数据分析基础——R语言（数据集的创建）

创建数据集

进行数据操作的第一步就是创建数据集，也就是我们通常认知中的输入数据的操作。数据集通常是由数据构成的一个矩形数组，用行来表示观测，用列来表示变量。

数据结构

R语言中有许多用于存储数据的对象类型：标量、向量、矩阵、数组、数据框、列表等。

下面来展示一下上述数据类型的输入形式：

创建标量：

标量指的是直含有一个元素的向量。

a <- 1
b <- "one"
c <- TRUE

创建向量：

R语言中用函数c()来创建向量的输入，向量输入的类型可以包含数值型、字符型（需要加引号）、布尔型（注意TRUE/FALSE都需要大写）

Vector_number <- c(1,2,3,4,5)
Vector_str <- c("one","two","three")
Vector_bool <- c(TRUE,FALSE,TRUE,TRUE)

对于数值序列可以采用下面的方法来建立一个向量（例如生成1,2,3,4,5）：

Vector <- c(1:5)

如果想要查看某个向量我们只需要输入某个向量的名称即可，若要查看某一项可以使用Vector[c(1,3)]的形式用于查看第一、三项（[1]开头的行是输出结果）：

> Vector_str[c(1,3)]
[1] "one"   "three"
> Vector_str
[1] "one"   "two"   "three"
> Vector_number
[1] 1 2 3 4 5
> Vector_bool
[1]  TRUE FALSE  TRUE  TRUE

创建矩阵：

创建矩阵的一般使用格式如下：

matrix <- matrix(vector,nrow=number_of_rows,ncol=number_of_columns,byrow=logical_value,dimnames=list(char_vector_rownames,char_vector_colnames))

其中vector包含了矩阵的元素，nrow和ncol用以制定行和列的维数，dimnames包含了可选的以字符型向量表示的行名和列名，选项byrow表明了矩阵应当按行填充（byrow=TRUE）还是按列填充（byrow=FALSE），默认按列填充。

Matrix <- matrix(1:20,nrow=4,ncol=5)
Mymatrix1 <- matrix(1:4,nrow=2,ncol=2,byrow=TRUE,dimname=list(c("r1","r2"),c("c1","c2")))
Mymatrix2 <- matrix(1:4,nrow=2,ncol=2,byrow=FALSE,dimname=list(c("r1","r2"),c("c1","c2")))

输出矩阵：

> Matrix
     [,1] [,2] [,3] [,4] [,5]
[1,]    1    5    9   13   17
[2,]    2    6   10   14   18
[3,]    3    7   11   15   19
[4,]    4    8   12   16   20
> Mymatrix1
   c1 c2
r1  1  2
r2  3  4
> Mymatrix2
   c1 c2
r1  1  3
r2  2  4

创建数组：

数组的输入形式和矩阵是类似的，但是数组支持了更高维度的数据，数组的一般表示形式如下：

array <- array(vector,dimensions,dimnames)

其中Vector是数组中的数据，dimensions是一个数值型向量，给出了各个维度下标的最大值，dimnames和在矩阵中的用法相同，实例如下：

Array <- array(1:18,c(3,2,3),dimnames=list(dim1,dim2,dim3))

输出如下：

> Array
, , C1

   B1 B2
A1  1  4
A2  2  5
A3  3  6

, , C2

   B1 B2
A1  7 10
A2  8 11
A3  9 12

, , C3

   B1 B2
A1 13 16
A2 14 17
A3 15 18

创建数据框：

由于不同的列可以包含不同的数据类型，数据框也就被应用的更加广泛，给出创建数据框的一般形式：

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

列向量中可以包含任何的数据类型，实例如下：

ID <- c(1,2,3,4)
name <- c("James","Durant","Curry","Harden")
number <- c(23,35,30,13)
patientdata <- data.frame(ID,name,number)

输出如下：

> patientdata
  ID   name number
1  1  James     23
2  2 Durant     35
3  3  Curry     30
4  4 Harden     13

选取数据框中的元素：

> patientdata
  ID   name number
1  1  James     23
2  2 Durant     35
3  3  Curry     30
4  4 Harden     13
> patientdata[1:2]
  ID   name
1  1  James
2  2 Durant
3  3  Curry
4  4 Harden
> patientdata[c("name","number")]
    name number
1  James     23
2 Durant     35
3  Curry     30
4 Harden     13
> patientdata$name
[1] James  Durant Curry  Harden
Levels: Curry Durant Harden James

$用来选取一个给定数据框中的某个特定变量。

创建列表：

列表（list）是R语言数据类型中最复杂的一种，通俗的说列表就是一些对象（或成分component）的有序集合，在创建矩阵和数组时，我们输入dimnames属性时已经用到了列表，下面通过实例来展示一下列表的操作。

> g <- "My First List"
> h <- c(25,26,18,39)
> j <- matrix(1:10,nrow=5)
> k <- c("one","two","three")
> mylist <- list(title=g,ages=h,j,k)
> mylist
$title
[1] "My First List"

$ages
[1] 25 26 18 39

[[3]]
     [,1] [,2]
[1,]    1    6
[2,]    2    7
[3,]    3    8
[4,]    4    9
[5,]    5   10

[[4]]
[1] "one"   "two"   "three"

数据的输入

键盘输入数据：

在R中edit()函数会调用出一个允许手动输入数据的文本编辑器，步骤如下：

（1）创建一个空数据框（或矩阵），其中变量名和变量的模式需要与理想中的最终数据集保持一致。

（2）针对这个数据对象调用文本编辑器，输入你的数据，并将结果保存回次数据对象中。

实例如下（执行edit()函数后会出现下面所示的数据编辑器）：

> mydata <- data.frame(age=numeric(0),gender=character(0),weight=numeric(0))
> edit(mydata)

其中语句edit(mydata)可以等价于fix(mydata)。

从带分隔符的文本文件导入数据：

我们可以使用函数read.table()从带分隔符的文本文件中导入数据，语法如下：

mydataframe <- read.table(file,header=logical_value,sep="delimiter",row.names="name")

其中file是一个带分隔符的ASCII文本文件，header是一个表明首行是否包含了变量名的逻辑值（TRUE/FALSE），sep是用来指定分隔数据的分隔符，row.name是一个可选参数，用以指定一个或多个表示行标识符的变量。实例如下：

grades <- read.table("studentgrades.csv",header=TRUE，sep=",",row.names="STUDENTID")

导入Excel数据：

导入Excel数据的一种方法是，将其导出为一个逗号分隔符的文件（csv），并使用上一节中提到的方法将其导入R中。

还有一种方法需要我们来使用工具包进行导入：

install.packages("RODBC")
library(RODBC)
channel <- odbcConnectExcel("myfile.xls")
mydataframe <- sqlFetch(channel,"mysheet")
odbcClose(channel)

这里的myfile.xls就是一个Excel文件，mysheet是要从这个工作簿中读取工作表的名称，channel是一个由odbcConnectExcel()连接的对象，mydataframe是返回的数据框。

以上就是对一些基本的数据进行输入的过程，后续会继续更新其他数据的导入方式。