R語言Data Frame數據框常用操作

Data Frame一般被翻譯為數據框，感覺就像是R中的表，由行和列組成，與Matrix不同的是，每個列可以是不同的數據類型，而Matrix是必須相同的。

Data Frame每一列有列名，每一行也可以指定行名。如果不指定行名，那么就是從1開始自增的Sequence來標識每一行。

初始化

使用data.frame函數就可以初始化一個Data Frame。比如我們要初始化一個student的Data Frame其中包含ID和Name還有Gender以及Birthdate，那么代碼為：

student<-data.frame(ID=c( 11, 12, 13),Name=c( " Devin ", " Edward ", " Wenli "),Gender=c( " M ", " M ", " F "),Birthdate=c( " 1984-12-29 ", " 1983-5-6 ", " 1986-8-8”))

另外也可以使用read.table() read.csv()讀取一個文本文件，返回的也是一個Data Frame對象。讀取數據庫也是返回Data Frame對象。

查看student的內容為：

  ID   Name Gender  Birthdate

1  11  Devin      M 1984-12-29

2  12 Edward      M   1983-5-6

3  13  Wenli      F   1986-8-8

這里只指定了列名為ID，Name，Gender和Birthdate，使用names函數可以查看列名，如果要查看行名，需要用到row.names函數。這里我們希望將ID作為行名，那么可以這樣寫：

row.names(student)<-student$ID

更簡單的辦法是在初始化date.frame的時候，有參數row.names可以設置行名的向量。

訪問元素

與Matrix一樣，使用[行Index,列Index]的格式可以訪問具體的元素。

比如訪問第一行:

student[ 1,]

訪問第二列：

student[, 2]

使用列的Index或者列名可以選取要訪問的哪些列。比如要ID和Name，那么代碼為：

idname<-student[ 1: 2]

或者是

idname<-student[c( " ID ", " Name”)]

如果是只訪問某一列，返回的是Vector類型的，那么可以使用[[或者$來訪問。比如我們要所有student的Name，代碼為：

name<-student[[ 2]] 或者name<-student[[“Name”]] 或者name<-student$Name

使用attach和detach函數可以使得訪問列時不需要總是跟着變量名在前面。

比如要打印所有Name，那么可以寫成：

             attach(student) 
            
print(Name) 
            
detach(student) 
           

還可以換一種簡潔一點的寫法就是用with函數：

             with(student,{ 
            
  n<-Name 
            
  print(n) 
            
}) 
           

這里的n作用域只在大括號內，如果想在with函數中對全局的變量進行賦值，那么需要使用<<-這樣一個運算符。

修改列數據類型

接下來我們查看該對象每列的類型，使用str(student)可以得到如下結果：

'data.frame':3 obs. of  4 variables:

 $ ID       : num  1 2 3

 $ Name     : Factor w/ 3 levels "Devin","Edward",..: 1 2 3

 $ Gender   : Factor w/ 2 levels "F","M": 2 2 1

 $ Birthdate: Factor w/ 3 levels "1983-5-6","1984-12-29",..: 2 1 3

默認情況下，字符串向量都會被自動識別成Factor，也就是說，ID是數字類型，其他的3個列都被定義為Factor類型了。顯然這里Name應該是字符串類型，Birthdate應該是Date類型，我們需要對列的數據類型進行更改：

            student$Name<- 
           as.character(student$Name) 
           
student$Birthdate<- 
           as.Date(student$Birthdate) 
          

下面我們再運行str(student)看看修改后的結果：

'data.frame':3 obs. of  4 variables:

 $ ID       : num  11 12 13

 $ Name     : chr  "Devin" "Edward" "Wenli"

 $ Gender   : Factor w/ 2 levels "F","M": 2 2 1

 $ Birthdate: Date, format: "1984-12-29" "1983-05-06" "1986-08-08”

添加新列

對於以及存在的student對象，我們希望增加Age列，該列是根據Birthdate算出來的。首先需要知道怎么算年齡。我們可以使用日期函數Sys.Date()獲得當前的日期，然后使用format函數獲得年份，然后用兩個年份相減就是年齡。好像R並沒有提供幾個能用的日期函數，我們只能使用format函數取出年份部分，然后轉換為int類型相減。

student$Age<- as.integer(format(Sys.Date(), " %Y "))- as.integer(format(student$Birthdate, " %Y”))

這樣寫似乎太長了，我們可以用within函數，這個函數和之前提到過的with函數類似，可以省略變量名，不同的地方是within函數可以在其中修改變量，也就是我們這里增加Age列：

             student<-within(student,{ 
            
  Age<- 
            as.integer(format(Sys.Date(), 
            " 
            %Y 
            "))- 
            as.integer(format(Birthdate, 
            " 
            %Y 
            ")) 
            
}) 
           

查詢/子集

查詢一個Date Frame，返回一個滿足條件的子集，這相當於數據庫中的表查詢，是非常常見的操作。使用行和列的Index來獲取子集是最簡單的方法，前面已經提到過。如果我們使用布爾向量，配合which函數，可以實現對行的過濾。比如我們要查詢所有Gender為F的數據，那么我們首先對student$Gender==“F”，得到一個布爾向量:FALSE FALSE  TRUE,然后使用which函數可以將布爾向量中TRUE的Index返回，所以我們的完整查詢語句就是：

student[which(student$Gender== " F "),]

注意這里列Index並沒有輸入，如果我們只想知道所有女生的年齡，那么可以改為：

student[which(student$Gender== " F "), " Age”]

這樣的查詢寫法還是復雜了點，可以直接使用subset函數，那么查詢會簡單些，比如我們把查詢條件改為年齡<30的女性，查姓名和年齡，那么查詢語句為：

subset(student,Gender== " F " & Age< 30 , select=c( " Name ", " Age "))

使用SQL查詢Data Frame

對於我這種使用了多年SQL的人來說，如果能夠直接寫SQL語句對Data Frame進行查詢操作，那是多么方便美妙的啊，結果還真有這么一個包：sqldf。

同樣是前面的需求，對應的語句就是：

             library(sqldf) 
            
result<-sqldf( 
            " 
            select Name,Age from student where Gender='F' and Age<30 
            ") 
           

連接/合並

對於數據庫來說，對多表進行join查詢是一個很正常的事情，那么在R中也可以對多個Data Frame進行連接，這就需要使用merge函數。

比如除了前面申明的student對象外，我們再申明一個score變量，記錄了每個學生的科目和成績：

score<-data.frame(SID=c( 11, 11, 12, 12, 13),Course=c( " Math ", " English ", " Math ", " Chinese ", " Math "),Score=c( 90, 80, 80, 95, 96))

我們看看該表的內容：

  SID  Course Score

1  11    Math    90

2  11 English    80

3  12    Math    80

4  12 Chinese    95

5  13    Math    96

這里的SID就是Student里面的ID，相當於一個外鍵，現在要用這個ID進行inner join操作，那么對應的R語句就是：

result<-merge(student,score,by.x= " ID ",by.y= " SID ")

我們看看merge以后的結果：

 ID   Name Gender  Birthdate Age  Course Score

1 11  Devin      M 1984-12-29  31    Math    90

2 11  Devin      M 1984-12-29  31 English    80

3 12 Edward      M 1983-05-06  32    Math    80

4 12 Edward      M 1983-05-06  32 Chinese    95

5 13  Wenli      F 1986-08-08  29    Math    96

正如我們期望的一樣join在了一起。

除了join，另外一個操作就是union，這也是數據庫常用操作，那么在R中如何將兩個列一樣的Data Frame Union聯接在一起呢？雖然R語言中有union函數，但是不是SQL的Union的意思，我們要實現Union功能，需要用到rbind函數。

rbind的兩個Data Frame必須有相同的列，比如我們再申明一個student2，將兩個變量rbind起來：

            student2<-data.frame(ID=c( 
           21, 
           22),Name=c( 
           " 
           Yan 
           ", 
           " 
           Peng 
           "),Gender=c( 
           " 
           F 
           ", 
           " 
           M 
           "),Birthdate=c( 
           " 
           1982-2-9 
           ", 
           " 
           1983-1-16 
           "),Age=c( 
           32, 
           31)) 
           
rbind(student,student2)