数据的清理
如同列夫托尔斯泰所说的那样：“幸福的家庭都是相似的，不幸的家庭各有各的不幸”，糟糕的恶心的数据各有各的糟糕之处，好的数据集都是相似的。一份好的，干净而整洁的数据至少包括以下几个要素：
1、每一个观测变量构成一列
2、每一个观测对象构成一行
3、每一个类型的观测单元构成一个表
就像我们最常接触的鸢尾花数据：
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa每一列就是观测的指标：花瓣长度，花瓣宽度，萼片长度，萼片宽度，种类；每一行就是一株鸢尾花的观测值，构成整张表的元素就是四个数值变量，一个分类分类变量。
然而出于排版的考虑我们抓下来的数据往往不是那么的友好，比如说我们可以看到的数据通常是这样的：
## religion <10k 10k-50k 50k-100k
## 1 Agnostic 12 31 23
## 2 Buddhist 58 43 43
## 3 Catholic 79 56 23而不是：
## religion income freq
## 1 Agnostic <10k 12
## 2 Agnostic 10k-50k 58
## 3 Agnostic 50k-100k 79
## 4 Buddhist <10k 31
当然，除了这种把列表每一列代表一些数值这种情况外，还有多个变量储存为一列(比如列表不仅以"<10k","10k-50k","50k-100k"做表头，甚至还加上性别信息"m<10k","m10k-50k","m50k-100k"，"f<10k","f10k-50k","f50k-100k",其中m代表男性，f代表女性)，还有更过分的将列表的变量不仅储存在列中，行中也有统计变量。
面对这些不好的table，我们首先要做的就是数据管理，将数据整理为一个干净的数据集。
数据管理
按照en:DAMA的定义：“数据资源管理，致力于发展处理企业数据生命周期的适当的建构、策略、实践和程序”。这是一个高层而包含广泛的定义，而并不一定直接涉及数据管理的具体操作（如关系数据库的技术层次上的管理）。我们这里主要讲述对于数据的变量命名与数据的合并，旨在方便数据共享。
数据管理首先要做的就是大致上了解你的数据，比如有什么样的变量，每一行大致长成什么样，最常用的就是head(),tail().
我们要做的基本上就是这么几项工作：
-
给每一个变量命名，而不是V1，V2，如果有必要可以给出code book。
-
每个变量名最好具有可读性，除非过长，否则不要用缩写，例如AgeAtDiagnosis这个命名远好于AgeDx。
-
通常来说，最好将数据放在一张表里面，如果因为数据过多，项目过杂，分成了几张表。那么一定需要有一列使得这些表之间能够连接起来，但尽量避免这样做。
我们以UCI的Human Activity Recognition Using Smartphones Data Set 为例来看看数据是如何变成一个基本符合要求的数据。这个数据我们已经下载下来了，其中关于数据的详细信息可以参阅read me文档，由于UCI的数据通常都是一个基本合乎规范的数据集（主要是指它的数据集的变量名都是以V1，V2来命名的）加上一个code book。那么我们看看各个数据的名称（在feature文件里）
setwd("F:/coursera/Data Science/peer assignment/get clean and tidy data/UCI HAR Dataset")name <- read.table("./features.txt", stringsAsFactors = F)
head(name)
## V1 V2
## 1 1 tBodyAcc-mean()-X
## 2 2 tBodyAcc-mean()-Y
## 3 3 tBodyAcc-mean()-Z
## 4 4 tBodyAcc-std()-X
## 5 5 tBodyAcc-std()-Y
## 6 6 tBodyAcc-std()-Z我们可以看到各个特征的名称直接标在数据上是非常不友善的，我们为了让他具有可读性，我们以展示在我们眼前的6个数据为例：
variablename <- head(name)# 将标签中的大写字母转为小写，我们这里没有所以不再赋值，如果需要全变为大写，可以使用touppertolower(variablename$V2)
## [1] "tbodyacc-mean()-x" "tbodyacc-mean()-y" "tbodyacc-mean()-z"
## [4] "tbodyacc-std()-x" "tbodyacc-std()-y" "tbodyacc-std()-z"# 将变量名分离成3部分splitNames <- strsplit(variablename$V2, "-")splitNames[[1]]
## [1] "tBodyAcc" "mean()" "X"# 将变量名合成有意的名称named <- function(x) { rr <- paste(x[2], x[1], "-", x[3], sep = "")
chartr("()", "of", rr)
}
sapply(splitNames, named)
## [1] "meanoftBodyAcc-X" "meanoftBodyAcc-Y" "meanoftBodyAcc-Z"
## [4] "stdoftBodyAcc-X" "stdoftBodyAcc-Y" "stdoftBodyAcc-Z"用这样的名字给数据集命名就感觉舒服多了，我们将一些R中对字符串常用的操作函数总结如下，方便我们对数据名称的修改：
-
sub：替换字符串中的第一个模式为设定模式(pattern).
-
gsub:全局替换字符串中的相应模式
-
grep,grepl:这两个函数返回向量水平的匹配结果，grep仅返回匹配项的下标，而grepl返回所有的查询结果，并用逻辑向量表示有没有找到匹配。
-
nchar:统计字符串单字数目
-
substr:取子串
-
paste:将字符串链接起来，sep参数可以设置连接符
-
str_trim:去掉字符串空格
变量的名称建议满足如下要求：
-
英文变量名尽可能用小写
-
尽可能的描述清楚变量特征 (Diagnosis versus Dx)
-
不要太复杂
-
不要有下划线、点、空格
字符型变量应该满足：
-
是因子类型的应该转化为factor
-
因子尽可能具有一定的描述性 (例如：如果0/1表示真假，那么用TRUE/FALSE代替0/1；在表示性别时用Male/Female代替M/F)
接下来我们讨论数据集的合并，主要使用函数merge。
我们以下面两个数据集的合并为例：
df1 <- data.frame(id = sample(1:10), reviewer_id = sample(5:14), time_left = sample(1321:1330),
x = rnorm(10))df2 <- data.frame(id = sample(1:10), answer = rep("B", 10), time_left = sample(321:330),
y = rnorm(10))
head(df1, n = 3)
## id reviewer_id time_left x
## 1 3 9 1326 -0.9232
## 2 10 5 1322 2.5069
## 3 1 14 1330 2.2478head(df2, n = 3)
## id answer time_left y
## 1 1 B 329 0.8180
## 2 10 B 327 1.4639
## 3 9 B 323 0.8141merge函数调用格式为：
merge(x, y, by = intersect(names(x), names(y)),
by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all,
sort = TRUE, suffixes = c(".x",".y"),
incomparables = NULL, ...)参数说明：
-
x,y:两个数据框
-
by, by.x, by.y:指定用于合并的列的名称。
-
all,all.x,all.y:默认的all = FALSE相当于自然连接, 或者说是内部链接. all.x = TRUE是一个左连接, all.y = TRUE是一个又连接, all = TRUE 相当于一个外部链接.
仔细观察下面3个例子你就会发现其中的奥秘：
mergedData <- merge(df1,df2,by.x="reviewer_id",by.y="id",all=TRUE)
head(mergedData)
## reviewer_id id time_left.x x answer time_left.y y
## 1 1 NA NA NA B 329 0.8180
## 2 2 NA NA NA B 330 -0.7706
## 3 3 NA NA NA B 325 -0.4851
mergedData <- merge(df1,df2,by.x="id",by.y="id",all=TRUE)
head(mergedData)
## id reviewer_id time_left.x x answer time_left.y y
## 1 1 14 1330 2.24783 B 329 0.8180
## 2 2 12 1324 1.03181 B 330 -0.7706
## 3 3 9 1326 -0.92317 B 325 -0.4851
## 4 4 7 1321 -0.07841 B 322 0.1801
mergedData2 <- merge(df1,df2,all=TRUE)
head(mergedData2)
## id time_left reviewer_id x answer y
## 1 1 329 NA NA B 0.8180
## 2 1 1330 14 2.2478 <NA> NA
## 3 2 330 NA NA B -0.7706
在plyr包中还提供了join，join_all，arrange等函数来实现表的连接，但我想merge这个函数已经足够用了，所以我们不在多说。当然，在极少数特别好的情况下（比如列的变量是一致的，或者行的观测个体是一致的时候）rbind,cbind也是有用的。
有些时候我们会遇到一些特殊的字符串：日期。R中提供了各式各样的函数来处理时间：
Sys.setlocale("LC_TIME", "C")
## [1] "C"x <- c("1jan1960", "2jan1960", "31mar1960", "30jul1960")z <- as.Date(x, "%d%b%Y")
format(z, "%a %b %d")
## [1] "Fri Jan 01" "Sat Jan 02" "Thu Mar 31" "Sat Jul 30"weekdays(z)
## [1] "Friday" "Saturday" "Thursday" "Saturday"julian(z)
## [1] -3653 -3652 -3563 -3442
## attr(,"origin")
## [1] "1970-01-01"transform(z, weekend = as.POSIXlt(z, format = "%Y/%m/%d")$wday %in% c(0, 6))
## X_data weekend
## 1 1960-01-01 FALSE
## 2 1960-01-02 TRUE
## 3 1960-03-31 FALSE
## 4 1960-07-30 TRUE数据操作与整合
说到数据操作，这也是一个十分宽泛的话题，在这里我们就以下4个方面进行介绍：
-
数据的筛选，过滤：根据一些特定条件选出或者删除一些观测
-
数据的变换：增加或者修改变量
-
数据的汇总：分组计算数据的和或者均值
-
数据的排序：改变观测的排列顺序
然而在进行这一切之前首先要做的就是了解你的数据，我们以世界银行的数据Millennium Development Goals为例，来一步步演示如何进行数据操作：
if (!file.exists("C:/Users/yujun/Documents/MDG_Data.csv")) {
download.file("http://databank.worldbank.org/data/download/MDG_csv.zip","F:/MDG.zip")
unzip("F:/MDG.zip")
}MDstats<-read.csv("C:/Users/yujun/Documents/MDG_Data.csv")
首先先来看一部分数据：
head(MDstats)
## Country.Name Country.Code
## 1 Afghanistan AFG
## 2 Afghanistan AFG
## 3 Afghanistan AFG
tail(MDstats)
## Country.Name Country.Code
## 33093 Zimbabwe ZWE
## 33094 Zimbabwe ZWE
## 33095 Zimbabwe ZWE
## 33096 Zimbabwe ZWE
我们显然发现了这不是一个tidy data，那么我们先将其变换为我们喜欢的tidy data，之后再看看数据摘要及数据集各单元的属性：
## countryname countrycode
## 1 Afghanistan AFG
## 2 Afghanistan AFG
## 3 Afghanistan AFG
## 4 Afghanistan AFG
## 5 Afghanistan AFG
## 6 Afghanistan AFG
## indicatorname
## 1 Adolescent fertility rate (births per 1,000 women ages 15-19)
## 2 Agricultural support estimate (% of GDP)我们可以看看各个数值数据的分位数：
quantile(MDstatsMelt$value,na.rm=TRUE)
## 0% 25% 50% 75% 100%
## -9.431e+08 1.054e+01 5.060e+01 9.843e+01 7.526e+13看看各个国家的统计数据有多少：
table(MDstatsMelt$countrycode)
##
## ABW ADO AFG AGO ALB ARB ARE ARG ARM ASM ATG AUS AUT AZE BDI
## 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216
## BEL BEN BFA BGD BGR BHR BHS BIH BLR BLZ BMU BOL BRA BRB BRN
看看缺失值：
sum(is.na(MDstatsMelt$value)) #总的缺失值
## [1] 495519colSums(is.na(MDstatsMelt)) #每一列的缺失值
## countryname countrycode indicatorname indicatorcode year
## 0 0 0 0 0
## value
## 495519# 如果我们用回tidy前的数据集，那么这个函数会显得比较有用colSums(is.na(MDstats))
## Country.Name Country.Code Indicator.Name Indicator.Code X1990
## 0 0 0 0 23059
## X1991 X1992 X1993 X1994 X1995
## 22293 21672 21753 21491 20970
## X1996 X1997 X1998 X1999 X2000
## 20680 20448 20419 19933 18822
# 等价的处理方式stat <- function(x) {
sum(is.na(x))
}
tapply(MDstatsMelt$value, MDstatsMelt$year, stat)
## X1990 X1991 X1992 X1993 X1994 X1995 X1996 X1997 X1998 X1999 X2000 X2001
## 23059 22293 21672 21753 21491 20970 20680 20448 20419 19933 18822 19598
## X2002 X2003 X2004 X2005 X2006 X2007 X2008 X2009 X2010 X2011 X2012 X2013
## 19119 19478 19269 18704 19044 18641 19256 19162 18756 20360 21967 30625统计某个国家的统计数据占总统计数目的多少
table(MDstatsMelt$countryname %in% c("China"))
##
## FALSE TRUE
## 791136 3216prop <- table(MDstatsMelt$countryname %in% c("China"))[2]/sum(table(MDstatsMelt$countryname %in% c("China")))prop
## TRUE
## 0.004049看看数据集的大小：
object.size(MDstatsMelt)
## 22301832 bytesprint(object.size(MDstatsMelt),units="Mb")
## 21.3 Mb至此，我们可以说我们对数据有了一定的了解。另外值得一提的是，对于某些特定的数据，也许xtabs，ftable是有用的。
数据的筛选
要提取相应内容的数据，最为常用的就是提取相应元素，比如提取某个元素，提取某一行，某一列。我们通过下面下面的例子来学习：
data<-data.frame(a=sample(1:10),b=rep(c("a","b"),each=5),cdf=rnorm(10))data
## a b cdf
## 1 1 a 0.5755
## 2 10 a 0.8087
## 3 2 a 0.9810
## 4 7 a -0.4635
## 5 4 a 0.5094
#提取相应元素data[2,1]
## [1] 10data[[1]][[2]]
## [1] 10data[[c(1,2)]]
## [1] 10data$a[2]
## [1] 10#提取某一列data[[3]]
## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
## [9] 1.0004 -1.3566data$cdf
## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
## [9] 1.0004 -1.3566data$c
## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
## [9] 1.0004 -1.3566data[["c"]]
## NULLdata[["c", exact = FALSE]]
## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
## [9] 1.0004 -1.3566数据的筛选还有一个最为常用的的就是移除缺失值：
data<-data.frame(a=c(sample(1:5),NA,NA,sample(6:10)),b=c(rep(c("a","b"),each=5),NA,NA),cdf=rnorm(12))data
## a b cdf
## 1 5 a -0.276400
## 2 1 a -1.861240
good <- complete.cases(data)data[good, ]
## a b cdf
## 1 5 a -0.2764
## 2 1 a -1.8612
## 3 3 a -2.0280
bad <- as.data.frame(is.na(data))data[!(bad$a|bad$b|bad$c),]
## a b cdf
## 1 5 a -0.2764
## 2 1 a -1.8612
数据筛选有时是为了获得符合条件的数据：
X <- data.frame("var1"=sample(1:5),"var2"=sample(6:10),"var3"=sample(11:15))X <- X[sample(1:5),]; X$var2[c(1,3)] = NAX
## var1 var2 var3
## 2 5 NA 13
## 5 3 6 15
## 1 2 NA 12
## 3 1 8 11
## 4 4 9 14X[(X$var1 <= 3 & X$var3 > 11),]
## var1 var2 var3
## 5 3 6 15
## 1 2 NA 12subset(X,(X$var1 <= 3 & X$var3 > 11))
## var1 var2 var3
## 5 3 6 15
## 1 2 NA 12X[(X$var1 <= 3 | X$var3 > 15),]
## var1 var2 var3
## 5 3 6 15
## 1 2 NA 12
## 3 1 8 11X[which(X$var1 <= 3 | X$var3 > 15),]
## var1 var2 var3
## 5 3 6 15
## 1 2 NA 12
## 3 1 8 11对于取子集的函数subset，在帮助文档中有一段warning是值得我们注意的：“This is a convenience function intended for use interactively. For programming it is better to use the standard subsetting functions like [, and in particular the non-standard evaluation of argument subset can have unanticipated consequences."
数据的变换
常见的数据变换函数有：
-
abs(x) 绝对值
-
sqrt(x) 开根号
-
ceiling(x) 求上线，例：ceiling(3.475) = 4
-
floor(x) 求下线，例：floor(3.475) = 3
-
round(x,digits=n) 四舍五入，例：round(3.475,digits=2) = 3.48
-
signif(x,digits=n) 四舍五入，例：signif(3.475,digits=2) = 3.5
-
cos(x), sin(x) etc.三角变换
-
log(x) 对数变换
-
log2(x), log10(x) 以2、10为底的对数变换
-
exp(x) 指数变换
除此以外，我们还经常对数据加标签，以期在回归中测量其效应。我们以MASS包的shuttle数据集为例,想知道不同类型的风(wind)是否需要使用不同的装载机(use)，这里我们希望将head wind标记为1，auto use也记为1，我们可以按照如下办法设置虚拟变量：
library(MASS)
data(shuttle)
head(shuttle)
## stability error sign wind magn vis use
## 1 xstab LX pp head Light no auto
## 2 xstab LX pp head Medium no auto
## 3 xstab LX pp head Strong no auto
## 4 xstab LX pp tail Light no auto
## 5 xstab LX pp tail Medium no auto
## 6 xstab LX pp tail Strong no auto## Make our own variables just for illustrationshuttle$auto <- 1 * (shuttle$use == "auto")shuttle$headwind <- 1 * (shuttle$wind == "head")
head(shuttle)
## stability error sign wind magn vis use auto headwind
## 1 xstab LX pp head Light no auto 1 1
## 2 xstab LX pp head Medium no auto 1 1
当然对于因子类型变量，relevel函数在线性模型的分析中也是能取得等价效果的。
有些时候，我们还常常将连续数据离散化，这时我们需要用到函数cut：
data <- rnorm(1000)
table(cut(data, breaks = quantile(data)))
##
## (-3.28,-0.637] (-0.637,0.0321] (0.0321,0.672] (0.672,3.37]
## 249 250 250 250library(Hmisc)
table(cut2(data, g = 4))
##
## [-3.2847,-0.6372) [-0.6372, 0.0334) [ 0.0334, 0.6829) [ 0.6829, 3.3704]
## 250 250 250 250detach("package:Hmisc", unload = TRUE)
获得分组区间后，我们只需要将区间的因子重命名就成功的实现了数据的离散化。
数据的汇总
对数据进行汇总，分类汇总是我们也比较常用的，比如对行或列求和，求均值，求分位数：
data <- matrix(1:16, 4, 4)data
## [,1] [,2] [,3] [,4]
## [1,] 1 5 9 13
## [2,] 2 6 10 14
## [3,] 3 7 11 15
## [4,] 4 8 12 16apply(data, 2, mean)
## [1] 2.5 6.5 10.5 14.5apply(data, 1, sum)
## [1] 28 32 36 40apply(data, 1, quantile, probs = c(0.25, 0.75))
## [,1] [,2] [,3] [,4]
## 25% 4 5 6 7
## 75% 10 11 12 13apply(data, 2, quantile, probs = c(0.25, 0.75))
## [,1] [,2] [,3] [,4]
## 25% 1.75 5.75 9.75 13.75
## 75% 3.25 7.25 11.25 15.25有时候，为了更快些，我们会用一些函数替代apply：
-
rowSums = apply(x, 1, sum)
-
rowMeans = apply(x, 1, mean)
-
colSums = apply(x, 2, sum)
-
colMeans = apply(x, 2, mean)
我们有时也会处理一些列表，对列表的分类汇总我们会用到sapply,lapply，不同的是前者返回一个向量或矩阵，后者返回一个列表，例：
x <- list(a = 1:10, beta = exp(-3:3), logic = c(TRUE,FALSE,FALSE,TRUE))
lapply(x, mean)
## $a
## [1] 5.5
##
## $beta
## [1] 4.535
##
## $logic
## [1] 0.5sapply(x, mean)
## a beta logic
## 5.500 4.535 0.500# median and quartiles for each list elementlapply(x, quantile, probs = 1:3/4)
## $a
## 25% 50% 75%
## 3.25 5.50 7.75
##
## $beta
## 25% 50% 75%
## 0.2516 1.0000 5.0537
##
## $logic
## 25% 50% 75%
## 0.0 0.5 1.0sapply(x, quantile)
## a beta logic
## 0% 1.00 0.04979 0.0
## 25% 3.25 0.25161 0.0
## 50% 5.50 1.00000 0.5
## 75% 7.75 5.05367 1.0
## 100% 10.00 20.08554 1.0有时候我们还会进行分类汇总，如统计男女工资均值,这时你可以用tapply：
group <- (rbinom(32, n = 20, prob = 0.4))groups <- factor(rep(1:2,10))
tapply(group, groups, length)
## 1 2
## 10 10tapply(group, groups, sum)
## 1 2
## 135 122tapply(group, groups, mean)
## 1 2
## 13.5 12.2数据的排序
数据的排序需要用到的函数常见的有sort和order，其中sort返回排序的结果，order返回对应数据的排名。例：
X <- data.frame("var1"=sample(1:5),"var2"=sample(6:10),"var3"=sample(11:15))X <- X[sample(1:5),]X$var2[c(1,3)] <- NAsort(X$var2,decreasing=TRUE)
## [1] 9 8 6sort(X$var2,decreasing=TRUE,na.last=TRUE)
## [1] 9 8 6 NA NAorder(X$var2,decreasing=TRUE)
## [1] 2 5 4 1 3order(X$var2,decreasing=TRUE,na.last=TRUE)
## [1] 2 5 4 1 3X[order(X$var2),]
## var1 var2 var3
## 2 1 6 13
## 5 5 8 15
## 4 4 9 11
## 1 2 NA 14
## 3 3 NA 12#deal with the linkX$var2[c(1)] <- sample(na.omit(X$var2),1)X[order(X$var2,X$var3),]
## var1 var2 var3
## 2 1 6 13
## 5 5 8 15
## 4 4 9 11
## 1 2 9 14
## 3 3 NA 12有些时候，更为强大的aggregate函数是我们需要的，我们以R的内置数据集state.x77为例：
aggregate(state.x77, list(Region = state.region, Cold = state.x77[,"Frost"] > 130), mean)
## Region Cold Population Income Illiteracy Life Exp Murder HS Grad
## 1 Northeast FALSE 8802.8 4780 1.1800 71.13 5.580 52.06
## 2 South FALSE 4208.1 4012 1.7375 69.71 10.581 44.34
## 3 North Central FALSE 7233.8 4633 0.7833 70.96 8.283 53.37
## 4 West FALSE 4582.6 4550 1.2571 71.70 6.829 60.11
## 5 Northeast TRUE 1360.5 4308 0.7750 71.44 3.650 56.35
## 6 North Central TRUE 2372.2 4589 0.6167 72.58 2.267 55.67
当然，这里还有一个更为基本与灵活的函数，split，可以帮助你将数据分为若干张满足分类条件的表，你可以一张一张的处理它们：
library(datasets)
head(airquality)
## Ozone Solar.R Wind Temp Month Day
## 1 41 190 7.4 67 5 1
## 2 36 118 8.0 72 5 2
## 3 12 149 12.6 74 5 3
## 4 18 313 11.5 62 5 4
## 5 NA NA 14.3 56 5 5