2021.4.22
持续更新中。。。

---

《R语言实战2》、学术数据分析及可视化

---

1. 取子集

1.1 针对向量

set.seed(999)
df1 <- floor(runif(10, 1, 101))
#利用[]进行提取
df1[c(1:5)]
df1[which(df1 > 50)]

which()返回向量中符合条件元素的位置信息。

1.2 针对数据集

pneumonia_data <- read.table('pneumonia_en.txt', header =T)
#利用"文件名称+$"提取数据框中某一列，或某一列中的某些元素
pneumonia_data$case
pneumonia_data$case[1:10]

#利用subset提取数据框中，符合某一条件的所有的内容
subset(pneumonia_data, increase > 1000, select = c(data, case))

subset()按照某一列的条件取数据框子集后，可通过select选项选择需要保留的其他列，默认全部保留。（支持负索引）

---

---

---

2. 直接生成新的数据集

2.1 生成随机抽样样本

• sample()：用于从数据集中（有放回或无放回）抽取大小为size的一个随机样本。例如：

sample(x, size, replace = FALSE)

• runif()：生成随机数，默认情况下是生成均匀分布的随机数。例如：

 # 生成10个1-100之间的随机数，并保留一位小数
round(runif(10,min=1,max=100), digits=1)

• rnorm：生成正态分布的随机数

1. 常用set.seed(999)来固定生成的随机数
2. round(x,digits=n)：保留x的小数位数
3. options(digits=n)：可以在最开始的位置，设置全局小数保留的位数

2.2 生成等差数列

# 生成from到to，等差为by的数列
seq(from, to, by) 

重要参数：

1. from：生成向量的起点
2. to：生成向量的终点
3. by：序列的增量，默认为1
4. length.out：输出长度

2.3 重复生成

rep(x, times = a, each = c, length.out = d)

重要参数：

1. x：可以是单个数字或向量
2. times：整个数组循环几遍
3. each：每个元素重复次数
4. length.out：输出长度

---

---

---

3. 数据操作

3.1 行列操作

• 查看行名和列名

rownames(mtcars)
colnames(mtcars)

• 在矩阵后添加行/列

dfx <- c(1,3,10,16,33,70,150)
dfy <- c(5,5,18,20,45,90,200)
df <- data.frame(dfx, dfy)
#求每行的和
apply(df,1,sum)
#将求得的和追加到数据框df后面
df$sum1 <- apply(df, 1, sum)
#修改表头
rownames(df) <- c('dfx', 'dfy', 'rowsum')

• 给矩阵增加表头和列名

x <- matrix(1:12, nrow=3, byrow=T) 
rownames(x) <- LETTERS[1:3] #大写字母ABC作为行名
colnames(x) <- c("x", "Y", "doc", "Bear") #列名填充
rownames(x) #查看行名

3.2 合并数据

#横向合并
total <- cbind(A, B)
#列向合并
total <- cbind(A, B)

3.3 行列转置

t(A)

3.4 将函数应用到矩阵或数据框

    通过R对象的函数应用是针对所有元素进行的（例如：对矩阵直接用mean等函数是求矩阵所有元素总和的平均值），如果需要针对行/列进行处理，需要用到以下函数：

apply(x, margin, fun,..) # 对行或列进行函数fun的运算。

重要参数：
margin：为1时表示行，为2时表示列。

3.5 长宽数据转换

重要概念：

• 二维数据集中，行表示观测，列表示变量。
• 宽数据：数据集对所有的变量进行了明确的细分，各变量的值不存在重复循环的情况也无法归类。表现为变量多而观察值少，即行少列多。
• 长数据：数据集中的变量没有做明确的细分，即变量中至少有一个变量中的元素存在值严重重复循环的情况（可以归为几类）。表现为变量少而观察值多，即行多列少。
• 实验数据通常保存为宽数据，形如：

试验方式	重复1	重复2	重复3
处理1	1.5	1.8	1.9
处理2	2.5	2.2	2.0
处理3	3.2	3.0	3.3

1.1 宽数据变长数据

library(gcookbook)
library(reshape2)

anthoming
melt(anthoming, id.vars = "angle", variable.name = "condition", value.name = "count")

reshape2包中的melt()函数主要参数：

1. data：需要转换的数据集
2. id.vars：不需要进行重新排列的列名，通常会随着melt不停重复堆叠，因此最好是无数学意义整数（变量位置信息）或字符串（名称信息）。若数据集不具备标识变量，可以在melt前使用data$ID <- rownames(data)给数据框增加一列标识变量。
3. variable.name：melt 后观测变量的列名 ，填默认为 variable
4. value.name：melt 后观测值的列名， 默认为 value

1.2 长数据变宽数据

library(gcookbook)
library(reshape2)

plum
data <- dcast(plum, length + time ~ survival, value.var = "count")
#保存文件到本地
write.csv(data, file = "file_name")

reshape2包中的dcast()函数主要参数：

1. data：需要转换的数据集
2. a ~ b：波浪线左侧表示标识变量（留下来的列），右侧表示可变变量（会转换成新的列变量，就是那些重复的变量）。左右侧均可是多个变量。
3. value.var：相应的数值列。

1.3 一个更加方便的包和函数

install.packages("tidyr")
library(tidyr)

#宽数据转换为长数据
gather(Ndata, 重复, 生物量, -N)
#长格式转换成宽格式
spread(df1, 重复，生物量)

gather()函数关键参数：

1. Ndata：需要转换的宽数据名
2. 重复：设置转换后会堆叠的变量名，一般就是将表头重复堆叠之后，给与这些堆叠的数据一个名称
3. 生物量：设置新生成的观测值变量名，就是那些数值数据变形后的变量
4. -N：标识变量名，不变的列

gather()函数关键参数：

1. df1：需要转换的长数据名
2. 重复：转换后会分散的变量名，一般转换后会形成表头
3. 生物量：观测值变量名

---

---

---

4. 处理缺失值

• df1<- na.omit(df)：删除含有NA的行
• df[is.na(df)] <- 0：用0替换NA
• 通过趋势预测来插补缺失值（用平均值）

---情况一：剩余数值波动不大时，可用平均值填补---
df$rate[is.na(df$rate)] <- mean(df$rate, na.rm = T)

---情况二：存在波动时，利用函数关系进行插补---

---情况三：利用回归函数进行插补---

数据拟合不理想的解决思路：

1. 选择其他模型进行重新拟合
2. 重新选择部分数据进行拟合