TASK1.2 R语言的数据类型与数据结构

1 预习(设置工作路径、尝试读取数据)
2 课堂内容(汇总函数、基本数据类型、数据结构)

1 预习

1.1设置工作路径

我们可以通过

• getwd() 获取当前工作路径

设置工作路径的两种方法：
1 暂时

• setwd()
• setwd("E:/vvang/Documents/Rstudio/guanghuaBA_workshop/TASK1.2")

2 永久
Tools -> Global option -> General -> Default working directory

1.2 尝试读取数据

给出了csv、txt、xlsx的数据，下面分别读取

1.2.1 读取csv数据 (read.csv)

• data_csv = read.csv("top250.csv")
  发现报错“Error in type.convert.default(data[[i]], as.is = as.is[i], dec = dec, : invalid multibyte string at '<b8><a5><c0><bc>'”
  考虑可能是编码问题，先是改为

• data_csv = read.csv("top250.csv", fileEncoding = 'UTF-8')
  发现还有报错：

  read.csv
  原因是文档中包含有中文，文件编码不匹配造成的，解决方法有在notepad++中将文件转为utf-8编码，再重新执行语句，或者直接修改csv编码格式为UTF-8。

• data_csv = read.csv("top250.csv", fileEncoding = 'GBK')
  但是后来发现改成这样也可以，可能是因为：GBK包含全部中文字符；UTF-8则包含全世界所有国家需要用到的字符。
  具体可参考：

[1] 网络编码GB2312、GBK与UTF-8的区别 - 百度文库 (baidu.com)

一些函数里的arguments这里不再展开，以后直接?打开help

1.2.2 读取txt数据 (read.table)

• data_txt = read.table("top250.txt", header = T, sep = "\t", fileEncoding = "GBK")
  保留第一行的变量名，用tab做分隔

1.2.3 读取xlsx数据 (read_xlsx)

需要先安装包：(注意install时要用双引号括起来，调用的时候好像不要求)

• install.packages("readxl")
• library(readxl)
• data_xlsx = read_xlsx("top250.xlsx", col_name = T)
  同样也是用第一行做列名

还可以参考：
[2] R读取txt、csv、xls和xlsx格式文件_华仔的逆袭的博客-CSDN博客_readtable读取xlsx
[3] 方匡南的个人网站-关于R读取文件的几个常错的问题 (kuangnanfang.com)

2 课堂内容

2.1 汇总函数

• class(movie$score)：查看数据类型，其中dollar用来选取数据集中的变量
• head()：展示数据的前几行，参数 n = 3L代表只查看前三行
• summary()：汇总展示每个变量的结果(例如总长度、最大最小值、均值等)
• str()：紧凑地显示R对象的内部结构，让用户快速预览对象的内容和结构，比summary()多提供了关于行(观察)和列(变量)的信息以及附加信息，如列的名称、每列的类别以及每列的一些初始观察
• dim()：返回数据的维数

2.2 基本数据类型

数值型
例如class(movie$score)将会得到结果[1]"numeric"
又或者可以令 a = 2; class(a) 也会得到[1]"numeric"

字符型
但如果令 a = "2"; class(a) 将得到[1] "character"

因子型
(1) factor定性变量：有若干个水平的取值

• movie￥type = factor(movie￥type)：将原来的type类型变为因子型并替代原来那列(这里因为连打两个$会变成公式所以用￥暂代)

此时再class(movie$type)就变成了[1] "factor"，这个时候type不是无意义的char，而类似于分组中的标签？我们还可以

• table(movie$type)：得到不同type下分别有多少个

factor

因子的设计思想来源于统计学的名义变量，或称为分类变量。 分类变量的值本质上不是数字，而是对应为分类/分组。 因子分为无序因子和有序因子。

因子的类别称为level，结合level，因子在内部被编码为指向level的正整数序号。

factor

factor

(3) 因子型和字符型数据互相转换

• as.factor()：将参数强制转换为factor类型
  例如上图中我们就可以改写成 x = as.factor(x)

值得注意的是，as.factor()的参数仅为 x ，levels，exclude，ordered，nmax是factor而非as.factor的参数。因此，传递不使用的参数会给运行带来错误。

此外与factor()有关的函数有：

• is.factor()：判断数据是否为factor模式，并返回一个逻辑值TRUE或FALSE
• is.ordered()：判断数据是否是有序的，并返回一个逻辑值TRUE或FALSE
• as.ordered()：按顺序返回参数x

逻辑型
(1) 判断TRUE/FALSE
movie￥type[movie￥name == "霸王别姬"] == "爱情"
(这里同样是用￥代替了$，判断电影名为霸王别姬的电影，类型是否为爱情片)
输出 [1] TRUE

(2) 索引 [ 行索引，列索引]
如挑选 score > 9.5 的电影

• movie$score > 9.5：将得到一堆TRUE/FALSE，正确做法应该是
• movie[movie$score > 9.5, ]：后面的逗号不能忘，否则报错“选择了未定义的列”
• movie[movie$score > 9.5, "nation"]：评分高于9.5的电影来自哪些国家
• movie[movie$score > 9.5, c("nation","type)]：同时筛选两个或多个列

(3) 逻辑语句加减
如 (1 == 2) + (3 < 4) 将输出 [1] 1

2.3 数据结构

向量
(1) 创建

• c()
  • c(1,1,12,3)
  • c("a", "b", "c")
• seq(0, 10, by = 2)：生成0-10之间以2为间隔的等差数列
• 1: 10：生成1-10的连续数列

(2) 索引

• x = c(1,2,2,4,5); x[5]
• which(x == 4)：查看 x 向量中4所在的位置
• which.max(x)：返回第一个最大值所在的位置
• which.min(x)：返回第一个最小值所在的位置
• which(x==max(x))：返回所有最大值所在的位置

(3) 集合运算

• intersect(x, y)：求向量的交集
• union(x, y)：求向量的并集
• setdiff(x, y)：求向量的差集

(4) 数值型向量

• range(x)：求范围(最小值，最大值)
• match(x, y)：输出x y向量中相同元素的位置

• cut(x, breaks = , labels = )：将向量 x 按照breaks给出的区间划分/离散化
  cut
• sort(x)：输出向量x排序后的结果，不改变x原来的排序，逆序decreasing = T
• order(x)：输出向量x中每个元素在顺序或逆序排列时对应的位置
• x[order(x)] == sort(x)

(5) 字符串向量

• nchar()：提取字符串的长度(英文中的空格也算)
• length()：元素的个数

• nchar("明天是晴天")
  输出：5
• length("明天是晴天")
  输出：1
  因为只有一个元素/一个字符串

• substr(“R语言学习笔记”, 1, 3)：提取子字符串，输出R语言
• strsplit(x, split = ' ')：将字符串按照某种分割形式进行划分，需要设定分隔符
• paste(...., collapse = , sep = " " )：将参数转换为字符串并连接它们
  其中，...表示对象，可以有多个，中间用逗号隔开，
  sep：表示参数之间的分隔符，默认为空格
  collapse：表示如果不指定值，那么函数paste的返回值是...的对象之间通过sep指定的分隔符连接后得到的一个字符型向量；如果为其制定了特定的值，那么自变量连接后的字符型向量会再被连接成一个字符串，之间通过collapse的值分隔

[4] R语言拼接字符串_paste的用法说明 / 张生荣 (zhangshengrong.com)

• grep()：负责搜索给定字符串对象中特定表达式，并返回其位置索引。grepl()函数与之类似，但其后面的”l”则意味着返回的将是逻辑值

• chartr(old, new, x)：字母替换，要求新旧长度一致

• sub(old, new, x)：替换第一个出现的字符串

• gsub(old, new, x)：替换全部old参数

a = 'I love you, do you love me?'

• (chartr = ('you', 'she', a))
  输出'I lhve she, dh she lhve me?'
• (sub = ('you', 'she', a))
  输出'I love she, do you love me?'
• (gsub('you', 'she', a))
  输出'I love she, do she love me?’

• toupper(x)：全部替换为大写
• tolower(x)：全部替换为小写

矩阵
(1) 创建

• mat_a = matrix(1:12, nrow = 3, ncol = 4)：创建一个3x4的矩阵
  1:12沿列填充，可以用bycol = T改为沿行填充
• dig_0 = diag(1 : 4)
• dig_1 = diag(rep(1, 4))：生成一个对角全是1的矩阵
  • rep(x, time = , length.out = , each = ,)
    • x代表你要进行复制的对象，可以是一个向量也可以是一个因子
    • times代表复制的次数，对象是整个向量
    • length.out代表最终输出向量的长度
    • each代表对向量中的每个元素进行复制的次数

(2) 基本的矩阵操作

• dim(mat_a)：查看矩阵的维度
  输出 3 4
• nrow(mat_a)：提取矩阵的行数
  输出 3
  -ncol(mat_a)：提取矩阵的列数
  输出 4
• mat_a[1:2, 2:3]：提取1_{2行(1,2行)，2}3列(2,3列)
  给行列命名：
• colnames(mat_a) : paste("x_", 1:4)
• rownames(mat_a)：1:3
  调用行列名：
• colnames(mat_a)
• rownames(mat_a)
  将多个矩阵合并
• rbind(A, B)：在A下增加行，要求列数一致
• cbind(A, B)：在A右增加列，要求行数一致

(3) 矩阵的数学操作

• A + B：要求A、B大小一样，矩阵元素一一对应相加
• A - B：同上
• A * B：同上，点乘
• A %*% B：矩阵的乘法
• solve(mat_a)：求矩阵的逆
• eigen(mat_a)：求矩阵的特征值

数组

来自[5]

[5] R 数组 | 菜鸟教程 (runoob.com)

(1) 创建

• array(data = NA, dim = length(data), dimnames = NULL)

  • data：向量，数组元素
  • dim：数组的维度，默认一维
  • dimnames：维度的名称，必须是个列表，默认情况下不设置名称

• result = array(1:18, dim = c(3,3,2), dimnames = list(c("r1","r2","r3"),c("c1","c2","c3"),c("h1","h2")))

  • 创建两个不同长度的向量
  • vector1 = c(5,9,3)
  • vector2 = c(10,11,12,13,14,15)
  • result = array(c(vector1, vector2), dim = c(3, 3, 2))将得到两个一样的(3, 3)矩阵

• result[1, 2, 2]：获取单个元素

• result[1, , ]：获取第一维度的数据

(2) 操作数组元素

• matrix1 = result[, , 1]：获取数组中第1水平的矩阵
• matrix2 = result[, , 2]：获取数组中第2水平的矩阵
• add = matrix1 + matrix2 ：矩阵相加

数据框
(1) 创建
读入一个txt，csv等格式的数据，即自成一个数据框

• movie = read.csv("top250.csv", fileEncoding = "gbk", stringsAsFactors = F)
• class(movie)：输出"data.frame"

或自己创建

• director <- c("陈凯歌", "宫崎骏", "李廷香","詹姆斯·卡梅隆", "刘镇伟", "周星驰", "李安", "姜文", "张艺谋", "吴宇森","岩井俊二", "王家卫", "陈可辛" )
• birthyear <- c(1952,1941,1964,1954,1952,1962,1954,1963,1950,1946,1963,1958,1962)
• gender <- c("男", "男", "女", "男", "男", "男", "男", "男", "男", "男", "男", "男", "男")
• directors <- data.frame(director, birthyear, gender); head(directors)
  不能用数字作为变量开头，如果想用数字开头怎么办呢？
  
  真是把所有可能出现的错误都踩了一遍

(2) 变形--长宽表互换
需要install.packages("reshape2")
1 宽表变长表

• mLong = melt(mWide, id.vars = c("Name", "Type"), variable.name = "Year")

melt 是溶解/分解的意思， 即拆分数据。
reshape/reshape2 的 melt 函数是个 S3 通用函数，它会根据数据类型（数据框，数组或列表）选择 melt.data.frame, melt.array 或 melt.list 函数进行实际操作。

• melt(data, id.vars, measure.vars, variable.name = "variable", ..., na.rm = FALSE, value.name = "value")
  • data：所选的数据
  • id.vars：标识变量，不想改变的数据列
  • measure.vars：度量变量，需要melt的数据，通常如果只制定了id.vars剩下的就是measure.vars，反之同理
  • variable.name：melt之后，新列变量的取名
  • value.name：melt之后，新列变量的对应值的取名

[6] melt()函数的作用是什么？ - R语言论坛 - 经管之家(原人大经济论坛) (pinggu.org)

插播一个输出markdown格式的dataframe的方式

• install.packages("knitr")
• library(knitr)
• kable(mWide, format = "markdown")

2 长表变宽表

• dcast(mLong, Name + Type ~Year)
• dcast(data, formula, fun.aggregate)
  • data：所选的数据
  • formula：描述了想要的结果，其接受的公式形如：rowvar1 + rowvar2 + ... ~ colvar1 + colvar2 + ...;在这一公式中，rowvar1 + rowvar2 + ...定义了要划掉的变量集合，以确定各行的内容，而colvar1 + colvar2 + ...则定义了要划掉的、确定各列内容的变量集合。简单来说就是：
    • ~左边是保持不变的列名
    • ~右边是需要扩展的列名
    • 省略的（value.name = "value"）是需要填充的数据
  • fun.aggregate是（可选的）数据整合函数，比如求均值等等

(3) dplyr

[7] R语言 | 数据操作dplyr包_邓旭东HIT的博客-CSDN博客

列表
(1) 创建

(2) 基本操作

(3) 列表中的**ply函数