1. 数据结构
1.1 向量
- 向量：有序的数字列表
- 操作函数：==c()==
- 向量支持四则运算
查看向量的长度
length()
创建向量
- 连续序列
A <- c(1:3) #关键字c，向量1-3，赋值给A
print(A)
>>>
1,2,3
- 有步长序列
#seq(from=,to=,by=)
B <- seq(2,10,2)
print(B)
>>>
2 4 6 8 10
- 重复值序列
#rep(value,frequency)
C <- rep(0,5)
>>>
0 0 0 0 0
x <- rep(c(1, 2, 3), 2)
print(x)
>>>
1 2 3 1 2 3
x <- rep(c(1, 2, 3), each = 2)
print(x)
>>>
1 1 2 2 3 3
向量的调用
a[index] #调用单个，index位置所在的向量
a[c(index_1,index_2)] #调用多个
a[index_1:index_2] #index_1~index_2
a[-index] #调用除了index之外的向量
修改向量
插入数据
- 默认在最后插入
#Append(vector, new_value)
A <- c(1,2,3)
print(A)
b <- append(A,4)
print(b)
>>> 1 2 3 4
- 指定位置插入
#append(vector, new_value, after = index)
A <- c(1,2,3)
print(A)
b <- append(A,4,after=2)
print(b)
替换
#replace(data,from=,to=)
A <- c(1,2,3,4,5)
A <- replace(A,1,8)
print(A)
>>>
8 2 3 4 5
'''
replace(data)
'''
删除
- 删除值
A <- c(1,2,3,4,5)
A <- A[-3]
print(A)
>>>
1 2 4 5
- 删除区间
A <- c(1,2,3,4,5)
A <- A[-c(3:4)]
print(A)
>>>
1 2 5
向量的运算
- 支持加减乘除
x <- c(1, 2, 3)
y <- c(4, 5, 6)
print(x + y)
#x+y^2+2
>>>
5 7 9
- 整除：x%/%y
- 取余：x%%y
- 转置
t(x)
向量中的缺失数据/无意义数据
- 分类
- NA: 缺失数据
- NaN：无意义数据，如sqrt(-2),0/0
- Inf：正无穷大
- -Inf：负无穷大
- 判断缺失/无意义数据
vector <- c(1 / 0, 0 / 0, NA, -1 / 0)
>>>
Inf NaN NA -Inf
#判断是否存在缺失/无意义数据
is.na(vector)
>>>
FALSE TRUE TRUE FALSE
#判断无意义数据
is.nan(vector)
>>>
FALSE TRUE FALSE FALSE
- 转换成缺失值
is.na(v) <- c(2,4) #把2，4位置上的value转换成NA
- 寻找/定位缺失值--返回index
which(is.na(v))
- 获取非缺失值的序列
vector[!is.na(vector)] #感叹号：逻辑值取反
向量的拼接
- 行拼接：rbind()
- 列拼接：cbind()
- 向量的拼接会强制将 numeric--->character
x <- c("a", "b", "c")
y <- c(1, 2, 3)
rbind(x, y)
>>>
[,1] [,2] [,3]
x "a" "b" "c"
y "1" "2" "3"
***
cbind(x, y)
>>>
x y
[1,] "a" "1"
[2,] "b" "2"
[3,] "c" "3"
1.2 矩阵 matrix
矩阵的创建
matrix(range,nrow,ncol,byrow,dimnames=list(rnames,cnames))
matrix(vector, nrow, ncol)
#m1 <- matrix(1:15,nrow = 3,ncol = 5,byrow = T) # byrow：是否按行排列 T：按行排列
m1 <- matrix(1:15,3,5,T)
print(m1)
>>>
[,1] [,2] [,3] [,4] [,5]
[1,] 1 2 3 4 5
[2,] 6 7 8 9 10
[3,] 11 12 13 14 15
查看矩阵的维度
dim()
x <- matrix(1:15, 3, 5, T)
print(dim(x))
>>>
3 5
矩阵的调用
x <- matrix(1:15, 3, 5, T)
print(x)
>>>
[,1] [,2] [,3] [,4] [,5]
[1,] 1 2 3 4 5
[2,] 6 7 8 9 10
[3,] 11 12 13 14 15
******
#获取单个
x[3,2]
>>>12
#获取区域
x[1:3,2:4]
>>>
[,1] [,2] [,3]
[1,] 2 3 4
[2,] 7 8 9
[3,] 12 13 14
#跨行列获取
x[c(1,3),c(2:4)] #,和： 都可以
>>>
[,1] [,2] [,3]
[1,] 2 3 4
[2,] 12 13 14
矩阵的运算
- 矩阵的乘法：x%*%y
- 矩阵的加法：x+y
# matrix + correction
1.3 数组 Array
arr <- array(1:15,c(2,5,3))
print(arr)
>>>
'''
, , 1
[,1] [,2] [,3] [,4] [,5]
[1,] 1 3 5 7 9
[2,] 2 4 6 8 10
, , 2
[,1] [,2] [,3] [,4] [,5]
[1,] 11 13 15 2 4
[2,] 12 14 1 3 5
, , 3
[,1] [,2] [,3] [,4] [,5]
[1,] 6 8 10 12 14
[2,] 7 9 11 13 15
'''
1.4 列表 List
列表的创建
- 数据类型可以不一致
lst <- list("Red", "Green", c(1, 15, 2), TRUE, 51.2)
print(lst)
>>>
[[1]]
[1] "Red"
[[2]]
[1] "Green"
[[3]]
[1] 1 15 2
[[4]]
[1] TRUE
[[5]]
[1] 51.2
命名 named
list(title='', col1_name= vector1 , col2_name = vector2)
f <- c('apple','orange','banana')
q <- c(1,2,6)
mytitle <- 'lunch'
list(title=mytitle,quantity=q,fruit=f)
增加 add
- 新增list
lst[['new_col']] <- new_lst
# 原lst
f <- c('apple','orange','banana')
q <- c(1,2,6)
mytitle <- 'lunch'
lst <- list(title=mytitle,quantity=q,fruit=f)
# 新lst
d <- list('coke','lemonade')
# add
lst[['drinks']] <- d
删除 remove
lst[['col_name']] <- NULL
lst[['drinks']] <- NULL
1.5 数据框 DataFrame/Dataset
- 列名不能为空
- row名要是unique
- 可以存储任意类型的数据
- 用
attach(df)和detach(df)在environment中导入和解绑数据框
创建 dataframe
- 通过拼接函数生成df
data.frame(rbind(x, y))
>>>
X1 X2 X3
x a b c
y 1 2 3
***
data.frame(cbind(x, y))
>>>
x y
1 a 1
2 b 2
3 c 3
- 通过data.frame()生成
data.frame(col_1 = x, col_2 = y)
>>>
col_1 col_2
1 a 1
2 b 2
3 c 3
查看/获取/筛选
查看df内的数据类型
str(df)
查看行/列名字
d1 <- data.frame(col_1 = x, col_2 = y)
names(d1) #查看列名
rownames(d1) #查看行名
>>>
"col_1" "col_2"
"1" "2" "3"
查看行列数
nrow() #行数
ncol() #列数
summarise(df, n()) # 获取行数/ records的条目数
获取头/尾数据
#默认查看前6行
head(iris) #iris 自带数据框
#查看指定行数，10行
head(iris, 10)
#查看后几行
tail()
获取列数据
#dataset[nrow,ncol]
iris[,5] #取第5列
iris$Species #数据框$列名
剔除（丢弃）变量/ 列
df[!col_name]
df[!c(3:6)]
按条件筛选: which()
#取某列: which(数据框$列名=="条件")
which(iris$Species == "versicolor")
#单条件筛选获取所有数据
iris[which(iris$Species == "versicolor"), ] #取所有Species是versicolor的数据
#多条件筛选: &(and); |(or)
iris[which(iris$Species == "versicolor" & iris$Sepal.Width > 3), ]
#获取某列值最大的数据 which.max(数据框$列)
which.max(iris$Species)
#获取某列值最小的数据 which.min(数据框$列)
which.min(iris$Species)
iris[which.max(iris$Sepal.Width), which(names(iris) == "Species")
#叶宽最大的Species
>>>
setosa
查看层次
#levels(数据框$列)
levels(iris$Species)
>>>
"setosa" "versicolor" "virginica"
获取子字符串
- substr(x, start, stop)
'''
df = data.frame(col_1=c('hahha','heheh','xixiixi'), col_2=(1:3))
>>>
col_1 col_2
hahha 1
heheh 2
xixiixi 3
'''
substr(df$col_1,1,3)
>>>
'hah' 'heh' 'xix'
排序
df[order(col1.col2),]
leadership[order(gender, age),] # 年龄升序排序
leadership[order(gender, -age),] # 年龄降序排序
修改
==修改列名==
- 方法1：
library(dplyr)
rename(df, col_name = 'new_name')
rename(df, c(oldname1="newname1", oldname2="newname2",...))
- 方法2：
df <- data.frame(col_1 = x, col_2 = y)
names(df) <- c("new_1", "new_2") #修改
print(df)
>>>
new_1 new_2
1 a 1
2 b 2
3 c 3
names(df[2]) = 'new_name' # df第2列的名字重命名为new_name
names(df[6:9]) = c('n6','n7','n8','n9')
修改value
variable[condition] <- expression
leadership$age[leadership$age == 99] <- NA # 将99岁的年龄值重编码为缺失值
leadership$agecat[leadership$age > 75] <- "Elder" # 创建agecat变量/ 创建新列并赋值
leadership <- within(leadership,{
agecat <- NA
agecat[age > 75] <- "Elder"
agecat[age >= 55 & age <= 75] <- "Middle Aged"
agecat[age < 55] <- "Young" })
- car包/ recode()函数：重编码数值型、字符型向量或因子
- doBy包/ recodevar()函数
- R自带/ cut()：，可将一个数值型变量按值域切割为多个区间，并返回一个因子
行列转置
t() #vector/df/df$col
拼接
- paste(df
col_2, sep='')
paste(df$col_1, df$col_2, sep=',')
>>>
'hahha,1' 'heheh,2' 'xixiixi,3'
==替换==
- gsub()
gsub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,fixed = FALSE, useBytes = FALSE)
# remove comma
gsub(',' , '', df)
DF 缺失值
判断缺失值
any(is.na(df)) #只要有NA就返回True
is.na(df) # 所有位置上返回T/F
is.na(df[,6:10]) # 将数据框限定到第6列至第10列
寻找/定位缺失值
apply(is.na(df), 1, which) #1----按行统计显示
apply(is.na(df), 2, which) #2----按列统计显示
获取非缺失值
df[!is.na(df)]
==处理缺失值==
方法1：用0值填充
# m1:
df[is.na(df)] <- 0
# m2:
library(imputeTS)
df <- na_replace(df, 0)
方法2：用均值填充
mean_colname <- mean(df$colname, na.rm=T) # na.rm==na.remove，是否在计算时移除缺失值
new_colname <- ifelse(is.na(df$colname), mean_colname, df$colname)
#用新的mean_colname,取代原df$colname
df$col[is.na(df$col)] <- mean(df$col, na.rm =T)
方法3：只要含缺失值，就移除当行
na.omit(df)
==方法4：用预测数据填充== ==？？？？？== Link
# y = ax +b
# death = a*case + b
# 因变量 ~ 自变量
lm(y ~ x, data = na.omit(df)) # df[-c(1:5),]
# lm(death ~ case, data = na.omit(df)) # death, case---col_name
数据合并/ 表连接 merge()
merge(dataframe1，dataframe2, by="col") #key = col
library(tidyverse)
new_df= df_1 %>%
left_join(df_2, by = "TheSameKey") %>%
left_join(df_3, by = c("KeyIn_df_1" = "KeyIn_df_3"))
# 纵向合并（列名相同）
rbind(df_1, df_2)c
# 横向扩展（行数相同）
cbind(df_1, df_2)
1.6 因子 Factor
-
名义型、有序型变量、连续性变量
- 名义型变量是没有顺序之分的类别变量。eg. 糖尿病类型Diabetes（Type1、Type2）
- 有序型变量表示一种顺序关系，而非数量关系。eg. 病情Status（poor、improved、excellent）是顺序型变量
- 连续型变量可以呈现为某个范围内的任意值，并同时表示了顺序和数量。eg. 年龄Age就是一个连续型变量，它能够表示像14.5或22.8这样的值以及其间的其他任意值。
-
内部关联逻辑 为1=Excellent、2=Improved、3=Poor （高--->低）
-
可指定排序顺序
factor(status, order=TRUE, levels=c("Poor", "Improved", "Excellent")) # 1=Poor、2=Improved、3=Excellent
-
-
数值型变量可以用levels和labels参数来编码成因子
# 男性被编码成1，女性被编码成2 factor(sex, levels=c(1, 2), labels=c("Male", "Female"))
1.7 数据类型的判断及转换
判断数据类型
- 查找数据属性
- class和mode的区别 Link
class() #判断数据结构类型
mode() #判断数据类型
'''
（1）当x是单个值，或者向量的时候，
返回的结果和mode一致，如numeric，character
（2）其他情况（矩阵，数组，日期，因子），
class返回（matrix，array，Date，factor）
mode返回（x中元素的类型——在内存中的存储类型）
（3）当x是数据框的时候
class返回dataframe
mode返回list
（4）当x是列表的时候
class和mode都返回list
为何数据框和列表不再适用于第二条mode返回x中元素的类型了呢？
1.因为数据框其实是列表的一种特殊情况
2.list和dataframe中的数据类型可以不一致，所以没法返回一个类型代表多种元素类型
'''
- 判断数据类型
is.numeric() #是否数值型数据
is.character() #是否字符型数据
is.vector() #是否向量数据
is.matrix() #是否矩阵数据
is.data.frame() #是否数据框数据
is.factor() #是否因子数据
is.logical() #是否逻辑型数据
转换数据类型
as.numeric()
as.character()
as.vector()
as.matrix()
as.data.frame()
as.factor()
as.logical()
