R实战 第三篇：数据处理（基础）

Posted 2020-10-26 悦光阴

数据结构用于存储数据，不同的数据结构对应不同的操作方法，对应不同的分析目的，应选择合适的数据结构。在处理数据时，为了便于检查数据对象，可以通过函数attributes(x)来查看数据对象的属性，str(x)函数用于查看R对象的内部结构，通过print(x)函数，显示数据对象存储的内容，该函数把数据打印到控制台上，另外，RStudio提供了一个可视化查看数据的函数View(x)。

一，处理标量数据

标量通常是常量，每一个标量都有特定的数据类型，常用的数据类型是数值类型，字符类型，逻辑类型和日期类型。

对于逻辑类型，可能的值是TRUE和FALSE，用于逻辑操作的运算符：与（&）、或（|）、非（!）

R语言中经常会遇到一些特殊值：

• 缺失值 NA（Not Avaiable），是不可用的缩写，通过函数is.na(x)来测试变量的值是否为NA；
• NaN为“不是一个数”，意味着计算没有数学意义；
• NULL值，空值，表示一个空的变量，不会占用任何空间，通过函数is.null(x)来测试变量的值是否为NULL；
• 特殊的数字：Inf、-Inf 表示正无穷，负无穷；

1，日期类型

日期类型比较特殊，日期值通常以字符串的形式输入到R中，然后使用as.Date()函数转换为以数值形式存储的日期变量，as.Date()函数的语法是：

as.Date(x, input_format)

参数input_format是日期值的输入格式，默认的输入格式是"yyyy-mm-dd"：

mydate <- as.Date("2017-01-13")

输入参数可以自定义日期的输入格式：

• %d：数字表示的天（0-31）
• %a：缩写的星期名(Mon、Tue、Wed、Thur、Fri、Sat、Sun）
• %m：月份（00、01、02等）
• %b：缩写的月份（Jan、Feb、Mar等）
• %B：英语月份（January、February 、March等）
• %y：两位数的年份
• %Y：四位数的年份

举个例子，把默认的日期格式转换为特定类型的日期格式：

as.Date("2018-03-05","%Y-%m-%d")

把日期类型转换为字符串类型，可以使用format()函数，指定日期的输出格式：

format(mydate,format="output_format")

例如，把当前日期按照特定的格式输出：

today<-Sys.Date()
format(today,format("%B %d %Y"))

也可以直接把日期类型转换为字符串类型：

strdate <- as.character(mydate)

2，字符类型

常用的字符类型的操作：

• 查看字符数量： nchar(x)
• 提取或替换字符的子串： substr(x, start,stop)
• 匹配模式，返回下标：grep(pattern, x, ignore.case=FALSE, fixed=FALSE)，从x中搜索匹配模式的字符的下标
• 匹配模式，并替换：sub(pattern, replacement, x, ignore.case=FALSE, fixed=FALSE)，从x中搜索匹配模式的字符，并以文本replacement替换
• 分割字符： strsplit(x,split,fixed=FALSE)
• 连接字符： paste(...,sep=" ")，把多个字符连接成一个长的字符串，分隔符由参数sep指定
• 字符的大小写转换： toupper(x)，tolower(x)

3，数值类型

对于数值类型，算术运算符是：

• 加（+），减（-），乘（*），除（/）
• 幂运算：^ 或 **
• 模运算：%%
• 整除：%/%

处理数值类型常用的数学函数是：

• 不小于x的最小整数：ceiling(x)
• 不大于x的最大整数：floor(x)
• 四舍五入，函数原型是round(x,digits=n)，digits设定小数点位置，默认为0，即小数点后零位(取整)
• 保留小数的有效位数：signif(x,digits=n)
• 截取整数部分，舍弃小数部分：trunc(x)

常用的统计函数：

• 平均值：mean(x)
• 中位数：median(x)
• 绝对中位数：mad(x)
• 分位数：quantile(x,probs)
• 标准差：sd(x)
• 方差：var(x)
• 值域：range(x)
• 求和：sum(x)
• 最值：min(x),max(x)
• 标准化：scale(x, center=TRUE, scale=TRUE)
• 计数：count(df, vars)和length(x)，计数的使用方法比较特殊，请阅读《R实战 第六篇：数据变换（aggregate+dplyr包）》

分割区间的函数：

• 把连续型变量分割位有着n个水平的因子：cut(x, n, ordered_result)
• 创建美观的分割点，通过选取n+1个等间距的取整值，把一个连续型变量分割位n个区间：pretty(x, n)

数学函数：

• abs(x)：绝对值
• sqrt(x)：平方根
• exp(x)：以e为底，x为指数的指数函数
• 对数函数：log(x,base=n)对x取以n为底的对数，log(x) 自然对数以e为底，log10(x)以10为底； 

二，类型判断和转换

三，随机抽样

从海量的数据抽取一定数量的样本数据，以创建分析模型，抽样的函数是：

sample(x, size, replace = FALSE, prob = NULL)

参数注释：

• x：样本空间
• size：抽取的样本数量
• replace：如果为TRUE，表示放回抽样；如果为FALSE，表示无放回抽样；

举个例子，采用放回抽样，把样本重复12次，得到一个矩阵，并转换为数据框类型：

> d <-data.frame(matrix(sample(c(NA, 1:4), 12, replace = TRUE), 4))
> d
  X1 X2 X3
NA  4  1
 1  2 NA
 1  4  2
NA NA  4

四，伪随机数

函数runif()用于生成服从正态分布的伪随机数，n是生成随机数的个数，min和max是随机数的最值。

runif(n, min = 0, max = 1)

在每次生成随机数时，函数都会使用一个不同的种子，因此会产生不同的结果，通过函数set.seed(n)显式指定种子，让结果可以重现。

举个例子，设置随机数种子，使用runif()函数生成0-1区间上服从均匀分布的伪随机数：

set.seed(n)
runif(5)

设置R会话的小数点数量，生成整数伪随机数：

> options(digits=0)
> set.seed(1)
> runif(10,min=1,max=100)
 [1] 27 38 58 91 21 90 95 66 63  7