清英，仙才卓荦，下土难分别。瑶台归去，洞'
5. '天方看清绝。”'
6. ' 作这一首《无俗念》词的，乃南宋末年一位武学名家，有道之士。此人姓丘，名处机'

2 好用的函数

2.1 revalue函数

• 就是需要把多个类别合并 不用写逻辑语句了 直接revalue一下

df = movie
table(df$type)

剧情 动作 喜剧 爱情 犯罪 
   3    4    8    3    1 

# 例子1
# install.packages('dplyr')
# library(dplyr)
df$type <- revalue(df$type,
                   c('剧情' = '真-剧情', '动作' = '真-动作',
                     '喜剧' = '真-喜剧', '爱情' = '真-爱情',
                                 ,'犯罪' = '真-犯罪'))
head(df)

2.2 rep函数

• 重复某一个值

# 例子2
# 还是打标签，不过这次是没有标签的时候 上面是标签都有了需要去汇总整理——使用rep函数
df["diff_type"] <- rep("正常电影", dim(df)[1])
head(df)

name	boxoffice	doubanscore	type	duration	showtime	director	star1	index1	star2	index2	diff_type
叶问3	77060.44	6.4	动作	105	2016/3/4	叶伟信	甄子丹	11385	张晋	4105	正常电影
美人鱼	338583.26	6.9	喜剧	93	2016/2/8	周星驰	邓超	41310	林允	9292	正常电影
女汉子真爱公式	6184.45	4.5	喜剧	93	2016/3/18	郭大雷	赵丽颖	181979	张翰	44277	正常电影
西游记之孙悟空三打白骨精	119956.51	5.7	喜剧	120	2016/2/8	郑保瑞	郭富城	12227	巩俐	8546	正常电影
澳门风云三	111693.89	4.0	喜剧	112	2016/2/8	王晶	周润发	16731	刘德华	30277	正常电影
功夫熊猫3	99832.53	7.7	喜剧	95	2016/1/29	吕寅荣	杰克布莱克	178	安吉丽娜朱莉	1540	正常电影

2.3 ifelse函数

• 对某一列数据进行处理的时候，需要二值化，如果值为空或者大于小于等于某个值则为多少，否则为多少。

table(df$type)
df$type <- ifelse(df$type == '', '缺失',
                           df$type)
head(df)

• 对于ifelse 自己还写了一个加强版的：即多值化的方法。
• 【补充知识】dim（data）返回data的行和列 dim(data)[1]为行

for(i in 1:dim(df)[1])
{
  if(nchar(df[i,8])==16){
    df[i,8] = '信用卡'
  }else if (nchar(df[i,8])>=17 && nchar(df[i,8])<=19){
    df[i,8] = '借记卡'
  } else if (nchar(df[i,8])<16 | nchar(df[i,8])>19){
    df[i,8] = '其他'
  }
}

总结：

• nchar函数是统计字符的个数 8表示相应的列
• &&表示且 而|表示或

2.4 mode函数

• 查看变量的类型

mode(df$doubanscore)

‘numeric’

2.5 cut函数

• 对一个变量进行切割分组，特别是数值型变量，有个好用的函数

df$doubanscore <- cut(df$doubanscore, 
                             breaks = c(0, 5, 7, max(df$doubanscore)),
                             labels = c('<5', '5-7', '>=7'))
head(df)

name	boxoffice	doubanscore	type	duration	showtime	director	star1	index1	star2	index2	diff_type
叶问3	77060.44	5-7	动作	105	2016/3/4	叶伟信	甄子丹	11385	张晋	4105	正常电影
美人鱼	338583.26	5-7	喜剧	93	2016/2/8	周星驰	邓超	41310	林允	9292	正常电影
女汉子真爱公式	6184.45	<5	喜剧	93	2016/3/18	郭大雷	赵丽颖	181979	张翰	44277	正常电影
西游记之孙悟空三打白骨精	119956.51	5-7	喜剧	120	2016/2/8	郑保瑞	郭富城	12227	巩俐	8546	正常电影
澳门风云三	111693.89	<5	喜剧	112	2016/2/8	王晶	周润发	16731	刘德华	30277	正常电影
功夫熊猫3	99832.53	>=7	喜剧	95	2016/1/29	吕寅荣	杰克布莱克	178	安吉丽娜朱莉	1540	正常电影

2.6 aggerate函数

• 分组统计

# 计算不同类型电影的票房中位数
df_cal <- aggregate(df$boxoffice, by = list(type = df$type), median)
df_cal

type	x
剧情	8058.15
动作	18135.76
喜剧	89086.96
爱情	12561.55
犯罪	36624.84

2.7 detach函数

卸载包

detach("package:ipred")

2.8 重命名函数

• 对数据框列名重新命名

colnames(df)[1] <- 'movie_name'
head(df)

movie_name	boxoffice	doubanscore	type	duration	showtime	director	star1	index1	star2	index2	diff_type
叶问3	77060.44	5-7	动作	105	2016/3/4	叶伟信	甄子丹	11385	张晋	4105	正常电影
美人鱼	338583.26	5-7	喜剧	93	2016/2/8	周星驰	邓超	41310	林允	9292	正常电影
女汉子真爱公式	6184.45	<5	喜剧	93	2016/3/18	郭大雷	赵丽颖	181979	张翰	44277	正常电影
西游记之孙悟空三打白骨精	119956.51	5-7	喜剧	120	2016/2/8	郑保瑞	郭富城	12227	巩俐	8546	正常电影
澳门风云三	111693.89	<5	喜剧	112	2016/2/8	王晶	周润发	16731	刘德华	30277	正常电影
功夫熊猫3	99832.53	>=7	喜剧	95	2016/1/29	吕寅荣	杰克布莱克	178	安吉丽娜朱莉	1540	正常电影

2.9 round函数

• 保留小数点的位数

# 法1
df$boxoffice <- round(df$boxoffice, 1)
head(df)

movie_name	boxoffice	doubanscore	type	duration	showtime	director	star1	index1	star2	index2	diff_type
叶问3	77060.4	5-7	动作	105	2016/3/4	叶伟信	甄子丹	11385	张晋	4105	正常电影
美人鱼	338583.3	5-7	喜剧	93	2016/2/8	周星驰	邓超	41310	林允	9292	正常电影
女汉子真爱公式	6184.4	<5	喜剧	93	2016/3/18	郭大雷	赵丽颖	181979	张翰	44277	正常电影
西游记之孙悟空三打白骨精	119956.5	5-7	喜剧	120	2016/2/8	郑保瑞	郭富城	12227	巩俐	8546	正常电影
澳门风云三	111693.9	<5	喜剧	112	2016/2/8	王晶	周润发	16731	刘德华	30277	正常电影
功夫熊猫3	99832.5	>=7	喜剧	95	2016/1/29	吕寅荣	杰克布莱克	178	安吉丽娜朱莉	1540	正常电影

2.10 %>%函数

• 管道操作符

ratio2 <- aggregate(df$boxoffice, by = list(type = df$type), median) %>% as.data.frame()
ratio2

type	x
剧情	8058.1
动作	18135.8
喜剧	89086.9
爱情	12561.5
犯罪	36624.8

top10_refuse <- table(df$type) %>% as.data.frame()
top10_refuse

Var1	Freq
剧情	3
动作	4
喜剧	8
爱情	3
犯罪	1