R语言系列3：高级数据管理

vlambda
2020-08-26

R语言系列3：高级数据管理

此文内容为《R语言实战》的笔记，人民邮电出版社出版。

从高中电脑课学VB开始，大一课内开始学习C++，到后来大二为了数模学习Matlab，到大三为了搞深度学习自学Python，到研究生之初学习Stata——选择一门语言对我来说就像是小时候玩冒险岛，到10级的时候是转战士好还是弓箭手好一般的纠结。我查阅了很多B乎的文章，最后觉得可能R比较合适现在的我。

作为从Python转进来R的新手，我把可能会用经常需要用到或经常需要查阅的代码贴上来，主要是为了日后方便查找，就像“字典”一样。推文的顺序与教材不同，为了简洁，我还会删除一些我个人认为不太重要的章节。我还会按照自己的学习进度发布文章，请读者见谅。

本文章仅供学习参考，请勿转载，侵删！

第5章高级数据管理

在第4章，我们学习了R中基本的数据处理方法。在第5章，我们主要浏览R中的多种数学、统计和字符处理函数，了解如何自己编写函数来实现数据处理和分析任务，并了解数据的整合和概述方法以及数据集的重塑和重构。

5.2 数值和字符处理函数

R中作为数据处理基石的函数，可以分为数值函数（数学、统计、概率）和字符串处理函数。

5.2.1 数学函数

R中常用的数学函数有：

== 函数 == == 描述 ==abs(x) 绝对值sqrt(x) 平方根ceiling(x) 不小于x的最小整数floor(x) 不大于x的最大整数trunc(x) 向0方向取整round(x, digits=n) 将x舍入为指定小数位数signif(x, digits=n) 将x舍入为指定的有效数字位数cos(x),sin(x),tan(x) 三角函数acos(x),asin(x),... 反三角函数cosh(x),sinh(x),... 双曲三角函数acosh(x),... 反双曲三角函数log(x, base=n) 对x取n为底数的对数log(x) 自然对数log10(x) 常用对数exp(x) 自然指数

对数据做变换是这些函数的主要用途。这些函数作用于vector或matrix或data.frame对象会作用于每一个独立的值，见：

V1 = c(1:10)V2 = c(11:20)M = matrix(V1, nrow = 2)D = data.frame(V1, V2)sqrt(V1)

## [1] 1.000000 1.414214 1.732051 2.000000 2.236068 2.449490 2.645751 2.828427## [9] 3.000000 3.162278

sqrt(M)

## [,1] [,2] [,3] [,4] [,5]## [1,] 1.000000 1.732051 2.236068 2.645751 3.000000## [2,] 1.414214 2.000000 2.449490 2.828427 3.162278

sqrt(D)

## V1 V2## 1 1.000000 3.316625## 2 1.414214 3.464102## 3 1.732051 3.605551## 4 2.000000 3.741657## 5 2.236068 3.872983## 6 2.449490 4.000000## 7 2.645751 4.123106## 8 2.828427 4.242641## 9 3.000000 4.358899## 10 3.162278 4.472136

5.2.2 统计函数

常用的统计函数如表所示：

== 函数 == == 描述 ==mean(x) 平均值median(x) 中位数sd(x) 样本标准差 (用n-1)var(x) 样本方差 (用n-1)mad(x) 绝对中位数quantile(x, probs) 求分位数range(x) 求值域sum(x) 求和diff(x, lag=n) n阶差分min(x) 最小值max(x) 最大值scale(x, 数据中心化(center=TRUE) cener=TRUE, 数据标准化(center和scale=TRUE) scale=TRUE)

上面的函数一般会有na.rm选项，当na.rm=TRUE时会排除缺失值进行计算。具体请参考help(·)。

一个具体的应用是：

x <- c(1:8)mean(x)

## [1] 4.5

sd(x)

## [1] 2.44949

如果冗余地写，那么有：

x <- c(1:8)n <- length(x)meanx <- sum(x)/ncss <- sum((x-meanx)^2)sdx <- sqrt(css/(n-1))meanx

## [1] 4.5

sdx

## [1] 2.44949

5.2.3 概率函数

概率函数通常用来生成特征已知的模拟数据，以及在用于编写的统计函数中计算概率值。

在R中，概率函数形如：


   
     
     
    
     
      
     
    [dpqr]分布名缩写()

其中：

d = 概率密度函数（pdf, density的d）
p = 累积分布函数（cdf, 给定分位点求概率p(X<=x)的p）
q = 分位数函数（quantile function的q，给定概率p求分位数数，是p的反函数）
r = 生成随机数（random）

例如：

x <- pretty(c(-3,3), 50)pdf <- dnorm(x) # 概率密度函数cdf <- pnorm(x) # 累积分布函数quan <- qnorm( pretty(c(0,1), 100) ) # 分位数函数layout(matrix(c(1,2,3,3), 2, 2))plot(x, pdf, title("dnorm"))plot(x, cdf, title("pnorm"))plot(pretty(c(0,1), 100), quan, title("qnorm"))

另外：

# 位于 z=1.96 左侧的标准正态分布pdf下方的面积是多少（知道分位点求概率）pnorm(1.96)

## [1] 0.9750021

# 标准正态分布的0.9分位点值为多少（知道概率求分位点）qnorm(0.9750021)

## [1] 1.96

关于画图的命令会在下一篇推文介绍。

1.关于设定随机种子

每次生成为随机数的时候，函数都会使用一个不同的种子，因此也会产生不同的结果。你可以通过set.seed()指定某个种子，让随机的结果可以重现（reproducible），见：

runif(5)

## [1] 0.9580880 0.9346797 0.5693708 0.6829771 0.6390400

runif(5)

## [1] 0.2776539 0.6784761 0.8737694 0.8826680 0.9218422

set.seed(1234)runif(5)

## [1] 0.1137034 0.6222994 0.6092747 0.6233794 0.8609154

set.seed(1234)runif(5)

## [1] 0.1137034 0.6222994 0.6092747 0.6233794 0.8609154

2.多元正态数据

在模拟研究和蒙特卡洛方法中，你经常需要获取来自给定均值向量和协方差的多元正态分布的数据。

MASS包中的mvrnorm()可以让这个问题变得容易，请先安装MASS包：


   
     
     
    
     
      
     
    install.packages("MASS")

然后可以使用：

library(MASS)

## Warning: package 'MASS' was built under R version 4.0.2

options(digits = 3)set.seed(1234)mean <- c(230.7, 145.7, 3.6)sigma <- matrix(c(15360.8, 6721.2, -47.1, 6721.2, 4700.9, -16.5, -47.1, -16.5, .3),  nrow = 3, ncol = 3)mydata <- mvrnorm(10, mean, sigma)mydata <- as.data.frame(mydata)names(mydata) <- c("Y", "X1", "X2")mydata

## Y X1 X2## 1 74.5 90.43 4.16## 2 248.2 196.43 3.46## 3 351.0 236.71 3.15## 4 -56.3 4.26 4.62## 5 299.3 138.24 3.04## 6 291.0 179.52 2.88## 7 151.6 129.12 4.10## 8 148.4 144.53 3.54## 9 147.5 140.93 3.92## 10 161.4 9.96 3.21

5.2.4 字符处理函数

数学和统计函数是用来处理数值型数据的，而字符处理函数可以从文本中抽取需要的数据信息。常见的字符串处理函数有：

== 函数 == == 描述 ==nchar(x) 计算x中的字符数量substr(x,start,end) 提取或替换字符串中的子串grep(pattern,x) 在x中搜索某种模式sub(pattern, 把x中pattern替换为replacement replacement, x)strsplit(x, split) 在split处分割向量x的元素paste(...,sep="") 连接字符串，分隔符为sep toupper(x) 大写转换tolower(x) 小写转换

具体的函数形式请参考help文档。

5.2.5 其他实用函数

== 函数 == == 描述 ==length(x) 对象x的长度seq(from,to,by) 生成从from到to间隔为by的序列rep(x,n) 重复x序列n次cut(x,n) 将连续型变量x分割为有n个水平的因子pretty(x,n) 将连续变量x均匀划分为n个区间cat(..., 连接...中的对象，并输出到屏幕或file中 file="myfile", append=FALSE)

使用上面的函数时，请先查看help获取详细信息。

另外，字符串里面该可以使用以下转义字符：

== 字符 == == 描述 ==\n 换行符(回车)\t 制表符(tab)\' 单引号\b 退格可以在Console输入 ?Quotes 了解更多

例如：

name <- "Bob"cat("Hello", name, "\b.\n", "Isn\'t R", "\t", "GREAT?\n")

## Hello Bob .## Isn't R GREAT?

在这里，使用\b是因为cat在连接对象时，每个对象都会用空格分开。句号和最后一个单词之间不需要空格，所以先用\b再输入.消除不要的空格。

5.4 控制流

在这里介绍控制流，即判断和循环结构。

5.4.1 循环结构

1. for循环

用for循环重复执行语句，知道某个变量的值不在包含在序列seq中为止，语法是：

for (var in seq) {statement}

例如：

for (i in 1:3) {print("Hello world!")}

## [1] "Hello world!"## [1] "Hello world!"## [1] "Hello world!"

2. while循环

while循环地重复执行一条语句，知道条件不为真为止，语法是：

while (cond) {statement}

例如：

i <- 3while (i>0) {print("Hello world"); i <- i-1}

## [1] "Hello world"## [1] "Hello world"## [1] "Hello world"

5.4.2 判断结构

1. if-else 结构

语法为：

if (cond) {statement}if (cond) {statement1} else {statement2}

2. ifelse 结构

语法是：

ifelse(cond, statement1, statement2)

如果cond为真，那么执行statement1，否则执行statement2。例如：

ifelse(1>2, {"1更大"}, {"2更大"})

## [1] "2更大"

如果程序的行为是二元的，或者希望input和output均为向量时，尽量使用ifelse结构

3. switch结构

语法是：

switch(expr, ...)

其中，...表示与expr的各种输出值绑定的语句。看下面的代码就一目了然了：

fellings <- c("sad", "afraid")for (i in fellings){ print( switch (i, happy = "I am glad you are happy!", afraid = "There is nothing to fear.", sad = "Cheer up!", angry = "Calm down now." ) )}

## [1] "Cheer up!"## [1] "There is nothing to fear."

5.4.3 用户自编函数

R最大的优点之一就是用户可以自行添加函数。一个函数的基本结构的语法是：

myfunction <- function(arg1, arg2, ...){ statements return(object)}

函数的对象只能在内部使用，返回的对象的数据类型是任意的，从标量到列表都可以。比如：

judge <- function(num1, num2){ return(ifelse(num1>num2, num1, num2))}judge(4,100)

## [1] 100

5.6 整合与重构

R提供了很多方法用来整合（aggregate）和重构（reshape）数据。后面将使用在R基本安装中的mtcars数据框：

mtcars[1:3,1:3]

## mpg cyl disp## Mazda RX4 21.0 6 160## Mazda RX4 Wag 21.0 6 160## Datsun 710 22.8 4 108

5.6.1 数据集的转置

转置即反转行和列，直接使用t()就可以直接对一个矩阵或一个数据框进行转置了。对于数据框，行名将变成列名。如果是对向量进行t()函数，那么第一次t()会把向量变成一维矩阵，第二次t(t(·))才会转置。例如：

V <- c(1:3)class(V)

## [1] "integer"

class(t(V))

## [1] "matrix" "array"

M <- matrix(c(1:6), ncol=3)t(M)

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

t(mtcars[1:3,1:3])

## Mazda RX4 Mazda RX4 Wag Datsun 710## mpg 21 21 22.8## cyl 6 6 4.0## disp 160 160 108.0

5.6.2 整合数据

在R中使用一个或多个by和一个预先定义好的函数来折叠（collapse）数据是比较容易的，语法是：

aggregate(x, by=list(...), FUN)

其中x是待折叠的对象；by是一个变量名组成的列表；FUN是预先定义好的用来计算描述性统计量的标量函数。

例如，我们根据气缸数（cyl）和档位数（gear）整合mtcars数据，并返回个数值型变量的均值：

options(digits = 3)attach(mtcars)aggdata <- aggregate(mtcars, by=list(cyl, gear), FUN=mean, na.rm=TRUE)aggdata

## Group.1 Group.2 mpg cyl disp hp drat wt qsec vs am gear carb## 1 4 3 21.5 4 120 97 3.70 2.46 20.0 1.0 0.00 3 1.00## 2 6 3 19.8 6 242 108 2.92 3.34 19.8 1.0 0.00 3 1.00## 3 8 3 15.1 8 358 194 3.12 4.10 17.1 0.0 0.00 3 3.08## 4 4 4 26.9 4 103 76 4.11 2.38 19.6 1.0 0.75 4 1.50## 5 6 4 19.8 6 164 116 3.91 3.09 17.7 0.5 0.50 4 4.00## 6 4 5 28.2 4 108 102 4.10 1.83 16.8 0.5 1.00 5 2.00## 7 6 5 19.7 6 145 175 3.62 2.77 15.5 0.0 1.00 5 6.00## 8 8 5 15.4 8 326 300 3.88 3.37 14.6 0.0 1.00 5 6.00

其中，Group.1表示气缸数（4、6、8）；Group.2表示档位数（3、4、5）。这里返回的列表表示，

平均来看，有4个气缸，3个档位的的车型每加仑汽油行驶英里数（mpg）为21.5

你也可以在by=list()中指定变量的名称，比如：

options(digits = 3)attach(mtcars)

## The following objects are masked from mtcars (pos = 3):## ## am, carb, cyl, disp, drat, gear, hp, mpg, qsec, vs, wt

aggdata <- aggregate(mtcars, by=list(Group.cyl=cyl, Group.gears=gear), FUN=mean, na.rm=TRUE)aggdata

## Group.cyl Group.gears mpg cyl disp hp drat wt qsec vs am gear carb## 1 4 3 21.5 4 120 97 3.70 2.46 20.0 1.0 0.00 3 1.00## 2 6 3 19.8 6 242 108 2.92 3.34 19.8 1.0 0.00 3 1.00## 3 8 3 15.1 8 358 194 3.12 4.10 17.1 0.0 0.00 3 3.08## 4 4 4 26.9 4 103 76 4.11 2.38 19.6 1.0 0.75 4 1.50## 5 6 4 19.8 6 164 116 3.91 3.09 17.7 0.5 0.50 4 4.00## 6 4 5 28.2 4 108 102 4.10 1.83 16.8 0.5 1.00 5 2.00## 7 6 5 19.7 6 145 175 3.62 2.77 15.5 0.0 1.00 5 6.00## 8 8 5 15.4 8 326 300 3.88 3.37 14.6 0.0 1.00 5 6.00

5.6.3 reshape2包

reshape2包是一套重构和整合数据集的万能工具，但用起来有点复杂。我们首先要安装reshape2包：

install.packages("reshape2")

然后用下面的例子来简要介绍reshape2包。

ID <- c(1,1,2,2)Time <- c(1,2,1,2)X1 <- c(5,3,6,2)X2 <- c(6,5,1,4)mydata <- data.frame(ID, Time, X1, X2)mydata

## ID Time X1 X2## 1 1 1 5 6## 2 1 2 3 5## 3 2 1 6 1## 4 2 2 2 4

1. 融合

数据集的融合是将其重构为这样的格式：

每个测量变量独占一行，行中带有唯一确定这个测量所需的标识符变量

上面的mydata可以使用下面的代码进行重构：

library(reshape2)

## Warning: package 'reshape2' was built under R version 4.0.2

md <- melt(mydata, id=c("ID", "Time"))md

## ID Time variable value## 1 1 1 X1 5## 2 1 2 X1 3## 3 2 1 X1 6## 4 2 2 X1 2## 5 1 1 X2 6## 6 1 2 X2 5## 7 2 1 X2 1## 8 2 2 X2 4

注意，必须指定唯一确定每个变量所需的变量（在这里是ID和Time），而表示测量变量名的变量（X1, X2）将由程序为你自动创建。

2. 重构

使用dcast()命令重构融合后的数据，并使用你提供的一个公式和一个（可选的）用于整个数据的函数将其重构，调用的语法是：

newdata <- dcast(md, formula, fun.aggregate)

在这里，md是已经融合的数据；formula描述了想要的最后结果；fun.aggregate是数据整合函数。其中，formula的格式为

rowvar1 + rowvar2 + ... ~ colvar1 + colvar2 + ...

其中，rowvar1 + rowvar2 + ...定义了行标签，以确定各行的内容；colvar1 + colvar2 + ...则列表标签，定义了各列的内容，比如：

dcast(md, ID+Time~variable)

## ID Time X1 X2## 1 1 1 5 6## 2 1 2 3 5## 3 2 1 6 1## 4 2 2 2 4

dcast(md, ID+variable~Time)

## ID variable 1 2## 1 1 X1 5 3## 2 1 X2 6 5## 3 2 X1 6 2## 4 2 X2 1 4

vlambda博客
学习文章列表