R语言统计分析——数据集概念和数据结构

参考资料：R语言实战.第2版
1、数据集的概念
        数据集通常是由数据构成的一个矩形数组，行表示观测，列表示变量。
        差别行业对于数据集的行和列叫法差别。统计学称为观测（observation）和变量（variable），数据库中称为记载（record）和字段（field），数据发掘和机器学习成为示例（example）和属性（attribute）。
        R中有许多用于存储数据的结构，包罗标量、向量、数组、数据框和列表。
        R可以处理的额数据类型包罗数值型、字符型、逻辑型、复数型和原生型。
2、数据结构

（1）向量 
        向量是用于存储数值型、字符型或逻辑型数据的一维数组。执行组合功能的函数c()可用来创建向量。

1. a<-c(1,2,5,3,6,-2,4)
2. b<-c('one','two','three')
3. c<-c(TRUE,TRUE,TRUE,FALSE,TRUE,FALSE)

复制代码

        这里a是数值型向量，b是字符型向量，c是逻辑型向量。留意：单个向量中的数据必须拥有相同的类型或模式（数值型、字符型或逻辑型等）。同一向量中无法混杂差别模型的数据。
        通过在方括号中给定元素所处位置的数值，我们可以访问向量中的元素。比方：

留意：标量是只含有一个元素的向量，它们用于保存常量。

1. f<-3
2. g<-"cn"
3. h<-TRUE

复制代码

（2）矩阵
        矩阵是一个二维数组，只是每个元素都拥有相同的模式（数值型、字符型或逻辑型）。可通过函数matrix()创建矩阵。
        matrix(vector,nrow,ncol,byrow,dimnames)
        vector包含矩阵的元素，
        nrow和ncol用以指定行和列的维数
        dimnames包含了可选的、以字符型向量表示的行名和列名
        byrow则表明矩阵应当按行填充还是按列填充，默认按列填充。

1. # 创建一个5×4的矩阵
2. y<-matrix(1:20,nrow=5,ncol=4)
3. y
5. # 按行填充2×2的矩阵
6. cells<-c(1,26,24,68)
7. rnames<-c("R1","R2")
8. cnames<-c("C1","C2")
9. mymatrix<-matrix(cells,
10.                  nrow=2,
11.                  ncol=2,
12.                  byrow=TRUE,
13.                  dimnames=list(rnames,cnames))
14. mymatrix
16. # 按列填充的2×2矩阵
17. mymatrix<-matrix(cells,nrow=2,ncol=2,
18.                  byrow=FALSE,
19.                  dimnames=list(rnames,cnames))
20. mymatrix

复制代码

        我们可以利用下标和方括号来选择矩阵中的行、列或元素。
        X[i,]指矩阵中的第i行，X[,j]指矩阵中的第j列，X[i,j]指第i行第j列的元素。
        选择多行或多列时，下标i和j可以数值型向量。

1. # 下标的使用
2. # 创建一个矩阵
3. x<-matrix(1:10,nrow=2)
4. x
5. # 矩阵x的第2行数据
6. x[2,]
7. # 矩阵x的第2列数据
8. x[,2]
9. # 矩阵x的第2行第4个元素
10. x[2,4]
11. # 矩阵x的第1行第4、5个元素
12. x[1,c(4,5)]

复制代码

（3）数组
        数组（array）与矩阵类似，但维度可以大于2。数组可以通过array函数创建。情势如下：
        myarray<-array(vector,dimensions,dimnames)
        其中，vector是包含数据中数据的向量；dimensions是一个数值型的向量，给出了各个维度下标的最大值，而dimnames是可选的、各维度名称标签的列表。
        数组是矩阵的一个自然推广。它们在编写新的统计方法时大概很有效。和矩阵一样，数组中的数据也只能拥有一种模式。从数组中选取元素的方式与矩阵相同。

1. # 创建一个数组
2. dim1<-c('A1','A2')
3. dim2<-c('B1','B2','B3')
4. dim3<-c('C1','C2','C3','C4')
5. z<-array(1:24,dim=c(2,3,4),
6.          dimnames=list(dim1,dim2,dim3))
7. z

复制代码

（4）数据框
        由于差别的列可以包含差别模式（数值型、字符型等）的数据，数据框的概念较矩阵来说更为一般。也是我们在R中最常处理的数据结构。
        数据框可通过函数data.frame()创建：
        mydata<-data.frame(col1,col2,col3,...)
        其中的列向量col1，col2，col3等可为任何数据类型。每一列的名称可有函数names指定。如下：

1. # 创建一个数据框
2. patientID<-c(1,2,3,4)
3. age<-c(25,34,28,52)
4. diabetes<-c('Type1','Type2','Type1','Type2')
5. status<-c('Poor','Improved','Excellent','Poor')
6. patientdata<-data.frame(patientID,age,diabetes,status)
7. patientdata

复制代码

        每一列数据的模式必须唯一，不过我们可以将多个模式的差别列放在一起组成数据框。数据框与分析职员通常设想的数据集形态较为靠近。
        选取数据框中元素的方式有若干种。可以利用切片格式，也可以直接指定列名。

1. # 切片法
2. patientdata[1:2]
3. # 指定列名
4. patientdata[c('diabetes','status')]
5. # $符号指定列名
6. patientdata$age
7. # 交叉表
8. table(patientdata$diabetes,patientdata$status)

复制代码

        在每个变量名前都键入一次数据框名称相对比较麻烦，可以走一些捷径。两盒利用attach()和detach()或单独利用with()来简化代码。
        attach()函数可将数据框添加到R的搜刮路径中。R在遇到一个变量名以后，将查抄搜刮路径中的数据框。detach()是将数据框从搜刮路径中移除，与attach()函数配合利用。

1. summary(mtcars$mpg)
2. plot(mtcars$mpg,mtcars$disp)
3. plot(mtcars$mpg,mtcars$wt)

复制代码

以上代码可以写成：

1. attach(mtcars)
2.   summary(mpg)
3.   plot(mpg,disp)
4.   plot(mpg,wt)
5. detach(mtcars)

复制代码

        当名称相同的对象不止一个时，attach()的方法将会显得范围。attach()和detach()最好在分析一个单独的数据框，且不太大概有多个同名称对象时利用。
        另一种方式是函数with()，重写上述代码为：

1. with(mtcars,{
2.   print(summary(mpg))
3.   plot(mpg,disp)
4.   plot(mpg,wt)
5. })

复制代码

        函数with()的范围性在于，赋值仅在此函数的括号内生效。假如要创建在with()结构以外存在的对象，利用特殊赋值符号<<-替代标准赋值符号<-即可，它可将对象保存到with()之外的全局换菌种。如下：

1. with(mtcars,{
2.   nokeepstats<-summary(mpg)
3.   keepstats<<-summary(mpg)
4. })
5. nokeepstats
6. keepstats

复制代码

        相对于attach()，多数的R数据中更多保举利用with()函数。
（5）因子
        变量可归结为名义型、有序型和连续型变量。
        名义型变量是没有顺序之分的类别变量。
        有序型边变量是一种顺序关系，而非数量关系。
        连续型变量可以呈现为某个范围内的任意值，并同时表示了顺序和数量。
        名义型变量和有序型变量在R中称为因子（factor）。因子在R中非常重要，因为它决定了数据的分析方式以及怎样进行视觉呈现。
        factor()函数以一个整数向量的情势存储类别值，整数的取值范围是[1,...,k]（其中k是名义变量中唯一值的个数），同时一个有字符串（原始值）组成的内部向量将映射到这些整数上。
        对于字符型向量，因子的水平默认依字母顺序创建，我们可以通过指定levels选项来覆盖默认排序。比方：status<-factor(status,order=TRUE,levels=c('Poor','Improved','Excellent'))，各水平的赋值将为1=Poor、2=Improved、3=Excellent。请保证指定的水平与数据中的真实值相匹配，因为任安在数据中出现而未在参数中枚举的数据都将设为缺失值。

1. patientID<-c(1,2,3,4)
2. age<-c(25,34,28,54)
3. diabetes<-c('Type1','Type2','Type1','Type1')
4. status<-c('Poor','Improved','Excellent','Poor')
5. # 将diabetes设为因子
6. diabetes<-factor(diabetes)
7. # 将status设为有序因子
8. status<-factor(status,order=TRUE)
9. # 创建数据框
10. patientdata<-data.frame(patientID,age,diabetes,status)
11. # 显示对象的结构
12. str(patientdata)
13. # 显示对象的统计概要
14. summary(patientdata)

复制代码

（6）列表
        列表（list）是R的数据类型中最为复杂的一种。一般来说，列表就是一些对象的有序聚集。列表允许整合若干差别类型的对象到一个对象名下。

1. g<-"my first list"
2. h<-c(25,26,18,39)
3. j<-matrix(1:10,nrow=5)
4. k<-c('one','two','three')
5. # 创建列表
6. mylist<-list(title=g,ages=h,j,k)
7. mylist

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。