R语言数据管理之变量
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(特别是小编),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,为巩固R语言的基本数据管理,特地重新学习基础知识。
01
创建新变量
#创建数据框
我们来创建一份关于某央企组织新员工的体检报告的数据框吧。
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(88,78,98,56,45,60)
> S2<-c(67,87,45,25,18,96)
> mydata<-data.frame(PatientID,Data,Age,Gender,City,Pr1,Pr2,Pr3,Pr4,Pr5,S1,S2)
#在数据框中添加一列S1和S2的求和结果-方法1
代码语言:javascript复制> attach(mydata)
> mydata$sumS<-S1 S2
> mydata
PatientID Data Age Gender City Pr1 Pr2 Pr3 Pr4 Pr5 S1 S2 sumS
1 1 03/20/20 18 M 福州 69 180 11 6 20 88 67 155
2 2 03/21/20 25 F 厦门 57 155 14 7 34 78 87 165
3 3 03/22/20 26 F 泉州 67 159 34 5 35 98 45 143
4 4 03/23/20 35 M 龙岩 65 184 23 8 56 56 25 81
5 5 03/24/20 48 F 漳州 72 167 35 6 47 45 18 63
6 6 03/25/20 50 M 三明 55 175 12 9 19 60 96 156
#在数据框中添加一列S1和S2的求和结果-方法2
代码语言:javascript复制> mydata$SumS<-mydata$S1 mydata$S2
> mydata$SumS<-mydata$S1 mydata$S2
> mydata
PatientID Data Age Gender City Pr1 Pr2 Pr3 Pr4 Pr5 S1 S2 sumS SumS
1 1 03/20/20 18 M 福州 69 180 11 6 20 88 67 155 155
2 2 03/21/20 25 F 厦门 57 155 14 7 34 78 87 165 165
3 3 03/22/20 26 F 泉州 67 159 34 5 35 98 45 143 143
4 4 03/23/20 35 M 龙岩 65 184 23 8 56 56 25 81 81
5 5 03/24/20 48 F 漳州 72 167 35 6 47 45 18 63 63
6 6 03/25/20 50 M 三明 55 175 12 9 19 60 96 156 156
#在数据框中添加一列S1和S2的求和与均值结果-方法3
代码语言:javascript复制> mydata<-transform(mydata,SumS=S1 S2,MeanS=(S1 S2)/2)
> mydata
PatientID Data Age Gender City Pr1 Pr2 Pr3 Pr4 Pr5 S1 S2 sumS SumS MeanS
1 1 03/20/20 18 M 福州 69 180 11 6 20 88 67 155 155 77.5
2 2 03/21/20 25 F 厦门 57 155 14 7 34 78 87 165 165 82.5
3 3 03/22/20 26 F 泉州 67 159 34 5 35 98 45 143 143 71.5
4 4 03/23/20 35 M 龙岩 65 184 23 8 56 56 25 81 81 40.5
5 5 03/24/20 48 F 漳州 72 167 35 6 47 45 18 63 63 31.5
6 6 03/25/20 50 M 三明 55 175 12 9 19 60 96 156 156 78.0
02
变量的重编码
变量的重新编码是指对一个或多个变量现有值进行修改,创建一个新值的过程。可以理解为将数据框中个别错误值进行修正,或者将一列或者一行的连续性的变量修改为一组类别值等。
#将mydata数据框中的Age这个连续型的变量重新编码,改为类别型的变量Age Class(比如Young,Middle Aged、Elder)
方法1
代码语言:javascript复制> mydata$AgeClass[mydata$Age>=45]<-"Elder"
> mydata$AgeClass[mydata$Age<=45&mydata$Age>=30]<-"Middle Aged"
> mydata$AgeClass[mydata$Age<=30]<-"Young"
> mydata
PatientID Data Age Gender City Pr1 Pr2 Pr3 Pr4 Pr5 S1 S2 sumS SumS MeanS AgeClass
1 1 03/20/20 18 M 福州 69 180 11 6 20 88 67 155 155 77.5 Young
2 2 03/21/20 25 F 厦门 57 155 14 7 34 78 87 165 165 82.5 Young
3 3 03/22/20 26 F 泉州 67 159 34 5 35 98 45 143 143 71.5 Young
4 4 03/23/20 35 M 龙岩 65 184 23 8 56 56 25 81 81 40.5 Middle Aged
5 5 03/24/20 48 F 漳州 72 167 35 6 47 45 18 63 63 31.5 Elder
6 6 03/25/20 50 M 三明 55 175 12 9 19 60 96 156 156 78.0 Elder
方法2
代码语言:javascript复制> mydata<-within(mydata,{
AgeClass[Age>=45]<-"Elder"
AgeClass[Age>=30&Age<=45]<-"Middle Aged"
AgeClass[Age<30]<-"Young"})
> mydata
PatientID Data Age Gender City Pr1 Pr2 Pr3 Pr4 Pr5 S1 S2 sumS SumS MeanS AgeClass
1 1 03/20/20 18 M 福州 69 180 11 6 20 88 67 155 155 77.5 Young
2 2 03/21/20 25 F 厦门 57 155 14 7 34 78 87 165 165 82.5 Young
3 3 03/22/20 26 F 泉州 67 159 34 5 35 98 45 143 143 71.5 Young
4 4 03/23/20 35 M 龙岩 65 184 23 8 56 56 25 81 81 40.5 Middle Aged
5 5 03/24/20 48 F 漳州 72 167 35 6 47 45 18 63 63 31.5 Elder
6 6 03/25/20 50 M 三明 55 175 12 9 19 60 96 156 156 78.0 Elder
03
变量的重命名
#将City修改为Location,Data修改成Examination date
方法1:rename()函数
代码语言:javascript复制> install.packages("reshape")
> library(reshape)
> mydata<-rename(mydata,c(City="Location",Data="Examination data"))
> mydata
PatientID Examination data Age Gender Location Pr1 Pr2 Pr3 Pr4 Pr5 S1 S2 sumS SumS MeanS
1 1 03/20/20 18 M 福州 69 180 11 6 20 88 67 155 155 77.5
2 2 03/21/20 25 F 厦门 57 155 14 7 34 78 87 165 165 82.5
3 3 03/22/20 26 F 泉州 67 159 34 5 35 98 45 143 143 71.5
4 4 03/23/20 35 M 龙岩 65 184 23 8 56 56 25 81 81 40.5
5 5 03/24/20 48 F 漳州 72 167 35 6 47 45 18 63 63 31.5
6 6 03/25/20 50 M 三明 55 175 12 9 19 60 96 156 156 78.0
AgeClass
1 Young
2 Young
3 Young
4 Middle Aged
5 Elder
6 Elder
方法2:names()函数
#将Data命名为Examination data,Pr1-5修改为Item1-5。
代码语言:javascript复制> names(mydata)[2]<-"Examination date"
> names(mydata)[7:11]<-c("Item1","Item2","Item3","Item4","Item5")
> mydata
PatientID Examination date Age Gender Location Pr1 Item1 Item2 Item3 Item4 Item5 S2 sumS
1 1 03/20/20 18 M 福州 69 180 11 6 20 88 67 155
2 2 03/21/20 25 F 厦门 57 155 14 7 34 78 87 165
3 3 03/22/20 26 F 泉州 67 159 34 5 35 98 45 143
4 4 03/23/20 35 M 龙岩 65 184 23 8 56 56 25 81
5 5 03/24/20 48 F 漳州 72 167 35 6 47 45 18 63
6 6 03/25/20 50 M 三明 55 175 12 9 19 60 96 156
SumS MeanS AgeClass
1 155 77.5 Young
2 165 82.5 Young
3 143 71.5 Young
4 81 40.5 Middle Aged
5 63 31.5 Elder
6 156 78.0 Elder
小结
R语言最大的优势是绘图,学R的初衷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,常常在绘制图形的过程中,因为数据框存在格式不统一,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!