第二章 创建数据集
本章概要
1探索R数据结构
2使用数据编辑器
3数据导入
4数据集标注
本章所介绍内容概括例如以下。
两个方面的内容。
方面一：R数据结构
方面二：进入数据或者导入数据到数据结构
理解数据集
一个数据集通常由一个表格组合而成，行表示观測，列表示变量。
病人的数据集如表1所看到的。
表1 病人数据集
数据集可以反映数据结构、数据类型和内容。
数据结构
R数据结构如图2所看到的。
图2：R数据结构
数据结构即数据的组织方式。R数据结构包含向量、矩阵、数组、数据框和列表等。
R向量
R向量是一维数组，元素类型能够为数值型、字符型和逻辑型等。
函数c()可用来形成向量，比如：
> a <- c(1,2,3,4)
> b <- c("one", "two", "three", "four")
> c <- c(TRUE, TRUE, TRUE, TRUE)
向量元素数据类型必须同样，标量能够视为一个元素的向量。
向量元素获取方法，位置获取法或者逻辑获取法，比如：
> a[1]
[1] 1
> a[c(2,3)]
[1] 2 3
> a[2:4]
[1] 2 3 4
> a[a>2]
[1] 3 4
R矩阵
R向量是一个二维数组，矩阵中元素的数据类型必须同样。
创建矩阵的方法。即用矩阵函数。形式例如以下：
mymatrix <- matrix(vector, nrow=nrownum,ncol=ncolnum,byrow=logical_value,
dimnames=list(rownames_vector,colnames_vector))
创建矩阵。比如：
> x <- matrix(1:20, nrow=5, ncol=4)
> x
[,1] [,2] [,3] [,4]
[1,] 1 6 11 16
[2,] 2 7 12 17
[3,] 3 8 13 18
[4,] 4 9 14 19
[5,] 5 10 15 20
> cells <- c(1, 10, 100, 1000)
> rnames <- c("R1", "R2")
> cnames <- c("C1", "C2")
> mymatrix <- matrix(cells, nrow=2, ncol=2, byrow=TRUE, dimnames=list(rnames, cnames))
> mymatrix
C1 C2
R1 1 10
R2 100 1000
R数组
R数组与相似，但维数超过2维。
创建数组方法。即用数组函数，形式例如以下：
myarray <- array(vector, dimensions, dimnames)
创建数组，比如：
> dim1 <- c("A1", "A2")
> dim2 <- c("B1", "B2", "B3")
> dim3 <- c("C1", "C2", "C3", "C4")
> z <- array(1:24, c(2, 3, 4), dimnames=list(dim1, dim2, dim3))
> z
, , C1
B1 B2 B3
A1 1 3 5
A2 2 4 6
, , C2
B1 B2 B3
A1 7 9 11
A2 8 10 12
, , C3
B1 B2 B3
A1 13 15 17
A2 14 16 18
, , C4
B1 B2 B3
A1 19 21 23
A2 20 22 24
R数据框
R数据框中不同的列能够包括不同类型的内容。
表1病人数据集就能够使用R数据框来存放数据。
创建数据框，即用数据框函数，形式例如以下：
mydata <- data.frame(col1, col2, col3 ...)
创建数据框。比如：
> patientID <- c(1, 2, 3, 4)
> age <- c(24, 34, 28, 52)
> diabtetes <- c("Type1", "Type2", "Type1", "Type1")
> status <- c("Poor", "Improved", "Excellent", "Poor")
> patientdata <- data.frame(patientID, age, diabtetes, status)
> patientdata
patientID age diabtetes status
1 1 24 Type1 Poor
2 2 34 Type2 Improved
3 3 28 Type1 Excellent
4 4 52 Type1 Poor
获取数据框中的元素，比如：
> patientdata[1:2]
patientID age
1 1 24
2 2 34
3 3 28
4 4 52
> patientdata[,1]
[1] 1 2 3 4
> patientdata[1,]
patientID age diabtetes status
1 1 24 Type1 Poor
> patientdata[c("age", "status")]
age status
1 24 Poor
2 34 Improved
3 28 Excellent
4 52 Poor
> patientdata$age
[1] 24 34 28 52
> patientdata[,2]
[1] 24 34 28 52
R数据框生成交叉表，比如
> table(patientdata$diabtetes, patientdata$status)
Excellent Improved Poor
Type1 1 0 2
Type2 0 1 0
attach()函数能够把数据框增加到R的搜索路径。
detach()函数表示把数据框从R的搜索路径中移除。
R因子
分类或者有序分类变量在R中称为因子。
R 因子实比例如以下：
> patientID <- c(1, 2, 3, 4)
> age <- c(24, 34, 28, 52)
> diabtetes <- c("Type1", "Type2", "Type1", "Type1")
> status <- c("Poor", "Improved", "Excellent", "Poor")
> diabtetes <- factor(diabtetes)
> status <- factor(status, order=TRUE)
> patientdata <- data.frame(patientID, age, diabtetes, status)
> str(patientdata)
'data.frame': 4 obs. of 4 variables:
$ patientID: num 1 2 3 4
$ age : num 24 34 28 52
$ diabtetes: Factor w/ 2 levels "Type1","Type2": 1 2 1 1
$ status : Ord.factor w/ 3 levels "Excellent"<"Improved"<..: 3 2 1 3
> summary(patientdata)
patientID age diabtetes status
Min. :1.00 Min. :24.0 Type1:3 Excellent:1
1st Qu.:1.75 1st Qu.:27.0 Type2:1 Improved :1
Median :2.50 Median :31.0 Poor :2
Mean :2.50 Mean :34.5
3rd Qu.:3.25 3rd Qu.:38.5
Max. :4.00 Max. :52.0
R列表
R列表能够包括向量、矩阵、数据框、列表等。
创建列表的方法，即用列表函数，形式例如以下：
mylist <- list(object1, object2, ...)
创建列表。比如：
> g <- "My First List"
> h <- c(24, 12, 18, 29)
> j <- matrix(1:10, nrow=5)
> k <- c("one", "two", "three")
> mylist <- list(title=g, ages=h, j, k)
> mylist
$title
[1] "My First List"
$ages
[1] 24 12 18 29
[[3]]
[,1] [,2]
[1,] 1 6
[2,] 2 7
[3,] 3 8
[4,] 4 9
[5,] 5 10
[[4]]
[1] "one" "two" "three"
获取列表中的元素
> mylist[[1]]
[1] "My First List"
> mylist[[2]]
[1] 24 12 18 29
> mylist[2]
$ages
[1] 24 12 18 29
> mylist[["ages"]]
[1] 24 12 18 29
数据输入
R导入不同数据源，如图3所看到的。
图3：R导入不同数据源
R数据导入能够參阅R官方文档：http://cran.r-project.org/doc/manuals/R-data.pdf
R数据导入方式例如以下
方式一：从键盘导入，先创建一个空的数据框或者矩阵。后用edit()函数。
比如：
> mydata <- data.frame(age=numeric(0), weight=numeric(0))
> mydata <- edit(mydata)
> mydata
age weight
1 10 10
2 12 8
> fix(mydata) # 等价于mydata <- edit(mydata)
> mydata
age weight
1 10 10
2 12 8
3 8 7
方式二：从固定文本导入，使用函数read.table()，形式例如以下：
mydataframe <- read.table(file, header=logical_value, sep="delimiter", row.names="name")
方式三：从Excel导入，能够把Excel先转换为纯文本或者xxx.csv文件。使用方式二导入数据。或者在Windows操作系统，使用RODBC包中相关函数导入。比如：
> setwd("E:\data")
> getwd()
[1] "E:/data"
> install.packages("RODBC")
> library(RODBC)
> channel <- odbcConnectExcel("patient.xls")
> mydataframe <- sqlFetch(channel,"Sheet1")
> mydataframe
weight height
1 60 1.75
2 72 1.80
3 57 1.65
4 90 1.90
5 95 1.74
6 72 1.91
> odbcClose(channel)
> mydataframe
weight height
1 60 1.75
2 72 1.80
3 57 1.65
4 90 1.90
5 95 1.74
6 72 1.91
若是Excel2007及以上版本号，使用xlsx包中函数导入数据，比如：
> install.packages("xlsx")
> library(xlsx)
加载须要的程辑包：rJava
加载须要的程辑包：xlsxjars
> mydataframe1 <- read.xlsx("patient.xlsx", 1)
> mydataframe1
weight height
1 60 1.75
2 72 1.80
3 57 1.65
4 90 1.90
5 95 1.74
6 72 1.91
方式四：从xml导入，能够用xml包种方法导入。能够參阅： www.omegahat.org/RSXML
方式五：从网页爬虫导入。能够先下载网页，再用readLines()方法，參阅：www.programmingr.com
方式六：从spss导入，能够用foreign包的read.spass()方法或者Hmisc包的spss.get()方法。
方式七：从sas导入，SAS9.1版本号下面，能够用用foreign包的read.ssd()方法或者Hmisc包的sas.get()方法；更高版本号，能够使用商业统计数据转换软件或者把SAS结果输出为csv格式。再用read.table()导入。
方式八：从stas导入，用foreign包的read.dta()方法。
方式九：从nteCDF导入，用ncdf或者ncdf4包中的方法。
方式十：从HDF5导入。用hdf5包中的方法。
方式十一：从DBMS导入。用包ODBC中方法。ODBC方法如图4所看到的。
图4： RODBC包的函数
一些与数据库打交道的包，比如：DBI、RJDBC、RMySQL、ROracle、RPostgreSQL和RSQLite等。
方式十二：从stattransfer导入
利用一个商业化软件stattransfer实现数据格式转换，參阅：www.stattransfer.com
标注数据
利用标准数据使得结果更易理解。通过变量标签或者值标签来标准数据。
工作于数据对象的实用函数
工作于数据对象的一些实用函数如图5所看到的：
图5：工作于数据对象的实用函数
总结
1 数据分析任务的挑战之中的一个就是数据准备。
2R组织数据的方式，向量、矩阵、数组、数据库、列表等
3R数据导入方式
Resource:
1http://www.wangluqing.com/2014/06/r-in-action-note3/
2《R in action》第一部分第二章创建数据集