R语言数据处理分析实例
【前言】
R是一种块状结构程序语言，“块”由大括号划分，当“块”只包含一条语句时大括号可以省略。程序语句由换行符或分号分隔。和许多脚本语言一样，R语言不需要“声明”变量。
接下来我们一起来处理分析一个简单的数据任务。
一组学生参加了数学、科学和英语三科考试。为了给所有学生确定一个综合的成绩衡量指标，需要将这些科目的成绩组合起来，将排名在前20%的学生评定为A，接下来20%的学生评定为B，依此类推，最后，按字母顺序对学生进行排序。请试处理分析。
如下，我们首先创建原始数据框：
studentname= c("John Davis", "Angela Williams", "Bullwinkle Moose","David Jones", "Janice Markhammer", "Cheryl Cushing","Reuven Ytzrhak", "Greg Knox", "Joel England", "Mary Rayburn")math= c(502, 600, 412, 358, 495, 512, 410, 625, 573, 522)science= c(95, 99, 80, 82, 75, 85, 80, 95, 89, 86)English= c(25, 22, 18, 15, 20, 28, 15, 30, 27,18)scoredata= data.frame(studentname, math, science, English, stringsAsFactors=FALSE)scoredata
观察此数据集，马上可以发现一些明显的挑战：
首先，三科考试成绩是无法比较的。由于它们的均值和标准差相差很大，对它们求三科的平均成绩是没有意义的。因此，在组合这些考试成绩之前，必须将其转换为可比较的成绩。因而，我们做如下处理，将三科成绩进行标准化，这样每科考试成绩都是用单位标准差来表示，而非原始的分值尺度表示：
z= scale(scoredata[2:4])z
scale函数为数据对象按列进行中心化（center=TRUE）或标准化（center=TRUE, scale=TRUE），默认情况下，函数scale对矩阵或数据框的指定列进行均值为0、标准差为1的标准化，给出各科成绩标准化后的结果以及各科成绩的均值和标准差。
然后，我们通过mean函数来计算各行的均值以获得三科成绩的综合评价得分，并使用cbind函数将其添加到学生成绩的原始数据框中：
Score= apply(z, 1, mean)Scorescoredata2= cbind(scoredata, Score)scoredata2
apply函数可将一个任意函数应用到矩阵、数组、数据框的任何维度上，在矩阵或数据框中，1表示行，2表示列。cbind函数进行列合并，增加列。
接下来，我们通过函数quantile给出三科成绩综合评价得分的百分位数，将学生的百分位数排名重编码为一个新的类别型成绩变量grade，如下：
y= quantile(Score, c(0.8,0.6,0.4,0.2))yscoredata2$grade[Score >=y[1]]= "A"scoredata2$grade[Score < y[1] & Score >=y[2]]= "B"scoredata2$grade[Score < y[2] & Score >=y[3]]= "C"scoredata2$grade[Score < y[3] & Score >=y[4]]= "D"scoredata2$grade[Score < y[4]]= "E"scoredata2
quantile函数求分位数，这里求Score数值型向量的20%、40%、60%和80%分位点。
接下来，我们使用strsplit函数以空格把学生姓名拆分为姓氏和名字：
name= strsplit(scoredata2$studentname, " ")namelastname= sapply(name, "[", 2)firstname= sapply(name, "[", 1)scoredata3= cbind(firstname, lastname, scoredata2[-1])scoredata3
strsplit函数应用到一个字符串向量上会返回一个列表，使用sapply函数分别提取列表中每个成分的第一个元素和第二个元素，"["是一个可以提取某个对象的一部分的函数，再使用cbind函数将它们添加到学生成绩的原始数据中。
最后，我们使用order函数依姓氏和名字对数据集进行排序，完成这个数据任务。
scoredata4= scoredata3[order(lastname, firstname),]scoredata4
往期文章：