一個(gè)數(shù)據(jù)處理的小示例

用書中的數(shù)據(jù)處理的例子，作為本章學(xué)習(xí)的實(shí)踐總結(jié)：

一組學(xué)生參加了數(shù)學(xué)、 科學(xué)和英語考試。 為了給所有學(xué)生確定一個(gè)單一的成績(jī)衡量指標(biāo)， 需要將這些科目的成績(jī)組合起來。另外， 你還想將前20%的學(xué)生評(píng)定為A， 接下來20%的學(xué)生評(píng)定為B， 依次類推。最后， 按字母順序?qū)W(xué)生排序。

數(shù)據(jù)如下表所示：

需要處理的問題可以拆分成3個(gè)：

• 各科成績(jī)標(biāo)準(zhǔn)化；
• 總成績(jī)按20%分段評(píng)級(jí)；
• 學(xué)生名稱依據(jù)字母順序排序；

步驟1

我們來依次解決問題，首先把表格數(shù)據(jù)轉(zhuǎn)換成R中的數(shù)據(jù)框。

options(digits=2)用于設(shè)定計(jì)算結(jié)果的有效位數(shù)。

Student <- c("John Davis", "Angela Williams", "Bullwinkle Moose",
             "David Jones", "Janice Markhammer", "Cheryl Cushing",
             "Reuven Ytzrhak", "Greg Knox", "Joel England",
             "Mary Rayburn")
Math <- c(502, 600, 412, 358, 495, 512, 410, 625, 573, 522)
Science <- c(95, 99, 80, 82, 75, 85, 80, 95, 89, 86)
English <- c(25, 22, 18, 15, 20, 28, 15, 30, 27, 18)
roster <- data.frame(Student, Math, Science, English,
                       stringsAsFactors=FALSE)
> roster
             Student Math Science English
1         John Davis  502      95      25
2    Angela Williams  600      99      22
3   Bullwinkle Moose  412      80      18
4        David Jones  358      82      15
5  Janice Markhammer  495      75      20
6     Cheryl Cushing  512      85      28
7     Reuven Ytzrhak  410      80      15
8          Greg Knox  625      95      30
9       Joel England  573      89      27
10      Mary Rayburn  522      86      18

步驟2

我們可以看到，三科成績(jī)存在數(shù)量級(jí)級(jí)別的差距，直接進(jìn)行求和運(yùn)算顯然不妥，我們需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使其可以進(jìn)行運(yùn)算和比較。

R提供了一個(gè)scale函數(shù)，將原始數(shù)據(jù)用單位標(biāo)準(zhǔn)差來表示， 而不是以原始的尺度來表示。

> z <- scale(roster[,2:4])
> z
        Math Science English
 [1,]  0.013   1.078   0.587
 [2,]  1.143   1.591   0.037
 [3,] -1.026  -0.847  -0.697
 [4,] -1.649  -0.590  -1.247
 [5,] -0.068  -1.489  -0.330
 [6,]  0.128  -0.205   1.137
 [7,] -1.049  -0.847  -1.247
 [8,]  1.432   1.078   1.504
 [9,]  0.832   0.308   0.954
[10,]  0.243  -0.077  -0.697
attr(,"scaled:center")
   Math Science English 
    501      87      22 
attr(,"scaled:scale")
   Math Science English 
   86.7     7.8     5.5 

步驟3

然后使用apply函數(shù)將mean函數(shù)分別運(yùn)用到各行數(shù)據(jù)，計(jì)算每一行的均值來獲得綜合得分，并使用cbind函數(shù)添加到原數(shù)據(jù)框中：

score <- apply(z, 1, mean)
roster <- cbind(roster, score)
roster
             Student Math Science English score score
1         John Davis  502      95      25  0.56  0.56
2    Angela Williams  600      99      22  0.92  0.92
3   Bullwinkle Moose  412      80      18 -0.86 -0.86
4        David Jones  358      82      15 -1.16 -1.16
5  Janice Markhammer  495      75      20 -0.63 -0.63
6     Cheryl Cushing  512      85      28  0.35  0.35
7     Reuven Ytzrhak  410      80      15 -1.05 -1.05
8          Greg Knox  625      95      30  1.34  1.34
9       Joel England  573      89      27  0.70  0.70
10      Mary Rayburn  522      86      18 -0.18 -0.18

步驟4

然后使用quantile函數(shù)按照20%進(jìn)行分段計(jì)算分位數(shù)：

y <- quantile(roster$score, c(0.8, 0.6, 0.4, 0.2))
> y
  80%   60%   40%   20% 
 0.74  0.44 -0.36 -0.89 

步驟5

然后使用邏輯運(yùn)算符進(jìn)行數(shù)據(jù)的重編碼，將成績(jī)重編碼為等級(jí)字符,創(chuàng)建一個(gè)變量grade：

roster$grade[roster$score >= y[1]] <- 'A'
roster$grade[y[1] > roster$score & roster$score >= y[2] ] <- 'B'
roster$grade[y[2] > roster$score & roster$score >= y[3] ] <- 'C'
roster$grade[y[3] > roster$score & roster$score >= y[4] ] <- 'D'
roster$grade[roster$score < y[4]] <- 'E'
roster

             Student Math Science English score score grade
1         John Davis  502      95      25  0.56  0.56     B
2    Angela Williams  600      99      22  0.92  0.92     A
3   Bullwinkle Moose  412      80      18 -0.86 -0.86     D
4        David Jones  358      82      15 -1.16 -1.16     E
5  Janice Markhammer  495      75      20 -0.63 -0.63     D
6     Cheryl Cushing  512      85      28  0.35  0.35     C
7     Reuven Ytzrhak  410      80      15 -1.05 -1.05     E
8          Greg Knox  625      95      30  1.34  1.34     A
9       Joel England  573      89      27  0.70  0.70     B
10      Mary Rayburn  522      86      18 -0.18 -0.18     C

說明一下上面的語句，roster$grade直接在數(shù)據(jù)集roster中創(chuàng)建了一個(gè)新變量grade，[roster$score >= y[1]]是子集選取的語句，符合條件的子集被賦值。

步驟6

根據(jù)姓名的首字母排序問題，首先使用strsplit函數(shù)將姓名進(jìn)行拆分，分隔符為空格，返回對(duì)象為列表：

> name<- strsplit(roster$Student, split = " ")
> str(name)
List of 10
 $ : chr [1:2] "John" "Davis"
 $ : chr [1:2] "Angela" "Williams"
 $ : chr [1:2] "Bullwinkle" "Moose"
 $ : chr [1:2] "David" "Jones"
 $ : chr [1:2] "Janice" "Markhammer"
 $ : chr [1:2] "Cheryl" "Cushing"
 $ : chr [1:2] "Reuven" "Ytzrhak"
 $ : chr [1:2] "Greg" "Knox"
 $ : chr [1:2] "Joel" "England"
 $ : chr [1:2] "Mary" "Rayburn"

步驟7：使用函數(shù)sapply() 提取列表中各個(gè)成分作為Firstname和Lastname變量， "[" 是一個(gè)可以提取某個(gè)對(duì)象的一部分的函數(shù),1和2指定位置。

Firstname <- sapply(name, "[", 1) 
Lastname <- sapply(name, "[", 2) 
roster <- cbind(Firstname, Lastname, roster[,-1])
    Firstname   Lastname Math Science English score score.1 grade
1        John      Davis  502      95      25  0.56    0.56     B
2      Angela   Williams  600      99      22  0.92    0.92     A
3  Bullwinkle      Moose  412      80      18 -0.86   -0.86     D
4       David      Jones  358      82      15 -1.16   -1.16     E
5      Janice Markhammer  495      75      20 -0.63   -0.63     D
6      Cheryl    Cushing  512      85      28  0.35    0.35     C
7      Reuven    Ytzrhak  410      80      15 -1.05   -1.05     E
8        Greg       Knox  625      95      30  1.34    1.34     A
9        Joel    England  573      89      27  0.70    0.70     B
10       Mary    Rayburn  522      86      18 -0.18   -0.18     C

步驟7

最后，使用order函數(shù)進(jìn)行排序：

roster[order(Lastname,Firstname),]
    Firstname   Lastname Math Science English score score.1 grade
6      Cheryl    Cushing  512      85      28  0.35    0.35     C
1        John      Davis  502      95      25  0.56    0.56     B
9        Joel    England  573      89      27  0.70    0.70     B
4       David      Jones  358      82      15 -1.16   -1.16     E
8        Greg       Knox  625      95      30  1.34    1.34     A
5      Janice Markhammer  495      75      20 -0.63   -0.63     D
3  Bullwinkle      Moose  412      80      18 -0.86   -0.86     D
10       Mary    Rayburn  522      86      18 -0.18   -0.18     C
2      Angela   Williams  600      99      22  0.92    0.92     A
7      Reuven    Ytzrhak  410      80      15 -1.05   -1.05     E

好了，到此，這個(gè)數(shù)據(jù)處理的實(shí)踐例子就做完了。

到此為止，我覺得要入門R語言，看這本書到這里基本就可以了。R的基本語法、數(shù)據(jù)結(jié)構(gòu)、處理數(shù)據(jù)的基本方式都涵蓋了。后續(xù)在應(yīng)用中需要什么包就再去學(xué)習(xí)。