R語言數(shù)據(jù)分析實戰(zhàn)：數(shù)據(jù)結(jié)構(gòu)（2）

4、數(shù)據(jù)框

由于不同的列可以包含不同模式（數(shù)值型、字符型等）的數(shù)據(jù)，數(shù)據(jù)框的概念較矩陣來說更為一般。它與你通常在SAS、SPSS和Stata中看到的數(shù)據(jù)集類似。數(shù)據(jù)框?qū)⑹悄阍?/span>R語言中最常處理的數(shù)據(jù)結(jié)構(gòu)。

表2-1所示的病例數(shù)據(jù)集包含了數(shù)值型和字符型數(shù)據(jù)。由于數(shù)據(jù)有多種模式，無法將此數(shù)據(jù)集放入一個矩陣。在這種情況下，使用數(shù)據(jù)框是最佳選擇。

數(shù)據(jù)框可通過函數(shù)data.frame()創(chuàng)建：

其中的列向量col1, col2, col3,… 可為任何類型（如字符型、數(shù)值型或邏輯型）。每一列的名稱可由函數(shù)names指定。代碼清單2-4清晰地展示了相應(yīng)用法。

每一列數(shù)據(jù)的模式必須唯一，不過你卻可以將多個模式的不同列放到一起組成數(shù)據(jù)框。由于數(shù)據(jù)框與數(shù)據(jù)分析人員通常設(shè)想的數(shù)據(jù)集的形態(tài)較為接近，我們在討論數(shù)據(jù)框時將交替使用術(shù)語列和變量。

選取數(shù)據(jù)框中元素的方式有若干種。你可以使用前述（如矩陣中的）下標(biāo)記號，亦可直接指定列名。代碼清單2-5使用之前創(chuàng)建的patientdata數(shù)據(jù)框演示了這些方式。

第三個例子中的記號$是新出現(xiàn)的①。它被用來選取一個給定數(shù)據(jù)框中的某個特定變量。例如，如果你想生成糖尿病類型變量diabetes和病情變量status的列聯(lián)表，使用以下代碼即可：

在每個變量名前都鍵入一次patientdata$可能會讓人生厭，所以不妨走一些捷徑?？梢月?lián)合使用函數(shù)attach()和detach()或單獨使用函數(shù)with()來簡化代碼。

（1）attach()、detach()和with()

函數(shù)attach()可將數(shù)據(jù)框添加到R的搜索路徑中。R在遇到一個變量名以后，將檢查搜索路徑中的數(shù)據(jù)框，以定位到這個變量。以第1章中的mtcars數(shù)據(jù)框為例，可以使用以下代碼獲取每加侖行駛英里數(shù)（mpg）變量的描述性統(tǒng)計量，并分別繪制此變量與發(fā)動機排量（disp）和車身重量（wt）的散點圖：

以上代碼也可寫成：

函數(shù)detach()將數(shù)據(jù)框從搜索路徑中移除。值得注意的是，detach()并不會對數(shù)據(jù)框本身做任何處理。這句是可以省略的，但其實它應(yīng)當(dāng)被例行地放入代碼中，因為這是一個好的編程習(xí)慣。（接下來的幾章中，為了保持代碼片段的簡約和簡短，我可能會不時地忽略這條良訓(xùn)。）當(dāng)名稱相同的對象不止一個時，這種方法的局限性就很明顯了?？紤]以下代碼：

這里，在數(shù)據(jù)框mtcars被綁定（attach）之前，我們的環(huán)境中已經(jīng)有了一個名為mpg的對象。在這種情況下，原始對象將取得優(yōu)先權(quán)，這與你想要的結(jié)果有所出入。由于mpg中有3個元素而disp中有32個元素，故plot語句出錯。函數(shù)attach()和detach()最好在你分析一個單獨的數(shù)據(jù)框，并且不太可能有多個同名對象時使用。任何情況下，都要當(dāng)心那些告知某個對象已被屏蔽（masked）的警告。除此之外，另一種方式是使用函數(shù)with()。你可以這樣重寫上例：

在這種情況下，大括號{}之間的語句都針對數(shù)據(jù)框mtcars執(zhí)行，這樣就無須擔(dān)心名稱沖突了。如果僅有一條語句（例如summary(mpg)），那么大括號{}可以省略。

函數(shù)with()的局限性在于，賦值僅在此函數(shù)的括號內(nèi)生效?？紤]以下代碼：

如果你需要創(chuàng)建在with()結(jié)構(gòu)以外存在的對象，使用特殊賦值符<<-替代標(biāo)準(zhǔn)賦值符（<-）即可，它可將對象保存到with()之外的全局環(huán)境中。這一點可通過以下代碼闡明：

相對于attach()，多數(shù)的R書籍更推薦使用with()。個人認(rèn)為從根本上說，選擇哪一個是自己的偏好問題，并且應(yīng)當(dāng)根據(jù)你的目的和對于這兩個函數(shù)含義的理解而定。

（2） 實例標(biāo)識符

在病例數(shù)據(jù)中，病人編號（patientID）用于區(qū)分?jǐn)?shù)據(jù)集中不同的個體。在R語言中，實例標(biāo)識符（case identifier）可通過數(shù)據(jù)框操作函數(shù)中的rowname選項指定。例如，語句：

將patientID指定為R語言中標(biāo)記各類打印輸出和圖形中實例名稱所用的變量。

5、因子

變量可歸結(jié)為名義型、有序型或連續(xù)型變量。名義型變量是沒有順序之分的類別變量。糖尿病類型Diabetes（Type1、Type2）是名義型變量的一例。即使在數(shù)據(jù)中Type1編碼為1而Type2編碼為2，這也并不意味著二者是有序的。有序型變量表示一種順序關(guān)系，而非數(shù)量關(guān)系。病情Status（poor, improved, excellent）是順序型變量的一個上佳示例

我們明白，病情為poor（較差）病人的狀態(tài)不如improved（病情好轉(zhuǎn)）的病人，但并不知道相差多少。連續(xù)型變量可以呈現(xiàn)為某個范圍內(nèi)的任意值，并同時表示了順序和數(shù)量。年齡Age就是一個連續(xù)型變量，它能夠表示像14.5或22.8這樣的值以及其間的其他任意值。很清楚，15歲的人比14歲的人年長一歲。

類別（名義型）變量和有序類別（有序型）變量在R語言中稱為因子（factor）。因子在R語言中非常重要，因為它決定了數(shù)據(jù)的分析方式以及如何進行視覺呈現(xiàn)。你將在本書中通篇看到這樣的例子。

函數(shù)factor()以一個整數(shù)向量的形式存儲類別值，整數(shù)的取值范圍是[1... k ]（其中k 是名義型變量中唯一值的個數(shù)），同時一個由字符串（原始值）組成的內(nèi)部向量將映射到這些整數(shù)上。

舉例來說，假設(shè)有向量：

語句diabetes <- factor(diabetes)將此向量存儲為(1, 2, 1, 1)，并在內(nèi)部將其關(guān)聯(lián)為1=Type1和2=Type2（具體賦值根據(jù)字母順序而定）。針對向量diabetes進行的任何分析都會將其作為名義型變量對待，并自動選擇適合這一測量尺度的統(tǒng)計方法。

要表示有序型變量，需要為函數(shù)factor()指定參數(shù)ordered=TRUE。給定向量：

語句status <- factor(status, ordered=TRUE)會將向量編碼為(3, 2, 1, 3)，并在內(nèi)部將這些值關(guān)聯(lián)為1=Excellent、2=Improved以及3=Poor。另外，針對此向量進行的任何分析都會將其作為有序型變量對待，并自動選擇合適的統(tǒng)計方法。

對于字符型向量，因子的水平默認(rèn)依字母順序創(chuàng)建。這對于因子status是有意義的，因為“Excellent”、“Improved”、“Poor”的排序方式恰好與邏輯順序相一致。如果“Poor”被編碼為“Ailing”，會有問題，因為順序?qū)椤癆iling”、“Excellent”、“Improved”。如果理想中的順序是“Poor”、“Improved”、“Excellent”，則會出現(xiàn)類似的問題。按默認(rèn)的字母順序排序的因子很少能夠讓人滿意。

你可以通過指定levels選項來覆蓋默認(rèn)排序。例如：

各水平的賦值將為1=Poor、2=Improved、3=Excellent。請保證指定的水平與數(shù)據(jù)中的真實值相匹配，因為任何在數(shù)據(jù)中出現(xiàn)而未在參數(shù)中列舉的數(shù)據(jù)都將被設(shè)為缺失值。

代碼清單2-6演示了普通因子和有序因子的不同是如何影響數(shù)據(jù)分析的。

首先，以向量的形式輸入了數(shù)據(jù)①。然后，將diabetes和status分別指定為一個普通因子和一個有序型因子。最后，將數(shù)據(jù)合并為一個數(shù)據(jù)框。函數(shù)str(object)可提供R語言中某個對象（本例中為數(shù)據(jù)框）的信息②。它清楚地顯示diabetes是一個因子，而status是一個有序型因子，以及此數(shù)據(jù)框在內(nèi)部是如何進行編碼的。注意，函數(shù)summary()會區(qū)別對待各個變量③。它顯示了連續(xù)型變量age的最小值、最大值、均值和各四分位數(shù)，并顯示了類別型變量diabetes和status（各水平）的頻數(shù)值。

6、列表

列表（list）是R的數(shù)據(jù)類型中最為復(fù)雜的一種。一般來說，列表就是一些對象（或成分，component）的有序集合。列表允許你整合若干（可能無關(guān)的）對象到單個對象名下。例如，某個列表中可能是若干向量、矩陣、數(shù)據(jù)框，甚至其他列表的組合?？梢允褂煤瘮?shù)list()創(chuàng)建列表：

其中的對象可以是目前為止講到的任何結(jié)構(gòu)。你還可以為列表中的對象命名：

代碼清單2-7展示了一個例子。

本例創(chuàng)建了一個列表，其中有四個成分：一個字符串、一個數(shù)值型向量、一個矩陣以及一個字符型向量。可以組合任意多的對象，并將它們保存為一個列表。

你也可以通過在雙重方括號中指明代表某個成分的數(shù)字或名稱來訪問列表中的元素。此例中，mylist[[2]]和mylist[["ages"]]均指那個含有四個元素的向量。由于兩個原因，列表成為了R語言中的重要數(shù)據(jù)結(jié)構(gòu)。首先，列表允許以一種簡單的方式組織和重新調(diào)用不相干的信息。其次，許多R函數(shù)的運行結(jié)果都是以列表的形式返回的。需要取出其中哪些成分由分析人員決定。