R_6rh 数据的基本处理2

1.     数据类型的转换

 

名为is.datatype的函数是判断其类型T或者F。名为as.datatype则是将其转换为对应的类型。

> a <- c(1,2,3)

> is.numeric(a)

[1] TRUE

> is.vector(a)

[1] TRUE

> is.array(a)

[1] FALSE

> a<- as.character(a)

> a

[1] "1""2" "3"

> is.character(a)

[1] TRUE

 

2.     数据排序

 

使用order()函数可以对一个数据框进行排序，默认的排序顺序是升序，在排序变量前面加一个减号即可降序。

 

> newdata <- leadership[order(gender,age),]

> newdata

  manager     data country gender age q1 q2 q3 q4 q5

3       3  10/1/08      UK      F  25  3  5  5  5  2

2       2 10/28/08      US      F  45  3  5  2  5  5

5       5   5/1/09      US      F  99  2  2  1  2  1

1       1 10/24/08      US      M  32  5  4  5  5  5

4       4 10/12/08      UK      M  39  3  3  4 NA NA

> newdata <- leadership[order(gender,-age),]

> newdata

  manager     data country gender age q1 q2 q3 q4 q5

5       5   5/1/09      US      F  99  2  2  1  2  1

2       2 10/28/08      US      F  45  3  5  2  5  5

3       3  10/1/08      UK      F  25  3  5  5  5  2

4       4 10/12/08      UK      M  39  3  3  4 NA NA

1       1 10/24/08      US      M  32  5  4  5  5  5

 

这里要注意在order(gender,-age),有一个逗号，不能忽视。

有关排序的问题书上讲解略微简略，希望在以后能得到补充。

 

3.     数据集的合并

 

如果需要横向合并两个数据框，使用merge（）函数，

 

> a_data_frame <- data.frame(x= letters[1:5],y= rnorm(5),z=runif(5)>0.5)

> a_data_frame

  x          y     z

1 a -0.4173760 FALSE

2 b  0.6969445 FALSE

3 c -1.0920196  TRUE

4 d  0.2629294  TRUE

5 e -0.9772492 FALSE

> another_data_frame <- data.frame(z= rlnorm(5), y= sample(5),x= letters[3:7])

> another_data_frame

          z y x

1 1.9464695 5 c

2 0.8450900 3 d

3 1.4593505 1 e

4 0.7406191 4 f

5 1.1054632 2 g

> merge(a_data_frame,another_data_frame,by= "x")

  x        y.x   z.x      z.y y.y

1 c -1.0920196  TRUE 1.946469   5

2 d  0.2629294  TRUE 0.845090   3

3 e -0.9772492 FALSE 1.459350   1

 

merge（ 内使用by = “x” ）即锁定x为共享ID 列，因为在这种情况下默认的all=FALSE，如果这时使用all =TRUE，则会

> merge(a_data_frame,another_data_frame,by= "x",all = TRUE)

  x        y.x   z.x       z.y  y.y

1 a -0.4173760 FALSE        NA  NA

2 b  0.6969445 FALSE        NA  NA

3 c -1.0920196  TRUE 1.9464695   5

4 d  0.2629294  TRUE 0.8450900   3

5 e -0.9772492 FALSE 1.4593505   1

6 f         NA    NA   0.7406191   4

7 g         NA    NA   1.1054632   2

这既是a和another的并集，而默认情况下，all=FALSE,即使a和another的交集。 a和another 在merge时使用by可以取多个ID，这时就会有使其多个交集相同情况下的最终的交集。

 行和列的合并

 

使用cbind可以横向合并，rbind可以纵向合并。为了方便理解，可以cbind为 col bind 级列锁定，这时即列不动，横向合并。 rbind是row bind ，行锁定，这时行不动，列合并。

 

4.     数据集的提取

 

4.1  选入保存的变量

 

可以通过data.frame[row，column]来进行选择变量，比如

> newdata <- leadership[,c(6:10)]

> newdata

  q1 q2 q3 q4 q5

1  5  4  5  5  5

2  3  5  2  5  5

3  3  5  5  5  2

4  3  3  4 NA NA

5  2  2  1  2  1

 

这里就选择了第6列到第10列的相关变量。在行选择使用逗号则表示默认选择所有行。

 

如果你已知列名或者行名，则可以通过定义一个向量再通过向量进行[ ] 来进行变量选择。

 

比如：

> myvars <- c("q1","q2")

> leadership[myvars]

  q1 q2

1  5  4

2  3  5

3  3  5

4  3  3

5  2  2

 

这里myvars 定义了向量是列名q1、q2 。 如果只是选择一个变量的话可以使用

> leadership["q1"]

  q1

1  5

2  3

3  3

4  3

5  2

 

在这里需要注意q1 是字符型数值，所以需要在其加引号。

 

同样你也可以使用paste 来定义myvars向量

 

> myvars <- paste("q" , 1:5 , sep="")

> leadership[myvars]

  q1 q2 q3 q4 q5

1  5  4  5  5  5

2  3  5  2  5  5

3  3  5  5  5  2

4  3  3  4 NA NA

5  2  2  1  2  1

 

有关paste函数在书后续章节会详细解释。这里点到为止。

 

4.2  删除变量

 

删除变量最简单的方法就是使用 - ，比如：

> newdata <- leadership[c(-8,-9)]

> newdata

  manager     data country gender age q1 q2 q5

1       1 10/24/08      US      M  32  5  4  5

2       2 10/28/08      US      F  45  3  5  5

3       3  10/1/08      UK      F  25  3  5  2

4       4 10/12/08      UK      M  39  3  3 NA

5       5   5/1/09      US      F  99  2  2  1

 

这时 第8列和第9列就删除掉了。

 

同样我们可以通过

> myvars <- names(leadership) %in% c("q3","q4")

> myvars

 [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE

 

names函数定义了所有的leadership的名称，而%in%如下所示：

 

%in%

用法 a %in% table

a值是否包含于table中，为真输出TURE，否者输出FALSE

所以我们返回的值是除了q3、q4 两列均为false，即不包括。

然后我们在再通过：

> newdata <- leadership[!myvars]

> newdata

  manager     data country gender age q1 q2 q5

1       1 10/24/08      US      M  32  5  4  5

2       2 10/28/08      US      F  45  3  5  5

3       3  10/1/08      UK      F  25  3  5  2

4       4 10/12/08      UK      M  39  3  3 NA

5       5   5/1/09      US      F  99  2  2  1

这里含义表达是！myvars ，即非myvars，所以就把q3，q4 剔除掉了。所以我们在检索时也可以通过逻辑值来判断。

同样我们可以通过

leadership$q3 <- leadership$q4 <-NULL 也可以达到此效果

4.3      选入观测

我们可以通过一些逻辑判断来选择需要观测的种类，

比如；

> newdata <- leadership[1:3,]

> newdata

  manager     data country gender age q1 q2 q3 q4 q5

1       1 10/24/08      US      M  32  5  4  5  5  5

2       2 10/28/08      US      F  45  3  5  2  5  5

3       3  10/1/08      UK      F  25  3  5  5  5  2

选取了前三行， 1：3后的逗号表示默认保存每一列。

> newdata <- leadership[leadership$age >30&leadership$gender == "M",]

> newdata

  manager     data country gender age q1 q2 q3 q4 q5

1       1 10/24/08      US      M  32  5  4  5  5  5

4       4 10/12/08      UK      M  39  3  3  4 NA NA

这里同样可以看出需要观测的是大于30岁并且为男性的数据，同样需要记住在选取观测时要加入逗号保存所有列。同样我们可以通过with来进行相同的提取观测：

> with(leadership, newd  <<- leadership[gender == "M"&age>30,])

> newd

  manager     data country gender age q1 q2 q3 q4 q5

1       1 10/24/08      US      M  32  5  4  5  5  5

4       4 10/12/08      UK      M  39  3  3  4 NA NA

with的局限在于其只在with内生效，如果需要永久赋值则需要<<- ,同时你也可以通过attach来进行提取。

书中还提供了对于leadership中提取date在2009年1月1日到2009年12月31日之间的变量，可以通过以下方法：

> leadership$data <- as.Date (leadership$data, "%m/%d/%y")

> startdate <- as.Date("2009-01-01")

> enddate <- as.Date("2009-12-31")

> 

> newdata <- leadership[which(leadership$data >=startdate&leadership$data<= enddate),]

> newdata

  manager       data country gender age q1 q2 q3 q4 q5

5       5 2009-05-01      US      F  99  2  2  1  2  1

先使用as.Date 将leadership内date变量变为时间变量，然后再通过设定将startdate和enddate 均定义为时间变量，由于时间变量默认为yyyy-mm-dd，所以不需要在使用相关的格式，然后通过甄选使用which函数ji可提取相应的值。

4.4      subset函数

使用subset函数可以快速的选择变量

比如：

> news <- subset(leadership,age>=35|age <24,select = c(q1,q2,q3,q4,q5))

> news

  q1 q2 q3 q4 q5

2  3  5  2  5  5

4  3  3  4 NA NA

5  2  2  1  2  1

subset定义了年纪大于35或者小于24，并保留了变量q1到q5。

或者

> new2 <- subset(leadership,gender == "M" &age >25 , select = gender:q3)

> new2

  gender age q1 q2 q3

1      M  32  5  4  5

4      M  39  3  3  4

保留了gender到q3的所有列。

4.5      sample

> mysample <- leadership[sample(1:nrow(leadership),3,replace = FALSE),]

> mysample

  manager       data country gender age q1 q2 q3 q4 q5

1       1 2008-10-24      US      M  32  5  4  5  5  5

5       5 2009-05-01      US      F  99  2  2  1  2  1

3       3 2008-10-01      UK      F  25  3  5  5  5  2

sample（1：nrow（leadership），3，replace=FALSE）表示在leadership行中抽取一个从第一到其最后一行，随机抽取三个，无放回的行值，然后通过leadership来提取其整行。