R2——创建数据集

@(R2)

前言

创建和读取含有研究信息的数据是数据分析的第一步。在R中，这个任务包含以下三步：

1. 选择一种数据结构储存数据
2. 讲数据输入或导入到这个数据结构中
3. 对数据进行预处理，比如结构化数据

本章回答了如下几个问题：

1. R中储存和使用的数据结构有哪些？
2. 如何读取各类来源的数据？
3. 如何对读取的数据进行标注处理？
4. 在实际中可能使用到哪些处理数据集的函数？

数据集的概念

数据集通常是由数据构成的一个矩阵数组，行表示观测，列表示变量。如下图：

数据集示例图

R可以处理的数据类型（模式）如下图：

R处理的数据类型.png

数据结构

section1 向量

向量：用于存储数值型、字符型或逻辑型数据的一维数组。
值得注意的是，单个向量中的数据必须有相同的类型或模式。同一向量中无法混杂不同模式的数据。

标量是只含一个元素的向量，例如f<-3，g<-"US"等。它们用于保存常量。

如何创建向量？

    a <- c(1,2,3,4)
    b <- c("one","two")
    c <- c(TRUE,FALSE,TRUE)

如何读取向量中的元素？

    a <- c("k","g","j","h","q","w","t","u","i")
    a[3]
    a[c(1,2,4)]
    a[2:6]

section2 矩阵

矩阵：是一个二维数组，其中每个元素都拥有相同的模式。

如何创建矩阵？

mymatrix <- matrix(vector, nrow=number_of_row, ncol=number_of_col, byrow=logical_value, dimnames=list(char_vector_rownames,char_vector_colnames))

byrow意味着矩阵按行填充，默认情况是按列填充。

如何读取矩阵中的元素？

    X[i,]
    #读取矩阵第i行
    x[,j]
    #读取矩阵第j列
    x[i,j]
    #读取矩阵第i行第j列的元素
    #同时，i和j可以为数值型向量，比如1:2,c(1,2,3)等
    x[i]
    #读取矩阵按行展开的第i个元素

section3 数组

数组与矩阵类型，但是维度可以大于2。其中数组中每一个维度只能有一种模式。

如何创建数组？

    myarray <- array(vector, dimensions=c(nrow, ncol, dimension), dimnames=list())
    #vector中包含数组中的数据；
    #dimension是一个数值型向量，给出各个维度下标的最大值,数组的中数据的存储量由该变量决定；
    #dimnames是可选的、各维度名称标签的列表。

如何读取数组中的元素？

读取方式和矩阵中读取方式类似，只是多了一个维度。

section4 数据框

数据框：不同列可以包含不同模式的数据的矩阵。

如何创建数据框？

    mydata <- data.frame(col1, col2, col3, ...)

如何读取数据框中的数据？

    x[i,]
    #读取数据框第i行
    x[,j]
    #读取数据框第j列
    x[i,j]
    #读取数据框第i行第j列的元素
    #同时，i和j可以为数值型向量，比如1:2,c(1,2,3)等
    x[i]
    #读取数据框第i列
    x$varible_name
    #读取数据框中行名为varible_name的行

简读取数据框中的变量的两个方法？

1. 使用attach()函数，即可将数据框添加到R的搜索路径中。同时，使用detach()函数，可以将数据框从搜索路径中移出。简言之，attach()可以调用数据框中变量，detach()可以消除这种调用。如果不用detach()的话，数据框中的变量名会保存在R的工作空间中，这可能会对后续的变量命名带来影响。所以，使用detach()是一个好的编程习惯。
2. 使用with()函数，可以解决读取数据框中的变量后其保存在R工作空间的问题。因为with()函数会创造出一个和原始工作空间相对独立的保险箱，在保险箱中调用数据框的变量将不会保存在R的工作空间中；同时，如果需要保存到R的工作空间中，可以使用<<-命名符对变量进行命名。

with()的使用方法：

with(mtcars,{
nokeepstats <- summary(mpg)
keepstas <<- summary(mpg)
})

如何在数据框中对数据进行实例标志？
在R中，实例标识符（case identifier）可通过数据框操作函数中的rowname选项进行。

patientdata <- data.frame(patientID, age, diabetes, status, row.name=patientID)

section5 因子

因子（factor）在R中分为名义型变量和有序型变量。

如何创建因子？

factor()函数以一个整数向量的形式存储类别值，整数的取值范围是[1...k]（其中k是名义变量中唯一值的个数），同时一个由字符串（原始值）组成的内部向量将映射到这些整数上。

status <- c("poor","Improved","Excellent","poor")
status <- factor(status, order=TRUE, levels=c("poor","Improved","Excellent"))
#创建有序型变量；规定levels
sex <- c(1,2,1)
sec <- factor(sex, levels=c(1,2),labels=("Male","Female"))
#创建名义型变量；规定levels；给名义型变量贴标签

section6 列表

列表：是一些对象（component）的有序集合。列表允许用户整合若干（可能无关的）对象到单个对象名下。但是对象中数据的模式必须是单一的。

如何创建列表？

mylist <- list(name1=object1, name2=object2, ...)

如何读取列表中的元素？

mylist[[i]]
#读取第i个成分
mylist[[char_name]]
mylist$char_name
#读取名为char_name的成分
mylist[[i]][j]
#读取第i个成分中的第j个元素；矩阵的用法类似

数据的输入

section1 手动输入

edit()函数

即使是手动输入，肯定也是在excel中进行，所以此函数意义不大。可能只是提供一种功能，以防万一。

section2 文本文件的录入

文本文件是现在比较常见的数据处理类型，所以会花较多时间进行学习。文本文件分为两种，一是结构化数据，二是非结构化数据。通常情况下，我们需要对非结构化数据进行结构化处理，以得到可以分析的数据。

结构化数据：由二维表结构来逻辑表达和实现的数据。
非结构化数据：数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。
二维表：在关系模型中，数据结构表示为一个二维表，一个关系就是二维表。通常，表中每一行称为一个记录或一个元组，每一列称为一个字段或属性。
简言之，结构化数据是类似于数据框或列表形式的数据。

设定工作空间

通常情况下，需要把待读取的数据文件放入R指定的工作空间中，R的函数才能正确的读取文件。当然，也有人习惯输入文件的完整路径。
R：

    getwd()
    #show ur working directory
    setwd(ur_workspace_direction)
    #then put ur file into that workspace
    mydata <- read.table("file_name")
    #If u want to set it temporary，u need to type setwd(ur_workspace_direction) in Rprofile.site

RStudio:

#Tools - Global Option - General - Default working directory

read.table()

read.table()可读入一个表格格式的文件并将其保存为一个数据框。

mydata <- read.table("file_name", header=logical_value, sep="", row.names=char_vector_rownames, col.names=char_vector_colnames, na.strings=vector, colClasses=vector, quote="", skip=numberic, stringsAsFactors=logical_value, text=char_vector)

read.table() option

read.table()中默认header=FALSE。
中文文本读入时，偶尔会出现编码错误，大多可通过加入encoding="UTF-8"解决。

read.csv()

read.csv():直接读取csv(Comma Separated Values)的函数。其中header的默认值是TRUE。

read_excel()

在R中不能直接读取xls/xlsx文件，同时xls/xlsx数据格式不如csv的跨平台兼容性更好。所以，推荐将其另存为csv格式，再进行读取。
当然，也可以直接读取xls/xlsx文件，前提是安装readxl包：

install.packages("readxl")
library(readxl)
mydata <- read_excel("file_name",col_names = T)
#详细的参数调用看文档

readLines()

以上介绍的函数都是用来读取结构化数据的，现在来介绍读取非结构化数据的函数——readLines()。
readLines()必需的参数只有一个文件名，中文文档需要留意编码参数，即可实现文本按行读入，然后每一行作为一个字符存储起来，所以整个文本文件读取的是一个大字符串。

数据的标注

通常情况下，数据分析人员会对数据集进行标注，包括为变量名添加描述性标签，以及为类别型变量中的编码添加值标签。

变量标签

R中处理变量标签的能力有限。所以最好使用简洁和易区分的变量名进行命名。

值标签

factor()可对类别型变量创建值标签。

laonainai <- facotr(mygroup, levels=c(1,2), labels=c("male","female"))

处理数据对象的实用函数

处理数据对象的实用函数1
处理数据对象的实用函数2

参考资料

R语千寻 | 数据的读入
R语千寻 | 非结构化数据--文本数据的读入
R语言实战（第2版）