将军笔记之创建数据集

好奇心是强劲的智慧的最永久的特性之一。by 山·约翰逊

今天走的是清凉夏日风~~~

• 数据集：由数据构成的矩形数组，行表示观测，列表示变量（观测-变量；记录-字段；示例-属性）

• R中的数据结构：标量，向量，数组，数据框，列表；

• R中的数据类型：数值，字符，逻辑，复数，原生（字节）（数据类型和数据结构要分清）

• 实例标识符，日期数据，名义型和有序性变量；R将实例标识符称为rowname，将类别型变量称为因子。（看起来，实例标识符的意思就是行名，应该对应MySQL中的键）

• R中的数据结构包括标量，向量，矩阵，数组，数据框，列表；

• 数据框：列表示变量，行表示观测，是用来存储数据集的主要数据结构；

• 因子（factor）是名义型变量或有序型变量。

• 矩阵和数据框的区别，可能在于矩阵中的数据都是同一种类型，而数据框中的数据各列可以是不同类型。

• 向量：

• 存储数值型，字符型，逻辑型数据的一位数组，可以用c()创建。单个向量中的数据必须是相同类型的；

• 访问向量中元素的方法：

• a[c(2,4)]

• a[3]

• a[c(1,3,5)]

• a[2:6]

• 冒号的用法：a <- c(2:6)等价于a <- c(2,3,4,5,6) （其实不加c()也行啊，就直接写a <- 2:6）

• 矩阵：

• 二维数组，元素拥有相同模式（数值型，字符型，逻辑型），用matrix创建。

• mymatrix <- matrix(vector,nrow=number_of_row,ncol=number_of_columns,byrow=logical_value,dimnames=list(rownames,colnames)) 将一个向量（第一个参数vector）转换成矩阵，nrow指定行数，ncol指定列数，byrow TRUE或FALSE确定是按行排列还是按列排列（默认按列）,dimnames指定行名和列名，行名和列名分别用向量表示。举例（Ctrl + L可以清屏）：如下图所示：创建矩阵所用元素为向量cells中的元素。创建的是2x2的矩阵，按行排列元素。行名、列名已提前在向量rnmes和cnmes中规定好了，用的时候将两个向量变成一个list赋值给dimnames。（2017/04/12 20:08 矩阵从向量来。指定行名列名要用列表）

矩阵的创建

• 矩阵中元素的引用：

• x[2,]第二行

• x[,2]第二列

• x[1,4]第一行第四列的元素

• x[1,c(4,5)]第一行，第四第五个元素

• 维度超过2时，使用数组（这个后面用得很少啊...是因为维度很少超过2吗？）；有多种模式的数据时，使用数据框。

• 2017/03/15 21:40 数组

• 数组用array函数创建：myarray <- array(vector,dimensions, dimnames)，其中第二个参数dimensions是维度，是一个数值型向量；第三个参数dimnames是各维的名字，是个列表。举个栗子：

列表的创建

注意dimnames是个关键词。维度用c()函数做成向量，各维名称用list做成列表。

• 数组是矩阵的推广，其中的元素只能是一种模式。取元素方式与矩阵相同，如Z[1,2,5]，第一个矩阵第二行第五列。

• 数据框

• 数据框可通过函数data.frame()创建：mydataframe <- data.frame(col1,col2,col3,...)；每一列的名称可由names函数指定。再举个栗子：

数据框的创建

可以看到，数据框，就是把几个向量用data.frame()函数结合到了一起。注意产生的数据框已经自动加上了列名，列名即是结合的向量的名字。每一列只能有一种数据模式，但是不同列的数据模式可以不一样。

• 数据框中元素的选择，可以用下标记号，也可以用列名，如patientdata[1:2]，选了数据框第一列和第二列；而patientdata[1,2]选的是第一行第二列的元素；要选第一行第二行怎么办呢？那就是patientdata[1:2,]。注意没有逗号的时候默认是选择的列。（2017/04/12 20:20 以后用的时候把逗号都加上吧。）

• 当然也可以使用列名来选取元素：patientdata[c("diabetes","status")]。

• 还有一种新的表示方法：patientdata$age，选取数据框patientdata中age这一列。

• 上述描述的例子如下图所示：

从数据框中选取元素

• 生成两个变量的列联表（注意这个列联表和统计中的列联表是一个意思，就是符合条件的个体数），可以这样写：table(patientdata$disbetes,patientdata$status)，table()函数生成两个参数的列联表，得到符合两个条件交叉的个体数量。如下图所示：

从数据框中生成列联表

attach(),detach(),with()

• attach()可将数据框添加到R的搜索路径中。R在遇到一个变量名后，将检查搜索路径中的数据框，以定位到这个变量。举个栗子：

• summary(mtcars$mpg)（生成四分位数及均值）

• plot(mtcars$mpg,mtcars$disp)

• plot(mtcars$mpg,mtcars$wt) 等价于下列代码：

• attach(mtcars)

• summary(mpg)

• plot(mpg,disp)

• plot(mpg,wt)

• detach(mtcars) 注意用完后别忘再把变量从搜索路径中请出来，以免后面有麻烦。

• 如果数据框中的变量与数据框外的变量同名，则attach(dataframe)会把数据框外的变量保留下来放在数据框中，即原有对象优先（而不是覆盖）。注意这一点，有点反逻辑。

• 上面的栗子用with()函数改写如下：（ 2017/04/12 20:27 模式：with(dataset,{statements})）

• with(mtcars,{

• summary(mpg,disp,wt)

• plot(mpg,disp)

• plot(mpg,wt)

• })大括号之间的语句都针对数据框mtcars执行。大括号内赋值的变量，仅在大括号内有效。如果要让大括号内赋值的变量在大括号外有效的话，需要使用<<-这个符号赋值。

指定实例标识符：

• 在创建数据框时指定：patientdata <- data.frame(patientID, age, diabetes, status,row.names=patientID) 实例标识符（ 2017/04/12 20:28 这里的实例标识符相当于MySQL中的key吧？），看起来就类似于SQL中的键（注意，书上写错了，这里一定要是row.names。如果用其他的，不会报错，但是会创建一个新列列名就是等号左边的字符。如图所示）

在创建数据框时用"row.names=patientID"指定实例标识符。注意一定要是row.names。另外其他写法会增加一列。

因子：其实就是定类和定序类型的变量（也就是分类变量）。

• 函数factor()以一个整数向量的形式存储类别值，取值范围是[1-k]，k是变量中唯一值的个数。

• 举个栗子：

• diabetes <- c("Type1","Type2","Type1","Type1")

• diabetes <- factor(diabetes)将此向量存储为（1，2，1，1），并在内部关联1=Type1，2=Type2（注意了注意了！复制顺序是根据字母顺序定的！）

• （上面说的只是factor的工作原理。实际上得到的因子化的变量的值和没有因子化的变量的值是一样的，只是类型变了，也就是说R对待它们的方式变了。对于人来说，看到的内容是一样的）

• 有序变量的话，需要加ordered=TRUE选项。

• 再举个栗子：

• status <- c("Poor","Improved","Excellent","Poor")

• status <- factor(status,ordered=TRUE)

• 注意了注意了！！这里ordered=TURE只是告诉R，这个变量是个等级变量，但是没有规定等级的顺序！等级顺序是默认按字母顺序排列的。要想按照自己想要的顺序排列，需要使用levels选项：status <- factor(status, ordered=TRUE, levels=c("Poor", "Improved", "Excellent")) 在数据中出现而在这里levels中没有列举的元素，将全部被视为缺失值。

• 举个大栗子：

因子的使用

• 如图中所示，大部分内容都在前面提到过了。str(object)可提供R中某个对象的信息（2017/04/12 21:13 注意这里的str是structure，不是string）；信息显示diabetes是个factor，而status是个Ord.factor。在summary返回的信息中，不同类型的变量得到了不同的处理，这就是指定因子的意义所在。

列表：

• 用list()创建列表：mylist <- list(object1,object2,...)

• 还可以为列表中的每个对象取名字：mylist <- list(name1=object1,name2=object2,...)

• 举个大栗子：

列表的创建与列表元素的获取

• 如图中所示，列表的创建如上所说，没啥可再说的。列表元素的获取可以通过两种方式进行：一是索引号，二是题目。不管索引号还是题目都放在双方括号中（ 2017/04/12 21:15 访问列表元素要用双方括号来索引），题目需要用双引号围起来。题目的使用不影响索引号，比如列表中的第二个元素，虽然加了ages这个题目，但是索引号依然是2。（ 2017/04/12 21:16 再再再次说明R中的list很像python中的字典）

• 一些注意事项：

• R中没有多行注释，每行前面都要加#。但是可以用if(FALSE){...}这样的方式来使大括号内的语句不执行。（所有的语言都可以这么搞吧？）

• 如果赋值位置超过了索引号，变量将自动扩展以容纳新值。如下图所示：x只有3个元素，当要给x的第七个元素赋值时，R自动将x中元素数扩展到7，多出来的元素用NA补齐。注意R中元素索引是从1开始而不是从0开始

赋值范围超过了变量范围

• R中没有标量，标量以单元素向量的形式出现；

• 数据的输入：

• 使用键盘输入数据：

• 创建一个空的数据框：mydata <- data.frame(age=numeric(0),gender=character(0),weight=numeric(0))

• 编辑数据：mydata <- edit(mydata) 出现如图所示的界面，即可编辑数据（2017/04/12 21:19 注意先要创建一个空的数据框，然后再edit）。注意要赋值。edit()实际上是在副本上操作。

• age=numeric(0)这个语句将创建一个指定模式但不含实际数据的变量

使用键盘输入数据

• mydata <- edit(mydata)等价于fix(mydata) 注意使用fix()就不用赋值了。

• 从带分隔符的文本文件（比如CSV?）导入数据

• mydataframe <-read.table("file",header=logical_value,sep="delimiter",row.names="name")

• file是ASCII文本文件，row.names用于指定表示行标识符的变量（ 2017/04/12 21:21 就是行名）。注意row.names指定某一变量为记录的键。

• 默认情况下，字符型变量将被转换为因子。设置选项stringsAsFactors=FALSE即可停止转换（有何必要停止这种转换？）。另外可以使用colClasses为每一列指定一个类。

• 函数file(), gzfile(), bzfile(), xzfile(), unz(), url()可作为文件名参数使用；用双引号围住的完整的URL也可以作为文件名参数使用。

• 导入Excel数据

• 另存为csv再用上面的方法导入；

• 用RODBC包来访问Excel文件：

• install.packages("RODBC")

• library(RODBC)

• channel <- odbcConnectExcel("myfile.xls") channel应该是个文件句柄。通过文件句柄访问。

• mydataframe <- sqlFetch(channel,"mysheet") mysheet是文件中的一个工作表。从文件句柄中获取一个工作表，赋值�» 51 29945 51 15290 0 0 3532 0 0:00:08 0:00:04 0:00:04 3531™mydataframe

• odbcClose(channel) 关闭文件句柄。

• xlsx文件本质上是多个XML文件组成的压缩包。xlsx包可以用来读取这种类型的文件

• library(xlsx)

• workbook <- "c:/myworkbook.xlsx" 把字符串赋值给workbook

• mydataframe <- read.xlsx(workbook,1) 打开c:/myworkbook.xlsx这个文件的第一个工作表，赋值给一个数据框。是的，read.xlsx()函数返回一个数据框。

• (好难记啊...现用现查吧...)

• 导入SPSS中的数据：

• install.packages("Hmisc")

• library(Hmisc)

• mydataframe <- spss.get("mydata.sav",use.value.labels=TRUE) 其中use.value.labels=TRUE表示让函数将带有值标签的变量导入为R中水平对应相同的因子。

• 访问数据库管理系统

• 要使用R访问数据库，首先需要很对数据库类型安装和配置合适的ODBC驱动。

• 安装RODBC包：install.packages("RODBC")

• 举个栗子：

• library(RODBC)

• myconn <- odbcConnect("mydsn",uid="Rob",pwd="aardvark") 通过用户名密码登录数据框mydsn，并建立连接。

• crimedat <- sqlFetch(myconn,Crime) 通过连接myconn访问mydsn数据库，获取Crime这个表，以数据框形式返回给crimedat。

• pundat <- sqlQuery(myconn,"select * from Punishment") 使用查询语句对mydsn数据库进行查询，并以数据框形式返回给pundat

• sqlSave(channel,tablename=sqtable,append=FALSE) 将数据框写入到ODBC数据库的某个表中。如果append=TRUE，则为更新。

• sqlDrop(channel,sqtable) 删除ODBC数据框中的某个表

• close(channel) 关闭连接

标注数据集：

• 为变量名添加描述性标签

• 将变量标签作为变量名，然后通过位置下标来访问这个变量。费这个劲呀...

• names(patientdata)[2] <- "Age at hospitalization (in years)" 把names()应该是取一个数据框的变量名的意思，返回的应该是个向量。该赋值语句把其中第二个变量名改成了双引号中的内容。后面再需要引用这个变量时，就直接写patientdata[2]

• 为类别型变量中的编码添加值标签

• 举个栗子：名为gender的变量，1，2分别代表男，女，这时可以使用代码：

• patientdata$gender <- factor(patientdata$gender,levels=c(1,2),labels=c("male","female")) æ„æ€æ˜¯ï¼ŒæŠŠæ•°æ®æ¡†patientdata中的变量gender转换为因子，有两个水平，1和2；对应的标签分别是：male和female。(这里labels中的参数必须得是gender原有的值吧？要不然知道把谁对应为1把谁对应为2啊？)

几个常用函数：

• length(object) 显示对象中的元素/成分数量

• dim(object) 显示对象维度

• str(object) 显示对象结构

• class(object) 显示对象的类或类型

• mode() 显示对象的模式（这是什么意思？）

• names() 显示对象中个成分名称（还可以修改名称，如上例所示）

• cbind(object1，object2，...) 按列合并对象（把待合并对象一列一列排起来）

• rbind(object1,object2,...) 按行合并对象（把待合并对象一行一行排起来）

• head(object) 列出对象的开始部分

• tail(object) 列出对象的最后部分

• ls() 列出当前的对象列表

• rm(list=ls()) 除以点号开头的隐藏对象外，其他对象全部删除。