数据分析

R Programming笔记（一）

R 的基本介绍

R 语言基于 S 语言，是一种免费的用于数据分析的语言。

R系统从概念上分为两部分：

  1. 从 CRAN上下载的基础的R 系统；
  2. 其它

R 的功能基本上是由各种不同的 package 提供实现的:

  • base包提供 R 的基本功能；
  • R 的基础部分包括这些 packages：utils, stats, datasets, graphics, grDevices, grid, methods, tools, parallel, compiler, splines, tcltk, stats4
  • 其它一些推荐安装的 packages：boot, class, cluster, codetools, foreign, KernSmooth, lattice, mgcv, nlme, rpart, survival, MASS, spatial, nnet, Matrix

R 的 Input 和 Evaluation

R 使用<-符号作为赋值操作，=也可以。

如
x<-1
可以使用x或print(x)显示 x 的值。

  • x：自动显示
  • print（x）：明确指定显示

当输入一个表达式变量并回车后，变量即被 evaludated ，并返回变量的结果。

x<-1:20

:符号表示建立一个整形的序列

R 的数据类型

对象类型

R的5种基本（atomic）的数据类型：

  1. character
  2. numeric（real numbers）
  3. integer
  4. complex
  5. logical（True/False）

常用的对象类型有 vector，vector 只能包含相同的数据类型，但有一个例外，就是 list，它以 vector 形式显示，但可以保存不同的数据类型。

空 vector 可以用vector()表示。

Numbers

R 中的数字默认为numberic 类型，即双精度浮点数，如果是整型数据，需要指定 L 后缀。例如1是一个numberic 对象，而1L 则是integer。

Inf 代表无限，1/0的结果是 Inf。Inf 可以用来计算中，如1/Inf=0。

NaN代表未定义的，如0/0，也可以代表缺失的值。

Vectors

建立 vector对象，可以使用 c()函数进行，如：

x<-c(0.5,0.6)        ##numeric
x<-c("a","b","c")    ##character
x<-c(TRUE,FALSE)    ##logical
x<-c(12:23)        ##integer
x<-c(1+0i,2-4i)    ##complex

也可以用vector()初始化对象，如：

x<-vector("numeric",length=10)
x
[1] 0 0 0 0 0 0 0 0 0 0

当不同的对象类型混合在一个 vector 里的时候，会发生coercion（胁迫），将 vector 内的对象转换成相同类型的对象。

y=c(1.7,"a")
y
[1] "1.7" "a"

可以看到，numeric 类型的1.7被强制转换成了”1.7”。这种是自动的转换数据类型。

还可以指定明确的转换类型，使用as.*来进行转换：

x=0:6
class(x)
结果：
[1] "integer"

as.logical(x)
结果：
[1] FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE

对于无意义的指定转换，结果为NA：

x <- c("a", "b", "c")
as.numeric(x)
[1]NA NA NA

Matrics

矩阵是有维度属性的vector，矩阵 matrics 的 dimension 属性是由一个长度为2的整数vector(nrow,ncol)组成。

创建 matrics 的几种方法：

m = matrix(nrow=2,ncol=3)

    [,1] [,2] [,3] 
[1,] NA NA NA 
[2,] NA NA NA

m = matrix(1:6,nrow = 2, ncol = 3)

    [,1] [,2] [,3] 
[1,] 1     3     5 
[2,] 2     4     6

m = 1:10
dim(m) = c(2,5)
    [,1] [,2] [,3] [,4] [,5] 
[1,] 1     3     5     7     9 
[2,] 2     4     6     8     10

还可以使用 cbind()和rbind()把 vector 拼成一个 matrics：

x = 1:3
y = 10:12
cbind(x,y)
    x    y 
[1,] 1 10 
[2,] 2 11 
[3,] 3 12

rbind(x,y)
    [,1] [,2] [,3] 
x    1    2    3 
y   10     11     12

Factors

Factors用来展现分类的数据，它可以是有顺序的也可以无序。可以把他们看作是一个整数的向量，其中每个整数有一个标签。
（类似枚举类型）

x <- factor(c("yes", "yes", "no", "yes", "no"))
[1] yes yes no yes no

table(x)
unclass(x)

Factors中的元素顺序可以通过 level 来设定，

x <- factor(c("yes", "yes", "no", "yes", "no"), 
                   levels = c("yes", "no"))

Missing Values

NA 和 NAN 用来代表未定义的数学操作

is.na()判断是否为 NA
is.nan()判断是否为 NaN

NA 值也有一个类型，所以存在integer的 NA，character 的 NA 等
NaN 也是 NA，但 NA 不是 NaN

x<-c(1,2,NA,10,3)
is.na(x)
[1] FALSE FALSE TRUE FALSE FALSE

is.nan(x)
[1] FALSE FALSE FALSE FALSE FALSE

x<-c(1,2,NaN,NA,4)
is.na(x)
[1] FALSE FALSE TRUE TRUE FALSE

is.nan(x)
[1] FALSE FALSE TRUE FALSE FALSE

Data Frames

Data Frames用来存储表格数据(tabular data)

通常，data frames 是由read.table()或read.csv()创建的。
可以使用data.matrix()转换为 matrix

x <- data.frame(foo = 1:4, bar = c(T, T, F, F)) >x
  foo bar
1 1 TRUE
2 2 TRUE
3 3 FALSE
4 4 FALSE

nrow(x) 
[1] 4

ncol(x) 
[1] 2

Names

可以对R 的对象进行命名操作

x<-1:3   ## 针对 vector
names(x)
NULL

names(x) <- c("foo", "bar", "norf") 
x
foo bar norf
1    2    3

names(x)
[1] "foo" "bar" "norf"

x<-list(a=1,b=2,c=3)  ## 针对 list

m <- matrix(1:4, nrow = 2, ncol = 2)  ##针对 matrices
dimnames(m) <- list(c("a", "b"), c("c", "d"))

Reading/Writing data

  • read.table, read.csv用来读取表格数据，对应write.table
  • readLines读取文本文件的行,对应writeLines
  • source 读取 R 的 code 文件，对应dump
  • dget, 读取 R 文件，对应dput
  • load, 读取workspaces文件，对应save
  • unserialize, 读取R对象，对应serialize

read.table

read.table是最常用的读取数据的方法，有以下的参数：

  • file：文件名
  • header：logical值，是否有 header 行
  • sep：列分隔字符
  • colClasses： 一个character向量，说明数据集中每一列的类型
  • nrows：行数
  • comment.char：注释字符
  • skip：从文件头跳过的行数
  • stringsAsFactors：是否把字符变量转化为 factors

读取方法：

data <- read.table("foo.txt")

在读取过程中，R 会：

  • 会跳过所有以#开头的行
  • 会显示多少行，分配了多少内存
  • 说明每一列的变量类型
  • read.csv()也是一种 read.table()，只不过默认以，为分隔符

对于大数据，有一些方法可以提高读取的速度：

  1. 设置comment.char = “”，如果没有注释行
  2. 使用 colClasses参数，指定每一列的类型，这样读取速度可以提高一倍。如所有的列都是 numeric，可以设置 colClasses=”numeric”。

另一个 dirty 方法，可以解决不同列类型的表:

initial <- read.table("datatable.txt", nrows = 100) 
classes <- sapply(initial, class)
tabAll <- read.table("datatable.txt",colClasses = classes)

读取其它文件

file：读取文件
gzfile：读取 gz 文件
bzfile：读取 bz 文件
url：读取 url

con <- file("foo.txt", "r") 
data <- read.csv(con) 
close(con)

与
data <- read.csv("foo.txt")
相同

Subsetting 子集

[]：返回与原始数据相同的类，可一次读取多个值
[[]]：从 list 或 data frame 中读取数据
$：用 name 方法从 list或 data frame 中读取数据

三中读取值的方式的不同：

x <- list(foo = 1:4, bar = 0.6)
x[1]
$foo
[1]1234

x[[1]]
[1]1234

x$bar
[1] 0.6
x[["bar"]]
[1] 0.6
x["bar"]
$bar
[1] 0.6

还可以用 vector 取值：

x <- list(foo = 1:4, bar = 0.6, baz = "hello")
x[c(1, 3)]
$foo
[1]1234

$baz
[1] "hello"

[[索引值可以为变量，而$只能使用常量名称：

x <- list(foo = 1:4, bar = 0.6, baz = "hello")
name <- "foo"
x[[name]]
[1]1234

x$name
NULL

x$foo
[1] 1 2 3 4

The [[ can take an integer sequence.

x <- list(a = list(10, 12, 14), b = c(3.14, 2.81))
x[[c(1, 3)]]
[1] 14
x[[1]][[3]]
[1] 14

x[[c(2, 1)]]
[1] 3.14

Matrix使用[i,j]形式取值：

x <- matrix(1:6, 2, 3)
x[1, 2]
[1] 3

行或列可以缺失，就是取整列或整行：

x[1,]
[1]135

x[,2]
[1]34

当对 matrix 取单一元素值的时候，加上drop = FALSE，可以使返回值从 vector 变成 matrix：

x <- matrix(1:6, 2, 3)
x[1, 2]
[1] 3

x[1, 2, drop = FALSE]
    [,1] 
[1,] 3

取整列的时候也是一样，drop=FALSE 可以把结果变成 matrix：

x <- matrix(1:6, 2, 3)
x[1, , drop = FALSE]

    [,1] [,2] [,3] 
[1,] 1     3     5

Partial Matching 部分匹配：

[[和$取值时允许参数部分匹配，如：

x <- list(aardvark = 1:5)

x$a
[1]12345

x[["a"]]
NULL     

x[["a", exact = FALSE]]
[1]12345

删除 NA 值的方法：

x<-c(1,2,NA,4,NA,5)
bad <- is.na(x)
x[!bad]
[1]1245

complete.cases(x, y)

vector 的操作：

x<-1:4;y<-6:9
x+y
[1]791113

x>2
[1] FALSE FALSE TRUE TRUE

x <- matrix(1:4, 2, 2); y <- matrix(rep(10, 4), 2, 2)
x * y
    [,1] [,2] 
[1,] 10 30 
[2,] 20 40