R提高篇(三): 數據管理一_ZenDei技術網路在線

目錄：創建新變數變數重編碼日期值數據排序數據集合併數據子集隨機取樣創建新變數算術運算函數：x%%y 【求餘 x mod y, 5%%2的結果為1】， x%/%y 【整數除法，5% / %2 結果為2】， ^或 ** 求冪如下示例數據，在對象中增加平均、合計變數（場景不大合適，主要 ...

目錄：

創建新變數
變數重編碼
日期值
數據排序
數據集合併
數據子集
隨機取樣

創建新變數

算術運算函數：x%%y 【求餘 x mod y, 5%%2的結果為1】， x%/%y 【整數除法，5% / %2 結果為2】， ^或 ** 求冪
如下示例數據，在對象中增加平均、合計變數（場景不大合適，主要為了說明問題）

有多種方式來實現新增變數的處理，推薦使用 transform 示例代碼如下：

> mydata <- transform(mydata,avg = (age + weight)/2 , total = age + weight)
> mydata
  name age weight   avg total
1 張三  32     42  37.0    74
2 李四  45     56  50.5   101
3 王五  25    120  72.5   145
4 趙六  39    120  79.5   159
5 老二 199    180 189.5   379

變數重編碼

變數重編碼涉及根據現有變數的值創建新值的過程，如下圖，按客戶年齡分為青年、中年、老年進行統計

上圖中，199明顯是異常數據，在進行轉換前必須將此賦為缺失值，語法為：

> mydata$age[mydata$age == 199] <- NA
> mydata
  name age weight
1 張三  32     42
2 李四  45     56
3 王五  25    120
4 趙六  39    120
5 老二  NA    180

變數重編碼，示例代碼如下：

> mydata <- within(mydata,{
+                  agecat <- NA
+                  agecat[age >= 45] <- "Elder"
+                  agecat[age > 25 & age < 45] <- "Middle Aged"
+                  agecat[age <= 25] <- "Young"})
> mydata
  name age weight      agecat
1 張三  32     42 Middle Aged
2 李四  45     56       Elder
3 王五  25    120       Young
4 趙六  39    120 Middle Aged
5 老二  NA    180        <NA>

註意：

with() 與 within() 函數功能類似，不同點在於它允許你修改數據框
或（|）與並（&）單字元表示與C#語法不一樣
上圖第5行數據包含缺失值，含用缺失值的算術表達式和函數的計算結果也是缺失值，通過na.omit()函數可刪除帶缺失值的行
大多數函數都擁有na.rm = TRUE選項，可在計算前移除缺失值並使用剩餘的值進行計算，如下
```
> sum(mydata$age)
[1] NA
> sum(mydata$age,na.rm = TRUE)
[1] 141
```

日期值

日期值預設輸入格式為：yyyy-mm-dd, R中通常以字元輸入，通過as.Date()函數進行轉換，輸入格式如下：

1. %y 兩位數的年份如： 07
2. %Y 四位數的年份如： 2007
3. %a 縮寫的星期名如： Mon
4. %A 星期名如： Monday
5. %b 縮寫的月份如： Jan
6. %B 月份如： January
7. %m 月份(00-12)
8. %d 日期（00-31)

sys.Date(): 返回當天的日期
date(): 返回當前的日期和時間
difftime(): 計算時間間隔，語法：difftime(time1, time2, units = c("auto", "secs", "mins", "hours","days", "weeks"))
註意：R內部最小日期 1970.01.01

示例如下：

> t <- Sys.time();t                      #獲取當前時間
[1] "2016-10-11 17:43:27 CST"
> as.POSIXlt(t-24*60*60)                 #獲取一天前的日期
[1] "2016-10-10 17:43:27 CST"
> l <- unclass(t);l                      #長整形的數據自1970-01-01年開始
[1] 1476179008
> as.POSIXct(l,origin = "1970-01-01")    #將長整形的數據轉換為日期型數據
[1] "2016-10-11 17:43:27 CST"
> format(t,format="%Y-%m-%d %H:%M:%S")   #自定義時間格式
[1] "2016-10-11 17:43:27"
> dob<-as.Date("2016-10-01")  
> difftime(t,dob,units = "days")         #計算時間差
Time difference of 10.40518 days

數據排序

order()函數可對一個數據框排序，預設是升序，在變數前加減號可得到降序的排序效果

上例按年齡升序、體重降序排列代碼示例：

> with(mydata,{
+   orderData <<- mydata[order(age,-weight),]  
+ })
> orderData
  name age weight   avg total
3 王五  25    120  72.5   145
1 張三  32     42  37.0    74
4 趙六  39    120  79.5   159
2 李四  45     56  50.5   101
5 老二 199    180 189.5   379

數據集合併

merge(): 通過一個或多個共有變數橫向合半兩個數據框（即一種內聯結，inner join）
語法： total <- merge(dataframeA, dataframeB,by=c("ID","country")) #按ID和country進行合併
按下麵各科成績數據與第一小節人員信息數據集合併示例

示例代碼：

> merge(m1,score,by=c("name"))
  name age weight  yw  sx  yy
1 老二 199    180 100 100 100
2 李四  45     56  80  87  76
3 王五  25    120 100  98  87
4 張三  32     42  90  80 100
5 趙六  39    120  94  92  90

cbind(): 直接橫向合併兩個數據框，不需要指定公共索引時使用，要求：每個對象擁有相同的數據行數和排序順序

示例代碼：

> cbind(m1,score)
  name age weight name  yw  sx  yy
1 張三  32     42 張三  90  80 100
2 李四  45     56 李四  80  87  76
3 王五  25    120 王五 100  98  87
4 趙六  39    120 趙六  94  92  90
5 老二 199    180 老二 100 100 100

rbind(): 縱向合併兩個數據框（兩個數據框必須擁有相同的變數名，順序不必一定相同），示例如下：

> m2 <- data.frame(name=m1$name,yw=m1$age,sx=m1$weight,yy=m1$weight%%m1$age)
> rbind(m2,score)
   name  yw  sx  yy
1  張三  32  42  10
2  李四  45  56  11
3  王五  25 120  20
4  趙六  39 120   3
5  老二 199 180 180
6  張三  90  80 100
7  李四  80  87  76
8  王五 100  98  87
9  趙六  94  92  90
10 老二 100 100 100

數據集取子集

以上一節 cbind(m1,score) 合併後的數據集為例，取1、2、6、7 列數據，實現方式如下：

方式一：保留變數

> x <- cbind(m1,score);x
  name age weight test name  yw  sx  yy
1 張三  32     42   10 張三  90  80 100
2 李四  45     56   11 李四  80  87  76
3 王五  25    120   20 王五 100  98  87
4 趙六  39    120    3 趙六  94  92  90
5 老二 199    180  180 老二 100 100 100
> y <- x[,c(1,2,5,6)];y
  name age name.1  yw
1 張三  32   張三  90
2 李四  45   李四  80
3 王五  25   王五 100
4 趙六  39   趙六  94
5 老二 199   老二 100

方式二：剔除變數（在某一列的前面加負號就會剔除某列）

> z <- x[,c(-3,-4,-5,-8)];z
  name age  yw  sx
1 張三  32  90  80
2 李四  45  80  87
3 王五  25 100  98
4 趙六  39  94  92
5 老二 199 100 100

方式三：賦NULL值，註意：NULL 與 NA是不同的

> x$weight <- x$test <- x[,5] <- x$yy <- NULL
> x
  name age  yw  sx
1 張三  32  90  80
2 李四  45  80  87
3 王五  25 100  98
4 趙六  39  94  92
5 老二 199 100 100

方式四：subset()取子集

> x1 <- cbind(m1,score);x1
  name age weight name  yw  sx  yy
1 張三  32     42 張三  90  80 100
2 李四  45     56 李四  80  87  76
3 王五  25    120 王五 100  98  87
4 趙六  39    120 趙六  94  92  90
5 老二 199    180 老二 100 100 100
>  subset(x1,age>=25 & age < 50,select = c("name","age","yw","sx"))
  name age  yw sx
1 張三  32  90 80
2 李四  45  80 87
3 王五  25 100 98
4 趙六  39  94 92

方法五: sqldf()函數使用sql語句對數據框進行操作，需安裝 sqldf 包，語法： install.packages("sqldf")

> x1 <- merge(m1,score,by=c("name"));x1
  name age weight  yw  sx  yy
1 老二 199    180 100 100 100
2 李四  45     56  80  87  76
3 王五  25    120 100  98  87
4 張三  32     42  90  80 100
5 趙六  39    120  94  92  90
>  library(sqldf)
>  sqldf("select name,age,yw,sx,yy from x1 where age >=25 and age < 35 order by age")
  name age  yw sx  yy
1 王五  25 100 98  87
2 張三  32  90 80 100

隨機取樣

sample(): 從大資料庫中隨機抽取大小為n的樣本，在數據挖掘和機器學習領域，抽樣是常見的做法
replace 參數控制抽取數據有放回或無放回

示例：從上例x1 對象中隨機無放回取2份樣本

> y1 <- x1[sample(1:nrow(x1),size = 2,replace = FALSE),]
> y1
  name age weight yw sx yy
2 李四  45     56 80 87 76
5 趙六  39    120 94 92 90
> y1 <- x1[sample(1:nrow(x1),size = 2,replace = FALSE),]
> y1
  name age weight  yw  sx  yy
1 老二 199    180 100 100 100
3 王五  25    120 100  98  87