R语言学习系列17数据整合Ⅰ基本操作汇总.docx
《R语言学习系列17数据整合Ⅰ基本操作汇总.docx》由会员分享，可在线阅读，更多相关《R语言学习系列17数据整合Ⅰ基本操作汇总.docx（15页珍藏版）》请在冰豆网上搜索。
R语言学习系列17数据整合Ⅰ基本操作汇总
16.数据整合Ⅰ—基本操作
目录：
一.数据框创建新变量
二、变量的重命名
三.变量的重新编码
四.数据排序
五.数据合并
六.选取数据的子集
七.简单的随机抽样
正文：
一、数据框创建新变量
假设有MyData数据框，其中变量为x1，x2.现创建名为sumx和meanx的新变量，分别存储变量x1与x2的加和与均值。
#方法1
MyData$sumx<-MyData$x1+MyData$x2
MyData$meanx<-（MyData$x1+MyData$x2）/2
#方法2
attach（MyData）
MyData$sumx<-x1+x2
MyData$meanx<-（x1+x2）/2
detach（MyData）
#方法3（建议方法）
MyData<-transform（MyData,
sumx=x1+x2,
meanx=（x1+x2）/2）
二、变量的重命名
1.用交互式编辑器
若修改数据集x的变量名，键入函数fix（x），即可打开交互式编辑器界面。
score<-data.frame（student=c（"A","B","C","D"）,gender=c（"M","M","F","F"）,math=c（90,70,80,60）,Eng=c（88,78,69,98）,pl=c（66,59,NA,88））
fix（score）
score.list<-as.list（score）#将score转化为列表
fix（score.list）
（1）若数据集为矩阵或数据框
将打开“数据编辑器”，单击要修改的变量名，在弹出的“变量编辑器”修改即可：
（2）若数据集为列表
将交互式编辑器为一个记事本，只需修改“.Names”之后对应的变量名即可：
2.用函数rename（）
reshape包中的函数rename（），用来修改数据库和列表的变量名，但不能修改矩阵的变量名，基本格式为：
rename（x,c（oldname="newname",...））
其中，oldname为原变量名，newname为新变量名。
library（reshape）
rename（score,c（pl="chinese"））
studentgendermathEngchinese
1AM908866
2BM707859
3CF8069NA
4DF609888
rename（score.list,c（pl="chinese"））
$student
[1]ABCD
Levels:
ABCD
$gender
[1]MMFF
Levels:
FM
$math
[1]90708060
$Eng
[1]88786998
$chinese
[1]6659NA88
注意：
原数据集中的变量名并未被修改。
3.用函数names（）
和rename（）一样可用来修改数据框和列表的变量名，不能修改矩阵的变量名；区别在于：
names（）会在原数据集中修改变量名。
其基本格式为：
names（x）[i]<-"newname"
names（score）[5]="chinese"
score
studentgendermathEngchinese
1AM908866
2BM707859
3CF8069NA
4DF609888
4.用函数colnames（）和rownames（）
用来修改矩阵的变量名（行名和列名），也能修改数据框的行名和列名。
基本格式为：
rownames（x）[i]<-"newname"
colnames（score）[5]="Chinese"
score
studentgendermathEngChinese
1AM908866
2BM707859
3CF8069NA
4DF609888
rownames（score）=letters[1:
4]
score
studentgendermathEngChinese
aAM908866
bBM707859
cCF8069NA
dDF609888
三、变量的重新编码
例如，数据集Leader中连续型变量age重新编码为分类型变量rankAge（Young、MiddleAged、Elder）。
首先，必须把99岁的年龄值重新编码为缺失值：
Leader$age[Leader$age==99]<-NA
然后创建rankAge变量：
Leader$rankAge[Leader$age>75]<-"Elder"
Leader$rankAge[Leader$age>=50&Leader$age<=75]<-"MiddleAged"
Leader$rankAge[Leader$age<50]<-"Young"
或者
Leader<-within（Leader,{
rankAge<-NA
rankAge[age>75]<-"Elder"
rankAge[age>=50&age<=75]<-"MiddleAged"
rankAge[age<50]<-"Young"}）
四、数据排序
1.函数sort（），基本格式：
sort（x,decreasing=FALSE,na.last=FALSE,...）
其中，
x为排序对象（数值型或字符型）；
decreasing默认为FALSE即升序，TURE为降序；
na.last默认为FALSE（NA值将被删除），若为TRUE，则将向量中的NA值放到序列末尾。
sort（score$math）
[1]60708090
sort（score$math,decreasing=TRUE）
[1]90807060
sort（score$Chinese,na.last=TRUE）
[1]596688NA
2.函数rank（）
返回值是该向量中对应元素的秩（排名），基本格式为：
rank（x,na.last=FALSE,ties.method=...）
其中，ties.method指定对数据集中的重复数据的秩的处理方式：
“average”——取平均值秩（默认）
“first”——位于前面的数据的秩取小，依次递增
“random”——随机定义重复秩
“max”——取最大重复秩
“min”——取最小重复秩
x<-c（3,4,2,5,5,3,8,9）
rank（x）
[1]2.54.01.05.55.52.57.08.0
rank（x,ties.method="first"）
[1]24156378
rank（x,ties.method="random"）
[1]34165278
rank（x,ties.method="max"）
[1]34166378
3.函数order（）
对数据进行排序，返回值是对应“排名”的元素所在向量中的位置，即最小值、次小值、...、最大值所在的位置。
基本格式为：
order（x,decreasing=FALSE,na.last=FALSE,...）
不同于前两个函数，order（）还可以对数据框进行排序：
data_frame[order（data_frame$v1,data_frame$v2,…）,]
若v1值相同，则按v2升序排序；要将升序改为降序，在变量前添加负号，或用decreasing=TRUE即可。
order（score$math）
[1]4231
score[order（score$math）,]
studentgendermathEngchinese
4DF609888
2BM707859
3CF8069NA
1AM908866
score[order（-score$math）,]
studentgendermathEngchinese
1AM908866
3CF8069NA
2BM707859
4DF609888
4.函数rev（）
求逆序，将序列进行反转，即1,2,3变成3,2,1
注：
数据框转置（行列交换），使用t（data）即可。
五、数据合并
1.使用函数
rbind（），增加行（样本数据），要求宽度（列数）相同；
cbind（），增加列（属性变量），要求高度（行数）相同
（见第04篇）
2.使用函数merge（）
用来合并两个数据框，按行名或变量名匹配。
基本格式为：
merge（x,y,by=…,by.x=…,by.y=…,all=…,
all.x=…,all.y=…,...）
其中，
x,y为要合并的数据集；
by指定合并的依据（相同的行或列），默认按相同的列连接；
by.x,by.y分别为第一、二个数据框指定连接的列；
all,all.x,all.y默认为FALSE，仅输出x和y中都包含的行（内连接）；all.x为TURE，则为左外连接；all.y为TURE，则为右外连接；all=TRUE，则为全连接
仅返回两个表匹配的数据
左外连接：
返回左表的数据，以及匹配的数据
右外连接：
返回右表的数据，以及匹配的数据
全连接：
返回左右表的数据，以及匹配的数据
例1
setwd（"E:
/办公资料/R语言/R语言学习系列/codes"）
load（"salary.Rdata"）
index<-list（"City"=data$City,"Index"=1:
15）
data1<-merge（data,index,by="City"）
head（data1）
CityWorkPriceSalaryIndex
1Amsterdam171465.649.01
2Bombay205230.35.32
3Chicago192473.961.93
4Dublin175976.041.44
5Frankfurt165074.560.45
6London173784.246.26
例2
authors<-data.frame（
surname=I（c（"Tukey","Venables","Tierney","Ripley","McNeil"））,
nationality=c（"US","Australia","US","UK","Australia"）,
deceased=c（"yes",rep（"no",4）））
authors
surnamenationalitydeceased
1TukeyUSyes
2VenablesAustraliano
3TierneyUSno
4RipleyUKno
5McNeilAustraliano
books<-data.frame（
name=I（c（"Tukey","Venables","Tierney",
"Ripley","Ripley","McNeil","RCore"））,
title=c（"ExploratoryDataAnalysis",
"ModernAppliedStatistics...",
"LISP-STAT",
"SpatialStatistics","StochasticSimulation",
"InteractiveDataAnalysis",
"AnIntroductiontoR"）,
other.author=c（NA,"Ripley",NA,NA,NA,NA,
"Venables&Smith"））
books
nametitleother.author
1TukeyExploratoryDataAnalysis
2VenablesModernAppliedStatistics...Ripley
3TierneyLISP-STAT
4RipleySpatialStatistics
5RipleyStochasticSimulation
6McNeilInteractiveDataAnalysis
7RCoreAnIntroductiontoRVenables&Smith
m1<-merge（authors,books,by.x="surname",by.y="name"）#内连接
m1
surnamenationalitydeceasedtitleother.author
1McNeilAustralianoInteractiveDataAnalysis
2RipleyUKnoSpatialStatistics
3RipleyUKnoStochasticSimulation
4TierneyUSnoLISP-STAT
5TukeyUSyesExploratoryDataAnalysis
6VenablesAustralianoModernAppliedStatistics...Ripley
m2<-merge（authors,books,by.x="surname",by.y="name",all.x=TRUE）#左外连接
m2
surnamenationalitydeceasedtitleother.author
1McNeilAustralianoInteractiveDataAnalysis
2RipleyUKnoSpatialStatistics
3RipleyUKnoStochasticSimulation
4TierneyUSnoLISP-STAT
5TukeyUSyesExploratoryDataAnalysis
6VenablesAustralianoModernAppliedStatistics...Ripley
m3<-merge（authors,books,by.x="surname",by.y="name",all.y=TRUE）#右外连接
m3
surnamenationalitydeceasedtitleother.author
1McNeilAustralianoInteractiveDataAnalysis
2RCoreAnIntroductiontoRVenables&Smith
3RipleyUKnoSpatialStatistics
4RipleyUKnoStochasticSimulation
5TierneyUSnoLISP-STAT
6TukeyUSyesExploratoryDataAnalysis
7VenablesAustralianoModernAppliedStatistics...Ripley
m4<-merge（authors,books,by.x="surname",by.y="name",all=TRUE）#全连接
m4
surnamenationalitydeceasedtitleother.author
1McNeilAustralianoInteractiveDataAnalysis
2RCoreAnIntroductiontoRVenables&Smith
3RipleyUKnoSpatialStatistics
4RipleyUKnoStochasticSimulation
5TierneyUSnoLISP-STAT
6TukeyUSyesExploratoryDataAnalysis
7VenablesAustralianoModernAppliedStatistics...Ripley
x<-data.frame（k1=c（NA,NA,3,4,5）,k2=c（1,NA,NA,4,5）,data=1:
5）
y<-data.frame（k1=c（NA,2,NA,4,5）,k2=c（NA,NA,3,4,5）,data=1:
5）
x
k1k2data
1NA11
2NANA2
33NA3
4444
5555
y
k1k2data
1NANA1
22NA2
3NA33
4444
5555
merge（x,y,by=c（"k1","k2"））#多变量匹配的内连接
k1k2data.xdata.y
14444
25555
3NANA21
六、选取数据的子集
有时数据需要拆分，尤其是数据量较大时，可能需要提出其中一部分做分析，这就需要对变量（列）和观测（行）进行选入和排除。
1.通过行标、列标或索引
参考第3,4篇。
另外，行列标中可以直接使用表达式或which语句，例如
Newdata<-data[data$Salary>6500,]
newdata<-data[which（data$Salary>6500&age>30）,]
注：
排除用“-”号。
从数据框中选择变量，例如
newdata<-data["x1","x2","x3"]
剔除变量：
vars<-names（data）%in%c（"x2","x3"）
newdata<-data[!
vars]
2.函数subset（）——选取子集
基本格式为：
subset（x,subset,select,...）
其中，
x为数据对象；
subset为逻辑表达式，用来指定选取满足某条件的样本；
select指定选取的变量（列）
例如，
newdata<-subset（data,age>=35|age<24,
select=c（q1,q2,q3））
3.使用SQL语句操作数据框
使用sqldf包中的函数sqldf（）
library（sqldf）
#从mtcars选择所有变量，只选使用化油器carb的车型（行），按mpg升序排序
newdf<-sqldf（"select*frommtcarswherecarb=1orderbympg",row.names=TRUE）
newdf
mpgcyldisphpdratwtqsecvsamgearcarb
Valiant18.16225.01052.763.46020.221031
Hornet4Drive21.46258.01103.083.21519.441031
ToyotaCorona21.54120.1973.702.46520.011031
Datsun71022.84108.0933.852.32018.611141
FiatX1-927.3479.0664.081.93518.901141
Fiat12832.4478.7664.082.20019.471141
ToyotaCorolla33.9471.1654.221.83519.901141
#输出四缸车和六缸车每一gear水平的mpg和disp的平均值
sqldf（"selectavg（mpg）asavg_mpg,avg（disp）asavg_disp,gearfrommtcarswherecylin（4,6）groupbygear"）
avg_mpgavg_dispgear
120.33333201.03333
224.53333123.01674
325.36667120.13335
七、简单随机抽样
用少量数据测试数据集时，常用随机抽样方法从整体中选出部分样本数据。
简单随机抽样，是指从总体N个样本中任意抽取n个样本，每个样本被抽中的概率相等；分为重复抽样（有放回）、不重复抽样（不放回）。
使用sampling包实现。
1.有放回简单随机抽样
函数srswr（），基本格式为：
srswr（n,N）
表示从总体N中有放回地随机抽取n个样本，返回一个长度为N的向量，每个分量分别表示各元素被抽取到的次数。
library（sampling）
LETTERS
[1]"A""B""C""D""E""F""G""H""I""J""K"
[12]"L""M""N""O""P""Q""R""S""T""U""V"
[23]"W""X""Y""Z"
s<-srswr（10,26）
s
[1]20110000100200030000000
[24]000
ind<-（1:
26）[s!
=0]#被抽到的样本编号
ind
[1]13491216
n<-s[s!
=0]#被抽到的样本的被抽到的次数
n
[1]211123
ind<-rep（ind,times=n）#按次数重复被抽到的样本编号
ind
[1]113491212161616
sample<-LETTERS[ind]#被抽到的字母
sample
[1]"A""A""C""D""I""L""L""P""P""P"
2.不放回简单随机抽样
函数srswor（），格式和返回值同srswr（），注意返回值向量中只有0和1.
s<-srswor（10,26）
s
[1]1000010100100000011
升级会员 