R语言基础

一. Tips

1. 区分大小写,下标从1开始
2. 赋值符号：<- ，快捷键：alt+ -
3. 注释：#，整段按行注释：ctrl+shift+C，不提供块注释功能
4. vignette(“dplyr”) # 实用介绍性PDF，查看某个包的主要函数，包括介绍和示例
5. 工作空间workspace：新建一个项目就是一个工作空间，里面可以有多个R程序文件。
6. 选择某子部分使用$而不是.

# 常用函数：
getwd()                # 查看当前工作空间目录
setwd("path")          # set current workspace directory to this path
ls()                   # 列出当前工作空间中的所有对象
rm(对象列表)           # 删除一或多个对象
rm(list=ls())          # 删除当前工作空间中的所有对象，清空工作空间
options(scipen = 200)  # 取消科学计数法显示数据

6. 路径使用双斜杠“\ \”或反斜杠“/”
7. 安装包：install.packages(“dplyr”)
   每次重启R，要重新加载包: library(dplyr)

二.数据结构

1. 最基本：向量,标量认为是只含一个元素的向量。本质是一维数组，各元素数据类型相同，组合函数c()用来创建向量。

a[c(1,3,5)]   # 通过下标访问向量a中的第1，3，5个元素
a[2:6]        # 冒号：生成一个序列，即向量

2. 二维：矩阵，数据类型必须相同。创建矩阵如下：

m <- matrix(1:20,nrow = 4,ncol = 5)  # 4*5的矩阵，（不一定每个参数都有参数名）
# 可选参数（即有默认值）：
# byrow = FALSE  默认按列填充
# dimnames = list(行名向量，列名向量) 指定字符型行名和列名

# 创建空矩阵
m <- matrix(NA,nrow = 4,ncol = 5)

m[3,c(1,2)] # 选择第3行第1,2列元素
m[i,]       # 选择第i行元素

3. 最常用：data frame，各列类型可不不同，一列的类型必须相同

data$col1   # 选择某一变量
data[,c(1,3:6)]  # selest 第1，3，4，5，6列

4. 最特殊：factor，类别型变量，包括无序型和有序型

f <- factor(c("l1","l2","l3"))   # 默认因子的水平levels按字母顺序创建
# 可选参数：
# order = T    # 有序因子
# levels = c("l3","l2","l1")   # l3<l2<l1

# 将数值型变量转换为因子
f <- factor(c(1,2),levels = c(1,2),labels = c("male","female"))  # level与label一一对应，标签labels将替代1，2在结果中输出

5. 最复杂：list，一切都能包括，大饼卷一切。
   好处：以一种简单的方式组织不相干的信息；当函数需要返回多个结果时可以放在一个列表中返回，很多R函数就是这么干的。

l <- list(object1,.....)   # 创建列表
l <- list(name1=object1,.....)   # 或者顺便命名

# 选择列表元素
l[[2]]  # 选择列表的第2个元素，一定是双方括号！
l[["name1"]]  # 选择名为name的元素，等价于l$name1

6. 数组array：多维矩阵，创建方式：a <- array(数据向量,各维度大小)，可选参数：dimnames = list(各维度名)

a <- array(1:24,c(2,3,4))  # 2*3*4的三维数组

7. 动态扩展数据结构：将值赋给某数据结构中不存在的元素时，直接用新下标或新名字等着被赋值，好像本来就存在一样。

# 给数据框data中增加一列空值，名为new
data$new <- NA

三.数据输入与输出

输入

1. 从csv读入

data <- read.csv("路径")
# 可选参数：
# stringsAsFactors = FALSE  # 字符型不要默认读成因子型

2. 从Excel读入,最好的方式是另存为csv文件
   对于.xlsx，加载openxlsx包
   对于.xls,如果另存为.csv不成功的话，另存为.xlsx.

library(openxlsx)
read.xlsx("路径",sheet=1,)

3. 从SQLserver读入：加载RODBC包

library(RODBC)         # ODBC数据库的连接sqlserver
# 建立连接
dbhandle <- odbcDriverConnect('driver={SQL Server};server=(local);database=数据库名;trusted_connection=true') 
# 取出数据
data <- sqlQuery(channel = dbhandle,query = "SELECT等SQL查询语句")
# 关闭连接
odbcClose(dbhandle)  

4. 从MySQL读入：加载RMySQL包

library(RMySQL)
# 连接数据库
conn <- dbConnect(MySQL(), host="localhost", dbname="数据库名", user="root", password="密码") 
# 设置中文字符集，否则不识别含中文的SQL语句,utf8不可以
dbSendQuery(conn,"SET NAMES gbk")  
# 取出数据
data <- dbGetQuery(conn,"查询语句")
# 关闭连接
dbDisconnect(conn)

5. 从分隔符文件读入

data <- read.table("路径",stringsAsFactors = FALSE,sep=',',header=T)
# 可选参数：
# header=T  将第一行作为列名，而不是第一行

输出

1. cat()函数也用来输出，但它可以把多个参数连接起来再输出（具有paste()的功能），参数file=可以输出到文件

cat(stopInfo,'\n',"λ-hat:",lambda1,'\n',"方差估计:",Var,sep = "")

2. print()：一次只能输出一个变量
3. 写入文件：write.table()

四.数据清洗常用方法

length(obj)  # 查看对象个数
nchar(str)  # 查看字符串的字符个数
class(obj)  # 查看对象类型
str(data)  # 查看各变量信息，数据类型，前几个取值
summary(data)  # 查看各变量统计信息，数值型包括最值，平均数，四分位数，中位数；因子型包括各水平的频数
c(obj1,obj2,...)  # 组合为一个向量
cbind(pbj1,obj2,...)  # 按列合并对象
rbind(obj1,obj2,...)  # 按行合并对象
within()
cut()  # 将数值型变量划分为多个区间，返回因子

1. 运算符

逻辑运算符：<=, ==, !=, !非，&与，|或，a %in% b:（a是否在b中），返回T/F
算术运算符：乘方（^或**），求余数（x%%y）,整除取整（x%/%y）

2.变量重命名

1. names(data):返回data的所有列名

names(data)[2:4] <- c("n1","n2","n3")  # 对data的第2：4列重命名
names(data)[1] <- "n0"
names(data)[ncol(data)] <- "n"      # 最后一列

3.缺失值NA

1. is.na(data): data的每个元素是否是缺失值，返回与data同样大小的TF
2. sum(is.na(data)): 统计data中缺失值的个数，即将所有T加起来
3. 很多数值函数中有 na.rm=T这个参数，可以提前忽略缺失值使用剩余值进行计算
4. na.omit(data): 删除所有含缺失值的行，简单粗暴删除整行

4.类型转换

as.numeric()  # 数值型
as.character()  # 字符型
as.vector()
as.matrix()
as.data.frame()
as.factor()
as.logical()

5. 排序

1. order（向量）：默认升序，在排序变量前加负号为降序
   注意：对字符向量x排序，不能直接排，用xtfrm(x)函数，就可以像数值型那样排，降序是-xtfrm(x)
   原理是产生一个数字向量，该向量将按与x相同的顺序排序。
2. 嵌套排序：order（向量1，向量2，……）：先排序向量1，向量1相同时排向量2，…

newdata <- data[order(data$col1),]  # 因为是对所有行排序，所以写在行下标这里
newdata <- data[order(data$col1,-data$col2,-xtfrm(data$col3)),]  # 嵌套排序

6.合并

1. 简单粗暴，直接对，要求列或行必须严格对应：rbind(),cbind()
2. merge():连接，类似于SQL中的join，通过数据框之间的共有变量横向合并它们。只能连接两个数据框

m <- merge(data1,data2,by = "ID",all = T)
m1 <- merge(data1,data2,by = c("date","hour"),all = T)
# 可选参数：
# all=F：默认，只保留能连接上的，连接不上的丢弃
# all=T：全连接，连接不上的一方自动填NA，一对多时少数一方自动重复来对应多

7.筛选与剔除

1. 按下标筛选行或列，使用二维的行列下标时需同时指定行与列，（使用名称则不需要，因为R清楚）

newdata <- data[,c(6:10,12)]  # 筛选列，所有行
newdata <- data[,c(-6,-12)]  # 剔除列
newdata$col6 <- NULL          # 剔除列

newdata <- data[1:3,]  # 选出前3行
newdata <- data[data$col=="a" & data$col2>0,] # 筛选符合条件的行，逻辑运算符产生TF序列，这样只筛选出T的行，
# 等价于which（筛选条件）：which（）作用于TF序列，返回T的索引
newdata <- data[which(data$col=="a" & data$col2>0),]

如果需要剔除很多变量，不如直接筛选出需要保留的变量。select（）。

newda <- da %>% select(date,hour,nowTemp)

同时筛选行列的话，subset（）函数取子集

newdata <- subset(data,subset = (gender=="male" & age<24),select = c(col1,col2,...))
# 可选参数：
# subset=: 逻辑表达式，要保留的行
# select=：向量，要保留的列
# 可以使用冒号表达式from：to创建向量，col1:col4,R会懂的，比如gender:col4之间的所有列

8. 随机抽样

sample（从中抽取元素的向量，要抽取的个数）
可选参数：replace=F，默认无放回抽样

> sample(1:12,3,replace = F)
[1]  6 10 11

9. 使用SQL语句操作数据框

sqldf包
sqldf():在数据框上使用SQL的select语句

install.packages("sqldf",destdir = "D:\\Softwares\\R\\R-3.6.1\\packages")
library(sqldf)

newdf <- sqldf("select * from OutTempreture where 温度=20",row.names=T)
# 可选参数：
# row.names=F：新数据是否保留原来的行名

四.数据管理

1. 数学函数

• abs(x): x的绝对值
• sqrt(x): x的平方根
• exp(x): 指数
• log(x): 自然对数ln(x)
• log10(x): 常用对数lg(x)
• 取整： ceiling（x）：大于等于x的最小整数
  floor（x）：小于等于x的最大整数
  trunc(x)：向0方向截取整数部分
• 四舍五入：round（x,digits=n)：指定n位小数

2. 统计函数

• mean(x):平均数，median(x):中位数，sd(x):标准差，var(x):方差
• range(x):值域，极差，sum(x):求和，min(x):最小值，max(x)：最大值
• quantile(x,probs):求向量x的分位数，probs是分位点，在0-1之间，向量
• scale(x,center=T,scale=T):数据标准化，按列标准化，均值为0，标准差为1

3. 概率函数

占坑，有空来写。R语言实战P90。

4. 字符处理函数