利用R进行数据操作（基础知识篇）

基本数据管理

目标：

• 操作日期和缺失值
• 熟悉数据类型的转换
• 变量的创建和重编码
• 数据集的排序、合并与取子集
• 选入和丢失变量

案例：
R in action提供，用于研究男性和女性在领导各自企业上的不同

manager <- c(1,2,3,4,5)
date <- c("10/24/08","10/1/08","10/12/08",""5/1/09)
country <- c("US","US","UK","UK","UK")
gender <- c("M","F","F","M","F")
age <- c(32,45,25,39,99)
q1 <- c(5,3,3,3,2)
q2 <- c(4,5,5,3,2)
q3 <- c(5,2,5,4,1)
q4 <- c(5,5,5,NA,2)
q5 <- c(5,5,2,NA,1)
leadership <- data.frame(manager,date,country,gender,age,q1,q2,q3,q4,q5,stringAsFactors=FALSE)

实际操作

1.创建新变量

变量名 <- 表达式
mydata <- transform(mydata,sumx = x1+x2,
                    meanx = (x1+x2)/2)

2.变量重编码
重编码：根据同一个变量和/或其他变量的现有值创建新值的过程。过程涉及逻辑判断。

• 连续变量修改为类别值
• 误编码的值修改为正确值
• 根据某一个标准创建新变量

leadership$age[leadership$age == 99] <- NA

leadership <- within(leadership,{
  agecat <- NA
  agecat[age >75] <- "Elder"
  agecat[age >= 55 && age <=75 ] <- "Middle Aged"
  agecat[age <55] <- "Young"
 })

一些重编码函数：car包的recode(),doBy包的recodevar(),自带的cut()

3.变量重命名

names(leadership)[2] <- "testDate

推荐：dplyr::rename

4.缺失值
缺失值以NA表示。
判断:is.na
注意：缺失值不可比较，无法用比较运算符检测；R语言有专门符号来表示无限大（+ inf，-inf)和不可能的值(NaN)
分析中注意各个函数对缺失值的处理，可以使用na.omit()删除所有含有缺失数据的行。

5.日期值
使用as.Date()将字符型日期值变为数值形式
使用as.character()将数值形式的日期变成字符型

6.类型转换
R语言中提供了大量用于判断某个对象的数据类型和转换方式

判断	转换
is.numeric()	as.numeric()
is.character()	as.character()
is.vector()	as.vector()
is.matrix()	as.matrix()
is.data.frame()	as.data.frame()
is.factor()	as.factor()
is.logical()	as.logical()

7.数据排序
根据年龄进行排序

newdata <- leadership[oerder(leadership$age)]

8.数据集合并

• 向数据框添加列

total  <- merge(dateframeA,dataframeB,by="ID")

• 向数据框添加行
  一定要有相同的变量

total <- rbind(dataframeA,dataframeB)

9.数据集取子集

• 选入（保留）变量

#data.frame[row indices, column indices]
newdata <- leadership[,c(6:10)]

• 剔除（丢弃）变量
  例如，剔除q3和q4列

# 法1
newvar <- names(leadership) %in% c("q3","q4")
newdata <- leadership[!newvar]
# 法2
newdata <- leadership[c(-8,-9)]
# 法3
leadership$q3 <- leadership$q4 <- NULL

• 选入观测

newdata <- leadership[1:3,]
newdata <- leadership[leadership$gender =="M" & leadership$age > 30,]

• subset函数
  比较简单的方法：

newdata <- subset(leadership,age >= 35 | age <24, select=c(q1,q2,q3,q4))

• 随机抽样
  通过抽样，用其中一份构建预测模型，使用一份验证模型的可靠性

mydata <- leadership[sample(1:nrow(leadership),3,replace=FALSE),]

高级数据管理

目标：

• 数学和统计函数
• 字符处理函数
• 循环和条件执行
• 自编函数
• 数据整合与重塑

基石函数

一些重要函数在《R语言实战》（第二版）的页码：

1. 数学函数,P86-87
2. 统计函数,P87-88
3. 概率函数,P90
4. 字符函数，P93
5. 其他实用函数, P94

自编函数

除了这些基石函数外，R语言还支持大量的扩展包，以及用户自编函数用于处理某个特定的问题

myfunction <- function(arg1,arg2,...){
    statements
    return(object)
}

可以在函数中添加控制流，如重复和循环以及条件执行。

for (var in seq) statement
while (cond) statement
if (cond) statement
if (cond) statement1 else statement2
ifelse(cond, statement1 statement2)

这些由于不是本文的重点，不详细展开。

应用函数

如何将上述这些函数应用(apply)到矩阵、数组、数据框的任何维度上呢？
R语言提供了除了循环语句外更好的选择:apply,sapply,lapply
其中apply作用于相同数据类型的数据结构（如vector,matrix,array)，而sapply和lapply作用与含有不同数据类型的数据结构(如data.frame,list)

1.apply的用法
apply的一般形式：

apply(m,dimcode,f,fargs)
# m是矩阵或数组或数据框
# dimcode, 维度编号，1代表行，2代表列
# f, 应用函数
# fargs f的可选参数

例如对每列求和

set.seed(941122)
mx <- matrix(runif(50),nrow=5)
apply(mx,2,sum)

注意到还有一个fargs,在调用的函数需要多于一个参数时使用，例如如果matrix中有NA，然而mean在默认下保留NA,有时候你需要主动声明。

mx[1,3] <- NA
apply(mx,2,mean)
apply(mx,2,mean,na.rm=TRUE)

如果数据库每一列的数据类型都相同，也就可以当做矩阵处理，以自带mtcar数据为例

apply(mtcars,2,mean)

2.lapply和sapply
lapply和sapply功能相同，区别就是lapply返回的依旧是list,而sapply返回的是vector,算是lapply的“友好版”

lst <- list(a=rnorm(6,mean=1),b=rnorm(6,mean=4),c=rnorm(6,mean=6))
lst.lapply <- lapply(lst,mean)
lst.sapply <- sapply(lst,mean)

3.mapply,vapply
还有两个不怎么常用的apply家族成员，mapply用于处理多层嵌套的list,vapply预先定义返回的内容，速度比较快，而且容易发现错误。自行查阅help().

整合和重构

整合和重构可能是一类比较高级的数据管理了。
整合：将多组观测替换为根据这些观测计算的描述性统计量
重塑：修改数据的结构（行和列）来决定数据的组织形式。
下面用mtcars来就具体说明。

热身：转置

转置可能是重塑数据集中最简单的啦，在Excel里面，你可以需要先选择一部分区域，然后复制的时候选择转置，R里面通过t()来实现

cars <- mtcars[1:5,1:4]
t(cars)

整合数据

在R中可以使用一个或多个by变量和一个预先定义好的函数来折叠(collapse)数据。调用格式为：

aggregate(x,by,FUN)

实例：

options(digits=3)
attach(mtcars)
aggrata <- aggragate(mtcars,by=list(cyl,gear),FUN=mean,na.rm=TRUE)
Group.1 Group.2  mpg cyl disp  hp drat   wt qsec  vs   am gear carb
1       4       3 21.5   4  120  97 3.70 2.46 20.0 1.0 0.00    3 1.00
2       6       3 19.8   6  242 108 2.92 3.34 19.8 1.0 0.00    3 1.00
3       8       3 15.1   8  358 194 3.12 4.10 17.1 0.0 0.00    3 3.08
4       4       4 26.9   4  103  76 4.11 2.38 19.6 1.0 0.75    4 1.50
5       6       4 19.8   6  164 116 3.91 3.09 17.7 0.5 0.50    4 4.00
6       4       5 28.2   4  108 102 4.10 1.83 16.8 0.5 1.00    5 2.00
7       6       5 19.7   6  145 175 3.62 2.77 15.5 0.0 1.00    5 6.00
8       8       5 15.4   8  326 300 3.88 3.37 14.6 0.0 1.00    5 6.00

结果根据气缸数目(group.1)和档位数(group2)对求不同分组的平均值

强大无比的tidyr包

reshpe2包是一套重构和整合数据集的绝妙的万能工具,而tidyr是他的继承者。

加载到R语言中的表格数据有两种类型，long和wide.例如：

• wide format

基因	分生组织	根	花
gene1	582	91	495
gene2	305	3505	33

• long format

基因	组织	表达量
gene1	分生组织	582
gene2	分生组织	305
gene1	根	91
gene2	根	3503
gene1	花	492
gene2	花	33

一般而言我们记录数据的格式通常是long format,但是实际上机器比较喜欢的wide format，为了让机器能够更好理解数据，我们需要在内部把long format 转成 wide format. 这里用的就是tidyr。
这么牛逼好用的包是谁开发的呢，是Hadley Wickham!.

Hadley Wickham

tidyr使用gather()和spread()来改变数据储存的格式，类似于前任reshape2的melt()和cast()，如下图所示：

具体操作

• 将wide format，转成long format
  数据：

gene <- c("gene1","gene2")
meristem <- c(582,305)
root <- c(91,3505)
flower <- c(495,33)
gene.expr <- data.frame(gene=gene,meristem=meristem,root=root,flower=flower)

用法：

gather(data, key, value, ..., na.rm = FALSE, convert = FALSE,factor_key = FALSE)

data:用于转换的数据框，key和value分别对应转换后结果，...就是用于进行转换的列名（-A表示剔除列A，A:B，表示从A到B）。

long.format <-gather(data = gene.expr,key =  Tissue, value = Expression,meristem:flower )
   gene   Tissue Expression
1 gene1 meristem        582
2 gene2 meristem        305
3 gene1     root         91
4 gene2     root       3505
5 gene1   flower        495
6 gene2   flower         33

• 将long format转成wide format
  当数据处理结束后，数据的结果毕竟是给人看，可以用spread()进行转换。

spread(data, key, value, fill = NA, convert = FALSE, drop = TRUE,sep = NULL)

含义同上。

spread(long.format,key=Tissue,Value=Expression)
   gene flower meristem root
1 gene1    495      582   91
2 gene2     33      305 3505

结语

以上是R语言中数据操作基本知识，下一部分介绍如何利用这些基本知识，进行数据探索性分析(Exploratory Data Analysis, EDA)

参考资料：

• [R语言实践]
• [Bioinformatics Data Skills]