R基本数据管理

实际数据常见问题

• 缺失值(NA)的处理
• 将错误值改为缺失值
• 改变数据类型
• 选择个别的变量数据
• 对某个变量的数据进行筛选
• 根据原变量创建新变量

创建变量

将表达式赋值给变量，表达式可以包含多种运算符和函数

算数运算符

运算符	描述
+	加
-	减
*	乘
/	除
^或**	求幂
x%%y	求余（x mod y）。5%%2=1
x%/%y	整数除法。5%/%2=2

运用 函数transfrom() 创建新变量：

> mydata = data.frame(x1 = c(2,2,6,4), x2 = c(3,4,2,8))
> mydata <- transform(mydata, sumx = x1+x2, meanx = (x1+x2)/2)
> print(mydata)
  x1 x2 sumx meanx
1  2  3    5   2.5
2  2  4    6   3.0
3  6  2    8   4.0
4  4  8   12   6.0

变量的重编码

逻辑运算符

运算符	描述
<	小于
<=	小于或等于
>	大于
>=	大于或等于
==	严格等于
!=	不等于
!x	非x
x | y	x或y
x & y	x和y
isTURE(x)	测试x是否为TURE

错误值重编码为缺失值

manager <- c(1, 2, 3, 4, 5)
date <- c('10/24/08', '10/28/08', '10/1/08', '10/12/08', '5/1/09')
country <- c('US', 'US', 'UK', 'UK', 'UK')
gender <- c('M', 'F', 'F', 'M', 'F')
age <- c(32, 45, 25, 39, 99) # 99可能为错误值
q1 <- c(5, 3, 3, 3, 2)
q2 <- c(4, 5, 5, 3, 2)
q3 <- c(5, 2, 5, 4, 1)
q4 <- c(5, 5, 5, NA, 2) # NA表示缺失值
q5 <- c(5, 5, 2, NA, 1)
leadership <- data.frame(manager, date, country, gender, age,
                         q1, q2, q3, q4, q5, stringsAsFactors = FALSE)
> leadership
  manager     date country gender age q1 q2 q3 q4 q5
1       1 10/24/08      US      M  32  5  4  5  5  5
2       2 10/28/08      US      F  45  3  5  2  5  5
3       3  10/1/08      UK      F  25  3  5  5  5  2
4       4 10/12/08      UK      M  39  3  3  4 NA NA
5       5   5/1/09      UK      F  99  2  2  1  2  1

直接将错误值重新赋值为 NA 。

> leadership$age[leadership$age == 99] <- NA # 将错误值99重编码为缺失值NA
> leadership$age
[1] 32 45 25 39 NA
> # 根据年龄进行分类，创建新变量agecat
> leadership$agecat[leadership$age > 75] <- "Elder"
> leadership$agecat[leadership$age >= 55 & leadership$age <= 75] <- "Middle Aged"
> leadership$agecat[leadership$age < 55] <- "Young"
> leadership$agecat # 缺失值生成的仍是缺失值
[1] "Young" "Young" "Young" "Young" NA  

以上代码可以简写为：

leadership <- within(leadership, {
  age[age == 99] <- NA
  agecat <- NA # 新建变量。注意，语句后没有逗号
  agecat[age >75] <- "Elder"
  agecat[age >= 55 & age <= 75] <- "Middle Aged"
  agecat[age < 55] <- "Young"
})

注意 ： 函数within() 与函数with()相似，但是函数within()可以修改数据框，但是函数with()不能修改，如：

leadership <- with(leadership, {
  agecat <- NA # 新建变量。注意，语句后没有逗号
  agecat[age >75] <- "Elder"
  agecat[age >= 55 & age <= 75] <- "Middle Aged"
  agecat[age < 55] <- "Young"
> leadership
[1] "Young" # 修改错误

R自带的 函数cut() ，可以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。

变量的重命名

函数fix()

fix(leadership)

可以调用一个 交互式的编辑器 ，在弹出的窗口中可以修改变量名和观测值。

函数rename()

reshape包 中有一个函数rename()，可以用来修改变量名。函数的使用格式：

rename(dataframe, c(oldname="newname", oldname="newname"))

示例

library(reshape) # 导入包。首先确保安装了包
leadership <- rename(leadership, c(manager="managerID", data="testDate"))

函数names()

> names(leadership)
 [1] "manager" "date"    "country" "gender"  "age"     "q1"     
 [7] "q2"      "q3"      "q4"      "q5"      "agecat" 
> names(leadership)[2] <- "testDate" # 修改变量名，数字不能用其他代替？
> leadership
  manager testDate country gender age q1 q2 q3 q4 q5 agecat
1       1 10/24/08      US      M  32  5  4  5  5  5  Young
2       2 10/28/08      US      F  45  3  5  2  5  5  Young
3       3  10/1/08      UK      F  25  3  5  5  5  2  Young
4       4 10/12/08      UK      M  39  3  3  4 NA NA  Young
5       5   5/1/09      UK      F  NA  2  2  1  2  1   <NA>

缺失值的处理及函数is.na()

在R中， 缺失值 以符号 NA （Not Availabe，不可用）表示。不可能出现的值（例如被0除的结果）用符号 NaN （Not a Number， 非数值）表示。

函数is.na() 检查对象是否含有缺失值，返回一个和对象相同类型、大小的对象。位置是缺失值是返回对象的相应位置为TRUE。

注意：不能对缺失值使用逻辑运算符，缺失值的算术值及函数仍是缺失值

排除缺失值

添加 参数na.rm=TRUE ，函数在计算时会排除缺失项

> x <- c(1, 2, NA, 4)
> sum(x)
[1] NA
> sum(x, na.rm = TRUE) # 添加参数na.rm=TRUE
[1] 7

函数na.omit()移除含有缺失值的观测(行)

函数na.omit()可以移除对象中所有含有缺失数据的行

日期值

函数as.Data()生成日期变量

函数as.Data() 可以将字符型

数据转化为数值形式的日期变量

函数as.Data()语法

as.Data(x, "input_format")

参数说明：

• x ：字符型数据
• input_form ：存储日期的格式，见下表

符号	含义	示例
%d	数字表示的日期(01~31)	01~31
%a	缩写的星期名	Mon
%A	非缩写星期名	Monday
%m	月份(数字)	00~12
%b	缩写的月份	Jan
%B	非缩写月份	January
%y	两位数的年份	20
%Y	四位数的年份	2020

日期的 默认输入格式 为yyyy-mm-dd。

> mydate <- as.Date("2020-10-13")
> mydate
[1] "2020-10-13"
> datetest <- as.Date(c("10/13/2020", "02/29/2019"), "%m/%d/%Y") # R自动检查日期是否存在
> datetest
[1] "2020-10-13" NA

其他日期函数()

函数Sys.Date() ：返回当前的日期

函数date() ：返回当前的日期和时间

函数format() ：输出指定格式的日期

format(x, format="output_format")

注意 ：R中储存日期时，是使用1970年1月1日以来的天数表示的，更早的日期表示为负数。因此日期值可以进行 算数运算 。

函数difftime() ：计算时间间隔，并以星期(weeks)、天(days)（默认）、时(hours)、分(mins)、秒(secs)来表示

difftime(x, y, units="weeks") # x-y 且x和y的格式明确

例如

> x <- as.Date("2019-9-13")
> y <- date()
> difftime(x, y, units = "weeks")
as.POSIXlt.character(x, tz, ...) 中的错误: 字符串的格式不够标准明确