先回憶一下之前用到的例子。

將其輸入R語言中：

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

接下來我們就以mydata為例，介紹一下如何對數(shù)據(jù)框進行簡單的操作。

了解一個數(shù)據(jù)框

多重線性回歸，一般是指有多個自變量X，只有一個因變量Y。前面我們主要是以簡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X時，就稱簡單線性回歸。

面對數(shù)據(jù)，第一步就是要了解它有多少條記錄(或多少個case/ observation )，有多少個變量（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)框的整體結構（維度、變量名、數(shù)據(jù)類型、數(shù)據(jù)內容）

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，一般是指有多個自變量X，只有一個因變量Y。前面我們主要是以簡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X時，就稱簡單線性回歸。

2種方法：

1. 數(shù)據(jù)框后加[ , ]。逗號前是行，逗號后是列。如果沒有指定是哪一行或哪一列，默認為所有行/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，用列名來提取更方便

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，一般是指有多個自變量X，只有一個因變量Y。前面我們主要是以簡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X時，就稱簡單線性回歸。

1.提取滿足某一個條件的數(shù)據(jù)。

例如，在病情status這個變量中，有poor, improved 和 excellent這三類，現(xiàn)在想獲取病情最穩(wěn)定、恢復最好的患者信息。也就是說，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，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,再設置status的條件 

輸入語句：mydata$comorbidity[mydata$status=='excellent']

[1] FALSE FALSE

2.提取滿足多個條件的數(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&這個符號表達『并且』。用一個小豎杠 | 表達『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)，既可用來選擇行，也可選擇列，當然也可以用來提取滿足特定條件的內容。

# 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，一般是指有多個自變量X，只有一個因變量Y。前面我們主要是以簡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X時，就稱簡單線性回歸。

由于原來的數(shù)據(jù)框中沒有缺失數(shù)據(jù)，這里我們來構造一個新的記錄(observation)，讓這個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. 只保留無缺失的observations。如果希望將無缺失版本的數(shù)據(jù)框保存起來，要記得把na.omit(mydata)的結果賦值給新的對象。

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. 查看哪個數(shù)據(jù)為缺失值。需要用到2個函數(shù)，這里提醒大家，如果R的語句太復雜，那么可以先從最中心的部分讀起，一層括號一層括號地向外擴展。

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

從下面的結果我們可以看到，只有第6個數(shù)據(jù)是TRUE。

which(is.na(mydata$age))

[1] 6

is.na(mydata$age)

[1] FALSE FALSE FALSE FALSE FALSE TRUE

以上就是對數(shù)據(jù)框的一些簡單操作，但是在數(shù)據(jù)處理中非常實用。下一講我們繼續(xù)介紹更多數(shù)據(jù)處理的內容。