R学习笔记 第三篇：数据框

数据框（data.frame）用于存储二维表（即关系表）的数据，每一列存储的数据类型必须相同，不同的数据列的数据类型可以相同，也可以不同，但是，每列的长度必须相同。数据框的每列可以有唯一的命名，在已创建的数据框上，用户可以添加计算列，这样，R根据同一行的数据列值得出相应的数据列的值。数据框是数据分析中最重要的数据对象，必须熟练掌握数据框的操作。

一，创建数据框

R提供三种方式，用于创建数据框，第一种是通过读取文件创建，常用的是用于读取文件的函数是read.table，而read.csv是read.table的包装函数，专门用于读取csv文件，例如：

`dataset` = read.csv('D:/data.csv', check.names = FALSE, encoding = "UTF-8", blank.lines.skip = FALSE);

第二种是从数据库执行查询，根据查询结果创建数据框；当连接SQL Server数据库时，使用ODBC数据库连接，引用RODBC包，调用odbcConnect连接，使用sqlquery执行查询，获取查询结果：

library(RODBC)
cn=odbcConnect("data source")
a_data_frame=sqlQuery(cn,"TSQL Query")
odbcClose(cn)

第三种是通过函数 data.frame创建数据框，用户需要输入指定的数据填充数据框变量。函数data.frame的参数row.names为每一行命名，把该参数设置为NULL，取消行的命名：

> a_data_frame=data.frame(
+     c1=letters[1:3],
+     c2=c(1:3),
+     c3=runif(3)>0.5,
+     c4=c('r','g','b'),
+     row.names=c('r1','r2','r3')
+ )

打印数据框，数据框有两个维度，行和列：

> a_data_frame
   c1 c2    c3 c4
r1  a  1  TRUE  r
r2  b  2 FALSE  g
r3  c  3 FALSE  b

如何查看数据框的维度名称和各个维度的元素数量？R提供相应的函数来实现，通过函数rownames返回数据框的行名称，通过函数colnames返回数据框的列名称，通过函数nrow（或函数ncol），返回数据框的行数（或列数）。

> rownames(a_data_frame)
[1] "r1" "r2" "r3"
> colnames(a_data_frame)
[1] "c1" "c2" "c3" "c4"
> nrow(a_data_frame)
[1] 3
> ncol(a_data_frame)
[1] 4

二，索引数据框

索引数据库，使用中括号，而下标有四种表示方式：正整数，负整数，逻辑值和字符（行或列的名称），

例如，索引数据框中第一行，第二列的元素：

> a_data_frame[1,2]
[1] 1

1，通过索引获取数据框的子集

例如，获得数据框的一个子集，索引数据框中的第一行和第二行，第二列和第三列的数据子集：

> a_data_frame[1:2,2:3]
   c2    c3
r1  1  TRUE
r2  2 FALSE

2，通过条件获取数据框的子集

函数subset，第一个参数（x）是数据框；第二个参数（subset）是逻辑表达式，用于过滤数据行；第三个参数（select）是映射的数据列。

> subset(a_data_frame,c2<=2,c(2:3))
   c2    c3
r1  1  TRUE
r2  2 FALSE

三，操纵数据框

操纵数据框，例如，选择子集（subset），合并数据框，排序数据框，添加或修改数据列，把数据值排名等，最终把数据转换成相应的形式，用于数据分析。

1，合并数据框

当两个数据框有相同的数据列时，可以使用merge函数合并数据框，merge函数的作用类似于SQL 语言中的连接（Join）操作，用于把两个数据框，按照特定的数据列把两个数据框做连接操作，参数的定义如下：

merge(x, y, 
      by = intersect(names(x), names(y)), by.x = by, by.y = by, 
      all = FALSE, all.x = all, all.y = all,
      sort = TRUE, 
      suffixes = c(".x",".y"),...)

参数释义：

• x,y 参数：指定合并的两个数据框；
• by参数：字符串，指定合并列，当两个数据框有相同的数据列名字时，merge函数将按照同名的数据列名称合并；
• by.x,by.y 参数：字符串，分别指定数据框的合并列，用于指定merge函数将按照数据框x和y的哪些数据列进行合并；
• all：逻辑值，完全显示两个数据框的所有数据行，当合并列的值不存在于数据框x或y中，该数据框的列值显示为NA；
• all.x，all.y：逻辑值，指定完全显示的数据框，例如，当折merge函数的all.x=TRUE，all.y=FALSE是，合并的结果把数据框x的数据列全部显示，如果合并列的值不存在于数据框y，那么y的其他数据列显示为NA。
• sort：逻辑值，指定是否对结果排序；
• suffixes：为非合并列添加后缀；

 例如，创建两个数据框，按照df1的数据列x，和数据框df2的数据列m，对这两个数据框执行合并操作：

> df1=data.frame(x=c('a','c','e'),y=1:3)
> df2=data.frame(m=c('a','c','f'),n=4:6)
> merge(df1,df2,by.x='x',by.y='m')
  x y n
1 a 1 4
2 c 2 5
> 
> merge(df1,df2,by.x='x',by.y='m',all=TRUE)
  x  y  n
1 a  1  4
2 c  2  5
3 e  3 NA
4 f NA  6

2，添加和替换列

方法1：直接对数据框的数据列进行赋值，来实现对数据框的数据列的添加或替换：

df1[,'z']=c('z1','z2','z3')

方法2：使用with参数，with函数（with(data, expr)）接受一个数据框对象和要计算的表达式作为输入参数，with函数返回值是表达式的值，with函数只能添加或修改一个数据列：

df1[,'z']=with(df1,c('z1','z2','z3'))

方法3：使用within函数，within函数（within(data, expr)）接受一个数据框对象和要计算的表达式作为输入参数，within函数返回的是更新后的数据框对象，within函数可以在大括号中添加多个表达式，能够一次操作多个数据列：

df1=within(df1,{z=c('z1','z2','z3')} )

方法4：使用plyr包中的mutate函数，该函数用于向数据框中添加数据列或转换已经存在的数据列，接受一个数据框对象，和多个”name=value“对，返回修改后的数据框对象：

mutate(df1,z=c('z1','z2','z3'))

3，排序

order函数能够对数据框进行排序，order(x)函数：返回第i个元素是x中元素在排序之后的序号，对数据框进行排序时，可以分两步进行下去，第一步获取行的序号，第二部按照行号查询数据框：

> y_order=order(df1[,'y'])
> df1[y_order,]

还有一个方法，使用plyr包中的arrange函数，只用一行就能实现对数据框的排序：

arrange(df1,y)

4，排名

rank函数为数据框中的每个元素进行排名，不过rank函数只能作用于向量，只能返回向量元素的排名：

rank(x, na.last = TRUE,
     ties.method = c("average", "first", "last", "random", "max", "min"))

附：read.table 函数的定义和参数释义

read.table(file, header = FALSE, sep = "", quote = "\"'",
           dec = ".", numerals = c("allow.loss", "warn.loss", "no.loss"),
           row.names, col.names, as.is = !stringsAsFactors,
           na.strings = "NA", colClasses = NA, nrows = -1,
           skip = 0, check.names = TRUE, fill = !blank.lines.skip,
           strip.white = FALSE, blank.lines.skip = TRUE,
           comment.char = "#",
           allowEscapes = FALSE, flush = FALSE,
           stringsAsFactors = default.stringsAsFactors(),
           fileEncoding = "", encoding = "unknown", text, skipNul = FALSE)

重要的参数释义：

• file：读取数据的文件名和路径，文件名可以是文件的绝对路径名，或是相对路径名，如果文件名是相对路径名，那么文件名是基于当前的工作目录，当前的工作目录可以通过函数 getwd() 获取；
• header：逻辑值，文件的第一行是否包含列名；
• sep：用于指定字段（列）的分隔符，默认值是空字符，行的分隔符是回车和换行；
• quote：字符的引用符，只有当文本使用引用符，才被视为字符，设置为空字符，禁用引用符；
• dec：小数点符号；
• check.names：逻辑值，是否检查列名是否符合变量的命名规范；
• colClasses：用于指定列的数据类型；
• fill：逻辑值，当设置为TRUE时，如果行的列数不够，那么填充空白的字段；
• strip.white：逻辑值，只有当sep参数指定时，用于移除字符字段两端的空格；
• blank.lines.skip ：逻辑值，当为TRUE时，跳过空白的数据行；
• encoding ：字符串，用于指定字符的编码规则，常用的编码规则是UTF-8；
• nrows ：整数值，能够读取的最大数据行数量；
• skip：整数值，从文件的开头，跳过一定数量的数据行，从下一行开始读取数据；

参考文档：

R Document