第三章 数据预处理

• 基本数学函数

sum() 求和
prod() 连乘积
max()/min() 最大最小值
which.max()/which.min() 最大最小值的下标
range() 返回最值
length() 长度
mean() 均值
median() 中位数
quantile() 5个分位数
summary() 5个分位数和均值，也会显示各变量缺失值的个数
var() 方差或协方差
sd() 标准差
cov() 协方差
cor(x) 相关系数矩阵
cor(x,y) 线性相关系数

• 高级数学函数

pmin(x,y,…)/ pmax(x,y,…) 返回一个向量，其第i个元素是x[i],y[i],..的最小值/最大值
cumsum(x) 返回一个向量，其第i个元素是x[1],x[2],...x[i]的和
cumprod(x) 同上，求乘积
cummin(x)/cummax(x) 同上，求最小/最大值
mad(x) 离差
round(x) 对x中的元素四舍五入，至小数点后第n位
sort(x)/order(x) 排序，默认升序
rank(x) 求秩
rev(x) 取逆序
scale(x) x是一个矩阵，中心化和标准化数据
unique(x) x是向量或数据框，对重复的元素只取一个
na.omit(x) 忽略有缺失值NA的数据（x是矩阵或数据框则忽略行）
na.fail(x) 若包含缺失值，则返回错误信息
table(x) 统计x中完全相同的数据个数
table(x,y) 列联表
sample(x,size=n) 从x中抽取样本量为n的样本
skewness(x) 求偏度（属于timeDate包）
kurtosis(x) 求峰度（属于timeDate包）
emm(x,order) k阶原点矩（属于Actuar包）

• 数据分组

cut(x,breaks,labels = NULL,include.lowest = FALSE,right = TRUE,...)
x 被转换的对象
breaks 单个数字，指明分几个组；一个向量，自行设置分组点；
labels 给每个组添加标签
include.lowest 指明区间的开闭情况
right 逻辑值，默认为左开右闭
举例

salary1 <- cut(salary,3)
breakpoints <- c(0,30,40,50,60,70) 
salary2 <- cut(salary,breaks = breakpoints）

• 数据修改

• 修改数据标签
  names()

• 行列删除
  R用[]选取数据的子集，也可用来删除行列，只需要在行号和列号前加上-（负号）即可
  data[-1,-3]表示删除数据集data的第一行和第三列

• 缺失值处理

• 数据整理

• 数据合并

1. 函数cbind()、rbind(),矩阵、向量、列表，按列或行拼接在一起，注意设置stringsAsFactors参数

2. 构造data.frame
   data.frame() 建数据框
   names() 读取数据框的列名或重新给列名赋值
   row.names 对数据框的行命名
   数据框的取行或列

3. 函数merge()
   merge(x,y,by = ,by.x = ,by.y = ,all = ,all.x = ,all.y = ,sort = ,suffixes = ,incomparables = ...
   主要参数如下：
   x,y 要合并的数据集
   by 指定要合并的依据（相同的行或列）
   by.x,by.y 分别为第一个数据框和第二个数据框要连接的列名
   all,all.x,all.y 逻辑值，默认为FALSE。以all.x = TRUE为例，表示X中的行没有相应的y值进行匹配时，用NA填充；若为FALSE，仅输出x和y中都包含的行。

• 选取数据的子集
  用[]括号
• 数据排序
  sort() 只能对向量进行简单的排序
  order() 可以对含有多变量的数据集排序，主要参数如下：
  ** na.last ** FALSE缺失值放在最前，TRUE缺失值放在最后，NA缺失值删除
  ** decreasing **设置升序或降序，默认为FALSE即升序
  sort.list() 与 order()作用相同

• 长宽格式的转换

t() 转置函数

• 揉数据函数
  stack() 把一个数据框转换为两列，一列为数据，一列为对应的列名称
  unstack() stack()的逆过程
• 揉数据的最佳伴侣
  ** reshape2 **包
  melt()
acast()
dcast()