TASK1.2 R語言的數(shù)據(jù)類型與數(shù)據(jù)結(jié)構(gòu)

1 預(yù)習(xí)(設(shè)置工作路徑、嘗試讀取數(shù)據(jù))
2 課堂內(nèi)容(匯總函數(shù)、基本數(shù)據(jù)類型、數(shù)據(jù)結(jié)構(gòu))

1 預(yù)習(xí)

1.1設(shè)置工作路徑

我們可以通過

• getwd() 獲取當(dāng)前工作路徑

設(shè)置工作路徑的兩種方法：
1 暫時

• setwd()
• setwd("E:/vvang/Documents/Rstudio/guanghuaBA_workshop/TASK1.2")

2 永久
Tools -> Global option -> General -> Default working directory

1.2 嘗試讀取數(shù)據(jù)

給出了csv、txt、xlsx的數(shù)據(jù)，下面分別讀取

1.2.1 讀取csv數(shù)據(jù) (read.csv)

• data_csv = read.csv("top250.csv")
  發(fā)現(xiàn)報錯“Error in type.convert.default(data[[i]], as.is = as.is[i], dec = dec, : invalid multibyte string at '<b8><a5><c0><bc>'”
  考慮可能是編碼問題，先是改為

• data_csv = read.csv("top250.csv", fileEncoding = 'UTF-8')
  發(fā)現(xiàn)還有報錯：

  read.csv
  原因是文檔中包含有中文，文件編碼不匹配造成的，解決方法有在notepad++中將文件轉(zhuǎn)為utf-8編碼，再重新執(zhí)行語句，或者直接修改csv編碼格式為UTF-8。

• data_csv = read.csv("top250.csv", fileEncoding = 'GBK')
  但是后來發(fā)現(xiàn)改成這樣也可以，可能是因為：GBK包含全部中文字符；UTF-8則包含全世界所有國家需要用到的字符。
  具體可參考：

[1] 網(wǎng)絡(luò)編碼GB2312、GBK與UTF-8的區(qū)別 - 百度文庫 (baidu.com)

一些函數(shù)里的arguments這里不再展開，以后直接?打開help

1.2.2 讀取txt數(shù)據(jù) (read.table)

• data_txt = read.table("top250.txt", header = T, sep = "\t", fileEncoding = "GBK")
  保留第一行的變量名，用tab做分隔

1.2.3 讀取xlsx數(shù)據(jù) (read_xlsx)

需要先安裝包：(注意install時要用雙引號括起來，調(diào)用的時候好像不要求)

• install.packages("readxl")
• library(readxl)
• data_xlsx = read_xlsx("top250.xlsx", col_name = T)
  同樣也是用第一行做列名

還可以參考：
[2] R讀取txt、csv、xls和xlsx格式文件_華仔的逆襲的博客-CSDN博客_readtable讀取xlsx
[3] 方匡南的個人網(wǎng)站-關(guān)于R讀取文件的幾個常錯的問題 (kuangnanfang.com)

2 課堂內(nèi)容

2.1 匯總函數(shù)

• class(movie$score)：查看數(shù)據(jù)類型，其中dollar用來選取數(shù)據(jù)集中的變量
• head()：展示數(shù)據(jù)的前幾行，參數(shù) n = 3L代表只查看前三行
• summary()：匯總展示每個變量的結(jié)果(例如總長度、最大最小值、均值等)
• str()：緊湊地顯示R對象的內(nèi)部結(jié)構(gòu)，讓用戶快速預(yù)覽對象的內(nèi)容和結(jié)構(gòu)，比summary()多提供了關(guān)于行(觀察)和列(變量)的信息以及附加信息，如列的名稱、每列的類別以及每列的一些初始觀察
• dim()：返回數(shù)據(jù)的維數(shù)

2.2 基本數(shù)據(jù)類型

數(shù)值型
例如class(movie$score)將會得到結(jié)果[1]"numeric"
又或者可以令 a = 2; class(a) 也會得到[1]"numeric"

字符型
但如果令 a = "2"; class(a) 將得到[1] "character"

因子型
(1) factor定性變量：有若干個水平的取值

• movie￥type = factor(movie￥type)：將原來的type類型變?yōu)橐蜃有筒⑻娲瓉砟橇?這里因為連打兩個$會變成公式所以用￥暫代)

此時再class(movie$type)就變成了[1] "factor"，這個時候type不是無意義的char，而類似于分組中的標(biāo)簽？我們還可以

• table(movie$type)：得到不同type下分別有多少個

factor

因子的設(shè)計思想來源于統(tǒng)計學(xué)的名義變量，或稱為分類變量。 分類變量的值本質(zhì)上不是數(shù)字，而是對應(yīng)為分類/分組。 因子分為無序因子和有序因子。

因子的類別稱為level，結(jié)合level，因子在內(nèi)部被編碼為指向level的正整數(shù)序號。

factor

factor

(3) 因子型和字符型數(shù)據(jù)互相轉(zhuǎn)換

• as.factor()：將參數(shù)強制轉(zhuǎn)換為factor類型
  例如上圖中我們就可以改寫成 x = as.factor(x)

值得注意的是，as.factor()的參數(shù)僅為 x ，levels，exclude，ordered，nmax是factor而非as.factor的參數(shù)。因此，傳遞不使用的參數(shù)會給運行帶來錯誤。

此外與factor()有關(guān)的函數(shù)有：

• is.factor()：判斷數(shù)據(jù)是否為factor模式，并返回一個邏輯值TRUE或FALSE
• is.ordered()：判斷數(shù)據(jù)是否是有序的，并返回一個邏輯值TRUE或FALSE
• as.ordered()：按順序返回參數(shù)x

邏輯型
(1) 判斷TRUE/FALSE
movie￥type[movie￥name == "霸王別姬"] == "愛情"
(這里同樣是用￥代替了$，判斷電影名為霸王別姬的電影，類型是否為愛情片)
輸出 [1] TRUE

(2) 索引 [ 行索引，列索引]
如挑選 score > 9.5 的電影

• movie$score > 9.5：將得到一堆TRUE/FALSE，正確做法應(yīng)該是
• movie[movie$score > 9.5, ]：后面的逗號不能忘，否則報錯“選擇了未定義的列”
• movie[movie$score > 9.5, "nation"]：評分高于9.5的電影來自哪些國家
• movie[movie$score > 9.5, c("nation","type)]：同時篩選兩個或多個列

(3) 邏輯語句加減
如 (1 == 2) + (3 < 4) 將輸出 [1] 1

2.3 數(shù)據(jù)結(jié)構(gòu)

向量
(1) 創(chuàng)建

• c()
  • c(1,1,12,3)
  • c("a", "b", "c")
• seq(0, 10, by = 2)：生成0-10之間以2為間隔的等差數(shù)列
• 1: 10：生成1-10的連續(xù)數(shù)列

(2) 索引

• x = c(1,2,2,4,5); x[5]
• which(x == 4)：查看 x 向量中4所在的位置
• which.max(x)：返回第一個最大值所在的位置
• which.min(x)：返回第一個最小值所在的位置
• which(x==max(x))：返回所有最大值所在的位置

(3) 集合運算

• intersect(x, y)：求向量的交集
• union(x, y)：求向量的并集
• setdiff(x, y)：求向量的差集

(4) 數(shù)值型向量

• range(x)：求范圍(最小值，最大值)
• match(x, y)：輸出x y向量中相同元素的位置

• cut(x, breaks = , labels = )：將向量 x 按照breaks給出的區(qū)間劃分/離散化
  cut
• sort(x)：輸出向量x排序后的結(jié)果，不改變x原來的排序，逆序decreasing = T
• order(x)：輸出向量x中每個元素在順序或逆序排列時對應(yīng)的位置
• x[order(x)] == sort(x)

(5) 字符串向量

• nchar()：提取字符串的長度(英文中的空格也算)
• length()：元素的個數(shù)

• nchar("明天是晴天")
  輸出：5
• length("明天是晴天")
  輸出：1
  因為只有一個元素/一個字符串

• substr(“R語言學(xué)習(xí)筆記”, 1, 3)：提取子字符串，輸出R語言
• strsplit(x, split = ' ')：將字符串按照某種分割形式進行劃分，需要設(shè)定分隔符
• paste(...., collapse = , sep = " " )：將參數(shù)轉(zhuǎn)換為字符串并連接它們
  其中，...表示對象，可以有多個，中間用逗號隔開，
  sep：表示參數(shù)之間的分隔符，默認(rèn)為空格
  collapse：表示如果不指定值，那么函數(shù)paste的返回值是...的對象之間通過sep指定的分隔符連接后得到的一個字符型向量；如果為其制定了特定的值，那么自變量連接后的字符型向量會再被連接成一個字符串，之間通過collapse的值分隔

[4] R語言拼接字符串_paste的用法說明 / 張生榮 (zhangshengrong.com)

• grep()：負責(zé)搜索給定字符串對象中特定表達式，并返回其位置索引。grepl()函數(shù)與之類似，但其后面的”l”則意味著返回的將是邏輯值

• chartr(old, new, x)：字母替換，要求新舊長度一致

• sub(old, new, x)：替換第一個出現(xiàn)的字符串

• gsub(old, new, x)：替換全部old參數(shù)

a = 'I love you, do you love me?'

• (chartr = ('you', 'she', a))
  輸出'I lhve she, dh she lhve me?'
• (sub = ('you', 'she', a))
  輸出'I love she, do you love me?'
• (gsub('you', 'she', a))
  輸出'I love she, do she love me?’

• toupper(x)：全部替換為大寫
• tolower(x)：全部替換為小寫

矩陣
(1) 創(chuàng)建

• mat_a = matrix(1:12, nrow = 3, ncol = 4)：創(chuàng)建一個3x4的矩陣
  1:12沿列填充，可以用bycol = T改為沿行填充
• dig_0 = diag(1 : 4)
• dig_1 = diag(rep(1, 4))：生成一個對角全是1的矩陣
  • rep(x, time = , length.out = , each = ,)
    • x代表你要進行復(fù)制的對象，可以是一個向量也可以是一個因子
    • times代表復(fù)制的次數(shù)，對象是整個向量
    • length.out代表最終輸出向量的長度
    • each代表對向量中的每個元素進行復(fù)制的次數(shù)

(2) 基本的矩陣操作

• dim(mat_a)：查看矩陣的維度
  輸出 3 4
• nrow(mat_a)：提取矩陣的行數(shù)
  輸出 3
  -ncol(mat_a)：提取矩陣的列數(shù)
  輸出 4
• mat_a[1:2, 2:3]：提取1_{2行(1,2行)，2}3列(2,3列)
  給行列命名：
• colnames(mat_a) : paste("x_", 1:4)
• rownames(mat_a)：1:3
  調(diào)用行列名：
• colnames(mat_a)
• rownames(mat_a)
  將多個矩陣合并
• rbind(A, B)：在A下增加行，要求列數(shù)一致
• cbind(A, B)：在A右增加列，要求行數(shù)一致

(3) 矩陣的數(shù)學(xué)操作

• A + B：要求A、B大小一樣，矩陣元素一一對應(yīng)相加
• A - B：同上
• A * B：同上，點乘
• A %*% B：矩陣的乘法
• solve(mat_a)：求矩陣的逆
• eigen(mat_a)：求矩陣的特征值

數(shù)組

來自[5]

[5] R 數(shù)組 | 菜鳥教程 (runoob.com)

(1) 創(chuàng)建

• array(data = NA, dim = length(data), dimnames = NULL)

  • data：向量，數(shù)組元素
  • dim：數(shù)組的維度，默認(rèn)一維
  • dimnames：維度的名稱，必須是個列表，默認(rèn)情況下不設(shè)置名稱

• result = array(1:18, dim = c(3,3,2), dimnames = list(c("r1","r2","r3"),c("c1","c2","c3"),c("h1","h2")))

  • 創(chuàng)建兩個不同長度的向量
  • vector1 = c(5,9,3)
  • vector2 = c(10,11,12,13,14,15)
  • result = array(c(vector1, vector2), dim = c(3, 3, 2))將得到兩個一樣的(3, 3)矩陣

• result[1, 2, 2]：獲取單個元素

• result[1, , ]：獲取第一維度的數(shù)據(jù)

(2) 操作數(shù)組元素

• matrix1 = result[, , 1]：獲取數(shù)組中第1水平的矩陣
• matrix2 = result[, , 2]：獲取數(shù)組中第2水平的矩陣
• add = matrix1 + matrix2 ：矩陣相加

數(shù)據(jù)框
(1) 創(chuàng)建
讀入一個txt，csv等格式的數(shù)據(jù)，即自成一個數(shù)據(jù)框

• movie = read.csv("top250.csv", fileEncoding = "gbk", stringsAsFactors = F)
• class(movie)：輸出"data.frame"

或自己創(chuàng)建

• director <- c("陳凱歌", "宮崎駿", "李廷香","詹姆斯·卡梅隆", "劉鎮(zhèn)偉", "周星馳", "李安", "姜文", "張藝謀", "吳宇森","巖井俊二", "王家衛(wèi)", "陳可辛" )
• birthyear <- c(1952,1941,1964,1954,1952,1962,1954,1963,1950,1946,1963,1958,1962)
• gender <- c("男", "男", "女", "男", "男", "男", "男", "男", "男", "男", "男", "男", "男")
• directors <- data.frame(director, birthyear, gender); head(directors)
  不能用數(shù)字作為變量開頭，如果想用數(shù)字開頭怎么辦呢？
  
  真是把所有可能出現(xiàn)的錯誤都踩了一遍

(2) 變形--長寬表互換
需要install.packages("reshape2")
1 寬表變長表

• mLong = melt(mWide, id.vars = c("Name", "Type"), variable.name = "Year")

melt 是溶解/分解的意思， 即拆分?jǐn)?shù)據(jù)。
reshape/reshape2 的 melt 函數(shù)是個 S3 通用函數(shù)，它會根據(jù)數(shù)據(jù)類型（數(shù)據(jù)框，數(shù)組或列表）選擇 melt.data.frame, melt.array 或 melt.list 函數(shù)進行實際操作。

• melt(data, id.vars, measure.vars, variable.name = "variable", ..., na.rm = FALSE, value.name = "value")
  • data：所選的數(shù)據(jù)
  • id.vars：標(biāo)識變量，不想改變的數(shù)據(jù)列
  • measure.vars：度量變量，需要melt的數(shù)據(jù)，通常如果只制定了id.vars剩下的就是measure.vars，反之同理
  • variable.name：melt之后，新列變量的取名
  • value.name：melt之后，新列變量的對應(yīng)值的取名

[6] melt()函數(shù)的作用是什么？ - R語言論壇 - 經(jīng)管之家(原人大經(jīng)濟論壇) (pinggu.org)

插播一個輸出markdown格式的dataframe的方式

• install.packages("knitr")
• library(knitr)
• kable(mWide, format = "markdown")

2 長表變寬表

• dcast(mLong, Name + Type ~Year)
• dcast(data, formula, fun.aggregate)
  • data：所選的數(shù)據(jù)
  • formula：描述了想要的結(jié)果，其接受的公式形如：rowvar1 + rowvar2 + ... ~ colvar1 + colvar2 + ...;在這一公式中，rowvar1 + rowvar2 + ...定義了要劃掉的變量集合，以確定各行的內(nèi)容，而colvar1 + colvar2 + ...則定義了要劃掉的、確定各列內(nèi)容的變量集合。簡單來說就是：
    • ~左邊是保持不變的列名
    • ~右邊是需要擴展的列名
    • 省略的（value.name = "value"）是需要填充的數(shù)據(jù)
  • fun.aggregate是（可選的）數(shù)據(jù)整合函數(shù)，比如求均值等等

(3) dplyr

[7] R語言 | 數(shù)據(jù)操作dplyr包_鄧旭東HIT的博客-CSDN博客

列表
(1) 創(chuàng)建

(2) 基本操作

(3) 列表中的**ply函數(shù)