LearningR-数据处理

头像
JeevanYue
    阅读 14 分钟

    1. R自带函数

    2. reshape2
      data restructuring

    3. dplyr
      data aggregation

    4. tidyr
      待整理

    5. 字符串处理

    1. R自带函数

    1.1 转置

    使用函数t()可对一个矩阵或数据框进行转置，对于数据框，行名将变成变量（列）名。

    cars <- mtcars(1:5,1:4)
cars
t(cars)

    数列array进行维度转换 aperm

    x <- array(1:24, 2:4)
xt <- aperm(x, c(2,1,3))
dim(x)
dim(xt)

    1.2 整合数据aggregate

    在R中使用一个或多个by变量和一个预先定义好的函数来折叠（collapse）数据。调用格式为：

    aggregate(x,by,FUN)

    其中x是待折叠的数据对象，by饰一个变量名组成的列表，这些变量将被去掉以新的观测，而FUN则是用来计算表述性统计量的标量函数，它将被用来计算新观测中的值。

    options(digits=2)
attach(mtcars)
mydata <- aggregate(mtcars, by=list(cyl,gear), FUN=mean, na.rm=TRUE)
mydata

    by中的变量必须在一个列表中（即使只有一个变量）。也可以在列表中为各组声明自定义的名称，例如by＝list(Group.cyl=cyl,Group.gears=gear)。

    ## example with character variables and NAs
testDF <- data.frame(v1 = c(1,3,5,7,8,3,5,NA,4,5,7,9),
                     v2 = c(11,33,55,77,88,33,55,NA,44,55,77,99) )
by1 <- c("red", "blue", 1, 2, NA, "big", 1, 2, "red", 1, NA, 12)
by2 <- c("wet", "dry", 99, 95, NA, "damp", 95, 99, "red", 99, NA, NA)
aggregate(x = testDF, by = list(by1, by2), FUN = "mean")

# and if you want to treat NAs as a group
fby1 <- factor(by1, exclude = "")
fby2 <- factor(by2, exclude = "")
aggregate(x = testDF, by = list(fby1, fby2), FUN = "mean")

## Formulas, one ~ one, one ~ many, many ~ one, and many ~ many:
aggregate(weight ~ feed, data = chickwts, mean)
aggregate(breaks ~ wool + tension, data = warpbreaks, mean)
aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, mean)
aggregate(cbind(ncases, ncontrols) ~ alcgp + tobgp, data = esoph, sum)

## Dot notation:
aggregate(. ~ Species, data = iris, mean)
aggregate(len ~ ., data = ToothGrowth, mean)

## Often followed by xtabs():
ag <- aggregate(len ~ ., data = ToothGrowth, mean)
xtabs(len ~ ., data = ag)

## Compute the average annual approval ratings for American presidents.
aggregate(presidents, nfrequency = 1, FUN = mean)
## Give the summer less weight.
aggregate(presidents, nfrequency = 1,
          FUN = weighted.mean, w = c(1, 1, 0.5, 1))

    1.3 apply

    待整理

    1.4 union和intersect

    x <- c(sort(sample(1:20, 9)), NA)
y <- c(sort(sample(3:23, 7)), NA)
union(x, y)
intersect(x, y)
setdiff(x, y)
setdiff(y, x)
setequal(x, y)
#%in%
(1:10) %in% c(3,7,12)
"%w/o%" <- function(x, y) x[!x %in% y]
(1:10) %w/o% c(3,7,12)
sstr <- c("c","ab","B","bba","c",NA,"@","bla","a","Ba","%")
sstr %in% c(letters, LETTERS)

    1.5 合并 cbind和rbind

    纵向合并数据通常用于向数据框中添加观测。

    • rbind() ：纵向合并两个数据框（数据集）

    • cbind() ：横向合并两个数据框（数据集）

    注：两个数据框行（列）数必须相同。如果x中拥有y中没有的变量，在合并它们之前需做以下处理：

    (1)删除dataframeA中的多余变量；

    (2)在dataframeB中创建追加的变量并将其值设为NA(缺失)。

    x1 <- c(1:5)
x2 <- c(21:25)
x3 <- c(31:35)
r1 <- cbind(x1, x2)
r2 <- rbind(x1, x2)
r31 <- cbind(r1, x3)
r32 <- rbind(r2, x3)

    1.6 匹配合并 merge

    merge效果同dplyr的join，join的效力更高。

    • inner_join 等价于 merge(all=F)

    • left_join 等价于 merge(all.x=T, all.y=F)

    • right_join 等价于 merge(all.x=F, all.y=T)

    • full_join 等价于 merge(all=T)

    #authors和books
authors <- data.frame(
    surname = I(c("Tukey", "Venables", "Tierney", "Ripley", "McNeil")),
    nationality = c("US", "Australia", "US", "UK", "Australia"),
    deceased = c("yes", rep("no", 4)))
books <- data.frame(
    name = I(c("Tukey", "Venables", "Tierney",
             "Ripley", "Ripley", "McNeil", "R Core")),
    title = c("Exploratory Data Analysis",
              "Modern Applied Statistics ...",
              "LISP-STAT",
              "Spatial Statistics", "Stochastic Simulation",
              "Interactive Data Analysis",
              "An Introduction to R"),
    other.author = c(NA, "Ripley", NA, NA, NA, NA,
                     "Venables & Smith"))

m1 <- merge(authors, books, by.x = "surname", by.y = "name")
m2 <- merge(books, authors, by.x = "name", by.y = "surname")
#m1和m2结果相同，只是结果的列名不同。
#left_join
m3 <- merge(authors, books, by.x = "surname", by.y = "name", all.x = T, all.y = F)
#right_join
m4 <- merge(authors, books, by.x = "surname", by.y = "name", all.x = F, all.y = T)
#full_join
m5 <- merge(authors, books, by.x = "surname", by.y = "name", all = TRUE)

m11 <- inner_join(authors, books, by=c("surname"="name"))
m22 <- inner_join(books, authors, by=c("name"="surname"))
m33 <- left_join(authors, books, by=c("surname"="name"))
m44 <- right_join(authors, books, by=c("surname"="name"))
m55 <- full_join(authors, books, by=c("surname"="name"))

    1.7 排除重复数据 unique

    unique 函数可以去掉向量、数据框或类似数列的数据中重复的元素。

    x <- c(9:20, 1:5, 3:7, 0:8)
y <- unique(x)
#下列方式业可以，但unique方式效率更高.
#duplicated 函数返回了元素是否重复的逻辑值.
y1 <- x[!duplicated(x)]

    2. reshape2包

    首先将数据“融合”（melt），以使每一行都是一个唯一的标识符-变量组合。
    然后将数据“重铸”（cast），可以使用任何函数对数据进行整合成想要的任何形状。

    注：reshape包的重铸函数为cast()，reshape2包的重铸函数为dcast()和acast()

    #数据集mydata
ID <- c(1,1,2,2)
Time <- c(1,2,1,2)
X1 <- c(5,3,6,2)
X2 <- c(6,5,1,4)
mydata <- data.frame(ID,Time,X1,X2)

    2.1融合-melt

    数据集的融合是将它重构为这样一种格式：每个测量变量独占一行，行中带有要唯一确定这个测量所需的标识符变量。

    library(reshape2)
md <- melt(mydata, id=c("ID","Time"))
md <- melt(mydata, id=1:2)

    2.2重铸-dcast和acast

    Use acast or dcast depending on whether you want vector/matrix/array output or data frame output. Data frames can have at most two dimensions.

    1. dcast——返回的结果是一个数据框

    2. acast——返回的结果可以是向量、矩阵或者数组

    调用格式为：

    newdata <- dcast(data, formula, fun.aggregate = NULL, ..., 
  margins = NULL, subset = NULL, fill = NULL, drop = TRUE, 
  value.var = guess_value(data))
newdata <- acast(data, formula, fun.aggregate = NULL, ..., 
  margins = NULL, subset = NULL, fill = NULL, drop = TRUE, 
  value.var = guess_value(data))

    其中md为已融合的数据，formula描述想要的结果，FUN是（可选的）数据整合函数。
    接受的公式形如：

    rowvar1 + rowvar2 + ... ~ colvar1 + colvar2 + ...

    在这个公式中，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。

    #执行整合
acast(md, ID~variable, mean)
dcast(md, ID~variable, mean)
dcast(md, tTime~variable, mean)
dcast(md, ID~Time, mean)
#不执行整合
dcast(md, ID+Time~variable)
dcast(md, ID+variable~Time)
dcast(md, ID~variable+Time)

    R语言实战截图

    2.3 练习

    library(reshape2)
head(airquality)
mydata <- airquality
mydata1 <- melt(mydata, id=c("Month", "Day"),
  variable.name = "type",value.name = "val")
#选定测量变量为Ozone、Wind
mydata2 <- melt(mydata, id=c("Month", "Day"),
  measure = c("Ozone","Wind"),
  variable.name = "type",value.name = "val")
str(mydata1)
str(mydata2)
#大写转换为小写
names(mydata) <- tolower(names(mydata))
a <- melt(mydata, id=c("month", "day"), na.rm=TRUE)
#数据b和原始数据airquality一样，数据复原了。
b <- dcast(a , month + day ~variable)
result1 <- dcast(a , month  ~variable ,mean)
#查看缺失值数量的函数
myfun <- function(x){return(sum(is.na(x)))}
result2 <- dcast(a, month  ~variable ,myfun)
result3 <- melt(mydata, id=c("month", "day"))
result4 <- dcast(result3 , month  ~variable ,myfun)
result5 <- recast(mydata , month ~ variable , 
  id.var = c('month','day') , fun = myfun)

    3. dplyr

    3.1 基本操作

    3.1.1 数据类型

    将过长过大的数据集转换为显示更友好的 tbl_df 类型

    library(dplyr)
iris_df <- tbl_df(iris)

    3.1.2 筛选filter

    按给定的逻辑判断筛选出符合要求的子数据集, 类似于 base::subset() 函数

    filter(iris_df, Species == 'setosa' , Sepal.Length >=5)
filter(iris_df, Species == 'setosa' & Sepal.Length >=5)

    用R自带函数实现:

    iris_df[iris_df$Species == 'setosa' & iris_df$Sepal.Length >=5, ]

    除了代码简洁外, 还支持对同一对象的任意个条件组合, 如:

    filter(iris_df, Species == 'setosa' | Sepal.Length >=5)

    注意: 表示 AND 时要使用 & 而避免 &&

    3.1.3 排列 arrange

    arrange(iris_df, Sepal.Length, Sepal.Width)
arrange(iris_df, desc(Sepal.Length))
#这个函数和 plyr::arrange() 是一样的, 类似于 order()

    用R自带函数实现:

    iris_df[order(iris_df$Sepal.Length, iris_df$Sepal.Width), ]
iris_df[order(desc(iris_df$Sepal.Length)), ]

    3.1.4 选择select

    用列名作参数来选择子数据集:

    select(iris_df, 5, 1:2)
select(iris_df, Species, Sepal.Length, Sepal.Width)
select(iris, Species, everything())
#重命名列名
select(iris_df, Species, Length=Sepal.Length, Width=Sepal.Width)
select(iris_df, petal = starts_with("Petal"))

    排除列名:

    select(iris_df, -Petal.Length, -Petal.Width)

    select的特殊函数

    • starts_with(x, ignore.case = TRUE): names starts with x

    • ends_with(x, ignore.case = TRUE): names ends in x

    • contains(x, ignore.case = TRUE): selects all variables whose name contains

    • matches(x, ignore.case = TRUE): selects all variables whose name matches the regular expression x

    • num_range("x", 1:5, width = 2): selects all variables (numerically) from x01 to x05.

    • one_of("x", "y", "z"): selects variables provided in a character vector.

    • everything(): selects all variables.

    select(iris_df, everything())
select(iris_df, starts_with("Petal"))
select(iris_df, ends_with("Width"))
select(iris_df, contains("etal"))
select(iris_df, matches(".t."))
#选取名称符合指定表达式规则的列
select(iris_df, Sepal.Length:Petal.Width)
select(iris_df, Petal.Length, Petal.Width)
vars <- c("Petal.Length", "Petal.Width")
select(iris_df, one_of(vars))
df <- as.data.frame(matrix(runif(100), nrow = 10))
df <- tbl_df(df)
select(df, V4:V6)
select(df, num_range("V", 4:6))

    ":" 选择连续列，contains来匹配列名

    同样类似于R自带的subset() 函数.

    subset(iris,select=c(1,2))
subset(iris,select=c(3,4))
subset(iris,select=c(Petal.Length, Petal.Width))

    Programming with select 存疑??

    select_(iris_df, ~Petal.Length)
select_(iris_df, "Petal.Length")
select_(iris_df, lazyeval::interp(~matches(x), x = ".t."))
select_(iris_df, quote(-Petal.Length), quote(-Petal.Width))
select_(iris_df, .dots = list(quote(-Petal.Length), quote(-Petal.Width)))

    3.1.5 添加新变量mutate

    对已有列进行数据运算并添加为新列:

    mtcars_df <- tbl_df(mtcars)
mutate(mtcars_df, displ_l = disp / 61.0237)
#transmute结果只有计算的字段
transmute(mtcars_df, displ_l = disp / 61.0237)

    mutate_each()

    对每一列运行窗体函数。

    mutate_each(iris, funs(min_rank))

    plyr::mutate() 与 base::transform() 相似, 优势在于可以在同一语句中对刚增加的列进行操作。

    mutate(hflights_df, 
  gain = ArrDelay - DepDelay, 
  gain_per_hour = gain / (AirTime / 60)
)
#而同样操作用R自带函数 transform() 的话就会报错:
transform(hflights, 
  gain = ArrDelay - DepDelay, 
  gain_per_hour = gain / (AirTime / 60)
)

    通过data.frame有可以实现

    mtcars_df <- data.frame(mtcars_df,displ_l = mtcars_df$disp / 61.0237)

    3.1.6 汇总summarise

    summarise(mtcars_df, mean(disp, na.rm = TRUE), n())
summarise(group_by(mtcars_df, cyl), mean(disp), n())
summarise(group_by(mtcars_df, cyl), m = mean(disp), sd = sd(disp))
#对每⼀一列运⾏行概述函数。
summarise_each(iris, funs(mean))
by_species <- iris %>% group_by(Species)
by_species %>% summarise_each(funs(length))
by_species %>% summarise_each(funs(mean))
by_species %>% summarise_each(funs(mean), Petal.Width)
by_species %>% summarise_each(funs(mean), matches("Width"))

    count()

    #计算各变量中每⼀一个特定值的⾏行数(带权重或不带权重)。
count(iris, Species, wt = Sepal.Length)
count(iris, Species, mycount = n())

    3.1.7 tally

    mtcars %>%
    group_by(cyl, vs) %>%
    tally(sort = TRUE)
#与下列方式相同
mtcars %>%
    group_by(cyl, vs) %>%
    summarise(n = n()) %>%
    arrange(cyl,vs,n)

    3.2 分组group_by

    当对数据集通过 group_by() 添加了分组信息后,mutate(), arrange() 和 summarise() 函数会自动对这些 tbl 类数据执行分组操作 (R语言泛型函数的优势).

    summarise(mtcars_df, mean(disp, na.rm = TRUE), n())
summarise(group_by(mtcars_df, cyl), mean(disp), n(),n_distinct(gear))
summarise(group_by(mtcars_df, cyl), m = mean(disp), sd = sd(disp))
#a mutate/rename followed by a simple group_by
group_by(mtcars_df, vsam = vs + am)
group_by(mtcars_df, vs2 = vs)
summarise(group_by(mtcars_df, cyl2=cyl), m = mean(disp), sd = sd(disp))

    另: 一些汇总时的小函数

    n(): 计算个数
    n_distinct(x): 计算 x 中唯一值的个数

    3.3 链式操作(管道) %>% 或 %.%

    dplyr包还新引进了一个操作符，读成then，使用时把数据名作为开头, 然后依次对此数据进行多步操作。比如:

    mtcars %>%
    group_by(cyl) %>%
    summarise(total = sum(disp)) %>%
    arrange(desc(total)) %>%
    head(5)
(x1-x2)^2%>%sum()%>%sqrt()

    按数据处理的思路写代码, 一步步深入, 既易写又易读, 接近于从左到右的自然语言顺序， 对比一下用R自带函数实现的.

    head(arrange(summarise(group_by(mtcars, cyl), total = sum(disp)) , desc(total)), 5)
x1 <- 1:5
x2 <- 2:6
sqrt(sum((x1-x2)^2))

    或者像这篇文章所用的方法:

    totals <- aggregate(. ~ cyl, data=mtcars[,c("cyl","disp")], sum)
ranks <- sort.list(-totals$disp)
#ranks <- order(-totals$disp)
totals[ranks[1:5],]

    文章里还表示: 通过 %>% 那段代码比跑上面这段代码，运算速度提升很多倍.

    至于这个新鲜的概念会不会和 ggplot2 里的 + 连接号一样, 发挥出种种奇妙的功能呢? 还是在实际使用中多体验感受吧.

    3.5 数据匹配合并join

    • inner_join(x, y) ：只包含同时出现在x,y表中的行

    • left_join(x, y) ：包含所有x中以及y中匹配的行

    • semi_join(x, y) ：包含x中，在y中有匹配的行，结果为x的子集

    • anti_join(x, y) ：包含x中，不匹配y的行，结果为x的子集，与semi_join相反

    • full_join(x, y) ：包含所以x、y中的行

    • right_join(x, y) ：包含所有y中以及x中匹配的行

    x <- data.frame(name = c("John", "Paul", "George", "Ringo", "Stuart", "Pete"),
  instrument = c("guitar", "bass", "guitar", "drums", "bass","drums"))
y <- data.frame(name = c("John", "Paul", "George", "Ringo", "Brian"),
  band = c("TRUE", "TRUE", "TRUE", "TRUE", "FALSE"))
inner_join(x, y)
left_join(x, y)
semi_join(x, y)
anti_join(x, y)
full_join(x, y)
right_join(x,y)

    3.6 连接数据库

    • dplyr 可以连接数据库

    • 使用与本地数据框操作一样的语法

    • 只支持生成SELECT语句

    • 支持SQLite, PostgreSQL/Redshift, MySQL/MariaDB, BigQuery, MonetDB

    3.7 利用窗体函数变换数据

    函数 说明
    dplyr::lead 把除第一个值以外的所有元素提前，最后一个元素为NA
    dplyr::lag 把除第一个值以外的所有元素延后，第一个元素为NA
    dplyr::dense_rank 无缝排序
    dplyr::min_rank 排序。并列时，其他序号顺延
    dplyr::percent_rank 把数据在[0,1]中充足并排列
    dplyr::row_number 排序。并列时，位置在前的并列数据序号在前
    dplyr::ntile 把向量分为n份
    dplyr::between 数据是否在a和b之间
    dplyr::cume_dist 累计分布
    dplyr::cumal 累计all函数
    dplyr::cumany 累计any函数
    dplyr::cummean 累计mean函数
    cumsum 累计sum函数
    cummax 累计max函数
    cummin 累计min函数
    cumprod 累计prod函数
    pmax 针对元素的max函数
    pmin 针对元素的min函数

    4. tidyr

    tidyr包的作者也是Hadley Wickham, 与dplyr包结合使用，是reshape2包的替代。
    （先挖坑...）

    5. 字符串处理

    5.1 字符个数 nchar

    nchar()能够获取字符串的长度，它和length()的结果是有区别的。

    nchar(c("abc", "abcd"))    ＃求字符串中的字符个数，返回向量c(3, 4)
length(c("abc", "abcd"))  ＃返回2，向量中元素的个数

    5.2 连接字符 paste

    paste()不仅可以连接多个字符串，还可以将对象自动转换为字符串再相连，另外它还能处理向量，所以功能更强大。

    paste("fitbit", month, ".jpg", sep="")
paste("fitbit", 1:12, ".jpg", sep = "")

    paste默认的分隔符是空格，必须指定sep=""。还有一个collapse参数，可以把这些字符串拼成一个长字符串，而不是放在一个向量中。

    paste("fitbit", 1:3, ".jpg", sep = "", collapse = "; ")

    另外还有一个paste0函数，默认就是sep=""

    5.3 分割字符 strsplit

    strsplit(x, split, fixed = FALSE, perl = FALSE, useBytes = FALSE)
    x <- c(as = "asfef", qu = "qwerty", "yuiop[", "b", "stuff.blah.yech")
strsplit(x,"e")
#需要注意的细节
strsplit(paste(c("", "a", "")
strsplit("", " ")[[1]]
strsplit(" ", " ")[[1]]

##倒序运用：
strReverse <- function(x)
        sapply(lapply(strsplit(x, NULL), rev), paste, collapse = "")
strReverse(c("abc", "Statistics"))

    5.4 提取字符 substr与substring

    substr(x, start, stop)
substring(text, first, last = 1000000L)
substr(x, start, stop) <- value
substring(text, first, last = 1000000L) <- value
    substr("abcdef", 2, 4)
substring("abcdef", 1:6, 1:6)

substr(rep("abcdef", 4), 1:4, 4:5)
x <- c("asfef", "qwerty", "yuiop[", "b", "stuff.blah.yech")
substr(x, 2, 5)
substring(x, 2, 4:6)
substring(x, 2) <- c("..", "+++")

    5.5 替换字符 sub和gsub

    • sub 只做一次替换（不管有几次匹配）

    • gsub 把满足条件的匹配都做替换

    sub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,
    fixed = FALSE, useBytes = FALSE)
gsub(pattern, replacement, x, ignore.case = FALSE, perl = FALSE,
     fixed = FALSE, useBytes = FALSE)

    虽然sub和gsub是用于字符串替换的函数，但严格地说R语言没有字符串替换的函数，因为R语言不管什么操作对参数都是传值不传址。所以原字符串并没有改变，要改变原变量我们只能通过再赋值的方式。

    text <- "Hello Adam!\nHello Ava!"
sub(pattern="Adam", replacement="World", text)
text
sub(pattern="Adam|Ava", replacement="World", text)
gsub(pattern="Adam|Ava", replacement="world", text)

    sub和gsub函数可以使用提取表达式（转义字符+数字）让部分变成全部

    sub(pattern=".*(Adam).*", replacement="\\1", text)
str <- "Now is the time      "
sub(" +$", "", str)
sub("[[:space:]]+$", "", str)
sub("\\s+$", "", str, perl = TRUE)
txt <- "a test of capitalizing"
gsub("(\\w)(\\w*)", "\\U\\1\\L\\2", txt, perl=TRUE)
gsub("\\b(\\w)",    "\\U\\1",       txt, perl=TRUE)

    5.6 字符查询匹配 grep

    • grep 返回匹配项的下标

    • grepl 返回所有查询结果的逻辑向量

    • regexpr

    • gregexpr

    • regexec
      regexpr、gregexpr和regexec这三个函数返回的结果包含了匹配的具体位置和字符串长度信息，可以用于字符串的提取操作。

    x <- c("abc","abcdef","def")
grep("def", x)
#grep返回匹配项的下标
#grepl返回所有查询结果的逻辑向量。两者的结果都可用于提取数据子集
grepl("def", x)
regexpr、gregexpr和regexec

    5.5 其他

    • 大小写转换 tolower与toupper

    • 列表转换为向量unlist
      unlist(x, recursive = TRUE, use.names = TRUE)

    • 重复输入rep()

    rep(1:4, 2)
rep(1:4, each = 2)
rep(1:4, c(2,2,2,2))
rep(1:4, c(2,1,2,1))
rep(1:4, each = 2, len = 4)
rep(1:4, each = 2, len = 10)
rep(1:4, each = 2, times = 3)

    5.6 stringr包

    stringr包是用来处理字符串的。(先挖坑...)

    附录A 正则表达式

    待整理

    附录B

    r
    JeevanYue
    178 声望42 粉丝

    R语言学习与分享

    « 上一篇
    [LR]读取数据
    下一篇 »
    LearningR-XML

    引用和评论

    推荐阅读
    头像
    R语言钉钉机器人

    JeevanYue赞 3阅读 3.3k

    0 条评论
    得票最新