数据分析系列-R-数据

引言

上次做了R的介绍和安装点击这里直达，主要介绍了在各个不同的系统中怎么安装R软件，还基础的介绍了怎么使用R，今天探讨下R的数据相关的知识。

R的对象

R中的所有对象都建立在一组基本的内嵌对象之上的，对象的类决定了其在R中的存储方式，同时R的对象也都属于某个类，而R提供了一组面向对象编程的机制。这段话我也没懂!

R的基本对象类型

R有如下的基本对象类型：

• 基本向量
• 复合对象
• 特殊对象
• R语言（即R代码）
• 函数
• 内置对象
• 字节码对象

以下简单介绍以下R的常用的对象。

向量

向量是R中最基本的对象，也是最常用的存储数据的对象。特别的，向量中的元素都会被转成同样的数据类型，也就是说向量的元素都是同种类的数据。R有多种创建向量的方法，其中最常见的是c函数：

> v <- c(1,2,3,4)
> v
[1] 1 2 3 4

另外，我们可以使用操作符:生成向量:

> 1:10
 [1]  1  2  3  4  5  6  7  8  9 10

另外一个更加灵活的是seq函数方式：

> seq(from=1, to=10, by=2)
[1] 1 3 5 7 9

其中by参数理解为步长，表示生成从1到10步长为2的向量。seq还有其它很多种用法来生成序列，可以使用help('seq')来查看帮助文档。

逻辑向量

这里特别说明下逻辑向量，R是允许操作逻辑向量的。其中逻辑向量的元素可以被赋予的值有TRUE,FALSE和NA,我们可以试试下面的语句:

> v
[1] 1 2 3 4
> m <- v > 2.5
> m
[1] FALSE FALSE  TRUE  TRUE
> class(m)
[1] "logical"

其中v是第一个代码创建的向量。而m就是我们通过逻辑运算符$\lt、\leq、\gt、\geq$来判断生成的一个向量。

矩阵

矩阵也是R中常用的对象类型，矩阵可以看成多个带有下标类型的的元素集合，和数学中的矩阵类似，一般我们可以把其中某个元素表示为$a_{ij}$，更通用的可视化的矩阵如下:
$$
\begin{equation}
A_{i \times j} =
\begin{bmatrix}
a_{11} & a_{12} & a_{13} & \cdots & a_{16} \
a_{21} & a_{22} & a_{23} & \cdots & a_{26} \
\vdots & \vdots & \vdots & \ddots & \vdots \
a_{i1} & a_{i2} & a_{i3} & \cdots & a_{ij}
\end{bmatrix}
\end{equation}
$$

在R中生成矩阵的函数为matrix:

> m <- matrix(c(1:12),c(3,4))
> m
     [,1] [,2] [,3] [,4]
[1,]    1    4    7   10
[2,]    2    5    8   11
[3,]    3    6    9   12

可以看到我们用matrix函数将向量c(1:12)构建成了一个$3 \times 4$的矩阵，并且矩阵的填充是按照列填充的，如果我们想按照行填充命令如下：

> m <- matrix(c(1:12),c(3,4),byrow = TRUE)
> m
     [,1] [,2] [,3] [,4]
[1,]    1    2    3    4
[2,]    5    6    7    8
[3,]    9   10   11   12

我们这里会看到矩阵m的长度是等于$i \times j$的：

> t <- matrix(c(1:1500),c(30,50))
> length(t)
[1] 1500

所以创建矩阵时要注意矩阵的长度，否则会产生错误。

因子

因子为处理分类数据提供了一种非常有效的方法，因子是一个对等长的的其它向量进行分组的向量对象。R同时提供了有序和无序因子。我们先看一个例子：

> t <- c(1,2,5,2,5,2,4,3,1,2)
> factor(t)
 [1] 1 2 5 2 5 2 4 3 1 2
Levels: 1 2 3 4 5

首先因子是一个向量，其次因子有个不同的参数就是Levels，这个实际上是向量t中所有的元素去重（unique）后的值，举一个因子的使用：

# 假设有若干省的人的提供样本体重数据
# state表示包含数据的省份
state <- c("上海", "山西", "浙江", "四川", "四川", 
           "广东", "湖南", "湖南", "浙江", "河南", 
           "四川", "河南", "浙江", "浙江", "山西", 
           "上海", "山西", "广东", "湖南", "河南",
           "浙江", "四川", "四川", "湖南", "山西", 
           "江苏", "四川", "河南", "河南", "江苏")

# weight表示对应的省的样本体重数据不含小数
weight <- c(60, 49, 40, 61, 64, 
             60, 59, 54, 62, 69, 
             70, 42, 56, 61, 61, 
             61, 58, 51, 48, 65, 
             49, 49, 41, 48, 52, 
             46, 59, 46, 58, 43)

# 获取省份的样本的因子水平
fs <- factor(state)

# 计算每个省份样本的平均体重
average_weight <- tapply(weight, fs, mean)

计算的结果如下：

> average_weight
    广东     河南     湖南     江苏     山西     上海     四川     浙江 
55.50000 56.00000 52.25000 44.50000 55.00000 60.50000 57.33333 53.60000 

列表

列表是一种泛化的向量（没错它又是向量的变种），但它和向量不同就是列表不要求元素都是同一类型，列表也是有序集合构成的对象，它包含的对象我们又可以成为分量:

Lst <- list(name="阿三", wife="查无此人", 
            no.children=3, child.ages=c(4,7,9))

# 没搞懂老婆都查无此人了怎么还有孩子？手动大笑

其中，列表的分量是可以包含不同的模式或者类型，如一个列表可以包括数值向量、逻辑向量、矩阵、复向量、函数、······，简直是来者不拒。而且分量会被编号，所以可以通过编号来访问分量：

# 比如想访问阿三可以这样
> Lst[[1]]
[1] "阿三"

# 也可以这样
> Lst$name
[1] "阿三"

# 如果想知道阿三第二个孩子的年龄我们可以这样
> Lst[[4]][2]
[1] 7

# 还可以这样
> Lst$child.ages[2]
[1] 7

# 再来一个彩蛋:定义一个函数，输入阿三的第几个孩子返回一段话
f <- function(i)  paste("我有个朋友叫",Lst$name,",他的老婆",Lst$wife,",但是他居然有",Lst$no.children,"个孩子,而且第",i,"个孩子",if (Lst$child.ages[i] >= 15) "不仅可以读书还可以喝酒了" else if(Lst$child.ages[i] < 15 && Lst$child.ages[i] >= 6) "正在苦逼的读书吧" else "或许能在幼儿园找个女朋友?" 
                        ,sep="")

# 运行结果
> f(1)
[1] "我有个朋友叫阿三,他的老婆查无此人,但是他居然有3个孩子,而且第1个孩子或许能在幼儿园找个女朋友?"
> f(2)
[1] "我有个朋友叫阿三,他的老婆查无此人,但是他居然有3个孩子,而且第2个孩子正在苦逼的读书吧"
> f(3)
[1] "我有个朋友叫阿三,他的老婆查无此人,但是他居然有3个孩子,而且第3个孩子不仅可以读书还可以喝酒了"

# 我到底在玩什么啊！！！！！

数据框

数据框也是R常用的数据对象，数据框是和矩阵类似的一种结构，在数据框中，不同的列是可以为不同的对象。一般可以使用data.frame函数来创建数据框对象：

# 我们沿用因子中的数据即省份的体重样本数据来构建数据框
> weight_by_state <- data.frame('省份'=state,'体重'=weight)

如果有符合数据框限制的列表可以直接使用as.data.frame()函数转换为数据框，从外部环境读取数据使用read.table()和read.csv均可以创建数据框。

一般数据框有如下的限制条件：

• 分量必须是向量（数值、字符、逻辑），因子，数值矩阵，列表或其它数据框
• 矩阵，列表和数据框为新的数据框提供了尽可能多的变量，因为它们各自拥有列，元素或者变量
• 数值向量，逻辑值，因子保持原有格式，而字符向量会被强制转换成因子
• 在数据框中以变量形式出现的向量结构必须长度一致，矩阵结构必须有一样的行数

数组

最后一个介绍的是数组（其余的类型用的较少就不再介绍），数组是数组可以看作是带有多个下标类型相同的元素集合:

> z <- 1:1500
> dim(z) <- c(3,5,100)

通过对dim属性的赋值（赋值的是维度向量），这样就将向量z成为了一个$3 \times 5 \times 100$的数组。所以z的1500个元素，元素的下标可以从1一直标记到对应元素的值。

除了dim()函数创建数组，更通用的可以使用array()函数创建数组：

> s <- array(1:1500,c(3,5,100))
> class(s)
[1] "array"

对象的模式和属性

对象的模式mode是指是该对象基本要素的类型，这是专门用来描述一个对 象特征的术语。另外还有一个所有对象都有的特征是长度length，如果你想知道一个对象更详细的特征可以使用attributes函数来获取：

> attributes(s)
$dim
[1]   3   5 100

我们把模式和长度称为对象的内在属性。而且对象的模式和长度属性是可以改变的。

今天在坐火车，就写到这里吧，后面会有继续的内容。结束