给女朋友写的生统资料_Part2

R里面有许多数据类型，跟生统课相关的就是数值型，字符型，逻辑型了。而R也有很多数据结构，包括标量、向量、矩阵、数组、数据框和列表等。跟生统课上相关的就是向量、数据框这两种了。

后面的一些内容会借鉴《R语言实战》中的内容，推荐大家可以去看看这本书的2.1 ，2.2部分。

向量

• 向量是用于存储数值型、字符型或逻辑型数据的一维数组。
• 同一向量中无法混杂不同模式的数据。 即不能把数值型、字符串型、逻辑型的混起来放入同一向量中。

让我们来创建一个向量

# 创建向量
a <- c(1, 2, 5, 3, 6, -2, 4)
b <- c("one", "two", "three")
c <- c(TRUE, TRUE, TRUE, FALSE, TRUE, FALSE)

# 查看向量的数据类型
class(a)
class(b)
class(c)

对于数值型的向量创建，使用 : 可以帮助我们直接创建多个数字。这一点对于我们后面在数据框里面提取数值很有帮助。

> c(1:10)
 [1]  1  2  3  4  5  6  7  8  9 10

如果想要重复地创建某些值，就可以考虑 rep 函数。这一点对于后面我们给数据框添加列，或者添加列名行名可能会有帮助。

# 可以用?rep来查询其具体用法
> rep("A",3)
[1] "A" "A" "A"
> rep(c("A","B"),3)
[1] "A" "B" "A" "B" "A" "B"

数据框

• 数据框是一个二维数据结构，有行和列。一般来说，我们会将行表示观测，列表示变量
• 数据框可以放入不同类型的文件

一般来说，生统中的数据框是不需要自己创建的，只需要读入就行。用 read.table 读进来就已经是个数据框了。

> test1 <- read.table("rawdata/test1.txt",header = T)
> class(test1)
[1] "data.frame"

> head(test1)
  yield seed
1   383    1
2   406    1
3   351    1
4   400    1
5   390    1
6   361    1

我们可以对这个数据框进行一些探索。

首先看下这个数据框是几行几列的

> dim(test1)
[1] 29  2
> nrow(test1)
[1] 29
> ncol(test1)
[1] 2

发现是一个 29 X 2 的数据框。然后我们可以看下我们数据框的行名和列名是什么。

# 提取行名
> rownames(test1)
 [1] "1"  "2"  "3"  "4"  "5"  "6"  "7"  "8"  "9"  "10" "11" "12" "13" "14" "15" "16" "17" "18" "19"
[20] "20" "21" "22" "23" "24" "25" "26" "27" "28" "29"

# 提取列名
> colnames(test1)
[1] "yield" "seed" 

我们也可以对行名和列名进行更改

> colnames(test1) <- c("A","B")
> colnames(test1)
[1] "A" "B"

当然我们也可以自己来创建一个数据框。用到的是 data.frame 函数。

# R语言实战的例子
> 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

# 自己来一个例子
> data.frame(A = c(rep(1,2),rep(2,2),rep(3,2)), B = rep("test", 6))
  A    B
1 1 test
2 1 test
3 2 test
4 2 test
5 3 test
6 3 test

需要注意的是，数据框跟列表不一样，数据框里面的每一列都必须是等长的。像我这里就是 2 个 A ，2 个 B ， 2 个 C ，再加上 6 个 test 。 如果不等长就有可能会报错。也有可能不报错，用 NA 或者其他的值填充了。这个后面可能会提到。

因子

在我看来，因子的作用是为了对变量进行分类。就比如我们在做AONVA分析的时候，我们会做多种处理，那么我们就可以认为这些处理每个都是一类。拿上面的例子举例。

> 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

这里的糖尿病类型 Diabetes，有两种类型，分别是 Type1 和 Type2 。病情Status 有三种类型，分别是 poor、 improved、 excellent。所以这两列所含有的数据就是因子型的数据。

值得注意的是，R在构建数据框的时候，会自动将所有字符串类型的值转换成因子。我们可以看下

> patientdata$diabetes
[1] Type1 Type2 Type1 Type1
Levels: Type1 Type2
> patientdata$status
[1] Poor      Improved  Excellent Poor     
Levels: Excellent Improved Poor
> patientdata$patientID
[1] 1 2 3 4

如果这里有 Levels ，就代表这里的数据是因子。可以看到，patientID由于是数值型的变量，所以并没有自动地转换成因子。

我们同样也可以用 class 来看下类别。

> class(patientdata$diabetes)
[1] "factor"

> class(patientdata$patientID)
[1] "numeric"

但有时候，字符串变量自动转换成因子也不是所有都对的，比如一开始我们有name这一列。

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

# 看下 names 的类别

> class(patientdata$names)
[1] "factor"
> patientdata$names
[1] Paul   James  Wade   Antony
Levels: Antony James Paul Wade

我们会发现 R 自动地将 names 这一列也变成了因子。但实际上，名字是独一无二的，并不是一个分类变量。所以，我们不应当将其变成一个 factor 。不过，你会发现，如果是这一列是后添加上去的，就不会自动转成因子。

# 这个操作可以自动加上一列名为name_new的列
patientdata$names_new <- c("Paul","James","Wade", "Antony")

> patientdata
  patientID age diabetes    status  names names_new
1         1  25    Type1      Poor   Paul      Paul
2         2  34    Type2  Improved  James     James
3         3  28    Type1 Excellent   Wade      Wade
4         4  52    Type1      Poor Antony    Antony

> patientdata$names_new
[1] "Paul"   "James"  "Wade"   "Antony"

让我们再来看下我们在第五次生统作业的第一题的数据。

> class(test1$yield)
[1] "integer"
> class(test1$seed)
[1] "integer"

明明我们的seed代表的是处理类别，为什么却不是一个因子呢。因为 seed 那一列是数值型的变量，所以 R 并不会自动地将其转换成因子。但如果不转换成因子的话，就可能会在后续的分析中出现一些问题。所以我们可以用 factor 函数，来将其转换成因子。

> test1$seed <- factor(test1$seed)
> class(test1$seed)
[1] "factor"

如果想要R不自动地将字符串转换成因子，可以

# 读数据的时候，设置
test1 <- read.table("rawdata/test1.txt",header = T,stringsAsFactors = F)

# 自己构建数据框的时候，设置
patientdata <- data.frame(patientID, age, diabetes, status,names,stringsAsFactors = F)

参考文章：

• 《R语言实战》第二章
• 如何理解R中因子(factor)的概念 中猴子的回答