《R实战》读书笔记三

淡淡的烟草味﹌ 2022-08-23 15:59 198阅读 0赞

第二章 创建数据集

本章概要

1探索R数据结构

2使用数据编辑器

3数据导入

4数据集标注

本章所介绍内容概括如下。

两个方面的内容。

方面一：R数据结构

方面二：进入数据或者导入数据到数据结构

理解数据集

一个数据集通常由一个表格组合而成，行表示观测，列表示变量。病人的数据集如表1所示。

![A71B17589D7E20A7BAB6A639564B83F5_B500_900_500_116.jpeg][]

表1 病人数据集

数据集能够反映数据结构、数据类型和内容。

数据结构

R数据结构如图2所示。

![5469474B2083AD6591DD3DCD9191FA8B_B500_900_500_345.jpeg][]

图2：R数据结构

数据结构即数据的组织方式，R数据结构包括向量、矩阵、数组、数据框和列表等。

R向量

R向量是一维数组，元素类型可以为数值型、字符型和逻辑型等。

函数c()可用来形成向量，例如：

> a <- c(1,2,3,4)

> b <- c("one", "two", "three", "four")

> c <- c(TRUE, TRUE, TRUE, TRUE)

向量元素数据类型必须相同，标量可以视为一个元素的向量。

向量元素获取方法，位置获取法或者逻辑获取法，例如：

> a\[1\]

\[1\] 1

> a\[c(2,3)\]

\[1\] 2 3

> a\[2:4\]

\[1\] 2 3 4

> a\[a>2\]

\[1\] 3 4

R矩阵

R向量是一个二维数组，矩阵中元素的数据类型必须相同。

创建矩阵的方法，即用矩阵函数，形式如下：

mymatrix <- matrix(vector, nrow=nrownum,ncol=ncolnum,byrow=logical\_value,

dimnames=list(rownames\_vector,colnames\_vector))

创建矩阵，例如：

> x <- matrix(1:20, nrow=5, ncol=4)

> x

\[,1\] \[,2\] \[,3\] \[,4\]

\[1,\] 1 6 11 16

\[2,\] 2 7 12 17

\[3,\] 3 8 13 18

\[4,\] 4 9 14 19

\[5,\] 5 10 15 20

> cells <- c(1, 10, 100, 1000)

> rnames <- c("R1", "R2")

> cnames <- c("C1", "C2")

> mymatrix <- matrix(cells, nrow=2, ncol=2, byrow=TRUE, dimnames=list(rnames, cnames))

> mymatrix

C1 C2

R1 1 10

R2 100 1000

R数组

R数组与相似，但维数超过2维。

创建数组方法，即用数组函数，形式如下：

myarray <- array(vector, dimensions, dimnames)

创建数组，例如：

> dim1 <- c("A1", "A2")

> dim2 <- c("B1", "B2", "B3")

> dim3 <- c("C1", "C2", "C3", "C4")

> z <- array(1:24, c(2, 3, 4), dimnames=list(dim1, dim2, dim3))

> z

, , C1

B1 B2 B3

A1 1 3 5

A2 2 4 6

, , C2

B1 B2 B3

A1 7 9 11

A2 8 10 12

, , C3

B1 B2 B3

A1 13 15 17

A2 14 16 18

, , C4

B1 B2 B3

A1 19 21 23

A2 20 22 24

R数据框

R数据框中不同的列可以包含不同类型的内容。

表1病人数据集就可以使用R数据框来存放数据。

创建数据框，即用数据框函数，形式如下：

mydata <- data.frame(col1, col2, col3 ...)

创建数据框，例如：

> patientID <- c(1, 2, 3, 4)

> age <- c(24, 34, 28, 52)

> diabtetes <- c("Type1", "Type2", "Type1", "Type1")

> status <- c("Poor", "Improved", "Excellent", "Poor")

> patientdata <- data.frame(patientID, age, diabtetes, status)

> patientdata

patientID age diabtetes status

1 1 24 Type1 Poor

2 2 34 Type2 Improved

3 3 28 Type1 Excellent

4 4 52 Type1 Poor

获取数据框中的元素，例如：

> patientdata\[1:2\]

patientID age

1 1 24

2 2 34

3 3 28

4 4 52

> patientdata\[,1\]

\[1\] 1 2 3 4

> patientdata\[1,\]

patientID age diabtetes status

1 1 24 Type1 Poor

> patientdata\[c("age", "status")\]

age status

1 24 Poor

2 34 Improved

3 28 Excellent

4 52 Poor

> patientdata$age

\[1\] 24 34 28 52

> patientdata\[,2\]

\[1\] 24 34 28 52

R数据框生成交叉表，例如

> table(patientdata$diabtetes, patientdata$status)

Excellent Improved Poor

Type1 1 0 2

Type2 0 1 0

attach()函数可以把数据框加入到R的搜索路径。

detach()函数表示把数据框从R的搜索路径中移除。

R因子

分类或者有序分类变量在R中称为因子。

R 因子实例如下：

> patientID <- c(1, 2, 3, 4)

> age <- c(24, 34, 28, 52)

> diabtetes <- c("Type1", "Type2", "Type1", "Type1")

> status <- c("Poor", "Improved", "Excellent", "Poor")

> diabtetes <- factor(diabtetes)

> status <- factor(status, order=TRUE)

> patientdata <- data.frame(patientID, age, diabtetes, status)

> str(patientdata)

'data.frame': 4 obs. of 4 variables:

$ patientID: num 1 2 3 4

$ age : num 24 34 28 52

$ diabtetes: Factor w/ 2 levels "Type1","Type2": 1 2 1 1

$ status : Ord.factor w/ 3 levels "Excellent"<"Improved"<..: 3 2 1 3

> summary(patientdata)

patientID age diabtetes status

Min. :1.00 Min. :24.0 Type1:3 Excellent:1

1st Qu.:1.75 1st Qu.:27.0 Type2:1 Improved :1

Median :2.50 Median :31.0 Poor :2

Mean :2.50 Mean :34.5

3rd Qu.:3.25 3rd Qu.:38.5

Max. :4.00 Max. :52.0

R列表

R列表可以包含向量、矩阵、数据框、列表等。

创建列表的方法，即用列表函数，形式如下：

mylist <- list(object1, object2, ...)

创建列表，例如：

> g <- "My First List"

> h <- c(24, 12, 18, 29)

> j <- matrix(1:10, nrow=5)

> k <- c("one", "two", "three")

> mylist <- list(title=g, ages=h, j, k)

> mylist

$title

\[1\] "My First List"

$ages

\[1\] 24 12 18 29

\[\[3\]\]

\[,1\] \[,2\]

\[1,\] 1 6

\[2,\] 2 7

\[3,\] 3 8

\[4,\] 4 9

\[5,\] 5 10

\[\[4\]\]

\[1\] "one" "two" "three"

获取列表中的元素

> mylist\[\[1\]\]

\[1\] "My First List"

> mylist\[\[2\]\]

\[1\] 24 12 18 29

> mylist\[2\]

$ages

\[1\] 24 12 18 29

> mylist\[\["ages"\]\]

\[1\] 24 12 18 29

数据输入

R导入不同数据源，如图3所示。

![B1C75819244FE9E48EDD588B0FCAFA1B_B500_900_500_328.jpeg][]

图3：R导入不同数据源

R数据导入可以参阅R官方文档：[http://cran.r-project.org/doc/manuals/R-data.pdf][http_cran.r-project.org_doc_manuals_R-data.pdf]

R数据导入方式如下

方式一：从键盘导入，先创建一个空的数据框或者矩阵，后用edit()函数。例如：

> mydata <- data.frame(age=numeric(0), weight=numeric(0))

> mydata <- edit(mydata)

> mydata

age weight

1 10 10

2 12 8

> fix(mydata) \# 等价于mydata <- edit(mydata)

> mydata

age weight

1 10 10

2 12 8

3 8 7

方式二：从固定文本导入，使用函数read.table()，形式如下：

mydataframe <- read.table(file, header=logical\_value, sep="delimiter", row.names="name")

方式三：从Excel导入，可以把Excel先转换为纯文本或者xxx.csv文件，使用方式二导入数据；或者在Windows操作系统，使用RODBC包中相关函数导入。例如：

> setwd("E:\\\\data")

> getwd()

\[1\] "E:/data"

> install.packages("RODBC")

> library(RODBC)

> channel <- odbcConnectExcel("patient.xls")

> mydataframe <- sqlFetch(channel,"Sheet1")

> mydataframe

weight height

1 60 1.75

2 72 1.80

3 57 1.65

4 90 1.90

5 95 1.74

6 72 1.91

> odbcClose(channel)

> mydataframe

weight height

1 60 1.75

2 72 1.80

3 57 1.65

4 90 1.90

5 95 1.74

6 72 1.91

若是Excel2007及以上版本，使用xlsx包中函数导入数据，例如：

> install.packages("xlsx")

> library(xlsx)

载入需要的程辑包：rJava

载入需要的程辑包：xlsxjars

> mydataframe1 <- read.xlsx("patient.xlsx", 1)

> mydataframe1

weight height

1 60 1.75

2 72 1.80

3 57 1.65

4 90 1.90

5 95 1.74

6 72 1.91

方式四：从xml导入，可以用xml包种方法导入，可以参阅： [www.omegahat.org/RSXML][www.omegahat.org_RSXML]

方式五：从网页爬虫导入，可以先下载网页，再用readLines()方法，参阅：[www.programmingr.com][]

方式六：从spss导入，可以用foreign包的read.spass()方法或者Hmisc包的spss.get()方法。

方式七：从sas导入，SAS9.1版本以下，可以用用foreign包的read.ssd()方法或者Hmisc包的sas.get()方法；更高版本，可以使用商业统计数据转换软件或者把SAS结果输出为csv格式，再用read.table()导入。

方式八：从stas导入，用foreign包的read.dta()方法。

方式九：从nteCDF导入，用ncdf或者ncdf4包中的方法。

方式十：从HDF5导入，用hdf5包中的方法。

方式十一：从DBMS导入，用包ODBC中方法，ODBC方法如图4所示。

![15D389CB78B21478C240DCB9DB3C38D2_B500_900_500_206.jpeg][]

图4： RODBC包的函数

一些与数据库打交道的包，例如：DBI、RJDBC、RMySQL、ROracle、RPostgreSQL和RSQLite等。

方式十二：从stattransfer导入

利用一个商业化软件stattransfer实现数据格式转换，参阅：[www.stattransfer.com][]

标注数据

利用标准数据使得结果更易理解。通过变量标签或者值标签来标准数据。

工作于数据对象的有用函数

工作于数据对象的一些有用函数如图5所示：

![A8F173A57B0AE4444B9A53DB9103AACE_B500_900_500_426.jpeg][]

图5：工作于数据对象的有用函数

总结

1 数据分析任务的挑战之一就是数据准备。

2R组织数据的方式，向量、矩阵、数组、数据库、列表等

3R数据导入方式

Resource:

1[http://www.wangluqing.com/2014/06/r-in-action-note3/][http_www.wangluqing.com_2014_06_r-in-action-note3]

2《R in action》第一部分第二章创建数据集

[A71B17589D7E20A7BAB6A639564B83F5_B500_900_500_116.jpeg]: http://m1.img.srcdd.com/farm4/d/2014/0617/06/A71B17589D7E20A7BAB6A639564B83F5_B500_900_500_116.jpeg
[5469474B2083AD6591DD3DCD9191FA8B_B500_900_500_345.jpeg]: http://m2.img.srcdd.com/farm5/d/2014/0617/06/5469474B2083AD6591DD3DCD9191FA8B_B500_900_500_345.jpeg
[B1C75819244FE9E48EDD588B0FCAFA1B_B500_900_500_328.jpeg]: http://m2.img.srcdd.com/farm5/d/2014/0617/06/B1C75819244FE9E48EDD588B0FCAFA1B_B500_900_500_328.jpeg
[http_cran.r-project.org_doc_manuals_R-data.pdf]: http://cran.r-project.org/doc/manuals/R-data.pdf
[www.omegahat.org_RSXML]: http://www.omegahat.org/RSXML
[www.programmingr.com]: http://www.programmingr.com/
[15D389CB78B21478C240DCB9DB3C38D2_B500_900_500_206.jpeg]: http://m1.img.srcdd.com/farm5/d/2014/0617/07/15D389CB78B21478C240DCB9DB3C38D2_B500_900_500_206.jpeg
[www.stattransfer.com]: http://www.stattransfer.com/
[A8F173A57B0AE4444B9A53DB9103AACE_B500_900_500_426.jpeg]: http://m1.img.srcdd.com/farm4/d/2014/0617/07/A8F173A57B0AE4444B9A53DB9103AACE_B500_900_500_426.jpeg
[http_www.wangluqing.com_2014_06_r-in-action-note3]: http://www.wangluqing.com/2014/06/r-in-action-note3/