R语言入门学习笔记-数据抽取01-字段拆分

目录

1.字段拆分

1.1按照位置拆分

 1.2按照分隔符拆分

 1.3时间属性抽取

---

数据抽取，也称数据拆分，是指保留、抽取元数据表中的某些记录、字段的部分信息，形成一个新字段、新记录的过程，主要的方法有字段拆分、记录抽样和随机抽样。

1.字段拆分

字段拆分，是指抽取某一字段的部分信息，形成一个新字段的方法。

实际应用举例：

某公司会员表里记录了身份证信息，其中包含很多信息，如籍贯省份、籍贯城市、出生日期、性别等，如果将他们从身份证这个字段中抽取出来，就可以得到相应的新字段，也就可以进行相应的分析，如会员籍身份分布等，甚至可以根据出生日期进行进一步处理，得到年龄、星座、生肖字段。

字段拆分常用的方法有按照位置拆分、按照分隔符拆分，以及时间属性抽取。

1.1按照位置拆分

例如，电话号码19800198000的第一位到第三位198,是某个运行商的号码段；第四位到第七位0019，是某个地区的号码段；第八位到第十一位8000，是用户的编号。在了解这个规则信息后，就可以采用按照位置拆分的方法，获取运营商号码段、地区号码段两个新字段。

在R语言中，使用substr函数对字段按位置进行抽取。如下面的例子

#字段拆分
data = read.csv('C:/Users/ABC/Desktop/书籍源代码和配套资源/谁说菜鸟不会数据分析（R语言篇）--数据/第四章/4.4.1 字段拆分/字段拆分.csv')
#该数据有9个电话号码
#将数值型的tel列转化为字符型
data$tel = as.character(data$tel)
#运营商
data['brands']=substr(x=data$tel,start=1,stop=3)
#地区
data['areas']=substr(x=data$tel,start=4,stop=7)
#号码段
data['nums']=substr(x=data$tel,start=8,stop=11)

 1.2按照分隔符拆分

在R语言中，需要用到stringer包中的str_split_fixed()函数。

例如，该数据框中只有一列name(商品标题），现在需要使用字段拆分的方法吧name（商品标题）列拆分为两列：第一列为brand（商品品牌），第二列为commodity_name(商品名称）。

#导入数据
data1=read.csv('C:/Users/ABC/Desktop/书籍源代码和配套资源/谁说菜鸟不会数据分析（R语言篇）--数据/第四章/4.4.1 字段拆分/分隔符.csv',
               fileEncoding="utf8",
               stringsAsFactors=FALSE)
#安装stringr包，加载包
install.packages("stringr")
library(stringr)
#使用空格分隔符将商品标题拆分为品牌名称和商品名称，参数n设置为2
newData=str_split_fixed(string = data1$name,pattern = ' ',n=2)
#重命名列
colnames(newData)=c('brand','commodity_name')

 

 1.3时间属性抽取

时间属性抽取，是从时间型数据中，抽取出需要的部分时间属性，如年、月、日、时、分、秒等。例如，需要按年统计销售额，就要从销售入去中抽取出年份属性，再按年份分组统计销售额。

在时间性数据的列后面加上对应的属性名即可完成抽取，具体的时间数据属性如表

属性	说明
year	年，自1900年开始的年数
mon	月，用0到11代表1到12月
mday	日，1~31
hour	时，0~23
min	分，0~59
sec	秒，0~61
wday	一周内的第几天（从周日开始计数），用0~6代表1~7天
yday	一年内的第几天，用0~365代表第1~366天

例如，把年、月、周、日、时、分、秒这7个常用的时间属性抽取出来，并作为新的列加入data2数据框，代码如下：

 首先导入数据，用strptime函数把时间字符列转为“时间型”的数据，然后赋值给“时间”列。

#导入数据
data2=read.csv('C:/Users/ABC/Desktop/书籍源代码和配套资源/谁说菜鸟不会数据分析（R语言篇）--数据/第四章/4.4.1 字段拆分/时间属性.csv',
               fileEncoding="utf8",
               stringsAsFactors=FALSE)
#把注册时间列转换位时间型的数据，然后赋值给“时间”列
data2$时间=strptime(
  data2$注册时间,
  format='%Y/%m/%d %H:%M:%S')

#抽取时间的各种属性，新增到对应的列中
data2$年=data2$时间$year+1990
#因为年份是从1900年开始计数的，所以要加上1900
data2$月=data2$时间$mon+1
#因为月份是从0开始计数的，要加1
data2$周=data2$时间$wday
data2$日=data2$时间$mday
data2$时=data2$时间$hour
data2$分=data2$时间$min
data2$秒=data2$时间$sec

 

 数据代码等来自书《谁说菜鸟不会数据分析-R语言篇》