《R语言数据挖掘：实用项目解析》——第1章，第1.2节R语言引论

本节书摘来自华章出版社《R语言数据挖掘：实用项目解析》一书中的第1章，第1.2节R语言引论，作者［印度］普拉迪帕塔·米什拉（Pradeepta Mishra），更多章节内容可以访问云栖社区“华章计算机”公众号查看

1.2　R语言引论
本节将开始使用基础的R编程知识来做数据管理和数据处理，其中也会讲到一些编程技巧。R可以从https://www.r-project.org/下载。用户可以基于自己的操作系统下载和安装R二进制文件。R编程语言作为S语言的扩展，是一个统计计算平台。它提供高级预测建模、机器学习算法实施和更好的图表可视化。R还提供了适用于其他平台的插件，比如R.Net、rJava、SparkR和RHadoop，这提高了它在大数据场景下的可用性。用户可以将R脚本移植到其他编程环境中。关于R的详细信息，读者请参考：
https://www.r-project.org/

1.2.1　快速入门
启动R时的信息如下图所示。所有输入R控制台的都是对象，在一个激活的R会话中创建的对象都有各自不同的属性，而一个对象附有的一个共同属性称作它的类。在R中执行面向对象编程有两种比较普遍的方法，即S3类和S4类。S3和S4的主要区别在于前者更加灵活，后者是更结构化的面向对象编程语言。S3和S4方法都将符号、字符和数字当作R会话中的一个对象，并提供了可使对象用于进一步计算的功能。

1.2.2　数据类型、向量、数组与矩阵
数据集可分为两大类型：原子向量和复合向量。在R语言中，原子向量可以分为5种类型，即数值或数字型、字符或字符串型、因子型、逻辑型以及复数型；复合向量分为4种类型，即数据框、列表、数组以及矩阵。R中最基本的数据对象是向量，即使将单数位数字赋给一个字母，也会被视为一个单元素向量。所有数据对象都包含模式和长度属性，其中模式定义了在这个对象里存放的数据类型，长度则定义了对象中包含的元素个数。R语言中的c()函数用于将多种元素连接成一个向量。
让我们来看R中不同数据类型的一些示例：

在上述代码中，向量x1是一个数值型向量，元素个数是5。class()和mode()返回相同的结果，因此都是在确定向量的类型：

在上述代码中，向量x2是由5个元素组成的一个逻辑型向量。逻辑型向量的元素或值可以写成T/F或者TRUE/FALSE。

在上述代码中，向量x3代表了一个长度为25的字符型向量。该向量中的所有元素都可以用双引号（" "）或单引号（' '）调用。

因子是数据的另一种格式，因子型向量中列出了多种分类（也称“水平”）。在上述代码中向量a是一个字符型向量，它的两个水平／分类以一定频率重复。as.factor()命令用于将字符型向量转换成因子数据类型。使用该命令后，我们可以看到它有5个水平：Analytics、DataMining、MachineLearning、Projects和Statistics。table()命令可用于显示因子变量频数表的计算结果：

数据框是R中另一种常见的数据格式，它可以包含所有不同的数据类型。数据框是一个列表，其中包含了多个等长的向量和不同类型的数据。如果只是从电子表格导入数据集，那么该数据类型将默认为数据框。之后，每个变量的数据类型均可更改。因此，数据框可定义为由包含不同类型的变量列组成的一个矩阵。在前面的代码中，数据框x包含了三种数据类型：数值型、逻辑型和字符型。大多数真实数据集会包含不同的数据类型，比如，零售商店里存储在数据库中的客户信息就包括客户ID、购买日期、购买数量、是否参与了会员计划等。
关于向量的一个要点：向量中的所有元素必须是同类型的。如果不是，R会进行强行转换。例如，在一个数值型向量中，如果有一个元素是字符型，该向量的类型会从数值型转换成字符型。代码如下所示：

R是区分大小写的，比如，“cat”与“Cat”，它们是不同的。所以，用户在给向量分配对象名字时必须格外注意。
有时，要记住所有对象名字不总是那么容易，示例如下：

若想知道当前R会话中的所有活动对象，可使用ls()命令。list命令也会输出当前R会话中的所有活动对象。下面我们来看看什么是列表、如何从列表中提取元素以及如何使用list函数。

1.2.3　列表管理、因子与序列
列表是一个可包含抽象对象的有序对象集合。列表中的元素可以通过双重中括号获取。不要求所包含的对象是同一类型，示例如下：

在上面的例子中，客户ID及其手机号是数值型变量，而客户名字及其电子邮箱地址是字符型变量。上面的列表中共有4个元素。如果要从列表中提取元素，则可使用双重中括号；如果只需从中提取子列表，则使用中括号即可，示例如下：

关于列表，接下来的操作是如何合并一个以上的列表。多个列表可以通过cbind()函数合并，即列合并函数，示例如下：

因子可定义为在分类或名义变量中以一定频率出现的水平。换句话说，在分类变量中重复出现的水平就被称为因子。在下面给出的样例脚本中，一个字符型向量“域”包含了很多个水平，使用factor命令可以估算每个水平的出现频率。
序列是重复的迭代个数，无论是数值、分类值还是名义值，都可以组成一个序列数据集。数值序列可利用一个冒号运算符生成。如果要用因子变量生成序列，可以使用gl()函数。在计算分位数和画图函数时，这个函数特别有用。gl()函数也可应用于其他一些场景，示例如下：

代码的第一行生成升序的序列，第二行生成降序的序列，最后一行生成因子数据类型序列。

1.2.4　数据的导入与导出
如果设定了Windows目录路径，那么要导入一个文件到R系统，就并不需要输入文件所在的全路径。如果Windows目录路径设定的是系统的其他路径，而你仍然要读取那个文件，则需要给出文件所在的全路径：

文档中的所有文件都可以不指定详细路径就能读取得到。所以建议读者将目录设定成文件所在目录。
文件格式有很多种，其中CSV或者TXT格式最适合R语言平台，示例如下。不过，我们也可以导入其他格式的文件。

如果使用的是read.csv命令，不需要将header（表头）设置成True，也不需要将separator（分隔符）设置成comma（逗号）。但如果使用的是read.table命令，那就必须这样设置，否则R会从表头开始读取数据。

在输入提取文件路径时，使用“/”或者“\”都可以。在实际项目中，典型的数据是以Excel格式存储的。而如何从Excel表读取数据是一个挑战。如果先将数据存成CSV格式再导入R并不总是那么方便。下面的脚本将展示如何在R中导入Excel文件。我们需要调用两个外部的库来导入像Excel这样的关系数据库管理系统（RDBMS）文件。这两个库将在脚本中提及，其中还给出了一部分样例数据：

导入SPSS文件的方法如下所示。传统企业级软件系统产生的数据要么是SPSS格式，要么是SAS格式。导入SPSS和SAS文件的语法需要额外的包或者库。导入SPSS文件需要使用Hmisc包，导入SAS文件则需要使用sas7bdat库：

若要从R中导出一个数据集到任何一个外部地址，可以把read命令改成write命令，再把目录路径改为导出文件的路径。