《R语言实战》学习笔记：第五章 高级数据管理

《R语言实战》学习笔记：第一章 R语言介绍

《R语言实战》学习笔记：第二章 创建数据集

《R语言实战》学习笔记：第三章 图像初阶

《R语言实战》学习笔记：第四章 基本数据管理

高级数据管理

数值和字符处理函数

数学函数

abs(x)：求绝对值，例如 abs(-4) #返回值为4
sqrt(x)：求平方根，例如 sqrt(25) #返回值为5
ceiling(x)：不小于x 的最小整数，例如 ceiling(3.475) #返回值为4
floor(x)：不大于x 的最大整数，例如 floor(3.475)  #返回值为3
trunc(x)：向0的方向截取的x 中的整数部分，例如 trunc(5.99) #返回值为5
round(x, digits=n)：将x舍入为指定位的小数，例如 round(3.475, digits=2) #返回值为3.48
signif(x, digits=n)：将x舍入为指定的有效数字位数，例如 signif(3.475, digits=2) #返回值为3.5
cos(x)、sin(x)、tan(x)：余弦、正弦和正切，例如 cos(2)	#返回值为–0.416
acos(x)、asin(x)、atan(x)：反余弦、反正弦和反正切，例如 acos(-0.416)	#返回值为2
cosh(x)、sinh(x)、tanh(x)：双曲余弦、双曲正弦和双曲正切， 例如 sinh(2)	#返回值为3.627
acosh(x)、asinh(x)、atanh(x)：反双曲余弦、反双曲正弦和反双曲正切，例如 asinh(3.627)	#返回值为2
log(x, base=n)：对x取以n 为底的对数
log(x)：自然对数
log10(x)：以10为底的对数
exp(x)：指数函数，例如exp(2.3026)	#返回值为10

统计函数

mean(x)：平均数，例如 mean(c(1,2,3,4))	#返回值为2.5
median(x)：中位数，例如 median(c(1,2,3,4)) #返回值为2.5
sd(x)：标准差，例如 sd(c(1,2,3,4))
var(x)：方差，例如 var(c(1,2,3,4))
mad(x)：绝对中位差，例如 mad(c(1,2,3,4))	#返回值为1.48
quantile(x, probs)：求分位数，例如 y <- quantile(x,c(.3,.84)) #返回值为x的30%和84%分位点
range(x)：求值域，例如 range(c(1,2,3,4))	#返回值为c(1,4)
sum(x)：求和，例如 sum(c(1,2,3,4))	#返回值为10
diff(x, lag=n)：差分函数,lag为差分项,默认值为1,例如 diff(c(1, 5, 23, 29)) #返回值为c(4,18,6)
min(x)：求最小值，例如 min(c(1,2,3,4)) #返回值为1
max(x)：求最大值，例如 max(c(1,2,3,4)) #返回值为4
scale(x, center=TRUE, scale=TRUE)：为数据对象x按列进行中心化(center=TRUE)或标准化(center=TRUE, scale=TRUE)

概率函数

在R中，概率函数形如 ：[dpqr]分布名称缩写( )

其中第一个字母表示其所指分布的某一方面：

d = 密度函数（density function）

p = 分布函数（distribution function）

q = 分位数函数（quantile function）

r = 生成随机数（随机偏差）

# 在[-3, 3]区间上绘制标准正态曲线
x <- pretty(c(-3,3), 30)	# 在[-3, 3]选取31个等分点
y <- dnorm(x)
plot(x, y, type = "l", xlab = "Normal Deviate", ylab = "Density",  yaxs = "i" )

pnorm(1.96)						#位于z=1.96 左侧的标准正态曲线下方面积，返回值为0.975
qnorm(.9, mean=500, sd=100)		#均值为500，标准差为100的正态分布的0.9分位点，返回值为628.16
rnorm(50, mean=50, sd=10)		#生成50 个均值为50，标准差为10的正态随机数

设定随机数种子

在每次生成伪随机数的时候，函数都会使用一个不同的种子，因此也会产生不同的结果；可以通过函数 set.seed() 显式指定这个种子，让结果可以重现

runif(5)
# 输出
0.5684550 0.2155904 0.6656250 0.6798496 0.7349901

runif(5)
# 输出
0.70508234 0.45849879 0.21018669 0.08474743 0.79296225

set.seed(1234)
runif(5)
# 输出
0.1137034 0.6222994 0.6092747 0.6233794 0.8609154

set.seed(1234)
runif(5)
# 输出
0.1137034 0.6222994 0.6092747 0.6233794 0.8609154

生成多元正态数据

MASS包中的mvrnorm()函数可以生成给定均值向量和协方差阵的多元正态分布的随机数：

mvrnorm(n, mean, sigma)

其中n是样本大小，mean为均值向量，而sigma是协方差矩阵

library(MASS)
options(digits=3)
set.seed(1234)	# 设定随机数种子
mean <- c(230.7, 146.7, 3.6)
sigma <- matrix( c(15360.8, 6721.2, -47.1,
                   6721.2, 4700.9, -16.5,
                   -47.1,	-16.5,	0.3), nrow=3, ncol=3)
mydata <- mvrnorm(500, mean, sigma)	# 取500个观测值
mydata <- as.data.frame(mydata)	# 把矩阵转换为数据框
names(mydata) <- c("y", "x1", "x2")	# 指定数据框的名称
dim(mydata)	# 查看数据
# 输出
500   3
head(mydata, n=10)	# 查看前10行数据
# 输出
       y    x1   x2
1   98.8  41.3 3.43
2  244.5 205.2 3.80
3  375.7 186.7 2.51
4  -59.2  11.2 4.71
5  313.0 111.0 3.45
6  288.8 185.1 2.72
7  134.8 165.0 4.39
8  171.7  97.4 3.64
9  167.2 101.0 3.50
10 121.1  94.5 4.10

字符处理函数

nchar(x)：计算x 中的字符数量，例如x <- c("ab", "cde","fghij")，则nchar(x[3])返回值为5
substr(x, start, stop)：提取子串，例如 x <- "abcdef"，则 substr(x, 2, 4)返回值为"bcd"
grep(pattern, x, ignore.case=FALSE, fixed=FALSE)：在x中匹配搜索pattern，返回值为匹配的下标；若fixed=FALSE，则pattern 为一个正则表达式，若fixed=TRUE，则pattern 为一 个文本字符串。例如grep("A", c("b", "A", "c"), fixed=TRUE)	# 返回值为2
sub(pattern, replacement, x, ignore.case=FALSE,fixed=FALSE)：在x中搜索pattern，并以文本replacement将其替换。例如sub("\\s", ".", "Hello There")	# 返回值为Hello.There
注意，"\s"是一个用来查找空白的正则表达式
strsplit(x, split, fixed=FALSE)：在split处分割字符向量x中的元素，例如y <- strsplit("abc", "")	# 返回含有3个元素的列表，包含的内容为"a" "b" "c"
paste(…, sep="")：连接字符串，分隔符为sep，例如paste("x", 1:3, sep="M")   # 返回值为c("xM1","xM2" "xM3")
toupper(x)：大写转换，例如 > toupper("abc")	# 返回值为 "ABC"
tolower (x)：小写转换，例如 > tolower ("ABC")	# 返回值为 "abc"

其他实用函数

length(x)：对象x的长度，例如x <- c(2, 5, 6, 9)	# 返回值为4
seq(from, to, by)：生成一个序列，例如indices <-seq(1,10,2)  # indices的值为c(1, 3, 5, 7, 9)
rep(x, n)：将x重复n次，例如y <- rep(1:3, 2)	# y 的值为c(1, 2, 3, 1, 2, 3)
cut(x, n)：将连续型变量x分割为有着n个水平的因子
pretty(x, n)：创建美观的分割点，绘图中常用。通过选取n+1个等间距的取整值，将一个连续型变量x分割为n个区间
cat(... , file =“myfile”, append =FALSE)：连接...中的对象

转义字符：\n表示新行，\t为制表符，\’为单引号，\b为退 格 … …

name <- "Bob"
cat( "Hello", name, "\b.\n", "Isn\'t R", "\t", "GREAT?\n")
# 输出
Hello Bob.
 Isn't R 	 GREAT?

例题： 将学生的各科考试成绩组合为单一的成绩衡量指标，基于相对名次（前20%、后20%等）给出

从A到F的评分，根据学生姓氏和名字的首字母对花名册进行排序

# 第1步：创建学生花名册数据框roster
options(digits=2)
Student <- c("John Davis", "Angela Williams", "Bullwinkle  Moose", "David Jones", "Janice Markhammer", "Cheryl  Cushing","Reuven Ytzrhak", "Greg Knox", "Joel England","Mary  Rayburn")
Math <- c(502, 600, 412, 358, 495, 512, 410, 625, 573, 522)
Science <- c(95, 99, 80, 82, 75, 85, 80, 95, 89, 86)
English <- c(25, 22, 18, 15, 20, 28, 15, 30, 27, 18)
roster <- data.frame(Student, Math, Science, English,  stringsAsFactors=FALSE)	# 限制字符向量变成因子
# 第2步：对各科成绩进行标准化操作（因为数学、科学和英语考试 的分值不同，所以需要在组合之前让它们变得可以比较）
z <- scale(roster[ , 2:4])
# 第3步：创建向量score，来计算每个学生3科成绩的平均值，并将score合并到花名册数据框roster 中
score <- apply(z, 1, mean)
roster <- cbind(roster, score)
# 第4步：为了给出五级制学分评级，对score变量计算中位数
y <- quantile(score, c(.8,.6,.4,.2))
# 第5步：新建变量grade，计算学生的五级制评分
roster$grade[score >= y[1]] <- "A"
roster$grade[score < y[1] & score >= y[2]] <- "B"
roster$grade[score < y[2] & score >= y[3]] <- "C"
roster$grade[score < y[3] & score >= y[4]] <- "D"
roster$grade[score < y[4]] <- "F"
# 第6步：将学生姓名拆分为姓氏和名字
name <- strsplit((roster$Student), " ")	# 以空格为界对学生的姓名进行拆分，返回拆分后的姓名列表
# 第7步：新建变量Firstname和Lastname存放名字和姓氏，并合并 到roster中
lastname <- sapply (name, "[", 2)	# [”可以提取对象的一 部分，sapply专门对列表或者数据框进行分组统计
firstname <- sapply (name, "[", 1)
roster <- cbind (firstname, lastname, roster[,-1])	# 删除roster的第一列姓名列
# 第8步：依姓氏和名字对花名册roster进行排序
roster <- roster[order(lastname,firstname), ]
roster
# 输出
    firstname   lastname Math Science English score grade
3  Bullwinkle             412      80      18 -0.86     D
6      Cheryl             512      85      28  0.35     C
10       Mary             522      86      18 -0.18     C
1        John      Davis  502      95      25  0.56     B
9        Joel    England  573      89      27  0.70     B
4       David      Jones  358      82      15 -1.16     F
8        Greg       Knox  625      95      30  1.34     A
5      Janice Markhammer  495      75      20 -0.63     D
2      Angela   Williams  600      99      22  0.92     A
7      Reuven    Ytzrhak  410      80      15 -1.05     F

控制流

重复和循环

for结构

for (var in seq) statement

for (i in 1:10)	print("Hello")	# Hello被输出了10次

while循环

while (cond) statement

i <- 10
while (i>0) {
     print("hello")
     i <- i -1
			 }

条件语句

if-else结构

if (cond) statement
if (cond) statement1 else statement2
若cond为TRUE，则执行statement语句

if (is.character(grade))	grade <- as.factor(grade)
# 如果grade是一个字符向量，它就会被转换为一个因子
if ( !is.factor(grade))	grade <- as.factor(grade)
else	print("Grade already”)
# 如果grade不是一个因子，它就会被转换为一个因子；如果它是一个因子，就会输出一段信息

ifelse结构

ifelse (cond, statement1, statement2)
若cond为TRUE，则执行statement1语句；若cond为FALSE，则 执行statement2语句

ifelse (score > 0.5, print("Passed"), print("Failed"))
outcome <- ifelse (score > 0.5, "Passed", "Failed")

switch结构

switch (expr, …)
其中“…” 表示与expr的各种可能输出值绑定的语句

feelings <- c("sad", "afraid")
for (i in feelings)  
  print(switch(i,
         happy = "I am glad you are happy",  
         afraid = "There is nothing to fear",  
         sad = "Cheer up",
         angry = "Calm down now" )
         )
# 输出
[1] "Cheer up"
[1] "There is nothing to fear"

用户自编函数

myfunction <- function(arg1, arg2, ... ){
  statements  return(object)
  }

注意：

函数中的对象只在函数内部使用

返回对象的数据类型是任意的，从标量到列表都可以

例题： 编写一个函数，用来计算数据对象的集中趋势和散布情况：
可以选择性地计算参数统计量（均值和标准差）和非参数统计量（中位数和绝对中位差）；
结果以列表的形式给出；
可以选择是否自动输出结果；
除非另外指定，否则此函数的默认行为是计算参数统计量并且不输出结果。

mystats <- function(x, parametric=TRUE, print=FALSE) {
  if (parametric) {	# 根据参数parametric确定应该怎样计算
    center <- mean(x); spread <- sd(x)
  } 
  else {
    center <- median(x); spread <- mad(x)
  }
  if (print & parametric) {	# 根据参数print确定是否打印
    cat("Mean=", center, "\n", "SD=", spread, "\n")
  } 
  else if (print & !parametric) {
    cat("Median=", center, "\n", "MAD=", spread, "\n")
  }
  result <- list(center=center, spread=spread)
  return(result)
}
set.seed(1234)
x <- rnorm(500)
y <- mystats(x)   # y$center包含均值，y$spread包含标准差，并且没有输出结果
y <- mystats(x, parametric=FALSE, print=TRUE)
# 输出
Median= -0.021 
 MAD= 1 

例题： 编写一个函数，可让用户选择输出当天日期的格式：

mydate <- function(type="long") {
  switch(type,
         long =	format( Sys.time( ), "%A %B %d %Y" ),
         short = format( Sys.time( ), "%m-%d-%y" ),  
         cat(type, "is not a recognized type\n"))	# 函数cat()仅会在输入的日期 格式类型不匹配"long"或"short"时执行

}
 mydate("long")
 # 输出
[1] "星期六 八月 10 2019"

mydate("short")  
# 输出
[1] "08-10-19"

mydate()
# 输出
[1] "星期六 八月 10 2019"

mydate("medium")
# 输出
medium is not a recognized type

数据的整合与重塑

转置

函数t( ) 可对一个矩阵或数据框进行转置

mtcars<-mtcars
cars <- mtcars[1:5, 1:4]
# 输出
cars
                  mpg cyl disp  hp
Mazda RX4          21   6  160 110
Mazda RX4 Wag      21   6  160 110
Datsun 710         23   4  108  93
Hornet 4 Drive     21   6  258 110
Hornet Sportabout  19   8  360 175

t(cars)
# 输出
     Mazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive Hornet Sportabout
mpg         21            21         23             21                19
cyl          6             6          4              6                 8
disp       160           160        108            258               360
hp         110           110         93            110               175

整合数据

aggregate(x, by, FUN)

其中，x是待折叠的数据对象，by是由整合变量所组成的列表，FUN是计算新观测的标量函数

options(digits=3)
attach(mtcars)
aggdata <-aggregate(mtcars, by=list(cyl,gear), 
                    FUN=mean,
                    na.rm=TRUE) # 根据气缸数cyl和档位数gear整合mtcars数据，并返回各数值型变量的均值
aggdata
# 输出
  Group.1 Group.2  mpg cyl disp  hp drat   wt qsec  vs   am gear carb
1       4       3 21.5   4  120  97 3.70 2.46 20.0 1.0 0.00    3 1.00
2       6       3 19.8   6  242 108 2.92 3.34 19.8 1.0 0.00    3 1.00
3       8       3 15.1   8  358 194 3.12 4.10 17.1 0.0 0.00    3 3.08
4       4       4 26.9   4  103  76 4.11 2.38 19.6 1.0 0.75    4 1.50
5       6       4 19.8   6  164 116 3.91 3.09 17.7 0.5 0.50    4 4.00
6       4       5 28.2   4  108 102 4.10 1.83 16.8 0.5 1.00    5 2.00
7       6       5 19.7   6  145 175 3.62 2.77 15.5 0.0 1.00    5 6.00
8       8       5 15.4   8  326 300 3.88 3.37 14.6 0.0 1.00    5 6.00

detach(mtcars)