R语言数据预处理

数据预处理函数

 数据修改
修改数据标签
行列删除    例如data[-1，-3]：表示删除数据集data的第一行和第三行
缺失值处理：
判断是否缺失
判断缺失模式

在有缺失数据的情况下进行的数据分析是不可能的，处理缺失数据主要有三种方法：
删除缺失样本：前提是缺失数据的比例比较少，而且确实数据是随机出现的，这样删除缺失数据后对分析结果影响不大，R可以使用complete.cases()指令选取完整的记录，有缺失值得行则删去不要
对于有多个变量缺失的数据，如果直接删除所有的缺失值，可以通过na.comit()函数来完成，一些函数在计算时可以通过参数设置来忽略缺失值
替换缺失值：用赋值来解决，用变量均值或者中位数来代替缺失值，
多重插补法：用来填补复杂数据缺失值的一种方法，通过变量间的关系来预测缺失数据，插补算法有JM模型（对原始数据的要求很高）和FSC（基于链式方程的），

demo(graphics)
demo(persp):绘制三维图形的例子

R作图的对象是向量或数据框，读入数据时一般可以直接形成图形


缺失值一般用NA表示
is.na(x) ：看x当中有哪些值是空值，对x中的每个元素进行判断，如果是空值则返回TRUE，否则返回FALSE
缺失值不能用来比较的 ，不能用来比较相等
针对空值所做的运算都是NA，因为空值是不能比较的
 y <- sum(x,na.rm = TRUE)  //将x中的空值删除
na.omit() : 将有空值的那一行全部删除】

日期值：
 Sys.Date()：返回系统当前日期
date()：还有时间点

类型转换
> a <- c(2,5,7)
> a
[1] 2 5 7
> is.numeric()
Error in is.numeric() :
  0 arguments passed to 'is.numeric' which requires 1
> is.numeric(a)
[1] TRUE
> is.vector(a)
[1] TRUE
> b <- as.character(a)          //强制类型转化

在R中排序
order：默认以升序的方式进行排序
survey[order(survey$gender,survey$age),] :先按照性别进行排序，然后再按照年龄进行排序
降序排序：
survey[order(-survey$age),] ：降序排序