R语言：数据框

数据框（data.frame）是最常用的数据结构，用于存储二维表（即关系表）的数据，每一列存储的数据类型必须相同，不同数据列的数据类型可以相同，也可以不同，但是每列的行数（长度）必须相同。数据框的每列都有唯一的名字，在已创建的数据框上，用户可以添加计算列，这样，R引擎根据同一行的数据列，计算出表达式的值，并把该值作为计算列的值。数据框是数据分析中最重要的数据对象，必须熟练掌握数据框的操作。

一，创建数据框

R语言提供三种方式创建数据框，

1，读取文件

第一种方法是通过读取文件创建，常用的是用于读取文件的函数是read.table()，语法是如下所示：

read.table(file, header = FALSE, sep = "", quote = "\"'",           dec = ".", numerals = c("allow.loss", "warn.loss", "no.loss"),           row.names, col.names, as.is = !stringsAsFactors,           na.strings = "NA", colClasses = NA, nrows = -1,           skip = 0, check.names = TRUE, fill = !blank.lines.skip,           strip.white = FALSE, blank.lines.skip = TRUE,           comment.char = "#",           allowEscapes = FALSE, flush = FALSE,           stringsAsFactors = default.stringsAsFactors(),           fileEncoding = "", encoding = "unknown", text, skipNul = FALSE)

参数释义：

• file：读取数据的文件名和路径，文件名可以是文件的绝对路径名，或是相对路径名，如果文件名是相对路径名，那么文件名是基于当前的工作目录，当前的工作目录可以通过函数 getwd() 获取；

• header：逻辑值，文件的第一行是否包含列名；

• sep：用于指定字段（列）的分隔符，默认值是空字符，行的分隔符是回车和换行；

• quote：字符的引用符，只有当文本使用引用符，才被视为字符，设置为空字符，禁用引用符；

• dec：小数点符号；

• check.names：逻辑值，是否检查列名是否符合变量的命名规范；

• colClasses：用于指定列的数据类型；

• fill：逻辑值，当设置为TRUE时，如果行的列数不够，那么填充空白的字段；

• strip.white：逻辑值，只有当sep参数指定时，用于移除字符字段两端的空格；

• blank.lines.skip ：逻辑值，当为TRUE时，跳过空白的数据行；

• encoding ：字符串，用于指定字符的编码规则，常用的编码规则是UTF-8；

• nrows ：整数值，能够读取的最大数据行数量；

• skip：整数值，从文件的开头，跳过一定数量的数据行，从下一行开始读取数据；

函数read.csv()是read.table()的包装函数，专门用于读取csv文件，例如：

df <- read.csv('D:/data.csv', check.names = FALSE, encoding = "UTF-8", blank.lines.skip = FALSE);

2，读取关系表数据

第二种方法是从关系型数据库执行SQL查询，根据查询结果创建数据框；当连接SQL Server数据库时，使用ODBC驱动程序连接数据库，R脚本引用RODBC包，调用odbcConnect连接，使用sqlQuery执行查询，获取查询结果填充数据框：

library(RODBC)cn <- odbcConnect("data source")df <- sqlQuery(cn,"TSQL Query")odbcClose(cn)

3，使用函数创建

第三种方法是通过函数 data.frame()创建数据框，用户需要输入指定的数据填充数据框变量，函数data.frame()的参数row.names用于指定行的标识符，有三种指定行标识符的方式：

• 设置行的名称，为每一行命名，这样，可以通过行名称来索引观测；

• 把该参数设置为NULL，取消行的命名，R引擎会自动生成递增的整数序列作为行标识符，也就是所谓的行号；

• 也可以把行标识符设置为数据框的列名，这样，R引擎把该列的值作为行标识符，这相当于关系表的主键列。

例如，以下脚本通过指定行名称的方式来指定行标识符：

> df <- data.frame(+     c1=letters[1:3],+     c2=c(1:3),+     c3=runif(3)>0.5,+     c4=c('r','g','b'),+     row.names=c('r1','r2','r3')+ )

打印数据框，数据框有两个维度，行和列：

> df   c1 c2    c3 c4r1  a  1  TRUE  rr2  b  2 FALSE  gr3  c  3 FALSE  b

二，查看数据框的维度名称和各个维度的元素数量

1，查看列名称

通过函数colnames()或names()返回数据框的列名称

> colnames(df)> names(df)[1] "c1" "c2" "c3" "c4"

2，查看列名称

通过函数rownames()返回数据框的行名称，

> rownames(df)[1] "r1" "r2" "r3"

3，查看行数量和列数量

通过函数nrow()（或函数ncol()），返回数据框的行数（或列数），函数length()返回的结果和ncol()函数返回的结果相同。

> nrow(df)[1] 3> ncol(df)[1] 4

4，查看数据框的各个维度的名称和数量

通过dimnames()函数查看各个维度的名称，该函数返回的是列表类型；通过dim()返回行的数量和列的数量，该函数返回的是整数向量：

> dimnames(df)[[1]][1] "r1" "r2" "r3"[[2]][1] "c1" "c2" "c3" "c4"> dim(df)[1] 3 4

三，索引数据框

索引数据框，使用中括号[]，而下标有四种表示方式：正整数，负整数，逻辑值和字符（行或列的名称），由于数据框是二维数据结构，下标的格式是df[row,col]。

1，选择多列

例如，获得数据框的一个子集，索引数据框中的第一行和第二行，第二列和第三列的数据子集：

> df[1:2,2:3]   c2    c3r1  1  TRUEr2  2 FALSE

2，选择单列

如果只选择数据框的一列，可以使用列表样式的索引：带有正整数或名称的嵌套中括号，或者带有名称的美元符号运算符。

通过美元符号$和列名来索引数据框，选取第二行和第三行：

> df$c1[2:3][1] b cLevels: a b c

从返回的结果中可以看到，R引擎把字符类型的列自动转换为因子类型来存储，可以使用as.character()函数把因子类型转换为字符类型的向量：

> as.character(df$c1[2:3])[1] "b" "c"

也可以使用嵌套的中括号[[]]来获取索引数据框：

> as.character(df[["c1"]][2:3])> as.character(df[[1]][2:3])

三，获取数据框的子集

从数据框中按照特定的条件获取子集，这实际上是根据特定列的值，来限制返回的观测的数量。

1，通过条件获取数据框的子集

> with(df,df[c2<=2|c3,])   c1 c2    c3 c4r1  a  1 FALSE  rr2  b  2  TRUE  g

2，通过subset()函数获取子集

函数subset()用于获取数据框的子集，第一个参数（x）是数据框；第二个参数（subset）是逻辑表达式，用于过滤数据行；第三个参数（select）是投影的数据列，用于选择的特定的列。

subset(x, subset, select, drop = FALSE)

例如，从df中获取c2不大于2，返回第二列和第三列的结果：

> subset(df,c2<=2,c(2:3))   c2    c3r1  1  TRUEr2  2 FALSE

四，操纵数据框（基础）

操纵数据框，例如，选择子集（subset），合并数据框，排序数据框，添加或修改数据列，把数据值排名等，最终把数据转换成相应的形式，用于数据分析，本节只简单分享操纵数据框的方法。

1，添加列和行

使用rbind()函数向数据框中添加一行或多行数据，也就是说，按行纵向扩展；使用cbind()函数向数据框中添加一列或多列数据，也就是说，按列横向扩展。

2，合并数据框

使用merge9)函数合并数据框，merge()函数的作用类似于SQL语言中的连接（Join）操作，用于把两个数据框，按照特定的数据列做连接操作，函数的定义如下：

merge(x, y,       by = intersect(names(x), names(y)), by.x = by, by.y = by,       all = FALSE, all.x = all, all.y = all,      sort = TRUE,       suffixes = c(".x",".y"),...)

参数注释：

• x,y 参数：指定合并的两个数据框；

• by参数：字符串，指定合并列，当两个数据框有相同的数据列名字时，merge函数将按照同名的数据列名称合并；

• by.x,by.y 参数：字符串，分别指定数据框的合并列，用于指定merge函数将按照数据框x和y的哪些数据列进行合并；

• all：逻辑值，完全显示两个数据框的所有数据行，当合并列的值不存在于数据框x或y中，该数据框的列值显示为NA；

• all.x，all.y：逻辑值，指定完全显示的数据框，例如，当折merge函数的all.x=TRUE，all.y=FALSE是，合并的结果把数据框x的数据列全部显示，如果合并列的值不存在于数据框y，那么y的其他数据列显示为NA。

• sort：逻辑值，指定是否对结果排序；

• suffixes：为非合并列添加后缀；

 例如，创建两个数据框，按照df1的数据列x，和数据框df2的数据列m，对这两个数据框执行合并操作：

> df1=data.frame(x=c('a','c','e'),y=1:3)> df2=data.frame(m=c('a','c','f'),n=4:6)> merge(df1,df2,by.x='x',by.y='m')  x y n1 a 1 42 c 2 5> > merge(df1,df2,by.x='x',by.y='m',all=TRUE)  x  y  n1 a  1  42 c  2  53 e  3 NA4 f NA  6

2，添加和替换列

方法1：直接对数据框的数据列进行赋值，来实现对数据框的数据列的添加或替换：

df1[,'z']=c('z1','z2','z3')

方法2：使用with参数，with函数（with(data, expr)）接受一个数据框对象和要计算的表达式作为输入参数，with函数返回值是表达式的值，with函数只能添加或修改一个数据列：

df1[,'z']=with(df1,c('z1','z2','z3'))

方法3：使用within函数，within函数（within(data, expr)）接受一个数据框对象和要计算的表达式作为输入参数，within函数返回的是更新后的数据框对象，within函数可以在大括号中添加多个表达式，能够一次操作多个数据列：

df1=within(df1,{z=c('z1','z2','z3')} )

方法4：使用plyr包中的mutate函数，该函数用于向数据框中添加数据列或转换已经存在的数据列，接受一个数据框对象，和多个”name=value“对，返回修改后的数据框对象：

mutate(df1,z=c('z1','z2','z3'))

3，排序

order()函数能够对数据框进行排序，order(x)函数：返回第i个元素是x中元素在排序之后的序号，对数据框进行排序时，可以分两步进行下去，第一步获取行的序号，第二部按照行号查询数据框：

> y_order=order(df1[,'y'])> df1[y_order,]

还有一个方法，使用dplyr包中的arrange函数，只用一行就能实现对数据框的排序：

arrange(df1,y)

4，排名

rank()函数可以为数据框中的列进行排名，不过rank()函数只能作用于向量，只能返回向量元素的排名：

rank(x, na.last = TRUE,     ties.method = c("average", "first", "last", "random", "max", "min"))

操作数据框，在数据分析中占用很大的比重，后续，我们再深入探讨。