准備數據是數據分析的第一步，由數據構成集合，我們稱作數據集，數據集的結構是行列式的，行表示觀測，列表示變量。把數據讀入到R中，轉換為合適的數據結構，能夠提高數據分析的效率。在數據分析中，常用的存儲數據的結構有標量、向量、因子和數據框，另外，還有矩陣和列表，多樣化的數據結構賦予了R靈活處理數據的能力，本文簡單介紹常用的數據結構（標量、向量、因子和數據框）及其使用方法。
一，常用的數據結構
標量通常是常量，每一個標量都有特定的數據類型，常用的數據類型是數值類型，字符類型，邏輯類型和日期類型。
對於邏輯類型，可能的值是TRUE和FALSE，用於邏輯操作的運算符：與（&）、或（|）、非（!）
R語言中經常會遇到一些特殊值：
- 缺失值 NA（Not Avaiable），是不可用的縮寫；
- NaN為“不是一個數”，意味着計算沒有數學意義；
- NULL值，空值，表示一個空的變量，不會占用任何空間，通過is.null(x)來測試變量是否為NULL值；
- 特殊的數字：Inf、-Inf 表示正無窮，負無窮；
1，向量
向量是用於存儲同一類型的一維數組，同一向量中無法存儲不同類型的數據，標量是只含一個元素的向量。向量使用c()函數來定義，向量元素的數據類型必須相同。
myvector <- c("a","b","c")
2，因子
因子是一個枚舉類型，用於表示類別。因子有字面標簽（Lable）和級別（Level）兩個屬性。函數factor()以一個整數向量的形式存儲類別。
參數：levels代表原始類別名稱，lables相當於對類別名稱進行重命名。
factor(x = character(), levels, labels = levels, exclude = NA, ordered = is.ordered(x), nmax = NA)
例如，定義一個向量，把向量轉化為因子，對因子的級別進行重命名。
> sex<-c("男","女","男") > f<-factor(sex,levels=c("男","女"),labels=c("male","female")) > f [1] male female male Levels: male female
通過函數levels(f)和nlevels(f)查看因子的級別和級數：
> levels(f) [1] "male" "female" > nlevels(f) [1] 2
3，數據框
數據框是數據分析中，最常用的存儲結構，其最大的特征是：不同的列可以包含不同的數據類型，同一列的數據類型必須相同。
數據框可以通過函數data.frame()創建：
data.frame(..., row.names = NULL, check.rows = FALSE, check.names = TRUE, fix.empty.names = TRUE, stringsAsFactors = default.stringsAsFactors())
創建數據框的參數注釋：
- ...：用於指定數據框的數據，通常是多個向量，每個變量元素的類型必須相同，所有變量的長度必須相同，可以指定變量的名稱，例如，var1=c(1:5),var2=c("a","b","c","d","e")。
- row.names：字符串向量，用於指定行的名稱
- check.rows：邏輯值，檢查行名稱是否和行的數量匹配
- check.names：邏輯值，檢查變量的名稱，確保變量名稱合法
- fix.empty.names：邏輯值，當設置為TRUE時，自動為沒有名稱的變量重命名，默認值是TRUE；當設置為FALSE時，為無名變量保留名稱“”；
- stringsAsFactors：邏輯值，是否把字符串類型的變量轉換為因子類型
二，創建數據框
創建數據框的方法有多種，常用的方法有三種，根據實際的業務場景，選擇合適的方法。
1，使用data.frame()函數
這種方法最簡單，但創建的數據框包含的數據相對較少。
> age<-c(13,15,17,20) > name<-c("s1","s2","s3","s4") > stu<-data.frame(age,name) > stu age name 1 13 s1 2 15 s2 3 17 s3 4 20 s4
2，從文件中導入數據
使用read.table()函數，從帶分隔符的文本文件中導入數據，該函數的格式是：
mydata <- read.table(file, options)
常用的選項是：
- header：邏輯值，表示文件的第一行是否包含變量的標題；
- sep：表示在同一行內，用於分割變量值的分隔符，默認值是","；
- row.names：字符串類型的向量，用於指定行的名稱。可以是一個向量，包含所有數據行的名稱，也可以指定一個字符串，該字符串是文件的列名，那么數據集使用該列的值作為行的名稱。
- col.names：字符串類型的向量，如果文件的第一行不包含變量的標題，使用該參數指定變量的名稱；如果參數header=FALSE，col.names參數被省略了，變量會被命名為V1、V2，以此類推。
- na.strings：用於表示缺失值的字符串向量，在讀取數據時，當變量值匹配這些字符串中的任意一個時，把變量的值轉換為NA。
- colClass：用於指定每一個變量的數據類型，例如，colClasses=c("numeric","character","NULL")，當類為NULL時，表示跳過該列。
- quote：用於對有特殊字符的字符串划定界限的符號，默認值是雙引號或單引號。
- skip：讀取數據前跳過的行數，常用於跳過文件開頭的注釋行。
- stringAsFactors：邏輯值，默認值是TRUE，用於指定是否把字符向量轉換為因子。
在處理大型文本數據時，設置colClasses參數，把stringAsFactors設置為FALSE，能夠顯著提高數據處理的速度。
舉個例子，從csv文件中讀取數據，文件的第一行是列名：
mydata <- read.table("stu.csv",header=TRUE,sep=",",row.names="StudentID")
三，使用R連接數據庫
通過ODBC驅動程序連接數據庫，用戶需要安裝ODBC驅動程序，然后創建ODBC數據源。在R腳本中引用數據源，從數據庫中讀取數據，對數據進行分析。
1，創建ODBC數據源
step1：從管理員工具中選擇ODBC Data Source (64-bit)，添加用戶數據源：
step2：選擇驅動程序，ODBC Driver 13 for SQL Server
step3：輸入ODBC數據源的名稱，想要連接的SQL Server的名稱：
step4：選擇驗證模式
在Windows域賬戶中，選擇集成Windows驗證模式
step5：選擇默認連接的數據庫
step6：使用默認的配置
step7：測試數據源，點擊OK，創建數據源
step8，查看創建的用戶數據源（DSN）
2，引用ODBC數據源
首先需要安裝RODBC包，並在R腳本中引用包：
install.packages("RODBC") library(RODBC)
該包中主要包含三個常用的函數，分別用於連接ODBC數據源，從數據庫中執行查詢返回數據框，關閉數據源。
channel <- odbcConnect(dsn,uid="",pwd="") sqlQuery(channel,query) close(channel)
舉個例子，從ODBC數據源中，執行SQL語句，返回數據框，並及時關系連接。
> library(RODBC) > myconn <- odbcConnect("test odbc") > mydata <- sqlQuery(myconn,"SELECT [ID] ,[Name] ,[CreateTime] FROM [DB_test].[dbo].[Users]") > close(myconn) > mydata ID Name CreateTime 1 1 Vic 2017-11-09 15:58:07 2 2 Joe 2017-11-09 15:58:07 >
四，檢查對象的屬性
創建數據框之后，需要檢查數據框的各個屬性，這是對准備的數據做一個初步檢查。
1，查看對象的結構
> str(mydata) 'data.frame': 2 obs. of 3 variables: $ ID : int 1 2 $ Name : Factor w/ 2 levels "Joe","Vic": 2 1 $ CreateTime: POSIXct, format: "2017-11-09 15:58:07" "2017-11-09 15:58:07"
2，查看對象的行數量和變量數量
> NROW(mydata) [1] 2 > NCOL(mydata) [1] 3 > dim(mydata) [1] 2 3
3，查看數據框的變量名
> names(mydata) [1] "ID" "Name" "CreateTime"
4，查看數據框的頭部或尾部數據行
head(mydata)
tail(mydata)
參考文檔：