给女朋友写的生统资料_Part5

之前我们已经了解了如何去提取行、列数据。这部分我们讲讲如何筛选自己想要的数据。生统常见的一个数据提取问题就是，提取某某处理的那部分数据进行一些检验。比如，在有3种种子的数据中，提取出1号种子对应的数据。这时候，尽管我们可以根据1号种子的数字索引来提取，但这终归不是一个好的方法，因为一旦数据是打乱的，我们就无法知道正确的数字索引，从而进行提取了。所以，这时候，我们就应该使用我们之前讲过的逻辑运算符来进行操作。

顺便提下，我们之前在介绍数据框的时候，把行叫做观测，而把列叫做变量。所以我们在提取行的时候，就是在提取我们感兴趣的观测，而在提取列的时候，就是在提取我们感兴趣的变量。为什么我要翻来覆去地说这个呢，是因为我觉得以行作为观测，列作为变量是一个比较好的呈现数据的方式，也是后面很多我们生统要用到的包需要的格式。也是后面我们在说长宽数据转换时候要再次提到的一点。我们再来看一下糖尿病人的例子。

> patientID <- c(1, 2, 3, 4)
> age <- c(25, 34, 28, 52)
> diabetes <- c("Type1", "Type2", "Type1", "Type1")
> status <- c("Poor", "Improved", "Excellent", "Poor")
> patientdata <- data.frame(patientID, age, diabetes, status)
> patientdata
  patientID age diabetes    status
1         1  25    Type1      Poor
2         2  34    Type2  Improved
3         3  28    Type1 Excellent
4         4  52    Type1      Poor

这里是 4 行，就是 4 个观测值，4 个病人。这里有 4 列，4 个变量，就是用 4 个不同地指标去衡量了这些病人。当然，我们也会遇见不是这样格式的数据，比如我们在第五次生统作业上遇见的那个用药的数据集

> test2 <- read.table("rawdata/test2.txt",header = T)
> head(test2)
  control   low middle  high
1   20.79 22.22  28.56 31.93
2   22.91 24.74  28.67 37.94
3   27.21 21.53  25.28 39.76
4   19.34 19.66  30.28 27.94
5   17.85 25.89  23.13 29.65
6   23.79 29.10  23.47 34.23

这个数据集是 15 行，4 列。但我们并不能说我们做了 15 个观测，应用了 4 个变量。实际上，我们根据题目可知，总共是 60 只小鼠，只用了 1 个变量，即用药的浓度。你会发现这个数据集的每一行都不是同一只老鼠，但前面的糖尿病人数据集，每一行都是同一个病人，所以我们可以说每一行都是一个观测。

初次学 R 的人，对于这种数据的结构可能会感到困惑。不过不要紧，数据处理多了，就会慢慢清晰起来。

顺便提一下，现在生物学的数据跟传统社会学的数据有一个很大的不同就是，社会学的数据往往是低维度，高观测，而生物学的数据则恰好相反，是高维度，低观测的。这里的维度指的就是变量。举个例子，比如你要分发问卷给别人来统计大家对你的产品感不感兴趣，你可能在问卷上只有 2 个问题（2个变量，2个维度），但你却分发给了 1w 个人（1w 个 观测）。生物学的例子就好比，你对 100 个植株进行了 50w 个SNP位点的分析，这里就是 100 个观测，50w 的维度。数据结构的不同，就会导致分析方法的不同。

由于生统的数据列数最多也就 4,5 列，加上整列的提取并不需要逻辑运算符，所以后面的提取不涉及到列的提取。同时，为了让大家加深印象，我会交叉地用行以及观测这两个名词。

利用 [] 来提取感兴趣的观测

我们之前在向量里面提到过，如何提取符合条件的数据，这里运用的方法也是一样的，也是利用 which 或者 TRUE 来提取。不过在提取数据框数据的时候，我有一个小建议，就是分步完成你的提取任务。我们还是拿糖尿病人的数据集为例子。比如我们希望提取出年龄大于 30 岁的糖尿病人的数据。

# 先得到索引
> patientdata$age > 30
[1] FALSE  TRUE FALSE  TRUE
> which(patientdata$age > 30)
[1] 2 4

# 把索引输入 [] 里面
> patientdata[patientdata$age > 30,]
  patientID age diabetes   status
2         2  34    Type2 Improved
4         4  52    Type1     Poor
> patientdata[which(patientdata$age > 30),]
  patientID age diabetes   status
2         2  34    Type2 Improved
4         4  52    Type1     Poor

# 有时候嫌得到索引那步比较长，就可以把索引结果存为一个变量
> result <- patientdata$age > 30
> patientdata[result,]
  patientID age diabetes   status
2         2  34    Type2 Improved
4         4  52    Type1     Poor

patientdata$age > 30 提取出来的索引值顺利能够放入数据框 [] 的逗号前面是因为我们之前提到过，数据框每列是等长的。想象下，我们有 4 个观测，我们我们用 patientdata$age 提取出来的，实际上是一串有 4 个值的向量，我们对向量进行了逻辑运算符，然后得到了 4 个 TRUE 或者 FALSE值，然后我们就可以把这些 TRUE 或者 FALSE 值和我们的观测一一对应。从而提出我们想要的观测。

事实上，在利用索引提取的时候，我还犯了个小错误，就是把索引输入到了错误的数据框里面，但并没有报错。

> test2[result,]
   control   low middle  high
2    22.91 24.74  28.67 37.94
4    19.34 19.66  30.28 27.94
6    23.79 29.10  23.47 34.23
8    18.53 18.64  29.62 29.13
10   20.14 25.49  34.64 36.15
12   19.36 22.69  29.22 24.07
14   24.13 20.36  35.12 35.24

这个故事告诉我们的是，索引得到的只是一串数字，他并不跟你产生这个索引结果的数据集有一毛钱的关系。

不要认为 R 的命令是黑箱，一步步地去拆解命令，你就可以很清晰地理解。

如果我们想要两个条件呢，即年龄大于30岁，且犯的是 Type I 型糖尿病呢。年龄大于 30 用的是 > ，I 型糖尿病用的是等于 == ,那且是什么呢。就是我们之前提到的与或非了。

运算符	描述
x | y	x或y
x & y	x和（且）y

非的话是 !，不等于是 != 。不过我们估计是用不到的，所以我这里也就不讲了。

再次来提取我们想要的观测

# 先得到索引
> patientdata$age > 30
[1] FALSE  TRUE FALSE  TRUE
> patientdata$diabetes == "Type1"
[1]  TRUE FALSE  TRUE  TRUE
> patientdata$age > 30 & patientdata$diabetes == "Type1"
[1] FALSE FALSE FALSE  TRUE

# 提取
> patientdata[patientdata$age > 30 & patientdata$diabetes == "Type1",]
  patientID age diabetes status
4         4  52    Type1   Poor

我们还可以在提取我们想要的观测的同时，提取一部分变量（列）出来

> patientdata[patientdata$age > 30,c("age","status")]
  age   status
2  34 Improved
4  52     Poor

利用subset来提取

前面的那番操作大家可能会感觉写的有点长，那有没有一些简写呢，事实上是有的。你可以利用 R 基本包的 subset 函数来进行跟上面一模一样的操作。

别忘了用 ？ 来看看这个函数

有些人可能会提到用 attach 这个函数把数据框添加到 R 的搜索路径中，但实际上我不太推荐这样，因为一旦你要完成有许多个数据框的作业，而你又忘了detach，那么很有可能造成你不同数据框的不同变量之间的混淆。

subset 第一个要输入的参数是你的数据框，第二个要输入的参数是你对于观测（行）的筛选，可以用逻辑运算符串联，第三个可选择输入的是你要选择的列（变量）。跟之前一样的筛选条件，不过这次用的是 subset 函数。

# 年龄大于30岁
> subset(patientdata, age > 30)
  patientID age diabetes   status
2         2  34    Type2 Improved
4         4  52    Type1     Poor

# 年龄大于30，且 I 型糖尿病
> subset(patientdata, age > 30 & diabetes == "Type1")
  patientID age diabetes status
4         4  52    Type1   Poor

# 年龄大于30，且 I 型糖尿病的病人的年龄和病情
> subset(patientdata, age > 30 & diabetes == "Type1",c("age","status"))
  age status
4  52   Poor