R語(yǔ)言做數(shù)據(jù)探索

1 數(shù)據(jù)導(dǎo)入

數(shù)據(jù)常用格式.csv/.txt/.xls/.json/.xml。
R語(yǔ)言提供相應(yīng)的函數(shù)和庫(kù)實(shí)現(xiàn)對(duì)這些數(shù)據(jù)格式的導(dǎo)入。
現(xiàn)已導(dǎo)入.csv格式和以tab分隔的.txt格式為例

# 讀.csv格式

data1<-read.csv(file='C:/abc.csv',header=TRUE,sep=',')

# 讀以tab分隔的.txt格式

data2<-read.csv(file='C:/abc.txt',header=TRUE,sep='\t')

2 數(shù)據(jù)類(lèi)型變換

數(shù)據(jù)類(lèi)型變換包括數(shù)據(jù)類(lèi)型測(cè)試和數(shù)據(jù)類(lèi)型之間的變換。
數(shù)據(jù)類(lèi)型測(cè)試采用is.xyz系列函數(shù)，該函數(shù)測(cè)試是否為某一種數(shù)據(jù)類(lèi)型，返回值是邏輯類(lèi)型，即TRUE和FALSE。
數(shù)據(jù)類(lèi)型變換采用as.xyz系列函數(shù)，把某一種數(shù)據(jù)類(lèi)型變換到另一種數(shù)據(jù)類(lèi)型。
例如：

is.numeric(),is.character(),is.vector(),is.matrix(),is.data.frame()

as.numeric(),as.character(),as.vector(),as.matrix(),as.data.frame()

R語(yǔ)言數(shù)據(jù)結(jié)構(gòu)之間的轉(zhuǎn)換

3 數(shù)據(jù)集變換

寬數(shù)據(jù)轉(zhuǎn)換成窄數(shù)據(jù)，例如：

R語(yǔ)言把寬數(shù)據(jù)集變換成窄數(shù)據(jù)集

library(reshape)

data3<-melt(mydata,id=c("id","time"))4 數(shù)據(jù)排序

利用order函數(shù)對(duì)單一變量或者多個(gè)變量進(jìn)行排序（升序或者降序），返回具有排序功能的索引位置。

# sort by var1

data4<-old[order(var1),]

# sort by var1 and var2 (descending)

data5<-old[order(var1,-var2),]

5 數(shù)據(jù)可視化

利用Ｒ語(yǔ)言做數(shù)據(jù)可視簡(jiǎn)單和高效。

Ｒ語(yǔ)言畫(huà)直方圖

set.seed(1234)

score<-rnorm(n=1000,m=80,sd=20)

hist(score)

在直方圖上面添加密度曲線(xiàn)

hist(score,

freq=FALSE,

xlab="Score",

main="Distribution of score",

col="lightgreen",

xlim=c(0,150),

ylim=c(0,0.02))

curve(dnorm(x,

mean=mean(score),

sd=sd(score)),

add=TRUE,

col="darkblue",

lwd=2)

6 列聯(lián)表

列聯(lián)表是理解各類(lèi)分布的最基本和最有效的方式。

單變量列聯(lián)表

多變量列聯(lián)表
參考代碼

library(gmodels)

CrossTable(mydata$myrowvar,mydata$mycolvar)

7 數(shù)據(jù)抽樣

利用sample函數(shù)實(shí)現(xiàn)數(shù)據(jù)抽樣
從數(shù)據(jù)集中不放回地隨機(jī)抽取100個(gè)樣本
參考代碼：

mysample<-mydata[sample(1:nrow(mydata),100,replace=FALSE),]

8 數(shù)據(jù)去重

利用unique函數(shù)去掉向量中的重復(fù)值

set.seed(1234)

x<-round(rnorm(20,10,5))

x

unique(x)

結(jié)果如下

9 數(shù)據(jù)匯總

使用apply系列函數(shù)，實(shí)現(xiàn)匯總

10 缺失值識(shí)別和處理

使用is.na函數(shù)識(shí)別缺失值，采用均值、中位數(shù)、眾數(shù)、插補(bǔ)法等方法對(duì)確實(shí)值處理。

y<-c(4,5,6,NA)

is.na(y)

y[is.na(y)]<-mean(y,na.rm=TRUE)

y

11 異常值識(shí)別和處理

異常值識(shí)別-異常值定位-異常值處理
異常值識(shí)別方法：盒箱圖和簡(jiǎn)單統(tǒng)計(jì)量
異常值處理方法：剔除法/修復(fù)法

12 數(shù)據(jù)合并

利用merge函數(shù)或者rbind函數(shù)或者sqldf包基于數(shù)據(jù)庫(kù)的連接操作

# merge two data frames by ID

total<-merge(data frameA,data frameB,by="ID"

# merge two data frames by ID and Country

total<-merge(data frameA,data frameB,by=c("ID","Country"))

total<-rbind(data frameA,data frameB)

總結(jié)

本文總結(jié)了R語(yǔ)言做數(shù)據(jù)探索和處理的知識(shí)。