先回憶一下之前用到的例子。

將其輸入R語(yǔ)言中：

age <- c(25, 34, 59, 60, 20)   #患者年齡

type <- c(1, 2, 2, 2, 1)       #糖尿病類型

status <- c("poor", "improved", "excellent", "poor", "excellent") #病情

comorbidity<- c(TRUE, FALSE, FALSE, TRUE, FALSE)   #出現(xiàn)并發(fā)癥

mydata <- data.frame(age, type, status, comorbidity)  #將數(shù)據(jù)框命名為mydata

查看mydata：

mydata

## age type status comorbidity

## 1  25    1      poor        TRUE

## 2  34    2  improved       FALSE

## 3  59    2 excellent       FALSE

## 4  60    2      poor        TRUE

## 5  20    1 excellent       FALSE

接下來(lái)我們就以mydata為例，介紹一下如何對(duì)數(shù)據(jù)框進(jìn)行簡(jiǎn)單的操作。

了解一個(gè)數(shù)據(jù)框

多重線性回歸，一般是指有多個(gè)自變量X，只有一個(gè)因變量Y。前面我們主要是以簡(jiǎn)單線性回歸為例在介紹，兩者的差距主要在于自變量X的數(shù)量，在只有一個(gè)X時(shí)，就稱簡(jiǎn)單線性回歸。

面對(duì)數(shù)據(jù)，第一步就是要了解它有多少條記錄(或多少個(gè)case/ observation )，有多少個(gè)變量（variable）、分別是哪些。

## 獲取數(shù)據(jù)框的維度（幾行、幾列）

dim(mydata)

[1] 5 4

## 查看數(shù)據(jù)框中的所有變量名（列名）

names(mydata)

[1] "age"         "type"        "status"      "comorbidity"

## 查看數(shù)據(jù)框的整體結(jié)構(gòu)（維度、變量名、數(shù)據(jù)類型、數(shù)據(jù)內(nèi)容）

str(mydata)

'data.frame':  5 obs. of  4 variables: 

$ age        : num  25 34 59 60 20 

$ type       : num  1 2 2 2 1 

$ status     : Factor w/ 3 levels "excellent","improved",..: 3 2 1 3 1 

$ comorbidity: logi  TRUE FALSE FALSE TRUE FALSE

如何提取數(shù)據(jù)框中的行和列

多重線性回歸，一般是指有多個(gè)自變量X，只有一個(gè)因變量Y。前面我們主要是以簡(jiǎn)單線性回歸為例在介紹，兩者的差距主要在于自變量X的數(shù)量，在只有一個(gè)X時(shí)，就稱簡(jiǎn)單線性回歸。

2種方法：

1. 數(shù)據(jù)框后加[ , ]。逗號(hào)前是行，逗號(hào)后是列。如果沒(méi)有指定是哪一行或哪一列，默認(rèn)為所有行/列。

## 提取第一行

mydata[1,]

age type status comorbidity

1   25    1   poor        TRUE

## 提取第一列

mydata[,1]

[1] 25 34 59 60 2

## 提取某幾行或某幾列

## 提取1~3行

mydata[1:3,]   

age type status comorbidity

1 25 1 poor TRUE

2 34 2 improved FALSE

3 59 2 excellent FALSE

## 提取第1和第5行的1、2、4列

mydata[c(1,5),c(1,2,4)]

age type comorbidity

1 25 1 TRUE

5 20 1 FALSE

## 變量很多時(shí)，用列名來(lái)提取更方便

mydata[c(1,5),c('age','type','comorbidity')]

  age type comorbidity

1 25 1 TRUE

5 20 1 FALSE

2. 另一種提取列的方法是，在數(shù)據(jù)框后加 $，然后再加要提取的列名。

## 提取age這一列

mydata$age

[1] 25 34 59 60 20

獲取滿足特定條件的數(shù)據(jù)

多重線性回歸，一般是指有多個(gè)自變量X，只有一個(gè)因變量Y。前面我們主要是以簡(jiǎn)單線性回歸為例在介紹，兩者的差距主要在于自變量X的數(shù)量，在只有一個(gè)X時(shí)，就稱簡(jiǎn)單線性回歸。

1.提取滿足某一個(gè)條件的數(shù)據(jù)。

例如，在病情status這個(gè)變量中，有poor, improved 和 excellent這三類，現(xiàn)在想獲取病情最穩(wěn)定、恢復(fù)最好的患者信息。也就是說(shuō)，我們希望獲得status為excellent的病例，即選擇滿足mydata$status=='excellent'的行，以及被選中的行的每一列。

mydata[mydata$status=='excellent',]

  age type    status comorbidity

3 59 2 excellent FALSE

5 20 1 excellent FALSE

此外，還可進(jìn)一步提取，例如，想獲得病情status為excellent的患者中，并發(fā)癥comorbidity的情況。換句話說(shuō)，就是，想提取comorbidity的信息，但這些信息必須是病情最穩(wěn)定的幾位患者的。

## 具體操作如下：先提取comorbidity,再設(shè)置status的條件 

輸入語(yǔ)句：mydata$comorbidity[mydata$status=='excellent']

[1] FALSE FALSE

2.提取滿足多個(gè)條件的數(shù)據(jù)。

例如，想提取年齡age大于等于20歲，且小于35歲的病例。在R中，用&這個(gè)符號(hào)表達(dá)『并且』。用一個(gè)小豎杠 | 表達(dá)『或者』。

mydata[mydata$age>=20 & mydata$age<35,]

age type status comorbidity

1 25 1 poor TRUE

2 34 2 improved FALSE

5 20 1 excellent FALSE

3.subset()函數(shù)，既可用來(lái)選擇行，也可選擇列，當(dāng)然也可以用來(lái)提取滿足特定條件的內(nèi)容。

# 選擇行/滿足特定條件的行

subset(mydata, mydata$age>=20 & mydata$age<35)  

age type status comorbidity

1 25 1 poor TRUE

2 34 2 improved FALSE

5 20 1 excellent FALSE

# 選擇列

subset(mydata, select = c('age','status'))

age status

1 25 poor

2 34 improved

3 59 excellent

4 60 poor

5   20 excellent

有缺失數(shù)據(jù)怎么辦

多重線性回歸，一般是指有多個(gè)自變量X，只有一個(gè)因變量Y。前面我們主要是以簡(jiǎn)單線性回歸為例在介紹，兩者的差距主要在于自變量X的數(shù)量，在只有一個(gè)X時(shí)，就稱簡(jiǎn)單線性回歸。

由于原來(lái)的數(shù)據(jù)框中沒(méi)有缺失數(shù)據(jù)，這里我們來(lái)構(gòu)造一個(gè)新的記錄(observation)，讓這個(gè)記錄中全部都是缺失值。

mydata[6,] <- NA

mydata   

age type    status comorbidity

1   25    1      poor        TRUE

2   34    2  improved       FALSE

3   59    2 excellent       FALSE

4   60    2      poor        TRUE

5   20    1 excellent       FALSE

6  <NA>  <NA>     <NA>        <NA>

1. 只保留無(wú)缺失的observations。如果希望將無(wú)缺失版本的數(shù)據(jù)框保存起來(lái)，要記得把na.omit(mydata)的結(jié)果賦值給新的對(duì)象。

mydata_no_NA <- na.omit(mydata) 

mydata_no_NA

age type    status comorbidity

1  25    1      poor        TRUE

2  34    2  improved       FALSE

3  59    2 excellent       FALSE

4  60    2      poor        TRUE

5  20    1 excellent       FALSE

2. 查看哪個(gè)數(shù)據(jù)為缺失值。需要用到2個(gè)函數(shù)，這里提醒大家，如果R的語(yǔ)句太復(fù)雜，那么可以先從最中心的部分讀起，一層括號(hào)一層括號(hào)地向外擴(kuò)展。

例如，下面的語(yǔ)句，可以先看最中間的is.na(mydata$age)，意思是對(duì)age這列中的每個(gè)數(shù)據(jù)進(jìn)行一次檢驗(yàn)，返回『是否為缺失值』的邏輯型結(jié)果，即TRUE 或者 FALSE。再看which()這個(gè)函數(shù)，它返回的是前面這一串TRUE和FALSE中，出現(xiàn)TRUE的順序號(hào)。

從下面的結(jié)果我們可以看到，只有第6個(gè)數(shù)據(jù)是TRUE。

which(is.na(mydata$age))

[1] 6

is.na(mydata$age)

[1] FALSE FALSE FALSE FALSE FALSE TRUE

以上就是對(duì)數(shù)據(jù)框的一些簡(jiǎn)單操作，但是在數(shù)據(jù)處理中非常實(shí)用。下一講我們繼續(xù)介紹更多數(shù)據(jù)處理的內(nèi)容。