R数据处理|基础篇（一）

先用几个问题检验一下你是否需要看这篇文章

• 高效处理数据R包 dplyr

• 提取数据到底有哪些方法

• 使用 $ 提取数据模糊匹配

• 数据框提取数据时，有时候得到的是数据框，有时候是向量，这种数据自动降维是怎么回事

• 管道操作函数
  
  

在使用R做数据分析的一个完整的过程包括数据的获取，数据的前期处理，之后才是使用“整齐”的数据来套用模型得出结论。本专题旨在系统地讲述使用R语言完成前期的数据处理，英文叫tidy data，将“脏”数据洗干净。比如处理掉一些会影响结果准确度的数据，提取出我们想要的内容，或将整个数据集或多个数据集融合、改变成我们想要的形式。这个过程往往是数据处理上最繁荣琐碎的过程，可能在这里耗费的时间要过多真正 fit model 所需要的时间。

除了通用的处理之外，本专题还会专门针对缺失值处理、时间处理、读写数据等方面，单独进行介绍。

在数据处理上，R语言本身自带这一些操作方法，但是有三个主要的缺陷

• 用法不够简洁易记

• 在处理大量数据时，速度太慢

• 完成有些需求过于麻烦，或者无法达成。
  

但是这是R的开源好处就体现出来了，用户开发了几个高效处理数据的R包，它们不仅提高了运行速度，而且代码简明易记，如果熟练掌握，可以成为处理数据的一大利器。

主要的大数据处理包可以分为两个派别

• 一个是大神Hadley的一系列数据处理包，主要有reshape2 dplyr tidyr 包(虽然Hadley最出名的不是这些，而是ggplot2绘图包，但是这些包在数据分析上也都是首屈一指的)。

• 另一个是data.table包。

本专题讲述时，将前者和R自带基础函数一起讲述，data.table包会单独开出一个部分来讲。

本文使用R语言进行数据处理，不仅包括R自带的函数，而且包括其他高效处理数据的R包。这个部分共两篇文章，使用基础函数和Hadley写的一系列数据处理包，来完成整个数据处理的基本需求。

本文目录如下

• 数据框建立

• 提取

• 根据坐标和行列名提取单个数值

• 提取整行或整列

• 根据逻辑值判断提取

• 提取的衍生物（为什么这么说会在后面介绍）

• 修改

• 排序

• 删除

• 插入

• 增添

载入R包

本文只需要使用dplyr包

library(dplyr) # 高速处理数据，取代R自带的一些函数，代码简单易记

数据框建立

# 数据框建立
name1 <- c("Bob","Mary","Jane","Kim")
name2 <- c("Bob","Mary","Kim","Jane")
weight <- c(60,65,45,55)
height <- c(170,165,140,135)
birth <- c("1990-1","1980-2","1995-5","1996-4")
accept <- c("no","ok","ok","no")

df1 <- data.frame(name1,weight,height)
rownames(df1) <- letters[1:4] # 赋予行名
df2 <- data.frame(name2,birth,accept)

上面是通过建立向量再组合来创建数据框，日常使用中还有两种常见获得数据框的方法

• 用as.data.frame(a) 这个函数将矩阵转换成数据框

• 通过读取文件来获得数据框

提取

提取看起来简单，但是方法却多而杂乱，在这里我将做一个总结

从大方向上来看是分为三个角度

• 根据坐标位置来提取

• 根据行名列名来提取

• 使用逻辑值判断提取

一二两种放在一起说，都是使用[ ]实现提取，[ ]中的内容分为以下5种

• [ ]中放两个维度的坐标、或者行名和列名，提取单个点或多个点

• [ ]中放一个两列的矩阵，可以把每行看成一个坐标x y，用于提取多个点，点的个数和矩阵的行数相等

• 两个维度中只指定一个维度（两个参数中有一个是空着的，即逗号一边什么都不加），提取行或列

• 只有一位维度，即[ ]中只有一个数或者列名，提取列（提取列比行多这种方法）

• 使用$指定列名提取列（这也是提取列多出来的方法）

下面有这几种提取方法的实例，看完实例，我会拓展一些更深层次的数据结构。

# 通过[]选择坐标,确定点
df1[2,3]
# 使用向量确定多个点
df1[c(2,4),c(1,3)]

# 通过[]选择行列名
df1["a","weight"]
df1["a",2] # 混搭

# 通过矩阵提取多个点，一列指定行，一列指定列
df1[cbind(c(1,2,1),3:1)]
df1[cbind(c("a","b"), c("weight","height"))]

# 通过[]少选择一个维度，整行整列地选择（这是比选择行多的一种方法）
df1[2,] # 取行
df1[,3] # 取列
df1[c(2,3),] # 取多行
df1[,c(2,3)] # 取多列
df1["a",]
df1[,"weight"]

df1[3] # 只接一个数字，选择列
df1[c(2,3)] # 使用向量则选择多列

df1$weight # 通过$选择列名名字来选择列
# 列名放在[]中选取列
df1["weight"]
df1[c("weight","height")] # 使用向量选择多列

select(df2,accept)  # dplyr包中函数，等价于 df2$accept

在选择行和列上有必要进一步说明，关于取出来的仍是数据框还是向量的问题

这是提取数据是否同时进行降维的问题。即使是只有一列的数据框，它仍是二维的，只有变成向量才算是一维的。上面涉及到的多种提取行列的方法，默认得到的结果是数据框还是向量是不一样的，但是二者之间是有办法相互转化的。

# 取行和取列默认不一样
class(df1[,3]) # "numeric"
class(df1[2,]) # "data.frame"
# 另外三种
class(df1[3]) # "data.frame"
class(df1["weight"]) # "data.frame"
class(df1$weight) # "numeric"

上面输出的两种结果中

• numeric代表这样提取得到的是一个向量

• data.frame代表这样提取得到的仍是一个数据框

对于取两个坐标[ ]的方法来说，drop参数可以调整输出结果

# drop=T是降维的意思
class(df1[,3,drop=F]) # "data.frame"
class(df1[2,,drop=T]) # "list"
# 取行用drop也不能转化为向量，那就用unlist
class(unlist(df1[2,])) # "numeric"

对于只接受一个维度参数的方法来说[[ ]]相当于$，可以实现降维

class(df1[["weight"]]) # "numeric"
class(df1[[2]]) # "numeric"

# 注意：[[]]不能作用到选取多列的情况上，因为多列谈不上降维
df1[[c("weight","height")]] # 报错
df1[[1:3]] # 报错

其他方面
1.关于[[ ]]和$等关于降维方面的使用，读者可以自行在list和matrix上试。使用下面一条命令查看帮助文档

help(`[`) # R语言一切都是函数

2.模糊匹配

df1$wei # 前面匹配就可以选出那一列
# 但是必须是唯一匹配
df1$weig <- 1:4 # 新增加一列weig
df1$wei # 匹配出两个都满足（weigth和weig），则返回NULL

是否支持模糊匹配也可以用参数exact调整

df1[["hei"]] # 默认不支持模糊匹配
df1[["hei",exact=F]] # 支持

df1["hei"]; df1["hei",exact=F] # 单个[]加了也不支持

模糊匹配在函数参数使用上也有体现

seq(1,10,length.out=10)
seq(1,10,len=10)

3.如果指定的数字不是整数，会自动向下取整

(i <- 3.999999999) # 返回4，因为当前保留的位数不够
# 如果想要改变保留位数，可以用options(digits = 10)修改
# 不过内存中存储的还是3.999999999
(1:5)[i]  # 3

通过逻辑值判断选取

# 通过判断语句
df2[df2$accept=="no"|name2=="Bob",]
subset(df2,accept=="no") # R自带提取函数
filter(df2,accept=="no"|name2=="Bob") # dplyr包提取函数

上面这种通过判断来选取的方式，有一个背后的原理，我们拿[]来说，这是通过逻辑值向量进行的选取

df2$accept=="no"|name2=="Bob"
# TRUE FALSE FALSE  TRUE
# 先生成等长的逻辑向量，放在行的位置
# 列不写代表所有列都要
# 而只有对应TRUE的行才会被提取出来
df2[df2$accept=="no"|name2=="Bob",]
# 相当于
df2[c(T,F,F,T),]

知道了这个原理之后，我们就可以更加灵活地提取数据，因为[ ]中放置的不一定必须是本数据框中的变量，只要是等长逻辑值向量就可以了（注意最后的逗号不要忘记写就好）

df2[df1$weight>50,]

提取衍生物

我们使用过程中可能涉及到的，修改数据框，按照行或列进行排序，删除某行某列，插入某行某列。这些如果都单独来学，会感觉命令非常多、非常乱，但如果看成是提取的衍生物，则不需要花多少精力就能掌握。因为这些其实都是使用了提取的方法，只是各自加入了自己的原理，就包装成了另外一种东西。我们一项一项来看：

修改

这里修改数据框其实只是把需要修改的地方用提取的方法提取出来，再赋个值,就实现了对原数据框的更改，基本上没有什么新东西。

df1[2,3] <- 160;df1
df2$accept[df2$accept=="ok"] <- "yes"
df2 # 数据框发生了改变

我们会发现，这里每次使用数据框中的一列时，都要使用$，非常麻烦，可以使用within函数避免这样的麻烦

df2 <- data.frame(name2,birth,accept,stringsAsFactors=F)
within(df2,{accept[accept=="ok"]<-"yes"
      name2[name2=="Bob"]<-"BOB"})

当其他时候使用数据框中的列进行计算时，如果不想用$，可以使用attach函数

df2 <- data.frame(name2,birth,accept,stringsAsFactors=F)
attach(df2)
2*weight
detach(df2)

用这种方法一定要注意最后detach，否则会搞乱命名空间，由于容易忘记，一般不推荐这种方法，我们还可以使用with函数

with(df2,{a <- weight*2
          a^3})

删除

不想要哪行，就在哪行用负数，其实相当于提取了其他行，组成了一个新的数据框。根据这个原理，使用逻辑值向量也可以实现删除行列。

df1[-c(2,3),]
df1[,c(T,F,T)]

排序

R语言使用基础函数处理向量、数据框等，都不能直接对其本身修改，无论是改变一个值，还是排序，删除某一列，得到的都不再是原来的数据框了。所以排序其实就是一个按顺序提取的过程。

R中自带的方法是使用order函数，生成大小顺序的索引

df1_order_row <- df1[order(df1$weight),]
# 我们可以拆分来看
order(df1$weight) # 3 4 1 2
# 上面的结果意味着第三个是最小的，最先被提取出来，放在第一行，接下来是第4个第二小……

# 先按体重，再按身高排序（当体重一样时）
df1_order_row <- df1[order(c(df1$weight,df1$height)),]

# 按照列名对列排序也是一样
df1_order_col <- df1[,order(colnames(df1))]

# 使用dplyr包对行更方便、高效地处理
arrange(df1,weight,height)

插入

由于上面说 49 30855 49 15290 0 0 1170 0 0:00:26 0:00:13 0:00:13 3600的特性，R语言没有办法在原有向量或数据框中插入内容，唯一的方法就是按照要插入的位置，将数据框分开，即提取出dfa和dfb，再用二者和要加入的内容拼接。这种方法非常繁琐，尤其是当要在很多地方插入的情况下，本人目前没有找到更好的方法，如果读者有好的方法可以在评论区留言。

下一节，我们会介绍以下内容

• 数据框合并

• 拼接合并

• merge合并

• 计算并增加行列

• 汇总计算

• 分组计算

• 融合重铸

• 融合重铸的应用

• 拆分合并列

---

参考资料

1.想要快速入门dplyr包，可以看网上的教程，都大同小异，很多都是转载的同一篇，这里随便贴一个 http://blog.163.com/zzz216@yeah/blog/static/16255468420147179438149/

2.一般看完上面的这种教程，就能处理大部分问题了，如果想更系统地了解这个包（dplyr），可以看一看官方帮助文档。说实话，有很多特别好的功能都不为人所知。

---

专栏信息

专栏主页：Data Analysis https://zhuanlan.zhihu.com/Data-AnalysisR专栏目录：目录  https://zhuanlan.zhihu.com/p/25780082

---

文末彩蛋

这次讲管道操作，一种数据处理中非常便捷的使用方法，主要基于 magrittr 包，里面有如下几个函数

%>%  %T>%  %$%  %<>%

最常用的是第一个 %>% ，如果你载入Hadley的包，就自动可以使用这个函数，不用另外加载magrittr包，如果想了解其他函数再载入这个包，查看文档来学习，或者看这里链接 http://blog.fens.me/r-magrittr/

管道操作除了这个包，还有 pipeR 包，这是另外一个系统，有兴趣的可以去学一下，这里简要介绍一下 %>% 函数

library(dplyr)
name2 <- c("Bob","Mary","Kim","Jane")
weight <- c(60,65,45,55)
height <- c(170,165,140,135)
accept <- c("no","ok","ok","no")
df <- data.frame(name2,weight,height,accept)
# 下面两个操作等价
select(df,weight:accept)
df %>% select(weight:accept)

所以 %>% 的作用在于把前面的内容放到后面函数中，作为第一个参数。使用这个符号的好处有

• 使代码更加易读
  

• 减少中间变量

我们可以对比一下操作

df %>% select(starts_with("w")) %>% `*`(2) %>% 
  unlist() %>% matrix(nrow=2) %>% colMeans() %>% plot()

plot(colMeans(matrix(unlist(2*select(df,starts_with("w"))),
       nrow=2)))

w <- select(df,starts_with("w"))
v <- unlist(w*2)
m <- matrix(v,nrow=2)
plot(colMeans(m))

以上三块内容实现的是相同的目的，我们通过管道函数从前往后读一下

拿到数据集，先提取首字母是w的列，乘2，转化为向量，使用这个向量创建一个2行的矩阵，对矩阵每一列求均值，最后画个图

我们在再去看一下第二种，括号一层套一层，是不是可读性差了很多？而且之后如果想加操作还要再往外套

第三种则可读性提高了一些（但是还是没有从前往后读顺畅），但是中间加了很多没有必要的变量，代码就会很冗余。

以上是最基本也是最常用的方法，下面展示一些其他用法，更深入的可以去看包的帮助文档

# 一次使用多个函数计算
df$weight %>% {c(min(.), mean(.), max(.))} %>% floor 
# 想作为函数第二个参数时，可以用.代替
2 %>% head(df,.)
# 将得到的结果赋值
a <- df %>% .$name2 %>% grep("a",.)

---

Dwzb , R语言中文社区专栏作者，厦门大学统计专业学生。
知乎专栏：Data Analysis
https://zhuanlan.zhihu.com/Data-AnalysisR 

微信回复关键字即可学习

回复 R              R语言快速入门免费视频 
回复 统计          统计方法及其在R中的实现
回复 用户画像   民生银行客户画像搭建与应用 
回复 大数据      大数据系列免费视频教程
回复 可视化      利用R语言做数据可视化
回复 数据挖掘   数据挖掘算法原理解释与应用
回复 机器学习   R&Python机器学习入门