R语言学习笔记——入门篇：第二章-创建数据集

福旺旺

已于 2022-11-30 11:15:34 修改

阅读量707

点赞数 1

分类专栏： R语言文章标签： r语言学习开发语言

于 2022-10-26 23:16:45 首次发布

本文链接：https://blog.csdn.net/qq_45794091/article/details/127507294

版权

R语言专栏收录该内容

15 篇文章 18 订阅

订阅专栏

R语言

R语言学习笔记——入门篇：第二章-创建数据集

文章目录

R语言
一、数据集的概念
二、数据结构
三、数据的输入
四、数据集的标注
- 4.1、变量标签
- 4.2、值标签
五、函数总结
- 5.1、RODBC中的函数
- 5.2、处理数据对象的实用函数

一、数据集的概念

进行数据分析的第一步就是需要创建一个含有信息的数据集。
其在R中大致被分为两步：
1.选择一种数据集来存放数据
2.将数据导入这种数据集中
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（不同学家对其称呼不同）。
数据类型：数值型，字符型，逻辑性（bool型TRUE/FALSE,R中区分大小写），复数型（序数）和原生型（字节）

二、数据结构

数据结构：标量，向量，矩阵，数组，数据框，列表。
在这里插入图片描述

2.1、向量

2.1.1、基础概念

向量：一种用于存储数值型，字符型，逻辑型数据的一维数组
创建方法：

x <- c( )

示例：

a <- c(1,2,3,4) #数值型向量
b <- c("one","two","three","four") #字符型向量
c <- c(TRUE,FALSE,TRUE,FALSE) #逻辑型向量

注意：单个向量中的数据必须拥有相同的数据类型
标量：只含一个元素的向量

2.1.2、数据的提取

用 [ ] 来提取向量中的数据
数值之间使用 冒号（:） 可以生成一个数值序列。如c(1:4)等价于c(1,2,3,4)
示例：

# 向量的创建  
x1 <- c("G", "I", "B", "H")  #创建由GIBH四个英文大写字母的向量

x1[2] #用英文中括号进行提取，对向量x的第二位元素提取
x1[2:4] #提取向量x的第2~4位元素
x1[c(2,4)] #提取向量x的第2和第4位元素
x1[c(1:2,4)] #提取向量x的第1~2和第4位元素

#错误用法
x1[2,4] 
x1[1:2,4]

结果：

> x1 <- c("G", "I", "B", "H")  #创建由GIBH四个英文大写字母的向量

> x1[2] #用英文中括号进行提取，对向量x的第二位元素提取
[1] "I"

> x1[2:4] #提取向量x的第2~4位元素
[1] "I" "B" "H"

> x1[c(2,4)] #提取向量x的第2和第4位元素
[1] "I" "H"

> x1[c(1:2,4)] #提取向量x的第1~2和第4位元素
[1] "G" "I" "H"

> #错误用法
> x1[2,4] 
Error in x1[2, 4] : incorrect number of dimensions
> x1[1:2,4] 
Error in x1[1:2, 4] : incorrect number of dimensions

2.2、矩阵

2.2.1、基础概念

矩阵：一种用于存储数值型，字符型，逻辑型数据的二维数组，每个元素要求数据类型相同。
创建方法：

x <- matrix(vector, nrow = number_of_rows, ncol = number_of_columns , byrow = TRUE/FALSE, dimnames = list(rownames,colnames))
# vector:数组中的数据，数据
# nrow行的维数
# ncol列的维数
# byrow表明矩阵按行填充（TURE）或按列填充（FALSE）
# dimnames:可选，各维度名称标签，各维度名称

也可以在向量基础上利用 dim( ) 函数升阶为矩阵（/数组）
- 例如：

b <- c(1,2,3,4)
dim(b) <- c(2,2)
class(b)

> b <- c(1,2,3,4)
> dim(b) <- c(2,2)
> b
     [,1] [,2]
[1,]    1    3
[2,]    2    4
> class(b)
[1] "matrix" "array"

示例：

a <- c("A1","A2")
b <- c("B1","B2","B3","B4")
x <- matrix(1:8,2,4,TRUE,list(a,b))#按行排列
x
y <- matrix(1:8,2,4)#默认按列排列
y

结果：

> x <- matrix(1:8,2,4,TRUE,list(a,b))
> x
   B1 B2 B3 B4
A1  1  2  3  4
A2  5  6  7  8
> y <- matrix(1:8,2,4)
> y
     [,1] [,2] [,3] [,4]
[1,]    1    3    5    7
[2,]    2    4    6    8

2.2.2、数据的提取

使用下标和方括号来选择矩阵中的列，行或者元素。
- x[i,]指矩阵x中的第i行
- x[,j]指矩阵x中的第j列
- x[x,j]指矩阵x中第i行第j列的元素
示例：

a <- c("A1","A2")
b <- c("B1","B2","B3","B4")
x <- matrix(1:8,2,4,TRUE,list(a,b))
x
x[1,]
x[,2]
x[1,3]
x[1:2,c(1,3)]
x[1:2,1:2]

结果：

> x
   B1 B2 B3 B4
A1  1  2  3  4
A2  5  6  7  8
> x[1,]
B1 B2 B3 B4 
 1  2  3  4 
> x[,2]
A1 A2 
 2  6 
> x[1,3]
[1] 3
> x[1:2,c(1,3)]
   B1 B3
A1  1  3
A2  5  7
> x[1:2,1:2]
   B1 B2
A1  1  2
A2  5  6

2.3、数组

数组：与矩阵类似，维度可以大于2，每个元素要求数据类型相同。
创建方法：

x <- array(vector,dimensions,dimnames)
# vector:数组中的数据，数据
# dimensions:数值型向量，给出各维度下标最大值，各维度的值
# dimnames:可选，各维度名称标签，各维度名称

示例：

a <- c("A1","A2")
b <- c("B1","B2","B3")
c <- c("C1","C2","C3","C4")
x <- array(1:24,c(2,3,4),list(a,b,c))
x

结果：

, , C1

   B1 B2 B3
A1  1  3  5
A2  2  4  6

, , C2

   B1 B2 B3
A1  7  9 11
A2  8 10 12

, , C3

   B1 B2 B3
A1 13 15 17
A2 14 16 18

, , C4

   B1 B2 B3
A1 19 21 23
A2 20 22 24

提取数据：与矩阵类似，使用x[a,b,c…]来提取数组x中的元素。

2.4、数据框

2.4.1、基础概念

数据框：与矩阵的区别在于每一列可以包含不同数据类型（任何类型），但是要求每一列的数据类型相同。
创建方法

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

示例

a <- c(1,2,3,4)
b <- c(1.1,2.2,1.1,4.4)
c <- c("C1","C1","C3","C4")
d <- c(TRUE,TRUE,TRUE,FALSE)
x <- data.frame(a,b,c,d)
x

结果：

> x
  a   b  c     d
1 1 1.1 C1  TRUE
2 2 2.2 C1  TRUE
3 3 1.1 C3  TRUE
4 4 4.4 C4 FALSE

2.4.2、数据的提取

可以使用类似矩阵的的下标法，也可以指定列名来调用
指定列名有两种方法
- x[c(“coln1”,“coln2”,…)]
- x$coln
可以利用table函数来进行列联表
示例：

x[2]
x[2:3]
x[c(2,4)]

x[c("a","c")]
x$c

table(x$d,x$b)

结果：

> x[2]
    b
1 1.1
2 2.2
3 1.1
4 4.4
> x[2:3]
    b  c
1 1.1 C1
2 2.2 C1
3 1.1 C3
4 4.4 C4
> x[c(2,4)]
    b     d
1 1.1  TRUE
2 2.2  TRUE
3 1.1  TRUE
4 4.4 FALSE
> x[c("a","c")]
  a  c
1 1 C1
2 2 C1
3 3 C3
4 4 C4
> x$c
[1] "C1" "C1" "C3" "C4"
> table(x$d,x$b)
       
        1.1 2.2 4.4
  FALSE   0   0   1
  TRUE    2   1   0

对行数据的提取：

数据框名[c("行名1","行名2"),]
# 区别就是后面加了个逗号

2.4.3、代码简化

每次调用数据框中的数据时都需要键入一次变量名，显得繁琐，可以通过联用attach( )，detach( )函数或者单独用with函数来简化代码

2.4.3.1、attach( )，detach( )

attch( )：将数据框添加到R的搜索路径中
detach( )：将数据框从搜索路径中移除
- 此函数对数据框无影响，可以省略
示例：

# 以上面数据框的示例为例
# mean是函数，用来求算术平均值
# x为数据框，a为x中的变量（就是列名）
mean(x$a)
#与下面的函数是等价的
attach(x)
mean(a)
detach(x)

2.4.3.2、with( )

使用方法：

with(数据框名,{操作空间})

示例

with(x,{mean(a)}) #与上面示例等价
# mean是函数，用来求算术平均值
# x为数据框，a为x中的变量（就是列名）

with中定义的变量皆为局部变量，除非用<<-往上级写。

2.4.4、实例标识符

利用rowname选项来指定一列的数据作为行名
- 这一列数据不能有重复
示例：

x <- data.frame(a,b,c,d,row.names = a)

2.5、因子

变量分类：名义型，有序型，连续型
- 名义型：无顺序之分的变量，例如姓名排序
- 有序型：不涉及数量关系的一种顺序关系，例如健康状态，差，一般，好之间有顺序但不清楚之间具体相差多少
- 连续型：同时表示了数量和顺序，例如15岁比14岁大一岁
因子：名义型和有序型变量，其决定了数据的分析方式和如何数据可视化
函数：factor( x = character(), levels, labels = levels, ordered = TRUE/FALSE)
- 存储类别：整数向量
- 取值范围：[1-k] （k是名义型变量中唯一值的个数）
- 原始数据组成的内部向量会映射到这些整数上
- 参数
  - x：导入的原始向量
  - levels：默认的水平因子排序是按照字母顺序，可以用levels参数来覆盖默认排序
  - labels：可以与levels函数联用来编码成因子，将数值型变量改为字符型变量。
  - order：默认为FALSE，TRUE为有序型变量，FALSE为名义型变量
示例：

ID <- c(1,2,3,4)
Age <- c(22,29,40,55)
Type <- c("A","A","B","A")
Status <- c("Poor","Improved","Excellent","Poor")

Type <- factor(Type)
Status <- factor(Status,ordered = TRUE)
# 按照首字母的顺序来排也就是"Poor","Improved","Excellent"——3，2，1
Status <- factor(Status,ordered = TRUE,levels = c("Poor","Improved","Excellent"))
# 按照"Poor","Improved","Excellent"——1，2，3的顺序来排序
Data <- data.frame(ID,Age,Type,Status)
Data
str(Data)
summary(Data)

Data$Status <- c("1","2","3","1")
Data$Status <- factor(Status,ordered = TRUE,levels = c(1,2,3),labels = c("Poor","Improved","Excellent"))
# 将1,2,3替换为"Poor","Improved","Excellent"，存在1，2，3以外的数字时将被设为缺失值。

结果：
- 函数str(object)可以提供R中某个对象的信息
  - 结果中显示了Type是一个名义型因子，Status是一个有序型因子，以及如何编码的
- 函数summary显示了连续型变量age的最小值，最大值，均值和各四分位数，顺序显示了因子的频数

> Data
  ID Age Type    Status
1  1  22    A      Poor
2  2  29    A  Improved
3  3  40    B Excellent
4  4  55    A      Poor

> str(Data)
'data.frame':	4 obs. of  4 variables:
 $ ID    : num  1 2 3 4
 $ Age   : num  22 29 40 55
 $ Type  : Factor w/ 2 levels "A","B": 1 1 2 1
 $ Status: Ord.factor w/ 3 levels "Poor"<"Improved"<..: 1 2 3 1

> summary(Data)
       ID            Age        Type        Status 
 Min.   :1.00   Min.   :22.00   A:3   Poor     :2  
 1st Qu.:1.75   1st Qu.:27.25   B:1   Improved :1  
 Median :2.50   Median :34.50         Excellent:1  
 Mean   :2.50   Mean   :36.50                      
 3rd Qu.:3.25   3rd Qu.:43.75                      
 Max.   :4.00   Max.   :55.00

2.6、列表

2.6.1、基础概念

列表：一些对象的有序合集，将若干对象整合到单个对象中。
创建方法：

x <- list(object1.object2,...)

示例：

a <- "My First List"
b <- c(1,2,3,4)
c <- matrix(1:8,nrow = 2,ncol = 4)
d <- c("A","B","C","D")
e <- data.frame(b,d)
f <- list(title=a,values=b,c,d,e)
f

结果：

$title
[1] "My First List"

$values
[1] 1 2 3 4

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

[[4]]
[1] "A" "B" "C" "D"

[[5]]
  b d
1 1 A
2 2 B
3 3 C
4 4 D

2.6.2、数据的操作

2.6.2.1、提取

利用 [[ ]] 或者 $
示例：

f[[2]]
f[["values"]]
f$values

f[[3]]

结果：

> f[[2]]
[1] 1 2 3 4
> f[["values"]]
[1] 1 2 3 4
> f$values
[1] 1 2 3 4
> f[[3]]
     [,1] [,2] [,3] [,4]
[1,]    1    3    5    7
[2,]    2    4    6    8
>

注：如果和上述对数据框等数据提取一样使用 [ ]，提取出来的不是数值而是子列表，因为列表是双层的，外面一层list壳，里面包裹着变量的壳，变量里面才是数值，[ ] 类似于剥壳操作，列表需要剥两次才能取到值。
示例：

f[2]
class(f[2])
f[[2]]
class(f[[2]])
f[2][1]
f[[2]][1]

结果：

> f[2]
$values
[1] 1 2 3 4

> class(f[2])
[1] "list"
> f[[2]]
[1] 1 2 3 4
> class(f[[2]])
[1] "numeric"
> f[2][1]
$values
[1] 1 2 3 4

> f[[2]][1]
[1] 1

2.6.2.2、添加

将新的数据赋给当前维度+1的空间内

f[6] <- "添加"

2.6.2.3、删除

将NULL赋给需要删除的维度空间内

f[1] <- NULL

2.6.2.4、合并

将多个列表放在向量中赋给新的列表

list1 <- list("1","2","3")
list2 <- list("4","5","6")
new_list <- c(list1,list2)

2.6.2.5、拆分

使用unlist( ) 函数将列表转换为向量

list1 <- list(1,2,3)
list2 <- list(4,5,6)
v1 <- unlist(list1)
v2 <- unlist(list2)

#向量算法
v3 <- v1+v2 # 只有数值型可以进行向量之间的算法
> v3
[1] 5 7 9

补充——基础定义介绍

对象：可以赋值给变量的任何事物（常量，数据结构，函数，图形等）
对象的模式：描述对象如何存储的
对象的类：某类函数如何处理对象的

补充——注意事项

对象名称中的 “.” 没有特殊意义
R不提供多行注释的功能
调试：可以将想让解释器忽视的代码放在if(FALSE){ }中，将FALSE改为TRUE就可以允许运行代码
将值赋给某个列表，矩阵，数组或列表中时如果超出容纳范围，R会自动扩充其范围

x <- c(1,2,3)
x[6] <- 6
> x
[1]  1  2  3 NA NA  6
x <- x[1:3]
> x
[1] 1 2 3

R中没有标量，以单元素向量的形式出现
R中的下标从x[1]开始而不是x[0]
R中不能声明变量，只有在首次被赋值时生成

补充——查询，判断，修改数据类型

查询：class( )，mode( )， typeof( )
判断：is.arrary(/list/character …) 输出TRUE或FALSE
修改：as.arrary(/list/character …)

三、数据的输入

向R中导入数据的权威指南可以在这里下载

3.1 、使用键盘输入数据

适用于处理小数据集

3.1.1、R内置的文本编辑器

导入方法：函数edit( )/fix( )
- x <- edit(x) 等价于 fix(x)
示例：

x <- data.frame(age=numeric(0),gender=character(0),weight=numeric(0))
x <- edit(x)
fix(x)
# age=numeric(0)创建一个数值型数据模式（character为字符型），但是不包含数据的变量
# edit( )函数本身是在对象的一个副本上修改的，所以如果不将修改结果赋给一个目标，修改内容将丢失
# x <- edit(x)等价于fix(x)

# 当然你也可以什么都不创建，直接在数据框里添加
y <- data.frame()
y <- edit(y)

结果：

3.1.2、代码中嵌套数据

导入方法：函数read.table( )
示例：

x <- "
ID Age gender
1 11 male
2 22 female
3 33 female
4 44 male
"
y <- read.table(header=TRUE,text = x)

结果：

> y
  ID Age gender
1  1  11   male
2  2  22 female
3  3  33 female
4  4  44   male

3.2、导入带分隔符的文本数据（.txt, .csv）

导入方法：函数read.table( )
- 此函数可以导入表格格式文件，并保存为数据框。
- 语法：

x <- read.table(file,options)
# file为带分隔符的ASCLL文本文件
# options为控制数据的选项

read.table(file, header = FALSE, sep = "", quote = "\"'",
           dec = ".", numerals = c("allow.loss", "warn.loss", "no.loss"),
           row.names, col.names, as.is = !stringsAsFactors,
           na.strings = "NA", colClasses = NA, nrows = -1,
           skip = 0, check.names = TRUE, fill = !blank.lines.skip,
           strip.white = FALSE, blank.lines.skip = TRUE,
           comment.char = "#",
           allowEscapes = FALSE, flush = FALSE,
           stringsAsFactors = FALSE,
           fileEncoding = "", encoding = "unknown", text, skipNul = FALSE)

选项	功能
header=TRUE/FALSE	TURE：文件第一行包含了变量名
sep	按什么分隔符来读取数据，默认为sep=” “表示一个（或多个）空格、制表符、换行或回车。sep=",“表示逗号sep=”\t"表示制表符
row.name	指定一列（或多列）数据，作为行名，可选参数
col.name	header=FALSE时，指定一个包含变量名的字符向量，作为列名
na.strings	表示缺失值的可选字符向量，如na.strings=c(“-9”),就会将-9读为NA
colClasses	可选的分配到每一列的类向量。如colClasses=c(“numeric”,“character”,“NULL”)，会将第一列设为数值型，第二列为字符型，跳过第三列，当数据不止3列，会循环利用colClasses的值。处理大文本数据时，十分有效
quote	用于对有特殊字符的字符串划定界限的自负床，默认为双引号（” “）或单引号（’ '）
skip	读取数据前跳过的行数（用来跳注释）
stringsAsFactors=TRUE/FALSE	标记字符向量是否需要转化为因子，默认值为TRUE，将该选项设置为FALSE会大幅提升处理速度
text	代码中嵌套数据，不能与file同时存在

注：当导入的数据中存在空白数据时，使用NA填充，同时在函数 read.table( ) 中写入参数选项，fill=TRUE

3.3、导入Excel数据

最方便的方法就是将Excel中的数据导出为（.csv）文件，然后用前面的方法导入。
此外亦可以用xlsx包直接导入Excel文件，另外还需要xlxjars和rJava包，以及一个可以正常运行的Java。
导入方法：

install.packages("xlsx")
library(xlsx)
x <- read.xlsx(file,n)
#file是Excel的绝对路径，n表示要导入的工作表序号

替代的包包含有XLConnect和openxlsx包，前者依赖于Java，后者不是。
所有的包都可以创建和操作Excel文件。

3.4、导入XML数据

XML包允许你读取，写入和操作XML文件

3.5、从网页抓取数据

通过Web数据抓取或者应用程序接口（application programming interface，API）实现

3.6、导入SPSS数据

可以通过foreign包中的read.spss( )函数导入R中，或Hmisc包中的spss.get( )函数。spss.get( )函数是对read.spss( )函数的封装，更加的快捷方便。
导入方法

install.packages("Hmisc")
library(Hmisc)
x <- spss.get("filename.sav",use.value.labels=TRUE)
# use.value.labels=TRUE表示让函数将带有标签的变量导入R中水平对应的相同因子

3.7、导入SAS数据

foreign包中的read.ssd( ) 函数，Hmisc包中的sas.get( )，以及sas7bdat包中的read.sas7dbat( )，前面两种方法需要安装SAS软件。
导入数据

install.packages("Hmisc")
library(Hmisc)
datadir <- "data的绝对路径"
sasexw <- "sas.exe的绝对路径"
mydata <- sas.get(libraryName = datadir,member = "clients",sasprog = sasexe)
# libraryName是包含SAS数据集的文件夹，membership数据集的名字（去掉后缀sas7dbat），sasprog是sas。exe的绝对路径

也可以在SAS中导出为csv文件

sas程序
liobname datadir "data的绝对路径"
 proc export data=datadir.clients
 outfile="clients.csv"
 dbms=csv;
run;

R程序
 mydata <- read.table("client.csv",header=TRUE.sep=",")

sas7dbat函数

 install.packages("sas7dbat")
 library(sas7dbat)
 mydata <- read.sas7dbat(sas7dbat文件的绝对路径)

3.8、导入Stata数据

导入方法

library(foreign)
x <- read.dta("mydata.dta")

3.9、导入NetCDF数据

开源软件库NetCDF（网络通用数据格式），定义了一种机器无关的数据格式，可用于创建和分发面向数组的科学依据。
其通常用来存储地球物理数据。
ncdf包与ncdf4包为NetCDF提供了R接口
导入方法

install.packages("ncdf")
library(ncdf)
nc <- nc_open("mynetCDFfile")
myarray <- get.var.ncdf(nc,myvar)
# myvar为mynetCDFfile中的变量

3.10、导入HDF5数据

HDF5（分层数据格式）是一套用于管理超大型和结构极端负载的数据集的软件技术方案。
rhdf5包为R提供了一个HDF5接口，用以下代码安装，此包在Bioconductor网站上面。

source（”http://bioconductor.org/bioLite.R“）
bioLite（”rhdf5“）

3.11、访问数据库管理系统

R有许多面向关系型数据库管理系统的（DBMS）的接口。

3.11.1、ODBC接口

通过RODBC包来访问数据库
第一步需要针对系统和数据库类型安装并配置合适的ODBC驱动
第二步安装RODBC包
RODBC包允许R与数据库双向通信，意味着可以对数据库内容进行读写。
导入数据

 install.packages("ODBC")
 library(ODBC)
 myconn <- odbcConnect("mydsn",uid="name",pwd="password")
 数据框1 <- sqlFetch(myconn,sql表1)
 数据框2 <- sqlQuery(myconn,"select * from Punishment")
 close(mycoon)
 # 首先载入RODBC包，通过一个已经注册的数据源（mycoon）和用户名name密码password打开数据库连接
 # 连接字符串被传递给sqlFetch，其将sql表1复制到数据框1
 # 函数sqlQuery（）中可以插入任意的sql语句，这里全选了sql表2的数据赋给了数据框2

3.11.2、DBI相关包

DBI包为访问数据库提供了一个通用且一致的客户端接口

3.12、通过Stat/Transfer导入数据

Stat/Transfer是一款可以在32款数据格式之间转换的应用程序，包括R

补充——用连接来导入数据

函数file( ) 允许访问文件，剪切板和C级别的标准输入
函数gzfile( ), bzfie(), xzfile( ), unz( ) 允许读取要锁文件
函数url( ) 可以访问网上文件

四、数据集的标注

其实就是对数据集的变量名和值进行重命名（修改）

4.1、变量标签

方法：

names(变量)[第几列数据] <- "修改后的名称"

示例：

a <- c(1,2,3,4)
b <- c(1.1,2.2,1.1,4.4)
c <- c("C1","C1","C3","C4")
d <- c(TRUE,TRUE,TRUE,FALSE)
x <- data.frame(a,b,c,d)

names(x)[2] <- "age"
> x
  a age  c     d
1 1 1.1 C1  TRUE
2 2 2.2 C1  TRUE
3 3 1.1 C3  TRUE
4 4 4.4 C4 FALSE

4.2、值标签

方法：利用因子中的levels和labels
示例：

ID <- c(1,2,3,4)
Age <- c(22,29,40,55)
Type <- c("A","A","B","A")
Status <- c("1","2","3","1")

Type <- factor(Type)
Status <- factor(Status,ordered = TRUE,levels = c(1,2,3),labels = c("Poor","Improved","Excellent"))
# 将1,2,3替换为"Poor","Improved","Excellent"，存在1，2，3以外的数字时将被设为缺失值。
Data <- data.frame(ID,Age,Type,Status)

五、函数总结

5.1、RODBC中的函数

函数	功能
odbcConnect(dsn,uid" “,pwd=” ")	建立一个到ODBC数据库的连接
sqlFetch(channel,sqltable)	读取ODBC数据库中某个表到一个数据框中
sqlQuery(channel,query)	向ODBC数据框提交一个查询并返回结果
sqlSave(channel,mydf,tablename=sqtable,append=FALSE)	将数据框写入或更新（append=TRUE）到ODBC数据库中的某个表
sqlDrop(channel,sqtable)	删除ODBC数据库中的某个表
close(channel)	关闭连接

5.2、处理数据对象的实用函数

函数	功能
length(object)	显示对象中元素的数量
dim(object)	显示某个对象的维度
str(object)	显示某个对象的结构
class(object)	显示某个对象的类或类型
mode(object)	显示某个对象的模式
names(object)	显示某个对象中各成分的名称
c(object1,object2,…)	将对象合并入一个向量
cbind(object1,object2,…)	按列合并对象
rbind(object1,object2,…)	按行合并对象
object	输出某个对象
head(object)	列出某个对象的开始部分
tail(object)	列出某个对象的结束部分
ls()	显示当前的对象列表
rm(object1,object2,…)	删除一个/多个对象
rm(list=ls())	删除环境中几乎所有对象
newobject <- edit(object1,object2,…)	编辑对象并将其保存到newobject
fix(object)	直接编译对象

福旺旺

关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
R语言学习笔记——入门篇：第二章-创建数据集

数据集的概念，数据结构（向量，矩阵，数组，数据框（attach( )，detach( )，with( )），因子，列表），数据的输入三、数据的输入（R内置的文本编辑器，代码中嵌套数据，导入带分隔符的文本数据（.txt, .csv），Excel，XML，网页抓取，SPSS，SAS，Stata，NetCDF数据），数据集的标注，函数总结。
复制链接

扫一扫