第四章：基本数据管理
一 贯穿整章的示例
二 变量的创建、重编码和重命名
三 日期值与缺失值
四 数据类型和类型转换
五 数据集的排序、合并与取子集
一 贯穿整章的示例（leadership）
代码4-1
1 > manager<-c(1,2,3,4,5) 2 > date<-c("10/24/08","10/28/08","10/1/08","10/12/08","5/1/09") 3 > country<-c("us","us","uk","uk","uk") 4 > gender<-c("m","f","f","m","f") 5 > age<-c(32,45,25,39,99) 6 > q1<-c(5,3,3,3,2) 7 > q2<-c(4,5,5,3,2) 8 > q3<-c(5,2,5,4,1) 9 > q4<-c(5,5,5,NA,2) 10 > q5<-c(5,5,2,NA,1) 11 > leadership<-data.frame(manager,date,country,gender,age, 12 + q1,q2,q3,q4,q5,stringsAsFactors = FALSE) 13 > leadership 14 manager date country gender age q1 q2 q3 q4 q5 15 1 1 10/24/08 us m 32 5 4 5 5 5 16 2 2 10/28/08 us f 45 3 5 2 5 5 17 3 3 10/1/08 uk f 25 3 5 5 5 2 18 4 4 10/12/08 uk m 39 3 3 4 NA NA 19 5 5 5/1/09 uk f 99 2 2 1 2 1
二 变量的创建、重编码与重命名
变量的创建
假设有一个数据框mydata，其中有两变量x1和x2，现想创建一个新变量sumx存储这两变量的和，并创建一个新变量meanx存储这两变量的均值，若使用下面代码中的1与2会出错，原因是R不知道x1和x2是来自数据框data，而应用代码3和4
1 >sum<-x1+x2 2 >meanx<-(x1+x2)/2
3 > meanx<-(mydata$x1+mydata$x2) #这样得到的是独立的变量 4 >meanx<-(mydata$x1+mydata$x2)/2
创建新变量
代码4-2
方法一：
1 > mydata<-data.frame(x1<-c(2,2,6,4), 2 + x2<-c(3,4,2,8)) 3 > sumx<-mydata$x1+mydata$x2 4 > meanx<-(mydata$x1+mydata$x2)/2 5 > sumx 6 [1] 5 6 8 12 7 > meanx 8 [1] 2.5 3.0 4.0 6.0
方法二：
1 > attach(mydata) 2 > mydata$sumx<-x1+x2 3 > mydata$meanx<-(x1+x2)/2 4 > mydata$sumx 5 [1] 5 6 8 12 6 > mydata$meanx 7 [1] 2.5 3.0 4.0 6.0
方法三
1 >mydata<-transform(mydata, 2 sumx<-x1+x2, 3 meanx<-(x1+x2)/2)
变量重编码
逻辑运算
小于（<） 小于或等于（<=） 大于（>） 大于或等于（>=） 严格等于（==）
不等于（!=） 非x （!x） x或y（x|y） x和y（x&y） 测试x是否为TRUE（isTRUE(x)）
语句variable[condition] <- expression将仅在condition的值为TRUE时执行赋值
1 > leadership$agecat[leadership$age<55]<-"Young" 2 > leadership$age[leadership$age=="99"] <- NA 3 > leadership$agecat[leadership$age>75]<-"Elder" 4 > leadership$agecat[leadership$age>=55 & 5 + leadership$age<=75]<-"Middle Aged" 6 > leadership$agecat[leadership$age<55]<-"Young" 7 > leadership 8 manager date country gender age q1 q2 q3 q4 q5 agecat 9 1 1 10/24/08 us m 32 5 4 5 5 5 Young 10 2 2 10/28/08 us f 45 3 5 2 5 5 Young 11 3 3 10/1/08 uk f 25 3 5 5 5 2 Young 12 4 4 10/12/08 uk m 39 3 3 4 NA NA Young 13 5 5 5/1/09 uk f NA 2 2 1 2 1 <NA>
或
1 > leadership<-within(leadership,{ 2 + agecat<-NA # 每句后面不能有逗号 3 + agecat[age>75] <-"Elder" 4 + agecat[age>=55 & age <=75]<-"Middle Aged" 5 + agecat[age<55] <-"Young"}) 6 > leadership 7 manager date country gender age q1 q2 q3 q4 q5 agecat 8 1 1 10/24/08 us m 32 5 4 5 5 5 Young 9 2 2 10/28/08 us f 45 3 5 2 5 5 Young 10 3 3 10/1/08 uk f 25 3 5 5 5 2 Young 11 4 4 10/12/08 uk m 39 3 3 4 NA NA Young 12 5 5 5/1/09 uk f 99 2 2 1 2 1 Elder
函数within和函数with类似，不同的是它允许你修改数据框
变量重命名
方法一：fix（leadership）
方法二：rename（dataframe，c（oldname=“newname”，oldname=“newname”，....）
方法三：names（）
法一：
1 > leaderhip 2 manager date country gender age q1 q2 q3 q4 q5 3 1 5 10/24/08 us m 32 5 4 5 5 5 4 2 4 10/28/08 us f 45 3 5 2 5 5 5 3 3 10/1/08 uk f 25 3 5 5 5 2 6 4 2 10/12/08 uk m 39 3 3 4 NA NA 7 5 1 5/1/09 uk f 99 2 2 1 2 1 8 > fix(leaderhip) # 注意括号是英文括号，不是中文括号 9 > leaderhip 10 managerID date country gender age q1 q2 q3 q4 q5 11 1 1 10/24/08 us m 32 5 4 5 5 5 12 2 2 10/28/08 us f 45 3 5 2 5 5 13 3 3 10/1/08 uk f 25 3 5 5 5 2 14 4 4 10/12/08 uk m 39 3 3 4 NA NA 15 5 5 5/1/09 uk f 99 2 2 1 2 1
法二:
1 > leaderhip<-rename(leaderhip, 2 + c(managerID="manager",date="testDate")) 3 > leaderhip 4 manager testDate country gender age q1 q2 q3 q4 q5 5 1 1 10/24/08 us m 32 5 4 5 5 5 6 2 2 10/28/08 us f 45 3 5 2 5 5 7 3 3 10/1/08 uk f 25 3 5 5 5 2 8 4 4 10/12/08 uk m 39 3 3 4 NA NA 9 5 5 5/1/09 uk f 99 2 2 1 2 1
法三：
1 > names(leaderhip) 2 [1] "manager" "testDate" "country" "gender" "age" "q1" 3 [7] "q2" "q3" "q4" "q5" 4 > names(leaderhip)[1]<-"managerID" 5 > leaderhip 6 managerID testDate country gender age q1 q2 q3 q4 q5 7 1 1 10/24/08 us m 32 5 4 5 5 5 8 2 2 10/28/08 us f 45 3 5 2 5 5 9 3 3 10/1/08 uk f 25 3 5 5 5 2 10 4 4 10/12/08 uk m 39 3 3 4 NA NA 11 5 5 5/1/09 uk f 99 2 2 1 2 1
三 日期值与缺失值
日期值
日期通常以字符串的形式输入到R中，然后转化为数值形式存储的日期变量，函数as.Date()用于执行这种转化，其语法为as.Date(x, "input_format"),其中x是字符型数据，input_format则是读入日期的适当格式。
%d 数字表示的日期（0~31） 例如01~31
%a 缩写的星期名 例如Mon
%A 非缩写的星期名 例如Monday
%m 月份（00~12） 例如00~12
%b 缩写的月份 例如Jan
%B 非缩写的月份 例如January
%y 两位数的年份 例如07
%Y 四位数的年份 例如2007
默认的日期格式为yyyy-mm-dd，语句为：
1 >mydates<-as.Date(c("2015-09-24","2015-09-25")) 2 >mydates 3 [1] "2015-09-24" "2015-09-25
格式转化
1 >strDates<-c("24/09/2015","25/09/2015") 2 >dates<-as.Date(strDates,"%d/%m/%Y")# 注意 输入的日期转化为对应的日期，其次这里的Y是大写的，
如果这里y小写的话，会出现输出结果时间不对。
注意要加斜杠 3 >dates 4 [1] "2015-09-24" "2015-09-25"
例子：
1 >leadership 2 > manager date country gender age q1 q2 q3 q4 q5 3 1 10/24/08 us m 32 5 4 5 5 5 4 2 10/28/08 us f 45 3 5 2 5 5 5 3 10/1/08 uk f 25 3 5 5 5 2 6 4 10/12/08 uk m 39 3 3 4 NA NA 7 5 5/1/09 uk f 99 2 2 1 2 1 8 >leadership$date 9 [1] "10/24/08" "10/28/08" "10/1/08" "10/12/08" "5/1/09" 10 >myformat<-"%m/%d/%y" 11 >leadership$date<-as.Date(leadership$date,myformat)# 为什么这个格式不用加斜杠也行，而上面那个要加 斜杠 12 >leadership 13 manager date country gender age q1 q2 q3 q4 q5 14 1 2008-10-24 us m 32 5 4 5 5 5 15 2 2008-10-28 us f 45 3 5 2 5 5 16 3 2008-10-01 uk f 25 3 5 5 5 2 17 4 2008-10-12 uk m 39 3 3 4 NA NA 18 5 2009-05-01 uk f 99 2 2 1 2 1
当前日期
Sys.Date()--返回今天的日期
date（）--返回当前日期和时间
1 >Sys.Date() 2 [1] "2015-09-23" 3 >date() # 他人：这种方法返回的是字符串类型 4 [1] "Wed Sep 23 22:55:26 2015" 5 >today<-Sys.Date() 6 >format(today,format="%B %d %Y") # 格式化当前日期 7 [1] "九月 24 2015" 8 >format(today,format="%A") 9 [1] "星期四"
两日期相减
1 >startdate<-as.Date("2014-09-24") 2 >enddate<-as.Date("2015-09-24") 3 >days<-enddate-startdate 4 >days 5 Time difference of 365 days
用difftime()来计算时间间隔，并以星期（weeks），天（days），时（hours），分（minutes），秒（seconds）来表示。
1 > today<-Sys.Date() 2 > wujiadong<-as.Date("1991-10-07") 3 > difftime(today,wujiadong,units = "weeks") 4 Time difference of 1250.429 weeks
此外：利用函数 strDates<-character(date) 可已经两日期变量转成成字符型变量.
help(as.Date) and help(strftime)查看与日期和时间相关的函数
相关包：lubridate
缺失值
1 识别缺失值is.na()
1 > y<-c(1,2,3,NA) 2 > is.na(y) 3 [1] FALSE FALSE FALSE TRUE
代码4-3
1 > is.na(leaderhip[,6:10]) 2 q1 q2 q3 q4 q5 3 1 FALSE FALSE FALSE FALSE FALSE 4 2 FALSE FALSE FALSE FALSE FALSE 5 3 FALSE FALSE FALSE FALSE FALSE 6 4 FALSE FALSE FALSE TRUE TRUE 7 5 FALSE FALSE FALSE FALSE FALSE
2 重编码某些值为缺失值
1 > leaderhip$age[leaderhip$age==99]<-NA 2 > leaderhip$age 3 [1] 32 45 25 39 NA
3 在分析中去除缺失值
1 > x<-c(1,2,NA,3) 2 > y<-x[1]+x[2]+x[3]+x[4] 3 > sumx<-y 4 > sumx 5 [1] NA#因有缺失值 6 > x<-c(1,2,NA,3) 7 > y<-sum(x,na.rm=TRUE)#去除x中的缺失值 # na.rm（）删除缺失值 8 > y 9 [1] 6
1 > leaderhip 2 managerID testDate country gender age q1 q2 q3 q4 q5 3 1 1 10/24/08 us m 32 5 4 5 5 5 4 2 2 10/28/08 us f 45 3 5 2 5 5 5 3 3 10/1/08 uk f 25 3 5 5 5 2 6 4 4 10/12/08 uk m 39 3 3 4 NA NA 7 5 5 5/1/09 uk f NA 2 2 1 2 1 8 > newdata<-na.omit(leaderhip) # na.omit()删除带有缺失值的行 9 > newdata 10 managerID testDate country gender age q1 q2 q3 q4 q5 11 1 1 10/24/08 us m 32 5 4 5 5 5 12 2 2 10/28/08 us f 45 3 5 2 5 5 13 3 3 10/1/08 uk f 25 3 5 5 5 2
四 数据类型与类型转换
ls.numerica() --as.numerica()
is.character()--as.character()
is.vector()--as.vector()
is.matrix()--as.matrix()
is.data.frame()--as.data.frame()
is.factor()--as.factor()
is.logical()--as.logical()
is.datatype()--返回结果是TRUE或FALSE
1 > a<-c(1,2,3) 2 > a 3 [1] 1 2 3 4 > is.numeric(a) 5 [1] TRUE 6 > is.vector(a) 7 [1] TRUE 8 > a<-as.character(a) 9 > a 10 [1] "1" "2" "3" 11 > is.numeric(a) 12 [1] FALSE 13 > is.vector(a) 14 [1] TRUE 15 > is.character(a) 16 [1] TRUE
五 数据集的排序、合并与取子集
数据集的排序
1 > newdata<-leadership[order(leadership$age),] 2 > newdata 3 manager date country gender age q1 q2 q3 q4 q5 4 3 3 2008-10-01 uk f 25 3 5 5 5 2 5 1 1 2008-10-24 us m 32 5 4 5 5 5 6 4 4 2008-10-12 uk m 39 3 3 4 NA NA 7 2 2 2008-10-28 us f 45 3 5 2 5 5 8 5 5 2009-05-01 uk f 99 2 2 1 2 1 9 attach(leadership) 10 > newdata<-leadership[order(gender,age),] 11 > newdata 12 manager date country gender age q1 q2 q3 q4 q5 13 3 3 2008-10-01 uk f 25 3 5 5 5 2 14 2 2 2008-10-28 us f 45 3 5 2 5 5 15 5 5 2009-05-01 uk f 99 2 2 1 2 1 16 1 1 2008-10-24 us m 32 5 4 5 5 5 17 4 4 2008-10-12 uk m 39 3 3 4 NA NA 18 > newdata<-leadership[order(gender,-age),] 19 > newdata 20 manager date country gender age q1 q2 q3 q4 q5 21 5 5 2009-05-01 uk f 99 2 2 1 2 1 22 2 2 2008-10-28 us f 45 3 5 2 5 5 23 3 3 2008-10-01 uk f 25 3 5 5 5 2 24 4 4 2008-10-12 uk m 39 3 3 4 NA NA 25 1 1 2008-10-24 us m 32 5 4 5 5 5
数据集的合并（向数据框中添加列（变量）和行（观测））
添加列
要横向合并两个数据框（数据集），请使用merge()函数。在多数情况下，两个数据框是通过一个或多个共有变量进行联结的（即一种内联结，inner join），例如：
total<-merge(dataframeA,dataframeB,by="ID") # 按照ID进行了合并
or
total<-merge(dataframeA,dataframeB,by=c("ID","Country")) # 按照ID和Country进行了合并
or
total<-cbind(A,B) # 直接横向合并两个矩阵或数据框，并且不需要指定一个公共索引
# 每个对象必须拥有相同的行数，且要有相同顺序排序。
添加行
rbind()--纵向合并两个数据框
total<-rbind(dataframeA,dataframeB) # 两个数据框必须拥有相同的变量，不过它们的顺序不必一定相同。若dataframeA中有dataframeB中没有的变量，则做一下处理：
删除dataframeA中的多余变量；
在dataframeB中创建追加的变量并将其值设为NA（缺失）
数据集取子集
选入变量
1 >newdata<-leadership[,c(6:10)] 2 > newdata 3 q1 q2 q3 q4 q5 4 1 5 4 5 5 5 5 2 3 5 2 5 5 6 3 3 5 5 5 2 7 4 3 3 4 NA NA 8 5 2 2 1 2 1
剔除变量
方法一：
1 > myvars<-names(leadership)%in%c("q3","q4") 解释：(1) names(leadership)生成了一个包含所有变量名的字符型向量 2 > newdata<-leadership[!myvars] (2) names(leadership) %in% c("q3", "q4")返回了一个逻辑型向量，names(leadership) 3 > newdata 中每个 匹配q3或q4的元素的值为TRUE，反之为FALSE 4 manager date country gender age q1 q2 q5 (3) 运算符非（!）将逻辑值反转 5 1 1 2008-10-24 us m 32 5 4 5 (4) leadership[c(TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, FALSE, FALSE, 6 2 2 2008-10-28 us f 45 3 5 5 TRUE)]选择了逻辑值为TRUE的列，于是q3和q4被剔除了 7 3 3 2008-10-01 uk f 25 3 5 2 8 4 4 2008-10-12 uk m 39 3 3 NA 9 5 5 2009-05-01 uk f 99 2 2 1
方法二：
1 >newdata<-leadership[c(-8,-9)] 2 > newdata 3 manager date country gender age q1 q2 q5 4 1 1 2008-10-24 us m 32 5 4 5 5 2 2 2008-10-28 us f 45 3 5 5 6 3 3 2008-10-01 uk f 25 3 5 2 7 4 4 2008-10-12 uk m 39 3 3 NA 8 5 5 2009-05-01 uk f 99 2 2 1
方法三：
1 leadership$q3<-leadership$q4<-NULL 2 > leadership 3 manager date country gender age q1 q2 q5 4 1 1 2008-10-24 us m 32 5 4 5 5 2 2 2008-10-28 us f 45 3 5 5 6 3 3 2008-10-01 uk f 25 3 5 2 7 4 4 2008-10-12 uk m 39 3 3 NA 8 5 5 2009-05-01 uk f 99 2 2 1
subset（）函数
1 > newdata<-subset(leadership,age>=35|age<24, 2 + select = c(q1,q2,q3,q4)) 3 > newdata 4 q1 q2 q3 q4 5 2 3 5 2 5 6 4 3 3 4 NA 7 5 2 2 1 2
1 > newdata<-subset(leadership,gender=="m" & age>25, 2 + select = gender:q4) 3 > newdata 4 gender age q1 q2 q3 q4 5 1 m 32 5 4 5 5 6 4 m 39 3 3 4 NA
随机抽样
1 > mysample<-leadership[sample(1:nrow(leadership),3, 2 + replace=FALSE),] 3 > mysample 4 manager date country gender age q1 q2 q3 q4 q5 5 4 4 10/12/08 uk m 39 3 3 4 NA NA 6 5 5 5/1/09 uk f 99 2 2 1 2 1 7 2 2 10/28/08 us f 45 3 5 2 5 5
使用sql语句操作数据框