R语言数据管理之数据集取子集
在做任何数据分析的第一步，是根据个人需求创建数据集，存储数据的结构是多样的，包括向量，矩阵、数据框、因子以及列表等。其实，以上几个R语言的独特术语，在C 中也会经常用到，导致很多人都会误认为自己很熟悉了，然而在实际的应用中，却经常出现错误。最近在处理一波量大的数据，在运行程序的过程中，因为前期数据处理错误却出现各种bug，经过检查数据集发现是数据管理的问题，为了巩固R语言的基本数据管理，特地重新基础知识。
01
选取变量
#构建数据框
代码语言：javascript复制> PatientID<-c(1,2,3,4,5,6)
> Data<-c("03/20/20","03/21/20","03/22/20","03/23/20","03/24/20","03/25/20")
> Age<-c(18,25,26,35,48,50)
> Gender<-c("M","F","F","M","F","M")
> City<-c("福州","厦门","泉州","龙岩","漳州","三明")
> Pr1<-c("69","57","67","65","72","55")
> Pr2<-c("180","155","159","184","167","175")
> Pr3<-c("11","14","34","23","35","12")
> Pr4<-c("6","7","5","8","6","9")
> Pr5<-c("20","34","35","56","47","19")
> S1<-c(88,78,NA,56,45,60)
> S2<-c(67,87,45,25,NA,96)
> mydata<-data.frame(PatientID,Data,Age,Gender,City,Pr1,Pr2,Pr3,Pr4,Pr5,S1,S2)
> mydata
PatientID Data Age Gender City Pr1 Pr2 Pr3 Pr4 Pr5 S1 S2
1 1 03/20/20 18 M 福州 69 180 11 6 20 88 67
2 2 03/21/20 25 F 厦门 57 155 14 7 34 78 87
3 3 03/22/20 26 F 泉州 67 159 34 5 35 NA 45
4 4 03/23/20 35 M 龙岩 65 184 23 8 56 56 25
5 5 03/24/20 48 F 漳州 72 167 35 6 47 45 NA
6 6 03/25/20 50 M 三明 55 175 12 9 19 60 96#比如从mydata数据框中选择Pr1-5成为新的数据集
方法1
代码语言：javascript复制> newdata1<-mydata[,c(6:10)]#其中的“,”表示默认选择所有行
> newdata1
Pr1 Pr2 Pr3 Pr4 Pr5
1 69 180 11 6 20
2 57 155 14 7 34
3 67 159 34 5 35
4 65 184 23 8 56
5 72 167 35 6 47
6 55 175 12 9 19方法2
代码语言：javascript复制> newdata3<-paste("Pr",1:5,sep="")
> newdata3<-mydata[newdata3]
> newdata3
Pr1 Pr2 Pr3 Pr4 Pr5
1 69 180 11 6 20
2 57 155 14 7 34
3 67 159 34 5 35
4 65 184 23 8 56
5 72 167 35 6 47
6 55 175 12 9 19方法3
代码语言：javascript复制> newdata2<-c("Pr1","Pr2","Pr3","Pr4","Pr5")
> newdata2<-mydata[newdata2]
> newdata2
Pr1 Pr2 Pr3 Pr4 Pr5
1 69 180 11 6 20
2 57 155 14 7 34
3 67 159 34 5 35
4 65 184 23 8 56
5 72 167 35 6 47
6 55 175 12 9 1902
删除变量
#若某个变量出现缺失值，在进一步分析之前可能需要丢掉，以下集中方法可用上
方法1
代码语言：javascript复制> newdata4<-names(mydata)%in%c("Pr2","Pr4")#返回的是一个逻辑型向量，匹配"Pr2"和"Pr4"元素的值为TRUE,反之为FALSE
> newdata5<-mydata[!newdata4]#mydata[!newdata4]选择逻辑词为TRUE的列，“Pr2”与“Pr4”所在的FLASE的列被剔除。
> newdata5
PatientID Data Age Gender City Pr1 Pr3 Pr5 S1 S2
1 1 03/20/20 18 M 福州 69 11 20 88 67
2 2 03/21/20 25 F 厦门 57 14 34 78 87
3 3 03/22/20 26 F 泉州 67 34 35 NA 45
4 4 03/23/20 35 M 龙岩 65 23 56 56 25
5 5 03/24/20 48 F 漳州 72 35 47 45 NA
6 6 03/25/20 50 M 三明 55 12 19 60 96#分解方法1步骤加强理解
代码语言：javascript复制> names(mydata)#生成一个包含变量名的字符型向量
[1] "PatientID" "Data" "Age" "Gender" "City" "Pr1" "Pr2"
[8] "Pr3" "Pr4" "Pr5" "S1" "S2"
> newdata4
[1] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE TRUE FALSE FALSE FALSE
> !newdata4#这是将逻辑词进行反转，将TRUE转为FALSE，将FALSE转为TRUE
[1] TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE FALSE TRUE TRUE TRUE方法2
在知道Pr2和Pr4在第7个和第9个变量的情况下，可以使用以下语言删除：
代码语言：javascript复制> newdata6<-mydata[c(-7,-9)]
> newdata6
PatientID Data Age Gender City Pr1 Pr3 Pr5 S1 S2
1 1 03/20/20 18 M 福州 69 11 20 88 67
2 2 03/21/20 25 F 厦门 57 14 34 78 87
3 3 03/22/20 26 F 泉州 67 34 35 NA 45
4 4 03/23/20 35 M 龙岩 65 23 56 56 25
5 5 03/24/20 48 F 漳州 72 35 47 45 NA
6 6 03/25/20 50 M 三明 55 12 19 60 96方法3
代码语言：javascript复制> mydata$Pr2<-mydata$Pr4<-NULL
> mydata
PatientID Data Age Gender City Pr1 Pr3 Pr5 S1 S2
1 1 03/20/20 18 M 福州 69 11 20 88 67
2 2 03/21/20 25 F 厦门 57 14 34 78 87
3 3 03/22/20 26 F 泉州 67 34 35 NA 45
4 4 03/23/20 35 M 龙岩 65 23 56 56 25
5 5 03/24/20 48 F 漳州 72 35 47 45 NA
6 6 03/25/20 50 M 三明 55 12 19 60 9603
subset()函数
subset函数可能是选择变量和观测最简单的方法了。
方法1
#选择mydata中的Age大于等于30或Age小于等于25的行，保留变量Pr1到Pr5。
代码语言：javascript复制> newdata9<-subset(mydata,Age>=35|Age<25,aelect=c(Pr1,Pr2,Pr3,Pr4,Pr5))
> newdata9
PatientID Data Age Gender City Pr1 Pr3 Pr5 S1 S2
1 1 03/20/20 18 M 福州 69 11 20 88 67
4 4 03/23/20 35 M 龙岩 65 23 56 56 25
5 5 03/24/20 48 F 漳州 72 35 47 45 NA
6 6 03/25/20 50 M 三明 55 12 19 60 96方法2
#选60岁以上的男性，并保留变量Age到S1之间所有的列。
代码语言：javascript复制> newdata10<-subset(mydata,Gender=="M"&Age>25,select=Gender:S1)
> newdata10
Gender City Pr1 Pr3 Pr5 S1
4 M 龙岩 65 23 56 56
6 M 三明 55 12 19 6004
SQL语句
之前学过SQL结构化查询语句的人，如果能够将R语言中的sqldf包利用起来实为一件美事。
#安装和加载包
代码语言：javascript复制>install.packages("sqldf")
>library(sqldf)#构建数据
代码语言：javascript复制> PatientID<-c(1,2,3,4,5,6)
> Data<-c("03/20/20","03/21/20","03/22/20","03/23/20","03/24/20","03/25/20")
> Age<-c(18,50,26,25,48,35)
> Gender<-c(1,2,1,2,1,2)
> City<-c("福州","厦门","泉州","龙岩","漳州","三明")
> Pr1<-c("69","57","67","65","72","55")
> Pr2<-c("180","155","159","184","167","175")
> Pr3<-c("11","14","34","23","35","12")
> Pr4<-c("6","7","5","8","6","9")
> Pr5<-c("20","34","35","56","47","19")
> S1<-c(88,78,56,56,45,60)
> S2<-c(67,87,45,25,45,96)
> mydata1<-data.frame(PatientID,Data,Age,Gender,City,Pr1,Pr2,Pr3,Pr4,Pr5,S1,S2)
> mydata1
PatientID Data Age Gender City Pr1 Pr2 Pr3 Pr4 Pr5 S1 S2
1 1 03/20/20 18 1 福州 69 180 11 6 20 88 67
2 2 03/21/20 50 2 厦门 57 155 14 7 34 78 87
3 3 03/22/20 26 1 泉州 67 159 34 5 35 56 45
4 4 03/23/20 25 2 龙岩 65 184 23 8 56 56 25
5 5 03/24/20 48 1 漳州 72 167 35 6 47 45 45
6 6 03/25/20 35 2 三明 55 175 12 9 19 60 96>sqldf("select avg(Age) as avg_Age,avg(S1) as avg_S1,City from mydata1 where Gender in (1,2) group by City",row.names=TRUE)#这是指输出mydata1数据框中的性别为男和女的所在城市的年龄Age和S1的均值。
>avg_Age avg_S1 City
1 35 60 三明
2 50 78 厦门
3 26 56 泉州
4 48 45 漳州
5 18 88 福州
6 25 56 龙岩> newdata11<-sqldf("select*from mydata1 where Gender order by Age",row.names=TRUE)#是指从mydata1数据框中选择所有变量所在(列)，保留Gender所在的行，按照Age进行升序排列，row.names=TRUE将原始数据框中的行名延续到了新数据框newdata1中。
> newdata11
PatientID Data Age Gender City Pr1 Pr2 Pr3 Pr4 Pr5 S1 S2
1 1 03/20/20 18 1 福州 69 180 11 6 20 88 67
4 4 03/23/20 25 2 龙岩 65 184 23 8 56 56 25
3 3 03/22/20 26 1 泉州 67 159 34 5 35 56 45
6 6 03/25/20 35 2 三明 55 175 12 9 19 60 96
5 5 03/24/20 48 1 漳州 72 167 35 6 47 45 45
2 2 03/21/20 50 2 厦门 57 155 14 7 34 78 87
小结
R语言最大的优势是绘图，学R的初心就是为了绘制实验过程产生的数据图，然而随着深度学习，会发现，R语言的数据分析也很重要，常常会在绘制图形的过程中，因为数据框中存在格式不统一，字符或者缺失值等原因导致绘图失败。对于非数学专业又喜欢R语言的人来说，学R之路漫漫其修远，没有极客基因是不行的，打好基础是进阶的前提！
