第1章數(shù)據(jù)分析基本概念數(shù)據(jù)與變量的類型數(shù)據(jù)是一切可以表示信息的符號，例如數(shù)字、文本、日期等等。變量一般表示某個事物的屬性，而數(shù)據(jù)就是變量的具體取值。例如描述一個人的時候，年齡、性別、身高、年收入都是變量，而18歲、30歲是數(shù)據(jù)，是變量年齡的具體取值。從數(shù)據(jù)分析的角度看，變量的類型有：連續(xù)性的變量比如，身高，體重，化驗值等等，可以進行計算。其中一種數(shù)據(jù)只可以進行加減運算，不能進行乘除運算，我們稱之為等距數(shù)據(jù)，其0值只是相對的，而不是表示沒有。例如溫度，我們可以說20攝氏度比5攝氏度高出15攝氏度，但不能說多4倍，0攝氏度也是有溫度，而不是一點溫度都沒有了。等比數(shù)據(jù)是可以四則運算的，其0值有絕對意義。例如網(wǎng)站的日訪問量，0訪問量就是代表沒有人訪問，微信上的推送閱讀數(shù)2000可以說比500多1500，也可以說多4倍，這個倍數(shù)是有意義的。分類變量其變量值是定性的，表現(xiàn)為互不相容的類別或?qū)傩?。實際上在調(diào)研當(dāng)中運用最多的就是分類變量，可分為無序變量和有序變量兩類。①無序分類變量是指所分類別或?qū)傩灾g無程度和等級順序的差別，例如二項分類，性別（男、女），藥物反應(yīng)（陰性、陽性）等。例如多項分類，血型（O、A、B、AB），職業(yè)（工、農(nóng)、商、學(xué)、兵）等。②有序分類變量是指各類別之間有程度的差別。如尿糖化驗結(jié)果按－、±、+、++、+++分類；療效按治愈、顯效、好轉(zhuǎn)、無效分類。注意在分析中判斷好數(shù)據(jù)的類型，一種常見的錯誤就是認(rèn)為數(shù)字就一定代表連續(xù)性變量，例如我們可以用1和0表示性別男和女，這里的1和0就不是連續(xù)性數(shù)據(jù)。再例如某問卷調(diào)查中，采用五級量表，分別用1到5表示非常不滿意、不滿意、一般、滿意、非常滿意的五種態(tài)度，這里的1和5就是有序分類變量。數(shù)據(jù)的描述平均數(shù)平均數(shù)是指反映一種數(shù)據(jù)集中趨勢的度量，其值是樣本中所有數(shù)據(jù)之和除以樣本個數(shù)。計算公式為：μ=中位數(shù)中位數(shù)是指數(shù)據(jù)分布中處于中間位置的數(shù)，其可將數(shù)值集合劃分為相等的上下兩部分。對于有限的數(shù)集，可以通過把所有觀察值高低排序后找出正中間的一個作為中位數(shù)。如果觀察值有偶數(shù)個，通常取最中間的兩個數(shù)值的平均數(shù)作為中位數(shù)。平均數(shù)與中位數(shù)比較一般來說，平均數(shù)是被認(rèn)為最好的數(shù)據(jù)水平的描述，應(yīng)用也最為普遍。但是平均數(shù)對出現(xiàn)極端值的情況處理不如中位數(shù)。如下例：A組年收入數(shù)據(jù)（1000，4,3,2,1）B組年收入數(shù)據(jù)（6,4,3,2,1）A的平均數(shù)是202，B的平均數(shù)是3.2，AB兩組的中位數(shù)都是3，顯然在這種情況中（A組出現(xiàn)極端值），中位數(shù)比平均數(shù)更能反映一組數(shù)據(jù)的水平。對于出現(xiàn)極端值的情況，我們可以采取同時計算平均數(shù)和中位數(shù)的方法來表述數(shù)據(jù)的水平，也可以采用去除極端值后再計算平均值的方法（較多采用），從而得到相對準(zhǔn)確的估計。有必要提醒的是，對于極端值出現(xiàn)的情況進行細(xì)致分析，往往能得到有價值的結(jié)果。四分位數(shù)四分位數(shù)是把所有數(shù)值由小到大排列并分成四等份，處于三個分割點位置的數(shù)值就是四分位數(shù)。從由小到大的順序，處在第一個分割點位置的數(shù)叫下四分位數(shù)，第二個分割點的就是前面介紹的中位數(shù)，第三個分割點的就是上四分位數(shù)。在一組數(shù)據(jù)中，有四分之一的數(shù)據(jù)小于下四分位數(shù)，四分之一的數(shù)大于上四分位數(shù)。例如數(shù)組（2,5,7,8,9,10,12,15,16,17,19,21,22,25,30），下四分位數(shù)是8，中位數(shù)是15，上四分位數(shù)是21。對于四分位數(shù)，箱線圖可以比較好地反映了數(shù)據(jù)的分布，典型的箱線圖結(jié)構(gòu)如REF_Ref413742321\h圖11所示。圖STYLEREF1\s1SEQ圖\*ARABIC\s11：箱線圖標(biāo)準(zhǔn)差標(biāo)準(zhǔn)差是反映一組數(shù)據(jù)離散程度的數(shù)據(jù)度量，在數(shù)據(jù)分析中具有重要地位，應(yīng)用非常廣發(fā)，是各種統(tǒng)計檢驗的基礎(chǔ)。例如AB兩個網(wǎng)站上投放廣告在6天的點擊率如REF_Ref413743363\h表11所示廣告點擊率2014/1/12014/1/22014/1/32014/1/42014/1/52014/1/6A網(wǎng)站455565755070B網(wǎng)站30680402004表STYLEREF1\s1SEQ表\*ARABIC\s11AB兩個網(wǎng)站投放廣告6天點擊率數(shù)據(jù)經(jīng)過計算，A和B網(wǎng)站6天內(nèi)的廣告點擊率的平均數(shù)都是600，僅此是否可以得出結(jié)論這兩個網(wǎng)站的廣告投放效果是相同的呢？答案是否定的，從數(shù)據(jù)上初步觀察，B網(wǎng)站上廣告點擊率數(shù)據(jù)顯然更為分散，而A網(wǎng)站上的廣告點擊率數(shù)據(jù)相對更穩(wěn)定些，從可以看出這一區(qū)別：圖STYLEREF1\s1SEQ圖\*ARABIC\s12AB網(wǎng)站廣告點擊率數(shù)值分布圖本例中僅僅包含少量數(shù)據(jù)，如果對于大數(shù)據(jù)集合的穩(wěn)定性，靠觀察比較還是不夠的，用標(biāo)準(zhǔn)差來描述更為合理，標(biāo)準(zhǔn)差的計算公式為：其中σ表示標(biāo)準(zhǔn)差，N是樣本數(shù)據(jù)個數(shù)，μ是樣本平均數(shù)，xi表示樣本中第is個數(shù)據(jù)。公式計算過程語言可描述為：將每個數(shù)據(jù)與平均值之差的平方進行求和，再除以數(shù)據(jù)個數(shù)，最后求平方根，所得的結(jié)果即為改組數(shù)據(jù)的標(biāo)準(zhǔn)差。因而AB兩個網(wǎng)站點擊率的標(biāo)準(zhǔn)差分別為：A=為什么標(biāo)準(zhǔn)差可以能很好反映數(shù)據(jù)的離散程度？上述計算表明當(dāng)數(shù)據(jù)離散程度越高，單項數(shù)據(jù)與平均值之差的平方也就越大，最終標(biāo)準(zhǔn)差也就越大，這點下表也有明確的反映。廣告點擊2014/1/12014/1/22014/1/32014/1/42014/1/52014/1/6A網(wǎng)站455565755070B網(wǎng)站30680402004A網(wǎng)站(Xi-μ)22252525225100100B網(wǎng)站(Xi-μ)29002916400400196003136表STYLEREF1\s1SEQ表\*ARABIC\s12AB網(wǎng)站單項數(shù)據(jù)與平均值之差的平方頻數(shù)頻數(shù)概念常用于分類變量，也可以對連續(xù)型變量進行分組后進行頻數(shù)統(tǒng)計，它是指落在各分類中的數(shù)據(jù)的個數(shù)。將各個類別及其相應(yīng)的頻數(shù)全部列出來就是頻率分布或稱次數(shù)分布，將頻數(shù)分布用表格的形式表現(xiàn)出來就是頻數(shù)分布表。例如，為了調(diào)查某網(wǎng)站訪問者的地域分布，獲取數(shù)據(jù)如下所示：地域人數(shù)比例百分比上海1120.5656.0四川510.25525.5新疆90.0454.5廣東160.0808.0福建100.0505.0西藏20.0101.0合計2001100表STYLEREF1\s1SEQ表\*ARABIC\s13某網(wǎng)站訪問者地域頻數(shù)分布表很顯然，如果不進行分類整理，觀察200個人分別分布在哪些地域就很不方便，通過分類整理后，就很容易地、直觀地判斷出哪個地方訪問該網(wǎng)站的人最多，哪個地方的人最少。如果是連續(xù)性數(shù)據(jù)，可以用一定的分組方式，例如以下學(xué)生成績：（67,88,46,36,78,90），我們可以規(guī)定小于60為不及格，否則為及格，則分?jǐn)?shù)的頻數(shù)分布就是不及格：2；及格4。在REF_Ref413783601\h表13中，對頻數(shù)分布的描述還有比例和百分比兩個度量方式，這種統(tǒng)計分析中也是經(jīng)常用到的。比例是各類別中數(shù)據(jù)的數(shù)量占總體數(shù)據(jù)個數(shù)的比重，通常用于反映總體的構(gòu)成或結(jié)構(gòu)。如果總體數(shù)量被分成K個部分，每一部分的數(shù)量是N1、N2、……、Ni，則比例定義為Ni/N，顯然各部分比例之和等于1，即:百分比是一種標(biāo)準(zhǔn)化的比例，很多相對數(shù)都用百分比來表示，當(dāng)分子很小分母很大時，也可以采用千分比來表示比例。通常絕對數(shù)并不能用來進行比較，比例才是合適的比較方式。例如，A文章中有錯別字10個，B文章中有錯別字2個，我們能下結(jié)論說A文章的錯別字情況比B文章嚴(yán)重的多嗎？如果A文章總字?jǐn)?shù)是5萬個，而B文章只有20個字呢？累積頻數(shù)累積頻數(shù)經(jīng)常用于有序變量，計算方法就是按照順序?qū)⒏黝悇e的頻數(shù)逐級累加起來，有兩個方向：一是從類別順序的等級低的一方向等級高的一方進行累加，稱為向上累積；而是從等級高的一方向等級低的一方累積，稱為向下累積。通過累積頻數(shù)，能夠很容易地看出某一等級之下或之上的頻數(shù)之和。例如某調(diào)查對網(wǎng)絡(luò)視頻廣告態(tài)度的人數(shù)統(tǒng)計如下：指標(biāo)非常不滿意不滿意一般滿意非常滿意頻數(shù)10050251510向上累積100150175190200向下累積200100502510百分比（%）50.025.0向上累積頻率50.075.087.595.0100向下累積頻率10050.025.012.55.0表STYLEREF1\s1SEQ表\*ARABIC\s14網(wǎng)絡(luò)視頻廣告態(tài)度調(diào)查累積頻數(shù)表8.累積頻率在REF_Ref413785825\h表14中還有累積頻率的度量方式，它可以用來對不同數(shù)據(jù)組的累積分布進行比較，其計算方法是按照等級順序計算各類別的百分比例，同樣有向上累積頻率和向下累積頻率兩種計算方向。R語言基礎(chǔ)R語言簡介為什么要使用R語言許多統(tǒng)計軟件價格不菲，而R語言完全是免費的，越來越多的企事業(yè)單位使用R語言。R是一個全面的統(tǒng)計研究平臺，提供各式各樣的數(shù)據(jù)分析技術(shù)，幾乎任何類型的數(shù)據(jù)分析工作都可以在R中完成。R具有頂尖水準(zhǔn)的制圖功能，對于希望復(fù)雜數(shù)據(jù)能夠可視化的情境下，R語言特別適用。R語言任何一個分析步驟的結(jié)果均可以被輕松保存，并被作為進一步分析的輸入。R語言特別方便從多個種類的數(shù)據(jù)源獲得數(shù)據(jù)，包括文本文件、數(shù)據(jù)庫、excel表、統(tǒng)計軟件以及專門的數(shù)據(jù)倉庫。它同樣可以把數(shù)據(jù)寫到這些系統(tǒng)中。R語言提供便捷快速的統(tǒng)計命令，相比其它統(tǒng)計軟件而言，一些常用的數(shù)據(jù)分析往往通過簡單的命令或代碼即可完成。R語言源源不斷產(chǎn)生各種包，提供強大的函數(shù)方便實現(xiàn)各種數(shù)據(jù)分析統(tǒng)計功能。R語言的獲取和安裝R可以在CRAN（網(wǎng)址：）上免費下載，下載時要注意選擇計算機的操作系統(tǒng)以及位數(shù)（也即你的計算機是基于32位的還是64位的）。R的使用在R語言中，大小寫是區(qū)分開的，這和很多其它語言不一樣，例如在R語言中經(jīng)常要有布爾值TRUE的應(yīng)用，將其寫為true就會發(fā)生報錯。所以在調(diào)用各種函數(shù)時，由于大小寫沒有注意分開而報錯是常見的現(xiàn)象。所以在R命令運行發(fā)生錯誤的時候，檢查有沒有大小寫的誤用（特別是將該大寫的字母用小寫表示了）。R語句主要由函數(shù)和賦值構(gòu)成，函數(shù)用來對數(shù)據(jù)進行處理，賦值往往是將處理的結(jié)果存儲到某一變量中。函數(shù)是R語言的核心，每個函數(shù)都有固定的函數(shù)名和系列參數(shù)，實現(xiàn)特定的統(tǒng)計和分析功能（包括作圖）。R語言的賦值使用<-，而非=號（雖然R語言允許使用=來表示賦值，但這不是標(biāo)準(zhǔn)寫法，在本課程中，賦值只允許使用<-）。例如語句：>x<-c(1,2,2,3,5)即調(diào)用c函數(shù)（功能構(gòu)建一個向量），生成向量（1,2,2,3,5）并將其賦值給變量x。提醒：R語言的命令提示符是>，以后案例中的分析代碼或命令時，均以命令提示符>開頭，如果你要練習(xí)案例中的代碼，案例中的>是不能輸入的。R語言的注釋是由#開頭的，在#之后出現(xiàn)的任何文本都會被R解釋器所忽略。添加注釋是個好習(xí)慣，他有助于你回頭檢查R程序時指導(dǎo)某條命令或代碼是做什么用的，而沒有注釋幫助，你原先清晰的思路在回頭檢查時會消失地?zé)o影無蹤。RConsole安裝完R后，可以從開始菜單啟動R，也可以雙擊桌面的R圖標(biāo)啟動R，界面如REF_Ref411890810\h圖21所示：圖STYLEREF1\s2SEQ圖\*ARABIC\s11RConsole界面圖在RConsole中，命令提示符是紅色現(xiàn)實，在其后可以輸入R語句并回車運行。我們可以通過一個簡單的例子來了解一下R工作過程。部分嬰兒月齡和體重數(shù)據(jù)如REF_Ref411891294\h表21所示，體重的分布如何？及其與月齡是否存在什么關(guān)系？月齡體重（kg）月齡體重（kg）014.4097.3035.3036.0057.20910.4025.21210.2118.5036.1表STYLEREF1\s2SEQ表\*ARABIC\s1110名嬰兒月齡和體重R語言對該問題的處理代碼如下：代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s11：>age<-c(1,3,5,2,11,9,3,9,12,3)#將10名嬰兒月齡賦值到向量age中>weight<-c(4.4,5.3,7.2,5.2,8.5,7.3,6.0,10.4,10.2,6.1)#將10名嬰兒體重賦值到向量weight>mean(weight)#用mean函數(shù)求體重的平均值[1]7.06>ad(weight)#用sods函數(shù)求體重的標(biāo)準(zhǔn)差[1]2.077498>cor(age,weight)#用cor函數(shù)計算月齡和體重的相關(guān)系數(shù)[1]0.9075655>plot(age,weight)#用plot函數(shù)繪制月齡和體重的散點圖運行結(jié)果顯示，10名嬰兒的平均體重是7.06kg，標(biāo)準(zhǔn)差為2.08kg，二者有較強的線性相關(guān)關(guān)系，相關(guān)系數(shù)達(dá)到0.908。月齡和體重的散點圖如REF_Ref411891926\h圖22所示：圖STYLEREF1\s2SEQ圖\*ARABIC\s1210名嬰兒的月齡和體重散點圖從散點圖中可以看到，隨著嬰兒的月齡增加，其體重也有增加趨勢。RStudio一個更好的R編輯器是RStudio，可以方便地從網(wǎng)上下載和安裝，運行后界面如REF_Ref411892839\h圖23所示：圖STYLEREF1\s2SEQ圖\*ARABIC\s13RStudio界面RStudio提供了更為便捷的操作方式，可以方便地在命令編輯區(qū)域定位鼠標(biāo)，以及提供一些圖形化操作。包R語言提供了大量稱之為包的用戶貢獻(xiàn)模塊供免費下載和安裝，它們提供了驚人的功能，包括地理數(shù)據(jù)分析、甚至是心理測驗分析的功能。用R分析數(shù)據(jù)免不了要多次使用這些包。安裝包安裝包的命令格式如下：>install.packages("包名稱")命令運行后，會彈出選擇鏡像地址的列表，選擇適合的地址（例如ChinaHefei），就可以安裝了。注：在RStudio中安裝包往往出現(xiàn)不能解析服務(wù)器的情況，筆者也未探明其原因，出現(xiàn)此情況的時候在RConsole中運行安裝包命令即可解決，RStudio中可以正常使用。載入包如果要用所安裝包中的函數(shù)來處理數(shù)據(jù)，必須先載入包，載入包的命令是>library(包名)包使用中常出現(xiàn)的問題使用了錯誤的大小寫，導(dǎo)致命令中的包名和實際包名不一樣。忘記在安裝包時在報名兩端加上雙引號（英文）。載入包時在包名兩端又加上雙引號。還未載入包時就使用包中的函數(shù)或者數(shù)據(jù)集。使用R腳本執(zhí)行命令建立腳本打開Rstudio，在File菜單中選擇“NewFile”子菜單中的“RScript”命令。在腳本中執(zhí)行命令在腳本工作區(qū)輸入多條正確的R命令，將光標(biāo)定位在該命令中，單擊“Run”按鈕或者按下“Ctrl+R”組合鍵，就可以執(zhí)行該R命令。腳本中的命令可以進行修改，然后重新執(zhí)行。R腳本保存單擊“保存”按鈕或者按下“Ctrl+S”組合鍵，可以保存當(dāng)前R腳本。第一次保存時會要求選擇保存位置和R腳本的文件名。打開R腳本在File菜單中選擇“OpenFile”命令，在彈出的對話框中找到R腳本所存儲的位置，將其打開即可。界面清除命令按下“Ctrl+L”鍵盤，可以將R命令窗口的內(nèi)容全部清除。使用rm(對象名)，可以將創(chuàng)建的對象刪除。例如對于已經(jīng)創(chuàng)建的向量a，rm(a)命令可以將向量a清除。創(chuàng)建數(shù)據(jù)集數(shù)據(jù)集的概念數(shù)據(jù)集通常是由數(shù)據(jù)構(gòu)成的矩形數(shù)組，其中行表示觀測或者一個記錄，列表示變量。REF_Ref411928224\h表22顯示了一個假想的數(shù)據(jù)集。文章號（ID）時間（time）閱讀量（read）評論量（access）10012012-12-11122732010022012-12-17255644710032013-02-04331859210042013-05-084978841表STYLEREF1\s2SEQ表\*ARABIC\s12一個假想的數(shù)據(jù)集在這個假想的數(shù)據(jù)集里，可以看到四個列表示四個變量，有時候數(shù)據(jù)集中的列稱之為字段或者屬性。每一行代表一個記錄，即一個具體對象通過觀測獲得得的幾個變量的具體的值。R語言數(shù)據(jù)集中的數(shù)據(jù)，可以是數(shù)值型、字符型、邏輯型、日期型等。數(shù)據(jù)結(jié)構(gòu)向量向量是存儲數(shù)據(jù)的一組數(shù)組。例如數(shù)值型向量（12，4，56，6）存儲4個數(shù)據(jù)，字符型向量（"you","me","somebody"）存儲了3個字符，注意字符兩端要用雙引號括起來。向量非常重要，是R語言中數(shù)據(jù)存儲和處理的基本單元。創(chuàng)建向量可以用函數(shù)c()來實現(xiàn)。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s12a<-c(1,2,3,4,5,6,7,8)#創(chuàng)建一個數(shù)值型向量并存儲在a中b<-c("one","two","three","four")#創(chuàng)建一個字符型向量并存儲在b中。單個向量中必須擁有同樣類型的數(shù)據(jù)，例如c（1,4,"some"）由于包含了數(shù)值型和字符型數(shù)據(jù)，將不能得到正確結(jié)果。在命令提示符后輸入向量名，例如>a，并回車，就會看到向量a中所包含的數(shù)據(jù)。也可以通過在方括號中給定具體的位置，來訪問向量這一位置上的值。例如a[4]訪問向量a的第4個元素。也可以在方括號內(nèi)包含一個存儲多個位置值的向量，來訪問向量多個位置上的值，但這多個位置需要用c()函數(shù)構(gòu)建一個向量，例如a[c(1,5)]表示訪問向量的第1和第5個元素。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s13 >a<-c(2,5,6,8,0,7) >a[2] [1]5 >a[c(1,3,4)] [1]268創(chuàng)建向量時，也可以用冒號生成一個數(shù)據(jù)序列，例如c(2:5)就是生成一個從2到5的數(shù)值序列，等價于c（2,3,4,5）。我們也可以把向量和其它元素（類型要相同）或幾個向量放在c函數(shù)中，連接成一個新的向量。例如： a<-c(1,2,3,4) b<-c(5,6,7,8) x<-c(8,9,a) y<-c(b,9,10) a<-c(a,b)#將向量a和b連接起來成為一個新向量，并保存在a中?？梢允褂胹ort（向量名稱）對向量進行正序排序，rev（向量名稱）將向量反向排序。矩陣矩陣是一個二維數(shù)組，也就是將若干元素放置在若干行和若干列中，每個元素?fù)碛邢嗤臄?shù)據(jù)類型，例如： C1C2C3C4R11234R25678就是一個2行3列的矩陣，其中R1和R2是行的名稱，C1~C4是列的名稱。可以通過matrix函數(shù)創(chuàng)建，函數(shù)格式為：matrixname<-matrix(vector,nrow=行數(shù),ncol=列數(shù)，byrow=邏輯值（TRUE或者FALSE）,dimnames=list(行名向量,列名向量））其中vector是一個向量，包含了矩陣中的元素。示例代碼如下：>mymatrix<-matrix(c(1:12),nrow=3,ncol=4,byrow=TRUE,dimnames=list(c("R1","R2",”R3”),c("C1","C2","C3","C4")))創(chuàng)建完后，可以輸入矩陣名mymatrix并回車來觀察創(chuàng)建結(jié)果。如果要訪問矩陣中的某個元素，其格式是：矩陣名[行號,列號]例如mymatrix[2,3]訪問的就是矩陣mymatrix第2行第3列的元素值。如果行號缺失，表示訪問指定列的所有數(shù)據(jù)，例如mymatrix[,2]表示訪問第2列全部數(shù)據(jù)；而如果列號缺失，表示訪問指定行的所有數(shù)據(jù)，例如mymatrix[3,]表示訪問矩陣第三行的全部數(shù)據(jù)。如果需要訪問多行或多列數(shù)據(jù)，那么多個行號或列號要用c函數(shù)組織為一個向量，例如mymatrix[c(1,3),]表示訪問矩陣的第1、3行的全部數(shù)據(jù)。數(shù)組數(shù)組array與矩陣類似，但是維度可以大于2，數(shù)組可以通過array函數(shù)創(chuàng)建，創(chuàng)建形式如下：myarrayname<-array(vector,dimensions,dimname=list("維度1名稱向量","維度2名稱向量",……,"維度n名稱向量"))其中其中vector是一個向量，包含了數(shù)組中的元素，dimensions要用向量表示數(shù)組各維度的值。例如REF_Ref411950516\h代碼清單24創(chuàng)建了一個4列2行的二維數(shù)組。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s14>dimr<-c("A1","A2")>dimc<-c("r1","r2","r3","r4")>z<-array(1:8,c(2,4),dimnames=list(dimr,dimc))數(shù)據(jù)框數(shù)據(jù)框創(chuàng)建與矩陣或數(shù)組不一樣，數(shù)據(jù)框各列可以是不同數(shù)據(jù)類型的向量，它是R語言中最常處理的數(shù)據(jù)結(jié)構(gòu)。例如表格：PatientID（病人編號）Age（年齡）Method（治療方法）Stats（療效）125藥物改進234精神一般330藥物改進427精神惡化就是一個典型的數(shù)據(jù)框。數(shù)據(jù)框的創(chuàng)建可以通過函數(shù)data.frame創(chuàng)建，具體格式是：>數(shù)據(jù)框名稱<-data.frame(向量1，向量2，……，向量n）其創(chuàng)建一般過程是將數(shù)據(jù)框各列的數(shù)值存儲于一個向量中，然后再用data.frame函數(shù)將其組織存儲到該數(shù)據(jù)框中，REF_Ref411951125\h代碼清單25描述了一個數(shù)據(jù)集創(chuàng)建的例子。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s15>patientID<-c(1,2,3,4)>age<-c(25,34,30,27)>method<-c("藥物","精神","藥物","精神")>stats<-c("改進","一般","改進","惡化")>patientdata<-data.frame(patientID,age,diabets,stats)>patientdatapatientIDagemethodstats1125藥物改進2234精神一般3330藥物改進4427精神惡化數(shù)據(jù)框的各列雖然可以是不同數(shù)據(jù)類型，但各列內(nèi)部的數(shù)據(jù)必須是類型同一的。數(shù)據(jù)框引用單個元素的引用數(shù)據(jù)框的數(shù)據(jù)可以引用，單個元素的引用格式是：數(shù)據(jù)框名稱[行號，列號]例如patientdata[2,4]表示的是數(shù)據(jù)庫第2行、第4列的值“一般”。引用若干行列引用若干行列的格式是：數(shù)據(jù)框名稱[行號向量，列號向量]代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s16>patientdata[c(1,2),c(2,3)]引用中，也可以用變量名替代列號向量里的列號。例如REF_Ref411951867\h代碼清單26的引用命令也可以改寫成patientdata[c(1,2),c("age","diabets")]，效果是一樣的，不過注意，使用這種方式時命令中的變量名必須有雙引號括起來。如果在行號和列號前加上負(fù)號，表示選擇除了該行（列）的其它所有行（列）引用若干行在實際應(yīng)用中，經(jīng)常需要查看數(shù)據(jù)框的少量行來觀察它的變量。如果直接輸入數(shù)據(jù)框名稱來觀察的話，由于記錄過多，會占據(jù)整個R編輯器窗口從而為操作帶來不便。查詢少數(shù)行命令格式是：數(shù)據(jù)框名稱[行號向量,]，（也即將逗號后的列向量省略）例如patientdata[c(2,3),]是用來查看數(shù)據(jù)框patientdata的第2行和第3行數(shù)據(jù)，patientdata[1:3,]表示查看patientdata的1到3行數(shù)據(jù)。（1:3是用來生成一個由1到3的序列組成的向量）一個簡單的方法是，使用head(數(shù)據(jù)框名)就可以顯示該數(shù)據(jù)框的前五行數(shù)據(jù)。在觀察數(shù)據(jù)框的變量結(jié)構(gòu)時，這個函數(shù)命令會非常有用。引用若干列同理，將數(shù)據(jù)框行列引用命令中的行向量省略，就可以訪問數(shù)據(jù)框的若干列。具體命令格式是：數(shù)據(jù)框名稱[,列號向量]或者是數(shù)據(jù)框名稱[,列名向量]，比如對于數(shù)據(jù)框patientdata，patientdata[,c(1,4)]和patientdata[,c("patientID","stats")]結(jié)果是一樣的。數(shù)據(jù)框變量名的引用（重點）R語言數(shù)據(jù)分析中，經(jīng)常要對數(shù)據(jù)框中的某個變量進行處理，例如要求解patientdata數(shù)據(jù)框中年齡的平均值，直接運行mean(age)命令是不能得出結(jié)果的，因為R語言不知道要求解的age是哪個變量（可能在多個數(shù)據(jù)框中都有age這個變量），因此必須指定引用的變量是屬于哪個數(shù)據(jù)框，具體引用方法是：數(shù)據(jù)框name$變量名。REF_Ref411952802\h代碼清單27才能正確求出patientdata中各年齡的均值。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s17>mean(patientdata$age)不過，如果對某個數(shù)據(jù)框中的變量多次處理，每個變量前都加上“數(shù)據(jù)框名$”這樣的前綴是很討厭的，大大增加的輸入工作量而且容易出錯。可以采用以下兩種方法來簡化。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s18>attach(patientdata)>mean(age)>max(age)>plot(age,stats)>dettach(patientdata)采用REF_Ref411953014\h代碼清單28的方式，數(shù)據(jù)框中的變量就不用再需要加上數(shù)據(jù)框名$這樣的前綴了，其中關(guān)鍵的步驟在于attach（數(shù)據(jù)框名）的綁定操作，這樣其后的變量名都默認(rèn)屬于attach所處理的數(shù)據(jù)框。不過在應(yīng)用完后，最好用dettach（數(shù)據(jù)框名）將其解除。不過這種方式也有容易出錯的時候，因為在一個R語言數(shù)據(jù)分析項目中，同一個變量名可能有很多個，如果在綁定操作之前就存在與所綁定數(shù)據(jù)框中相同名稱的變量，則數(shù)據(jù)框中同名變量將被屏蔽，因而得不到所需要的結(jié)果。例如：>a<-c(1,2,3,4)>mydata<-data.frame(a=c(10,20,30,40),b=c(20,40,60,80))>attach(mydata)下列對象被屏蔽了_by_.GlobalEnv:a下一種處理格式可以避免命名沖突問題：>with(patientdata,{ datamean<-mean(age) datamax<-max(age) plot(age,stats)})對于這種處理方式，大括號中所有的引用變量都是屬于with所聲明patientdata數(shù)據(jù)框的，如果命令只有一條，那么大括號可以省略。不過with括號內(nèi)的賦值只能在with括號內(nèi)有效，如果讓with括號內(nèi)賦值能在全局范圍有效，可以用“<<-”替代“<-”，如下例所示：>with(mtcars,{+mymean<-mean(mpg)+mymean+})[1]20.09062>mymeanError:object'mymean'notfound注：mtcars是R語言自帶的一個數(shù)據(jù)框，如果R命令需要換行，按住shift鍵回車即可。對于變量的應(yīng)用，大部分R語言書籍都推薦with方式，就個人來說，習(xí)慣使用attach還是with方法來簡化輸入，或是直接使用“數(shù)據(jù)框名$變量名”的格式，根據(jù)個人的偏愛可以自己選擇。但無論如何，變量名必須指定清楚屬于哪個數(shù)據(jù)框，上述三種方法都是為變量指定數(shù)據(jù)框的，在后面介紹的一些函數(shù)中包括參數(shù)也具有指定數(shù)據(jù)框的作用。因子在數(shù)據(jù)分析中，經(jīng)常存在類別的比較，存放類別信息的變量有名義型變量和有序型變量兩種。名義型變量是沒有順序之分的類別變量，也即純粹表示類別的變量，變量值的類別之間沒有等級之分，例如“男”和“女”，數(shù)據(jù)框patientdata中的“method”變量，其中的取值是"藥物","精神",也只是代表處理類型的區(qū)別，并不意味幾者之間存在順序或等級。而stats變量的取值有“改進”、“一般”、“惡化”，明顯存在等級或順序關(guān)系，因此stats變量屬于順序型變量。在R語言中，類別變量和順序變量都統(tǒng)稱之為因子。因子非常重要，因為在R語言中經(jīng)常需要根據(jù)因子類別來分組描述各種數(shù)據(jù)。如果在數(shù)據(jù)框中某個變量的取值是字符串而非數(shù)字，則默認(rèn)該變量為因子，即每個字符串代表一種類別。例如以下數(shù)據(jù)框（一些微信公眾號的推送信息）：Name(公眾號名稱）Date（日期）Artinum（文章數(shù)）中國家庭醫(yī)生2014/6/263中國家庭醫(yī)生2014/6/274中國家庭醫(yī)生2014/6/304健康管理2014/6/91健康管理2014/6/101健康管理2014/6/111健康管理2014/6/121健康管理2014/6/191健康管理2014/6/301表STYLEREF1\s2SEQ表\*ARABIC\s13一個示例數(shù)據(jù)框（articledata）公眾號名這個變量就是因子，因子包括中國家庭醫(yī)生和健康管理兩個類別。我們可以根據(jù)不同的因子取值來統(tǒng)計每一種類別的相關(guān)數(shù)據(jù)，例如對于公眾號名因子來說，中國家庭醫(yī)生的文章總數(shù)是11，健康管理的文章總數(shù)是6。在數(shù)據(jù)框中，有些變量例如日期、年齡是以數(shù)字形式表示的，有些變量例如性別，也是以1和0表示（1代表男，0代表女），如果要根據(jù)日期、年齡或者性別來分類統(tǒng)計分析數(shù)據(jù)，那么以數(shù)字來取值的變量是不被認(rèn)為為因子的，此時直接處理會發(fā)生錯誤，所以要將這些實際表示類別卻以數(shù)字取值的變量進行因子化，方法是對變量用因子函數(shù)factor處理。例如對日期進行因子化，則可以運行命令:articledata$date<-factor(articledata$date)對于有序型變量，需要為factor函數(shù)指定參數(shù)ordered=TRUE。給定向量：status<-c("poor","improved","excellent","poor")語句status<-factor(status,ordered=TRUE)會將status因子水平編碼為（3,2,1,3），并在內(nèi)部將其關(guān)聯(lián)為1=excellent，2=improved，3=poor，并自動選擇合適的辦法將其作為有序型變量處理了。對于字符型變量，默認(rèn)情況下，因子的水平是按照其字母順序創(chuàng)建的。在上例中，按照字母順序，excellent水平為1，improved水平為2，poor水平為3，這和三個因子的邏輯順序也是一致的，因此并沒有什么問題。但是如果poor編碼改為alling，那么按照字母順序，alling（表示很差）水平為1，exellect（優(yōu)異）水平為2，improved（改進）水平為3，這是問題來了，因子的水平與其語義在邏輯上并不一致了，這種情況是很難讓人滿意的。對此我們可以通過levels參數(shù)來人工指定各因子的排序：status<-factor(status,ordered=TRUE,levels=c("alling","improved","excellent"))levels參數(shù)選項的值為一個向量，在向量中元素的位置就是其對應(yīng)值的因子水平，因此alling因子水平被設(shè)置為1，improved因子水平被設(shè)置為2，excellent因子水平被設(shè)置為3，從而與邏輯順序一致。列表列表是R的數(shù)據(jù)結(jié)構(gòu)中最復(fù)雜的一種，在一些函數(shù)參數(shù)中有所引用。簡單說，列表就是一些對象的有序結(jié)合，這些對象可以是向量、矩陣、數(shù)據(jù)框、數(shù)組，甚至是列表本身?？梢允褂胠ist()創(chuàng)建列表，格式為：列表name<-list(對象1，對象2，……）

數(shù)據(jù)的輸入或者導(dǎo)入在實際工作中，R語言需要處理的數(shù)據(jù)需要臨時輸入，也可能存儲在excel表、數(shù)據(jù)庫或其他統(tǒng)計軟件文件格式中（例如SPSS），那么我們要面臨的工作是如何從這些地方將數(shù)據(jù)導(dǎo)入R中來并進行處理。使用鍵盤輸入數(shù)據(jù)R語言中提供edit()函數(shù)調(diào)用一個允許手工輸入數(shù)據(jù)的文本編輯器，具體步驟如下：創(chuàng)建一個空的數(shù)據(jù)框（或者矩陣）針對這個空的數(shù)據(jù)框調(diào)用文本編輯器，輸入數(shù)據(jù)，并將結(jié)果保存。具體過程如下代碼所示：代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s19>mydata<-data.frame(age=numeric(0),gender=character(0),weight=numeric(0))#創(chuàng)建一個空的數(shù)據(jù)框，包含三個變量age、gender、weight，類型分別是數(shù)值、字符和數(shù)值。>mydata<-edit(mydata)#調(diào)用文本編輯器，如REF_Ref412233233\h圖24所示圖STYLEREF1\s2SEQ圖\*ARABIC\s14可手工輸入數(shù)據(jù)的文本編輯器單擊文本編輯器第一行上的變量名，彈出變量編輯器面板，可以在其中修改數(shù)據(jù)框變量名和變量類型，如REF_Ref412233361\h圖25所示：圖STYLEREF1\s2SEQ圖\*ARABIC\s15變量編輯器使用edit（）調(diào)用文本編輯器并手工輸入的時候，必須將其賦予一個數(shù)據(jù)框，如果只運行命令>eidt(mydata)，則在關(guān)閉文本編輯器時所有輸入將丟失?？梢圆捎昧硪环N便捷的函數(shù)fix(mydata)，而不用賦值，其輸入結(jié)果直接保存到mydata。將excel文件另存為CSV文件導(dǎo)入數(shù)據(jù)很多數(shù)據(jù)是存儲在excel表格中，可以將其另存為文本格式csv文件。而R語言提供read.table()函數(shù)來從csv文件導(dǎo)入數(shù)據(jù)，并將其保存在一個數(shù)據(jù)框中。函數(shù)的命令格式為：數(shù)據(jù)框名<-read.table("路徑/文件名",header=TRUE,sep=",")在導(dǎo)入csv文件的R命令中，數(shù)據(jù)框名是導(dǎo)入數(shù)據(jù)要存儲在的數(shù)據(jù)框，路徑是文本文件存放的位置，文件名是數(shù)據(jù)所在的文本文件，header=TRUE表示將文本文件的第一行作為數(shù)據(jù)框的字段變量，sep指定分割數(shù)據(jù)的符號，默認(rèn)是逗號，也可以指定為制表符、空格等。以下代碼從e盤data文件夾下導(dǎo)入myfile.csv文件，保存在mydata數(shù)據(jù)框中。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s110>mydata<-read.table("e:/data/myfile.csv",header=TRUE,sep=",")注意，運行該命令導(dǎo)入CSV文件要避免以下易犯的錯誤有read.table函數(shù)名中間的點號沒有寫路徑的分隔符合錯寫為\文本文件的擴展名忘記header=TRUE沒有區(qū)別大小寫，例如將TRUE寫成true。還有種方法，可以將excel表格中要導(dǎo)入數(shù)據(jù)的某單元格選中然后按下Ctrl+A快捷鍵全選（這樣為了快速復(fù)制），然后按下ctrl+c復(fù)制。在R語言編輯器中，輸入如下命令

>mydata<-read.table("clipboard",header=TRUE)就可以將excel中的數(shù)據(jù)導(dǎo)入到數(shù)據(jù)框mydata中。從數(shù)據(jù)庫導(dǎo)入數(shù)據(jù)使用R訪問存儲在數(shù)據(jù)庫中的數(shù)據(jù)是處理大數(shù)據(jù)集的有效手段。在R中，通過RODBC包訪問數(shù)據(jù)庫的流行方式，這種方式允許任何擁有ODBC驅(qū)動的數(shù)據(jù)庫，也就是當(dāng)前市面上流行的所有數(shù)據(jù)庫。不過ODBC驅(qū)動需要自己安裝并進行配置。以MYSQL為例，配置過程是如下所示：（1）下載MYSQL的ODBC驅(qū)動并安裝；（2）雙擊打開“控制面板-->管理工具”中的“數(shù)據(jù)源ODBC”，如REF_Ref414470336\h圖26所示：圖STYLEREF1\s2SEQ圖\*ARABIC\s16ODBC數(shù)據(jù)源管理器（3）單擊REF_Ref414470336\h圖26“ODBC數(shù)據(jù)源管理器”面板中的“添加”按鈕，彈出“創(chuàng)建新數(shù)據(jù)源”面板，如REF_Ref414470635\h圖27所示圖STYLEREF1\s2SEQ圖\*ARABIC\s17創(chuàng)建新數(shù)據(jù)源面板（4）選擇REF_Ref414470635\h圖27“創(chuàng)建新數(shù)據(jù)源”中的“MySQLODBC5.3UnicodeDriver”，單擊“完成”按鈕，彈出REF_Ref414470825\h圖28所示“配置數(shù)據(jù)源”面板圖STYLEREF1\s2SEQ圖\*ARABIC\s18數(shù)據(jù)源配置面板（5）在REF_Ref414470825\h圖28“數(shù)據(jù)源配置”面板中輸入REF_Ref414471431\h圖29所示的參數(shù)：圖STYLEREF1\s2SEQ圖\*ARABIC\s19參數(shù)設(shè)置DataSourceName：輸入數(shù)據(jù)源連接的名稱，在R中連接數(shù)據(jù)庫中要用到該名稱；Description：輸入對該數(shù)據(jù)源的簡單描述，可任意；TCP/IPServer：輸入數(shù)據(jù)庫服務(wù)器的IP地址，此處用本地數(shù)據(jù)庫，輸入localhost;user：輸入數(shù)據(jù)框賬號；Password：輸入數(shù)據(jù)庫連接密碼；DataBase：選擇所連接數(shù)據(jù)庫所要訪問的數(shù)據(jù)庫；此時可以單擊“Test”按鈕測試連接是否成功；（6）利用RODBC包中的函數(shù)訪問數(shù)據(jù)庫。RODBC主要函數(shù)在REF_Ref414471475\h表24中介紹了相關(guān)功能。函數(shù)功能odbcConnect(dsn,uid="",pwd="")建立一個到ODBC數(shù)據(jù)庫的連接，dsn是控制面板中驅(qū)動配置時所取得的數(shù)據(jù)源名稱，uid是數(shù)據(jù)庫訪問的賬號，pwd是訪問數(shù)據(jù)庫的密碼。該函數(shù)運行的結(jié)果應(yīng)該存儲在一個變量，例如channel中。sqlFetch(channel,"tablename")從channel存儲的數(shù)據(jù)庫連接中讀取一個表，并存儲到數(shù)據(jù)框中，tablename參數(shù)是具體的表名，兩端有雙引號括起來。sqlQuery(channel,query)在channel存儲的數(shù)據(jù)庫連接中運行一個query查詢命令（select語句），將查詢結(jié)果導(dǎo)入來存儲到一個數(shù)據(jù)框中。close(channel)關(guān)閉與數(shù)據(jù)源的連接表STYLEREF1\s2SEQ表\*ARABIC\s14RODBC包中主要函數(shù)例：將某個數(shù)據(jù)庫中的表kc導(dǎo)入到數(shù)據(jù)框mykc中。假設(shè)odbc驅(qū)動名稱為myconnect，數(shù)據(jù)庫訪問賬號是root,密碼是123456。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s113>library(RODBC)>myconn<-odbcConnect("myconnect",uid="root",pwd="123456")>mykc<-sqlFetch(myconn,"kc")#第一種方法導(dǎo)入kc表中數(shù)據(jù)>mykc1<-sqlQuery(myconn,"select*fromkc")#第二種方法導(dǎo)入crime表中數(shù)據(jù)>close(myconn)第二種方法提供了更為靈活地訪問數(shù)據(jù)庫的方式，它可以通過查詢語句將滿足一定條件以及所感興趣的字段導(dǎo)入到數(shù)據(jù)框中。例如：>mydata<-sqlQuery(myconn,"select姓名,成績fromxs_kcnaturaljoinxs")也就是將xs_kc和xs表進行自然連接，從兩個表中調(diào)取感興趣的數(shù)據(jù)（姓名和成績）。不過查看各個數(shù)據(jù)框時，中文并沒有正確顯示出來，我們看到是一堆亂碼，對于這種情況，需要進行如下處理單擊“Details”按鈕，如REF_Ref414473968\h圖210所示，單擊“Connection"選項卡，在“CharacterSet”（紅色線框內(nèi)）選擇編碼方式為gb2312，這對R處理中正確顯示數(shù)據(jù)庫中的中文字符至關(guān)重要；圖STYLEREF1\s2SEQ圖\*ARABIC\s110在CharacterSet列表中選擇gb2312因為此時有原先的連接存在，因此先運行close(mycoonn)命令，然后重新運行一下myconn<-odbcConnect("myconnect",uid="root",pwd="123456")命令，這時運行調(diào)入數(shù)據(jù)庫數(shù)據(jù)到數(shù)據(jù)框的命令，中文顯示正常。如果運行select語句失敗，可以將原先連接關(guān)閉掉，重新建立一次連接有可能解決問題。處理數(shù)據(jù)對象的實用函數(shù)length函數(shù)功能：用來返回某個對象中元素或成分的個數(shù)，例如：>length(mydata)[1]5表示mydata數(shù)據(jù)框有5個變量>length(mydata$date)[1]16表示數(shù)據(jù)框mydata的date變量有16個觀測值，即16條記錄值。使用length函數(shù)時有種特殊的情況，就是計算某個變量中取值的種類數(shù)，例如>a<-c(1,2,3,3,4,4)我們可以明顯得看到向量中元素的個數(shù)是6個，但取值的種類數(shù)只有4個，分別是1、2、3、4。如何求出變量取值的種類數(shù)呢？我們需要對向量實施unique函數(shù)，將向量中相同種類的取值唯一化，即：>unique(a)[1]1234此時再調(diào)用length函數(shù)，就能正確求出取值的種類數(shù)。完成的命令格式是：length(uique(函數(shù)名))如上例：>length(unique(a))[1]4dim函數(shù)功能：顯示某個對象的維度。例如：>dim(mydata)[1]165表示mydata有兩個維度，且行維度為16個行，列維度是5個列。str函數(shù)功能：顯示某個對象的結(jié)構(gòu)，例如：>str(mydata)'data.frame': 16obs.of5variables:$channel:Factorw/2levels"Mobile","PC":2222222211...$date:Factorw/8levels"2014/1/10","2014/1/16",..:1234567812...$beijing:num34224255443648335221...$shanghai:num42004683490949255262...$guangzhou:num5210560056775848NA...上述代碼就顯示了有多少觀測值，多少變量，每個變量的類型和部分取值。class函數(shù)功能：查詢某個對象的類型，例如：>class(mydata)[1]"data.frame"結(jié)果表示mydata是個數(shù)據(jù)框；>class(mydata$channel)[1]"factor"結(jié)果表示mydata中的變量channel類型是因子。head(object)功能：輸出對象object的開始部分，例如>head(mydata)#輸出mydata數(shù)據(jù)庫的開始幾行的數(shù)據(jù)值。rm(object)將工作環(huán)境中的對象object刪除。

數(shù)據(jù)基本處理將數(shù)據(jù)導(dǎo)入并以矩陣或者數(shù)據(jù)框結(jié)構(gòu)組織起來只是數(shù)據(jù)分析的第一步，我們可能要面臨大量的數(shù)據(jù)基本處理準(zhǔn)備工作，這一工作可能占到整個工作量60%以上，例如創(chuàng)建新變量、變量重編碼、數(shù)據(jù)篩選等工作。本節(jié)以一個假想的電商網(wǎng)站在北京、上海和廣州三地銷售額數(shù)據(jù)為例，介紹數(shù)據(jù)基本處理所涉及到的內(nèi)容和處理方法。該假想電商網(wǎng)站的銷售數(shù)據(jù)（部分）如所示：channeldatebeijingshanghaiguangzhouPC2014/1/10342242005210PC2014/2/26483349255848PC2014/3/752215262Mobile2014/2/26484958608319Mobile2014/3/749866135Mobile2014/6/22549169258724表STYLEREF1\s2SEQ表\*ARABIC\s15假想的電商網(wǎng)站銷售數(shù)據(jù)在上表的數(shù)據(jù)中，channel表示銷售渠道，有PC端和Mobile移動端兩種，date是銷售時間，beijing、shanghai、guangzhou分別是北京、上海和廣州的銷售額數(shù)據(jù)。原始數(shù)據(jù)存儲在計算機E盤data文件夾中的myfile.csv文件中，我們首先運行導(dǎo)入csv文件的R命令：mydata<-read.table("e:/data/myfile.csv",header=TRUE,sep=",")將數(shù)據(jù)導(dǎo)入到mydata數(shù)據(jù)框中。接下來以mydata數(shù)據(jù)框為例，實現(xiàn)各種數(shù)據(jù)的基本處理方法。變量的重命名如果對數(shù)據(jù)框中的變量名不滿意，可以通過交互式方式或者命令方式來進行修改。我們主要介紹交互方式的變量名修改，因為這是最為方便的修改方式。可以運行fix(mydata)命令彈出文本編輯器，單擊第一行的變量名，在變量編輯器中修改變量的名稱和類型即可。可參考上一節(jié)REF_Ref412233361\h圖25。創(chuàng)建新變量在一些數(shù)據(jù)處理項目中，可能需要創(chuàng)建新變量，例如在電商銷售表中，我們希望能知道電商網(wǎng)站三地銷售總額，并將其存放在一個新變量total中。創(chuàng)建新變量往往會涉及到一些基本算術(shù)運算，R語言中算術(shù)運算符及其含義如所示：運算符描述+加法-減法*乘法/除法^或**求冪2^2=4X%%Y求余，例如5%%2的結(jié)果為1X%/%Y整除，例如5%/%2的結(jié)果為2表STYLEREF1\s2SEQ表\*ARABIC\s16R語言算術(shù)運算符如果要進行字段的算術(shù)運算，那么excel的單元格設(shè)置數(shù)值格式時，一定不能使用千位分隔符，否則導(dǎo)入到R中時全部變成字符類型而非數(shù)值類型，運算處理就會出問題。對于創(chuàng)建total變量存放三地銷售總額的問題，如下代碼可以實現(xiàn)：代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s114>mydata$total<-mydata$beijing+mydata$shanghai+mydata$guangzhou代碼中，創(chuàng)建的新變量和參與計算的原有變量都需要指定隸屬的數(shù)據(jù)框。對于初學(xué)者，在創(chuàng)建新變量是容易有以下錯誤：錯誤代碼1：>total<-beijing+shanghai+guangzhou，對于這個代碼，因為R不知道各變量屬于哪個數(shù)據(jù)框，因此運行報錯。錯誤代碼2：total<-mydata$beijing+mydata$shanghai+mydata$guangzhou，該代碼可以正常運行，求和結(jié)果也存放在total中，但是total是個獨立的變量，而不隸屬于mydata數(shù)據(jù)框。變量的重編碼對原始數(shù)據(jù)處理中，可能需要對原有變量進行重編碼，即用其它值類型來替代原有值，例如原始數(shù)據(jù)中以1和0表示男女性別，有人認(rèn)為不直觀需要將其直接用“男”“女”來表示，再例如你需要將連續(xù)的數(shù)據(jù)劃分到若干區(qū)間，諸如分?jǐn)?shù)小于60為不及格等等之類的問題。變量的重編碼需要用到判斷條件，判斷條件為真值（TRUE，即條件成立）則執(zhí)行相應(yīng)的重編碼命令，判斷條件一般形式是邏輯運算表達(dá)式，對應(yīng)的邏輯運算符在所示。運算符功能運算符功能<小于<=小于等于>大于>=大于等于==等于!=不等于!x非xx|yX或者yx&yx且yisTRUE(x)測試x是否為TRUE表STYLEREF1\s2SEQ表\*ARABIC\s17R語言邏輯運算符假設(shè)我們需要根據(jù)total值進行分類，即小于10000等級為low，10000和15000之間為comm，大于15000為high，并將相應(yīng)的等級存儲于新變量level之中，所用的命令格式為：數(shù)據(jù)框名$變量名[判斷條件]<-新值具體代碼如下：代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s115>mydata$level<-NA>mydata$level[mydata$total<10000]<-"low">mydata$level[mydata$total>=10000&mydata$total<15000]<-"comm">mydata$level[mydata$total>=15000]<-"high"運行上述代碼后，mydata中將添加一個新變量，其值根據(jù)total值的范圍分別取為low、comm、high。這段代碼也可與寫成更為緊湊的形式：代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s116>within(mydata,{ level[total<10000]<<-"low" level[total>=10000&total<15000]<<-"comm" level[total>=15000]<<-"high"})使用within函數(shù)，各變量的前綴mydata$可與省略，即不必指定變量所屬的數(shù)據(jù)框，因為within已經(jīng)做了指定。缺失值在任何規(guī)模的數(shù)據(jù)分析項目中，總有可能遇到缺失值情況，即由于機器故障、問題未作答等原因?qū)е伦兞吭谀骋挥^測中沒有相應(yīng)的值，在R語言中，缺失值用NA表示。在分析中，含有缺失值的算術(shù)表達(dá)式或者函數(shù)其結(jié)果也將為NA，例如：>a<-c(2,3,NA,5)>sum(a)[1]NA上述代碼中，a被賦予一個包含缺失值的向量，對其用sum函數(shù)求和，結(jié)果也是NA，這并不是我們所希望的，好在很多函數(shù)中都提供na.rm=TRUE的選項，可以移除缺失值，用剩下的值進行運算，例如對于向量a，運行命令>sum(a,na.rm=TRUE)[1]10可以發(fā)現(xiàn)缺失值被移除了，并用剩下的值求和，得到正確的結(jié)果10。在用函數(shù)處理含有缺失值的數(shù)據(jù)時，務(wù)必查一下函數(shù)的幫助文檔（命令為help(函數(shù)名)），檢查該函數(shù)如何處理缺失值的。檢查是否有缺失值的函數(shù)的is.na()在一個數(shù)據(jù)集中，如果少量觀測含有缺失值而影響分析結(jié)果的話，可以通過函數(shù)na.omit()移除所有含有缺失值的觀測。例如na.omit(mydata)可以將mydata中所有包含缺失值的行刪除。不過如果數(shù)據(jù)集中有大量缺失值的情況下，na.omit()函數(shù)可能刪除大量數(shù)據(jù)，此時要用更高級方法來進行處理。注意：從ecxel表中導(dǎo)入數(shù)據(jù)時，缺失的單元格在R中可能顯示為空白，但它并不是缺失值，缺失值一定顯示為NA。解決辦法是將excel全選，用NA全部替換空白。日期值日期或時間通常以字符串形式輸入R中，或者從外部導(dǎo)入到R中的日期也是字符串形式。如果要在后期數(shù)據(jù)處理中將其作為日期值處理，必須將其轉(zhuǎn)化為日期變量類型，這點非常重要，否則對日期的處理會發(fā)生錯誤。將字符串形式的日期或時間轉(zhuǎn)化為日期變量類型，可以使用as.Date()函數(shù)，其語法為as.Date(x)，其中x是字符型日期數(shù)據(jù)。例如mydata中原始日期數(shù)據(jù)格式是“2014-01-12”的形式，可以用以下命令來轉(zhuǎn)換為日期型變量：>mydata$date<-as.Date(mydata$date)，轉(zhuǎn)化后的日期和轉(zhuǎn)換前格式是一樣的。如果希望改變?nèi)掌谛妥兞康母袷?，可以用format(x,"output_format")命令進行修改，其中x必須是日期型變量，output_format是日期呈現(xiàn)的格式（見REF_Ref412206479\h表28）。符號含義示例%d數(shù)字表示的日期（01~31）01~31%a縮寫的星期名Mon%A非縮寫的星期名Monday%m月份（01~12）01~12%b縮寫的月份Jan%B非縮寫的月份January%y兩位數(shù)的年份07%Y四位數(shù)的年份2007表STYLEREF1\s2SEQ表\*ARABIC\s18日期格式例如在執(zhí)行mydata$date<-as.Date(mydata$date)命令將date轉(zhuǎn)換為日期型變量后，再執(zhí)行命令：>mydata$date<-format(mydata$date,"%m/%d")，可以改變mydata中date變量的輸出格式，可運行命令觀察結(jié)果。Sys.Date()可以獲得當(dāng)前的日期，date()函數(shù)返回當(dāng)前的日期和時間。另外，日期可以直接做減法，得到兩個日期相鄰的天數(shù)。例如：代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s117>day<-as.Date("2015-02-21")-as.Date("1980-01-01")>dayTimedifferenceof12835days說明從1980年1月1日到2015年2月21日已經(jīng)過了12835天。在數(shù)據(jù)處理過程中，有以下幾種情況可能經(jīng)常遇到，那么這些情況下該如何用R語言進行處理？轉(zhuǎn)換年、月、日為日期如果在原始數(shù)據(jù)中，年、月和日分別存儲在不同的變量中，也就是它們是分離的，例如如下數(shù)據(jù)存儲方式：年月日訪問量20103271800201142124000201181832100而我們在處理的時候需要將它們合并為規(guī)范的日期形式，解決的方案是先使用ISOdate函數(shù)將分離的年月日聯(lián)結(jié)，然后對結(jié)果再調(diào)用as.Date函數(shù)轉(zhuǎn)換成日期數(shù)據(jù)，其調(diào)用格式為：as.Date(ISOdate(year,month,day))。例如：代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s118>year<-c(2012,2011,2011)>month<-c(2,4,8)>day<-c(27,21,18)>p<-as.Date(ISOdate(year,month,day))>p[1]"2012-02-27""2011-04-21""2011-08-18"不過，除非必要的情況下，并不建議將年月日分開來存儲時間信息，如果需要用到單個的年、月或者日的數(shù)據(jù)，可以用下面的相關(guān)解決方案來處理。提取日期的一部分對于提取日期數(shù)據(jù)的某一個部分，可以使用as.POSIXlt函數(shù)后得到一個POSIXlt對象，引用對象中的具體部分即可。具體例子如下：代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s119>p<-as.Date("2012-02-27")#創(chuàng)建一個日期型變量>p<-as.POSIXlt(p)#轉(zhuǎn)換POSIXlt對象>p$mday#調(diào)用日[1]27>p$mon#調(diào)用月[1]1>p$year#調(diào)用年[1]112不過這段代碼運行后，大家不知道有沒有看出什么問題？那就是調(diào)用的年和月與實際數(shù)據(jù)并不一致，這是因為POSIXlt對象里的月是從0開始計，也就是1月用0表示，2月用1表示，而年是當(dāng)前與1900年相隔多少年，因此，要得到具體的年和月，應(yīng)該對代碼調(diào)整，加上差值即可得到正確的數(shù)值：>p$mon+1；>p$year+1900。上例只是給出了POSIXlt對象的幾個引用，其完整的引用是：secminhourmdaymonyearwdayyday秒數(shù)分鐘數(shù)小時數(shù)日月份年份星期幾該年的第幾天0-590-590-231-310-111900起0-60-365該函數(shù)也可以對日期向量進行處理，結(jié)果得到包含多個年、月、日等分離數(shù)據(jù)的向量。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s120>mydate<c("2012-02-27","2011-04-21","2011-08-18")>p<-as.Date(mydate)>p<-as.POSIXlt(p)>p$mon+1[1]248>p$year+1900[1]201220112011數(shù)據(jù)類型轉(zhuǎn)換R中提供了一系列來用來判斷某個對象的類型和將其轉(zhuǎn)換為另一種類型的函數(shù)，前文所述的as.Date()就是轉(zhuǎn)換為日期型數(shù)據(jù)的一個函數(shù)，其它函數(shù)見REF_Ref412226834\h表29所示：判斷轉(zhuǎn)換is.numeric()判斷是否數(shù)值類型as.numeric()轉(zhuǎn)換為數(shù)值類型is.character()判斷是否字符類型as.character()轉(zhuǎn)換為字符類型is.vector()判斷是否向量as.vector()轉(zhuǎn)換為向量類型is.matrix()判斷是否矩陣as.matrix()轉(zhuǎn)換為矩陣類型is.data.frame()判斷是否數(shù)據(jù)框as.data.frame()轉(zhuǎn)換為數(shù)據(jù)框類型is.factor()判斷是否因子as.factor()轉(zhuǎn)換為因子is.logical()判斷是否邏輯值as.logical()轉(zhuǎn)換為邏輯類型表STYLEREF1\s2SEQ表\*ARABIC\s19類型判斷函數(shù)和類型轉(zhuǎn)換函數(shù)類型判斷函數(shù)返回值是TRUE或者FALSE，轉(zhuǎn)換函數(shù)將對象轉(zhuǎn)換為對應(yīng)的數(shù)據(jù)類型。在編程時可以利用類型判斷函數(shù)判斷對象的類型并調(diào)用相應(yīng)的處理程序，而某些R函數(shù)要求處理特定類型的對象，這些情況下類型判斷函數(shù)和類型轉(zhuǎn)換函數(shù)將派上很大用場。數(shù)據(jù)排序在R中，可以利用order()函數(shù)對一個數(shù)據(jù)框進行排序，默認(rèn)的排序是升序，在排序依據(jù)變量前加上負(fù)號則轉(zhuǎn)換為降序排序。排序的命令是：數(shù)據(jù)框名<-數(shù)據(jù)框名[order(排序字段1，排序字段2)，]以下例子表明了幾種R語言中對數(shù)據(jù)框進行排序的方法（有人喜歡在excel或者數(shù)據(jù)庫中先行進行排序，這也是一種方法選擇）。代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s1211.將mydata根據(jù)date變量升序排序，并保存在一個新數(shù)據(jù)框newdata中：>newdata<-mydata[order(mydata$date),]2.將mydata根據(jù)date排序，相同date值按照beijing變量值升序排序，并保存在一個新數(shù)據(jù)框newdata中：>attach(mydata)>newdata<-mydata[order(date,beijing),]>detach(mydata)3.將mydata根據(jù)date排序，相同date值按照beijing變量降序排列，并保存在一個新數(shù)據(jù)框newdata中：>attach(mydata)>newdata<-mydata[order(date,-beijing),]>detach(mydata)數(shù)據(jù)集的合并有時候，數(shù)據(jù)分散在不同的地方，在R中要對數(shù)據(jù)進行處理往往需要將這些分散的數(shù)據(jù)合并起來，合并有合并列和合并行的兩種方式：合并列合并列是橫向連接兩個數(shù)據(jù)框，使用的函數(shù)是merge()函數(shù)，兩個數(shù)據(jù)框是根據(jù)一個或多個共同變量來連接，以保證連接后的每一行都是同一個觀測的數(shù)據(jù)。一個簡單的合并過程如下：數(shù)據(jù)集A數(shù)據(jù)集BIDNamegender1TOMF2JACKMIDCOURSESCORE1MATH991COMPUTER922ENGLISH80將二者進行合并的命令代碼是：>merge(A,B,by="ID") 合并結(jié)果為：IDNamegenderCOURSESCORE1TOMFMATH991TOMFCOMPUTER922JACKMENGLISH80從合并結(jié)果看，根據(jù)ID可以判斷A和B兩個數(shù)據(jù)框中哪些行是屬于同一個觀測對象的，并在合并結(jié)果中將屬于同一觀測對象的行組成新的行。因此要用merge()函數(shù)進行數(shù)據(jù)框合并，則參加合并的數(shù)據(jù)框必須具有公共變量，而且要指定公共變量（可能不止1個）為合并依據(jù)，否則合并就不能成功或出現(xiàn)錯誤結(jié)果如果公共變量有多個，則函數(shù)命令變?yōu)椋簃erge(A,B,by=c(“公共變量1”,”公共變量2”,……))也可以不根據(jù)公共變量橫向合并兩個數(shù)據(jù)框，函數(shù)是cbind(A,B)，但是A和B必須按照相同方式排序而且行數(shù)要相等，我們并不提倡使用這種方法，出現(xiàn)錯誤幾率較大。合并行合并行是縱向合并兩個數(shù)據(jù)框，使用的函數(shù)和命令格式是：rbind(A,B)，使用這個函數(shù)的條件是兩個數(shù)據(jù)框必須具有同樣的變量。數(shù)據(jù)框A數(shù)據(jù)框BIdnamegender1TOMM2JACKMIdnamegender3KATEF4MARRIF5ANNAF運行命令：newAB<-rbind(A,B)結(jié)果為：Idnamegender1TOMM2JACKM3KATEF4MARRIF5ANNAF數(shù)據(jù)框選擇子集有時候我們需要選擇數(shù)據(jù)框的一個子集來進行處理，所謂子集是原數(shù)據(jù)框的一部分，子集的行滿足一定的條件，或者是原數(shù)據(jù)框中的某些列。R語言中提供subset()函數(shù)來進行子集選擇，命令格式是：subset(數(shù)據(jù)框名,選取行的條件,選取的列)選取行的條件一般是邏輯表達(dá)式，選取列的參數(shù)格式是select=c(變量1，變量2，……），如果subset()函數(shù)中缺失選取行的條件，則表示選擇所有的行；缺失選擇的列參數(shù)，則表示選擇所有的變量；如果要在子集中刪除部分列，則參數(shù)格式是select=c(-變量名1，-變量名2……），也即在需要刪除的列名前加上減號。以下代碼是選取子集的一些例子：代碼清單STYLEREF1\s2SEQ代碼清單\*ARABIC\s122選擇guangzhou變量值大于5000且小于6000的行：>newdata<-subset(mydata,guangzhou>5000&guangzhou<6000)選擇channel、date變量：>newdata<-subset(mydata,select=c(channel,date))選擇除了channel和date變量的其它全部變量：>newdata<-subset(mydata,select=c(-channel,-date))選擇滿足guangzhou變量值大于5000且小于6000的行，且只有channel和date變量:>newdata<-subset(mydata,guangzhou>5000&guangzhou<6000,select=c(channel,date))再次提醒，如果要刪除所有包括空值的行，不能用subset函數(shù)，而是要用na.omit（）函數(shù)。

數(shù)值和字符處理函數(shù)基本數(shù)值處理函數(shù)REF_Ref414091420\h表210給出常用的數(shù)學(xué)函數(shù)函數(shù)功能示例abs(x)求絕對值abs(-10)返回值是10sqrt(x)求平方根sqrt(25)返回值是5ceiling(x)求不小于x的最小整數(shù)ceiling(3.475)返回值是4

ceiling(-3.475)返回值是-3floor(x)求不大于x的最大整數(shù)floor(3.475)返回值是3

floor(-3.475)返回值是-4trunc(x)截取整數(shù)部分trunc(5.89)返回值是5

trunc(-5.89)的返回值是-5round(x,digits=n)將x舍定為指定小數(shù)位的小數(shù)round(3.475,digits=2)的返回值的3.48signif(x,digits=n)將x舍定為指定有效數(shù)字位數(shù)signif(3,475,digits=2)的返回值是3.5log(x,base=n)求以n為底的x的對數(shù)log(81,3)返回值是4log(x)求自然對數(shù)log(10)返回值是2.3026log10(x)求以10為底的x的對數(shù)log10(1000)返回值是3exp(x)求x的自然指數(shù)值exp(2.3026)返回值是10表STYLEREF1\s2SEQ表\*ARABIC\s110常用數(shù)學(xué)函數(shù)及其功能字符處理函數(shù)nchar(x)nchar函數(shù)功能是獲取字符串x里的字符個數(shù)，例如nchar("abcdedf")的返回值是7，nchar(c("ab","cde"))的返回值是c(2,3)。substr函數(shù)substr函數(shù)功能是提取或替換字符串向量中的子串，格式為substr(x,start,stop)，其中x是要處理的字符串，start是替換子串的起始位置，stop是替換子串的結(jié)束位置。例如，substr("abcdefgxyz",3,6)的返回值是"cdef"。再例如：>x<-"abcdefgxyz"