生信R语言：对数据的管理

数据基本信息获取

获取数据的基本情况： summary() 函数。
任何 R 对象都可作为summary() 函数的参数，返回对象的统计和概要信息，日常常用且实用的函数。

获取数据维度：dim() 函数
对于高维数据，如矩阵和数据框，dim() 函数可返回对象的维度：行数,列数。

获取数据长度： **length()**函数
用于计算向量、矩阵中元素的个数。
对于一个数据框，length() 则返回列（即变量）的个数。
R 中还有一个计算对象长度的函数：lengths()。注意区分二者：
lengths() 计算的是 R对象中基本元素的长度；s
length() 计算的是 R 对象的长度。
例如我们对一个数据框 df 使用 lengths() 和 length()：

L3 <- LETTERS[1:3]
fac <- sample(L3, 5, replace = TRUE)
x <- 1
y <- 1:5
df <- data.frame(x, y, fac)
df
  ## x y fac
## 1 1 1 C
## 2 1 2 C
## 3 1 3 A
## 4 1 4 B
## 5 1 5 C

dim(df) #得结果列表几行几列
## [1] 5 3
length(df) #对象的长度，即x,y,fac
## [1] 3
lengths(df) #基本元素的长度，几个对象的长度
## x y fac
## 5 5 5

获取名称 😗*names()**函数
函数 names() 用于返回 R 对象的名字（如果存在）。上例中的数据框df 的 names 的返回结果为一个 字符向量：

names(df)
## [1] "x" "y" "fac"

与名称相关的函数还有几个语意直接的函数：
dimnames() 以列表的形式返回行列名称；
colnames() 返回列名称，rownames() 返回行名称；
其中row.names() 与 rownames() 相似。

获取计数（频数）：tabulate() 函数
tabulate() 函数将输入向量整数化后，计算每个整数的出现频数：
c(-2,0,2,3,3,5)是个向量，tabulate(c(-2,0,2,3,3,5))对向量(正)整数化

tabulate(c(-2,0,2,3,3,5)) #-2和0忽略出现0次，从1开始，2一次，3两次
## [1] 0 1 2 0 1

tabulate(c(-2,0,2,3,3,5), nbins=10) #nbins设定计算范围
## [1] 0 1 2 0 1 0 0 0 0 0

上例中 −2 和 0 被忽略，然后计算从 1 开始计算每个整数出现的次数。
nbins设定计算范围：nbins 参数默认时，计算到向量中最大的整数值，而当 nbins=10 时，则计算到 10。

获取元素频度函数：table() 函数，注意区分与tabulate()
table不考虑是否为数字，所以是直接记数，无需考虑正负
table() 函数可用于计算每个元素的频度，其效果相当于将向量因子化
后用 summary() 函数分析的结果：
注：factor(c(‘a’,‘b’,‘c’,‘b’))就是将向量因子化(将元素类型归类)，再summary求合
注：当我们为 table() 提供两个对象，结果则返回一个。如小例3

table(c('a','b','c','b'))  #效果同下
##
## a b c
## 1 2 1
summary(factor(c('a','b','c','b')))  #效果同上
## a b c
## 1 2 1
table(c('a','b','c','b'), c('a','b','c','b'))
##
  ## a b c
## a 1 0 0
## b 0 2 0
## c 0 0 1

数据合并

数据分析实践中，有需要将两个数据对象合并成一个对象来加以处理。
例如两个数据框中的部分数据列合并为一个新的数据框。
R为我们提供了两种合并数据的思路和相应的函数工具，

• 一是直接合并数据，
• 二是通过共同变量合并数据。

第二种方式要求，分布于两处的数据中，至少有一个变量是两处共享的，也就是需要相同变量进行连接，很好理解。

• 行合并： rbind()函数
  函数 rbind() 可实现数据按行合并：

mat1 <- matrix(rep(1,9),nrow=3)	#rep????一弄了九个
mat1
	## [,1] [,2] [,3]
## [1,] 1 	1 	1
## [2,] 1 	1 	1
## [3,] 1 	1 	1
mat2 <- rbind(mat1,c(2,2,2))  #将mat1和c(2,2,2)行合并
mat2
## [,1] [,2] [,3]
## [1,] 1 1 1
## [2,] 1 1 1
## [3,] 1 1 1
## [4,] 2 2 2


m <- rbind(1, 1:5)  #第一行默认自动补齐1。1:5就是一到五
m
	## [,1] [,2] [,3] [,4] [,5]
## [1,] 1 	1 	 1 	  1 	1
## [2,] 1 	2 	 3 	  4 	5

上小例3中当我们合并两个长度不一致的向量时，R 会按照长向量的长度自动补齐短向量。但需要注意的是，长向量的长度须是短向量长度的 整数倍，否则系统会发出警告，虽有警告但短向量仍会循环补齐

m <- rbind(1:3, 1:5)
## Warning in rbind(1:3, 1:5): number of columns of result is not amultiple
## of vector length (arg 1)
m 	#虽警告但仍自动补齐了
	## [,1] [,2] [,3] [,4] [,5]
## [1,] 1 	2 	 3 	  1		2
## [2,] 1 	2 	 3 	  4		5

• 列合并：cbind()函数
  函数 cbind() 与 rbind() 操作上类似的，实现按照列合并数据，相当于给数据框添加新的变量：

df2 <- cbind(df,z=c(1:10 + 0.1))
df2
  ## x y fac z
## 1 1 1 C 1.1
## 2 1 2 C 2.1
## 3 1 3 A 3.1
## 4 1 4 B 4.1
## 5 1 5 C 5.1
## 6 1 1 C 6.1
## 7 1 2 C 7.1
## 8 1 3 A 8.1
## 9 1 4 B 9.1
## 10 1 5 C 10.1

• 通过共同变量合并数据：merge()函数
  函数 merge() 允许我们按照两数据集合中共有的部分（变量）合并数据，为了演示 merge 的功能，我们先创建两个数据框

x <- data.frame(k1 = c(NA,NA,3,4,5), k2 = c(1,NA,NA,4,5),
data = 1:5)
x
## k1 k2 data
## 1 NA 1 1
## 2 NA NA 2
## 3 3 NA 3
## 4 4 4 4
## 5 5 5 5
y <- data.frame(k1 = c(NA,2,NA,4,5), k2 = c(NA,NA,3,4,5),
data = 1:5)
y
## k1 k2 data
## 1 NA NA 1
## 2 2 NA 2
## 3 NA 3 3
## 4 4 4 4
## 5 5 5 5

此时创建的两个数据框中含有共同的数据列 data，则可以合并。
除了共有的变量 data，其它变量会按照数据框来源加上后缀以示不同。

merge(x, y, by = "data")

#  data k1.x k2.x k1.y k2.y
1    1   NA    1   NA   NA
2    2   NA   NA    2   NA
3    3    3   NA   NA    3
4    4    4    4    4    4
5    5    5    5    5    5

如果我们按照不同变量进行合并，其实成了判断，显示如下
只有 k1 列中 x 与 y 数据框中等值的部分进行合并，不等值的则由NA 填补。

merge(x, y, by = "k1")
 # k1 k2.x data.x k2.y data.y
1  4    4      4    4      4
2  5    5      5    5      5
3 NA    1      1   NA      1
4 NA    1      1    3      3
5 NA   NA      2   NA      1
6 NA   NA      2    3      3

数据抽样

选取子集

• 中括号索引
  前文中所有的选取数据子集的方式都是通过中括号索引的方式。
• subset 函数
  选取数据子集的另一种方式是使用函数 subset()，它可以分别针对数据框（或矩阵）的行和列进行选择： subset(x, subset, select, …)
  其中参数subset用于设定被选择的行，可以接受判断表达式；参数select用于设定被选择的列，下面示例：

df2
  ## x y fac z
## 1 1 1 C 1.1
## 2 1 2 C 2.1
## 3 1 3 A 3.1
## 4 1 4 B 4.1
## 5 1 5 C 5.1
## 6 1 1 C 6.1
## 7 1 2 C 7.1
## 8 1 3 A 8.1
## 9 1 4 B 9.1
## 10 1 5 C 10.1
subset(df2, y > 2)
  ## x y fac z
## 3 1 3 A 3.1
## 4 1 4 B 4.1
## 5 1 5 C 5.1
## 8 1 3 A 8.1
## 9 1 4 B 9.1
## 10 1 5 C 10.1
subset(df2, (y < 9 & z > 3.1), select=c('y','fac','z'))
  ## y fac z
## 4 4 B 4.1
## 5 5 C 5.1
## 6 1 C 6.1
## 7 2 C 7.1
## 8 3 A 8.1
## 9 4 B 9.1
## 10 5 C 10.1

随机抽样sample()
随机抽取数据集合中的部分数据，往往是统计建模中常遇到的情况。R中最简单的方法是使用函数 sample()

sample(x, size, replace = F, prob = NULL, ...)

参数size是定义了多少个数据从集合 x 中抽取出来。
需要说明的是，对于矩阵的子集是按照元素为单位选取size个元素的，而对数据框是按照列为单位选取size个列的。如果我们想按照列选取，则需要下例所写。
参数replace决定了子集的选取是否重置，
当replace=T时，即子集选取后会被重新放入原数据集合中（也就是统计学中常说的有放回的抽样方法，因此新的数据集合中可能出现重复的元素）；
当replace=F时，即子集选取后不会被从新放入原数据集合中，那么如果原数据集合中的元素都是唯一的，就不会在新的数据集合中出现重复的元素。

sample(1:10, size=5, replace = F)
## [1] 1 6 2 9 3
sample(1:10, size=5, replace = T)
## [1] 7 6 1 5 8

参数prob接受一个向量，其中每个元素值为集合 x 中元素的抽取概率，
所以概率向量的长度于集合 x 的长度（抽取单位的个数）一致，且和为 1。
上文中提到，如果要针对数据框的行进行抽样，我们可以首先生成一个
由随机抽取的行号组成的向量，然后利用这一向量通过中括号索引的方式来
达到随机按行抽样的目的：？？？？？？？？？？？？不太会这里

randomRowN <- sample(1:nrow(df2),5)df2[randomRowN,]
  ## x y fac z
## 8 1 3 A 8.1
## 9 1 4 B 9.1
## 2 1 2 C 2.1
## 10 1 5 C 10.1
## 7 1 2 C 7.1

数据计算

数学计算
三角函数：sin(), cos(), tan(), asin(), acos(), atan(), atan2()。
对数与指数函数：log(), log10(), exp(), abs()，sqrt()，prod()
ceiling()，floor()，trunc()，round()，signif(), integrate()
统计计算
max()，min()，range()
sum()，mean()，median()，sd()，var()，quantile()，IQR()
diff()
scale()
概率计算
概率密度函数 dnorm()
概率分布函数 pnorm()
分位数函数 qnorm()
随机数生成函数 rnorm()

字符串处理

数据分析实践中需要对字符串进行操作的情况，R 提供了一些函数：
nchar() 计算字符串的长度；
toupper() 转换为大写；
tolower() 转换为小写；
substr(start，stop) 提取字符串的子集，参数start和stop分别定义了子字符串的提取起始和结束位置：

substr("abcdef", start = 2, stop = 4)
## [1] "bcd"

strplit() 分隔字符串为向量，返回的类型为列表，除了要分隔的字符串之外，参数split也是必须的：

strsplit("abcdef", split="c")
## [[1]]
## [1] "ab" "def"
strsplit("abcdef", split="")
## [[1]]
## [1] "a" "b" "c" "d" "e" "f"

paste() 连接字符串，其中连接符号由参数sep定义（默认为空格）

paste("A", "B", sep="-")
## [1] "A-B"
strsplit("A", "B", split="")
## [[1]]
## [1] "A"
paste(1:12, c("st", "nd", "rd", rep("th", 9)), sep ="")
## [1] "1st" "2nd" "3rd" "4th" "5th" "6th" "7th" "8th" "9th" "10th"
## [11] "11th" "12th"

R 中还提供了 有关正则表达式操作的函数：
grep()用于模式匹配；
sub() 用于模式匹配并进行替换。

数据修整

创建变量或重赋值
实践中需要在数据框中创建新的变量，或对已有变量重新赋值，可通过赋值表达式来实现：

变量名 <- 表达式

以上语句中的” 表达式 “可以包含多种运算符和函数。假如现有一个数
据框，我们需要添加两个变量到数据框中用于储存已存在的两个变量的 ‘和’
与 ‘均值’。那么首先我们可以计算出他们的 ‘和’ 与 ‘均值’，并赋值给一个新
的变量：

sumx <- df2$x + df2$y
meanx <- (df2$x + df2$y) / 2

然后利用数据合并的方法 cbind() 来将新的变量添加到原数据框中：

df2 <- cbind(df2,sumx,meanx)

虽然上述方法实现了目的，但并不推荐，还可以这样操作更为简单，且容易理解做：

df2$sumx <- df2$x + df2$y
df2$meanx <- ( df2$x + df2$y ) /2

其实 R 还为我们提供了一个更简单的方法，需要借助函数 transform()：

df2 <- transform(df2, sumx = x + y,
meanx = (x + y) / 2)

变量重编码
变量重编码与新变量创建是类似的，只不过在某些时候重编码具有特殊
意义，因此我们单独拿出来讨。有哪些时候需要重编码呢？
• 将一个连续型变量变为离散型的类别变量；
• 为数据进行分组；
• 替换错误编码的数据。
其实前两种情况可以归为一类。如果说新建变量是我们多数用算术运
算符的话，那么重编码往往需要逻辑运算符。首先我们来看第一种情况，R
的全局环境中有一个名叫 women 的数据框，记录 15 个女性的身高与体重
数据，如果我们想根据体重将她们分为三组，我们可以如此操作：

women$physique[women$weight >= 150] <- "fat"
women$physique[women$weight <= 130] <- "lean"
women$physique[women$weight > 130 & women$weight < 150] <- "normal"
women
## height weight physique
## 1 58 115 lean
## 2 59 117 lean
## 3 60 120 lean
## 4 61 123 lean
## 5 62 126 lean
## 6 63 129 lean
## 7 64 132 normal
## 8 65 135 normal
## 9 66 139 normal
## 10 67 142 normal
## 11 68 146 normal
## 12 69 150 fat
## 13 70 154 fat
## 14 71 159 fat
## 15 72 164 fat

为了方面后续分析，我们可以将变量 physique 变为因子类型：

women$physique <- as.factor(women$physique)

上述操作还可以写成更简单的方式：

women <- within(women, {
physique <- NA;
physique[weight >= 150] <- "fat";
physique[weight < 150 & weight > 130] <- "normal";
physique[weight <= 130] <- "lean";})

变量重命名
对某个变量名称需要修改，交互式或者编程方式进行修改。
交互式的可以使用 fix()，调用一个交互式的编辑器，单击变量名然后重命名。
编程式的修改我们可以通过获取变量名称后重新赋值的方式：

names(women)
## [1] "height" "weight" "physique"
names(women)[3] <- 'body'
names(women)
## [1] "height" "weight" "body"

PS：reshape 包还提供了一个 rename() 函数。
操作数据对象的元素
在对数据计算、操作的过程中，经常会对一系列的对象（或者一个复合对象的所有元素）进行同一个操作，并返回一个新的对象。
那同一个操作一般都会由某个函数执行。
R 提供了一系列的函数可以完成这个功能。

apply() 可以对一个矩阵、数据框、数组的每一部分运行同一个函数：

x <- 1:16
dim(x) <- c(4,4)
x
## [,1] [,2] [,3] [,4]
## [1,] 1 5 9 13
## [2,] 2 6 10 14
## [3,] 3 7 11 15
## [4,] 4 8 12 16
apply(x, MARGIN = 1, FUN = sum)
## [1] 28 32 36 40
apply(x, MARGIN = 2, FUN = sum)
## [1] 10 26 42 58

参数MARGIN= 1 时，对行操作；参数MARGIN= 2 时，列操作；
依次类推如果数据对象的维度 = 3 时，那么MARGIN= 3 就可对第三维进行作；而参数FUN定义了操作函数。
apply() 函数操作的数据对象必须具有维度信息，即 dim(X) 不等于
Null，那么对向量和列表这类没有维度信息的数据对象只能换用函数lapply()：

lapply(1:3,FUN = function(x) x^2)
## [[1]]
## [1] 1
##
## [[2]]
## [1] 4
##
## [[3]]
## [1] 9

注意其结果以列表的形式给出，如果想要结果以向量、矩阵或数组的形式，则使用sapply() 函数：

sapply(1:3,FUN = function(x) x^2)
## [1] 1 4 9

缺失值处理

数据排序
数据排序常用的数据操作，对向量、矩阵、数组可以使用 sort() 函数进行排序，参数decreasing控制了排序的方式：降序或者升序
与数据框的随机抽取数据类似，数据框排序稍显麻烦，需要借助另一个函数 order()：

w1 <- women[sample(1:nrow(women)),]
w1
## height weight body
## 13 70 154 fat
## 2 59 117 lean
## 5 62 126 lean
## 7 64 132 normal
## 6 63 129 lean
## 1 58 115 lean
## 11 68 146 normal
## 15 72 164 fat
## 14 71 159 fat
## 8 65 135 normal
## 3 60 120 lean
## 9 66 139 normal
## 12 69 150 fat
## 4 61 123 lean
## 10 67 142 normal
order(w1$weight)
## [1] 6 2 11 14 3 5 4 10 12 15 7 13 1 9 8
w1[order(w1$weight),]
## height weight body
## 1 58 115 lean
## 2 59 117 lean
## 3 60 120 lean
## 4 61 123 lean
## 5 62 126 lean
## 6 63 129 lean
## 7 64 132 normal
## 8 65 135 normal
## 9 66 139 normal
## 10 67 142 normal
## 11 68 146 normal
## 12 69 150 fat
## 13 70 154 fat
## 14 71 159 fat
## 15 72 164 fat

order() 函数的数据结果需要这样理解：w1 中第 15 个元素需要换到
第 1 个位置上；第 1 个元素需要换到第 2 个位置上；第 12 个元素需要换
到第 3 个位置上；依次类推即可完成按 weight 排序的效果。
如果数据框需要按照两个变量先后排序，那么只需要将第二个变量也同时传递给函数order() 即可

w1[order(w1$weight,w1$height),]
## height weight body
## 1 58 115 lean
## 2 59 117 lean
## 3 60 120 lean
## 4 61 123 lean
## 5 62 126 lean
## 6 63 129 lean
## 7 64 132 normal
## 8 65 135 normal
## 9 66 139 normal
## 10 67 142 normal
## 11 68 146 normal
## 12 69 150 fat
## 13 70 154 fat
## 14 71 159 fat
## 15 72 164 fat

数据重塑形