數據的清理
如同列夫托爾斯泰所說的那樣：“幸福的家庭都是相似的，不幸的家庭各有各的不幸”，糟糕的惡心的數據各有各的糟糕之處，好的數據集都是相似的。一份好的，干凈而整潔的數據至少包括以下幾個要素：
1、每一個觀測變量構成一列
2、每一個觀測對象構成一行
3、每一個類型的觀測單元構成一個表
就像我們最常接觸的鳶尾花數據：
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa每一列就是觀測的指標：花瓣長度，花瓣寬度，萼片長度，萼片寬度，種類；每一行就是一株鳶尾花的觀測值，構成整張表的元素就是四個數值變量，一個分類分類變量。
然而出於排版的考慮我們抓下來的數據往往不是那么的友好，比如說我們可以看到的數據通常是這樣的：
## religion <10k 10k-50k 50k-100k
## 1 Agnostic 12 31 23
## 2 Buddhist 58 43 43
## 3 Catholic 79 56 23而不是：
## religion income freq
## 1 Agnostic <10k 12
## 2 Agnostic 10k-50k 58
## 3 Agnostic 50k-100k 79
## 4 Buddhist <10k 31
當然，除了這種把列表每一列代表一些數值這種情況外，還有多個變量儲存為一列(比如列表不僅以"<10k","10k-50k","50k-100k"做表頭，甚至還加上性別信息"m<10k","m10k-50k","m50k-100k"，"f<10k","f10k-50k","f50k-100k",其中m代表男性，f代表女性)，還有更過分的將列表的變量不僅儲存在列中，行中也有統計變量。
面對這些不好的table，我們首先要做的就是數據管理，將數據整理為一個干凈的數據集。
數據管理
按照en:DAMA的定義：“數據資源管理，致力於發展處理企業數據生命周期的適當的建構、策略、實踐和程序”。這是一個高層而包含廣泛的定義，而並不一定直接涉及數據管理的具體操作（如關系數據庫的技術層次上的管理）。我們這里主要講述對於數據的變量命名與數據的合並，旨在方便數據共享。
數據管理首先要做的就是大致上了解你的數據，比如有什么樣的變量，每一行大致長成什么樣，最常用的就是head(),tail().
我們要做的基本上就是這么幾項工作：
-
給每一個變量命名，而不是V1，V2，如果有必要可以給出code book。
-
每個變量名最好具有可讀性，除非過長，否則不要用縮寫，例如AgeAtDiagnosis這個命名遠好於AgeDx。
-
通常來說，最好將數據放在一張表里面，如果因為數據過多，項目過雜，分成了幾張表。那么一定需要有一列使得這些表之間能夠連接起來，但盡量避免這樣做。
我們以UCI的Human Activity Recognition Using Smartphones Data Set 為例來看看數據是如何變成一個基本符合要求的數據。這個數據我們已經下載下來了，其中關於數據的詳細信息可以參閱read me文檔，由於UCI的數據通常都是一個基本合乎規范的數據集（主要是指它的數據集的變量名都是以V1，V2來命名的）加上一個code book。那么我們看看各個數據的名稱（在feature文件里）
setwd("F:/coursera/Data Science/peer assignment/get clean and tidy data/UCI HAR Dataset")name <- read.table("./features.txt", stringsAsFactors = F) head(name)
## V1 V2
## 1 1 tBodyAcc-mean()-X
## 2 2 tBodyAcc-mean()-Y
## 3 3 tBodyAcc-mean()-Z
## 4 4 tBodyAcc-std()-X
## 5 5 tBodyAcc-std()-Y
## 6 6 tBodyAcc-std()-Z我們可以看到各個特征的名稱直接標在數據上是非常不友善的，我們為了讓他具有可讀性，我們以展示在我們眼前的6個數據為例：
variablename <- head(name)# 將標簽中的大寫字母轉為小寫，我們這里沒有所以不再賦值，如果需要全變為大寫，可以使用touppertolower(variablename$V2)
## [1] "tbodyacc-mean()-x" "tbodyacc-mean()-y" "tbodyacc-mean()-z"
## [4] "tbodyacc-std()-x" "tbodyacc-std()-y" "tbodyacc-std()-z"# 將變量名分離成3部分splitNames <- strsplit(variablename$V2, "-")splitNames[[1]]
## [1] "tBodyAcc" "mean()" "X"# 將變量名合成有意的名稱named <- function(x) { rr <- paste(x[2], x[1], "-", x[3], sep = "") chartr("()", "of", rr) } sapply(splitNames, named)
## [1] "meanoftBodyAcc-X" "meanoftBodyAcc-Y" "meanoftBodyAcc-Z"
## [4] "stdoftBodyAcc-X" "stdoftBodyAcc-Y" "stdoftBodyAcc-Z"用這樣的名字給數據集命名就感覺舒服多了，我們將一些R中對字符串常用的操作函數總結如下，方便我們對數據名稱的修改：
-
sub：替換字符串中的第一個模式為設定模式(pattern).
-
gsub:全局替換字符串中的相應模式
-
grep,grepl:這兩個函數返回向量水平的匹配結果，grep僅返回匹配項的下標，而grepl返回所有的查詢結果，並用邏輯向量表示有沒有找到匹配。
-
nchar:統計字符串單字數目
-
substr:取子串
-
paste:將字符串鏈接起來，sep參數可以設置連接符
-
str_trim:去掉字符串空格
變量的名稱建議滿足如下要求：
-
英文變量名盡可能用小寫
-
盡可能的描述清楚變量特征 (Diagnosis versus Dx)
-
不要太復雜
-
不要有下划線、點、空格
字符型變量應該滿足：
-
是因子類型的應該轉化為factor
-
因子盡可能具有一定的描述性 (例如：如果0/1表示真假，那么用TRUE/FALSE代替0/1；在表示性別時用Male/Female代替M/F)
接下來我們討論數據集的合並，主要使用函數merge。
我們以下面兩個數據集的合並為例：
df1 <- data.frame(id = sample(1:10), reviewer_id = sample(5:14), time_left = sample(1321:1330), x = rnorm(10))df2 <- data.frame(id = sample(1:10), answer = rep("B", 10), time_left = sample(321:330), y = rnorm(10)) head(df1, n = 3)
## id reviewer_id time_left x
## 1 3 9 1326 -0.9232
## 2 10 5 1322 2.5069
## 3 1 14 1330 2.2478head(df2, n = 3)
## id answer time_left y
## 1 1 B 329 0.8180
## 2 10 B 327 1.4639
## 3 9 B 323 0.8141merge函數調用格式為：
merge(x, y, by = intersect(names(x), names(y)),
by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all,
sort = TRUE, suffixes = c(".x",".y"),
incomparables = NULL, ...)參數說明：
-
x,y:兩個數據框
-
by, by.x, by.y:指定用於合並的列的名稱。
-
all,all.x,all.y:默認的all = FALSE相當於自然連接, 或者說是內部鏈接. all.x = TRUE是一個左連接, all.y = TRUE是一個又連接, all = TRUE 相當於一個外部鏈接.
仔細觀察下面3個例子你就會發現其中的奧秘：
mergedData <- merge(df1,df2,by.x="reviewer_id",by.y="id",all=TRUE) head(mergedData)
## reviewer_id id time_left.x x answer time_left.y y
## 1 1 NA NA NA B 329 0.8180
## 2 2 NA NA NA B 330 -0.7706
## 3 3 NA NA NA B 325 -0.4851
mergedData <- merge(df1,df2,by.x="id",by.y="id",all=TRUE) head(mergedData)
## id reviewer_id time_left.x x answer time_left.y y
## 1 1 14 1330 2.24783 B 329 0.8180
## 2 2 12 1324 1.03181 B 330 -0.7706
## 3 3 9 1326 -0.92317 B 325 -0.4851
## 4 4 7 1321 -0.07841 B 322 0.1801
mergedData2 <- merge(df1,df2,all=TRUE) head(mergedData2)
## id time_left reviewer_id x answer y
## 1 1 329 NA NA B 0.8180
## 2 1 1330 14 2.2478 <NA> NA
## 3 2 330 NA NA B -0.7706
在plyr包中還提供了join，join_all，arrange等函數來實現表的連接，但我想merge這個函數已經足夠用了，所以我們不在多說。當然，在極少數特別好的情況下（比如列的變量是一致的，或者行的觀測個體是一致的時候）rbind,cbind也是有用的。
有些時候我們會遇到一些特殊的字符串：日期。R中提供了各式各樣的函數來處理時間：
Sys.setlocale("LC_TIME", "C")
## [1] "C"x <- c("1jan1960", "2jan1960", "31mar1960", "30jul1960")z <- as.Date(x, "%d%b%Y") format(z, "%a %b %d")
## [1] "Fri Jan 01" "Sat Jan 02" "Thu Mar 31" "Sat Jul 30"weekdays(z)
## [1] "Friday" "Saturday" "Thursday" "Saturday"julian(z)
## [1] -3653 -3652 -3563 -3442
## attr(,"origin")
## [1] "1970-01-01"transform(z, weekend = as.POSIXlt(z, format = "%Y/%m/%d")$wday %in% c(0, 6))
## X_data weekend
## 1 1960-01-01 FALSE
## 2 1960-01-02 TRUE
## 3 1960-03-31 FALSE
## 4 1960-07-30 TRUE數據操作與整合
說到數據操作，這也是一個十分寬泛的話題，在這里我們就以下4個方面進行介紹：
-
數據的篩選，過濾：根據一些特定條件選出或者刪除一些觀測
-
數據的變換：增加或者修改變量
-
數據的匯總：分組計算數據的和或者均值
-
數據的排序：改變觀測的排列順序
然而在進行這一切之前首先要做的就是了解你的數據，我們以世界銀行的數據Millennium Development Goals為例，來一步步演示如何進行數據操作：
if (!file.exists("C:/Users/yujun/Documents/MDG_Data.csv")) { download.file("http://databank.worldbank.org/data/download/MDG_csv.zip","F:/MDG.zip") unzip("F:/MDG.zip") }MDstats<-read.csv("C:/Users/yujun/Documents/MDG_Data.csv")
首先先來看一部分數據：
head(MDstats)
## Country.Name Country.Code
## 1 Afghanistan AFG
## 2 Afghanistan AFG
## 3 Afghanistan AFG
tail(MDstats)
## Country.Name Country.Code
## 33093 Zimbabwe ZWE
## 33094 Zimbabwe ZWE
## 33095 Zimbabwe ZWE
## 33096 Zimbabwe ZWE
我們顯然發現了這不是一個tidy data，那么我們先將其變換為我們喜歡的tidy data，之后再看看數據摘要及數據集各單元的屬性：
## countryname countrycode
## 1 Afghanistan AFG
## 2 Afghanistan AFG
## 3 Afghanistan AFG
## 4 Afghanistan AFG
## 5 Afghanistan AFG
## 6 Afghanistan AFG
## indicatorname
## 1 Adolescent fertility rate (births per 1,000 women ages 15-19)
## 2 Agricultural support estimate (% of GDP)我們可以看看各個數值數據的分位數：
quantile(MDstatsMelt$value,na.rm=TRUE)
## 0% 25% 50% 75% 100%
## -9.431e+08 1.054e+01 5.060e+01 9.843e+01 7.526e+13看看各個國家的統計數據有多少：
table(MDstatsMelt$countrycode)
##
## ABW ADO AFG AGO ALB ARB ARE ARG ARM ASM ATG AUS AUT AZE BDI
## 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216
## BEL BEN BFA BGD BGR BHR BHS BIH BLR BLZ BMU BOL BRA BRB BRN
看看缺失值：
sum(is.na(MDstatsMelt$value)) #總的缺失值
## [1] 495519colSums(is.na(MDstatsMelt)) #每一列的缺失值
## countryname countrycode indicatorname indicatorcode year
## 0 0 0 0 0
## value
## 495519# 如果我們用回tidy前的數據集，那么這個函數會顯得比較有用colSums(is.na(MDstats))
## Country.Name Country.Code Indicator.Name Indicator.Code X1990
## 0 0 0 0 23059
## X1991 X1992 X1993 X1994 X1995
## 22293 21672 21753 21491 20970
## X1996 X1997 X1998 X1999 X2000
## 20680 20448 20419 19933 18822
# 等價的處理方式stat <- function(x) { sum(is.na(x)) } tapply(MDstatsMelt$value, MDstatsMelt$year, stat)
## X1990 X1991 X1992 X1993 X1994 X1995 X1996 X1997 X1998 X1999 X2000 X2001
## 23059 22293 21672 21753 21491 20970 20680 20448 20419 19933 18822 19598
## X2002 X2003 X2004 X2005 X2006 X2007 X2008 X2009 X2010 X2011 X2012 X2013
## 19119 19478 19269 18704 19044 18641 19256 19162 18756 20360 21967 30625統計某個國家的統計數據占總統計數目的多少
table(MDstatsMelt$countryname %in% c("China"))
##
## FALSE TRUE
## 791136 3216prop <- table(MDstatsMelt$countryname %in% c("China"))[2]/sum(table(MDstatsMelt$countryname %in% c("China")))prop
## TRUE
## 0.004049看看數據集的大小：
object.size(MDstatsMelt)
## 22301832 bytesprint(object.size(MDstatsMelt),units="Mb")
## 21.3 Mb至此，我們可以說我們對數據有了一定的了解。另外值得一提的是，對於某些特定的數據，也許xtabs，ftable是有用的。
數據的篩選
要提取相應內容的數據，最為常用的就是提取相應元素，比如提取某個元素，提取某一行，某一列。我們通過下面下面的例子來學習：
data<-data.frame(a=sample(1:10),b=rep(c("a","b"),each=5),cdf=rnorm(10))data
## a b cdf
## 1 1 a 0.5755
## 2 10 a 0.8087
## 3 2 a 0.9810
## 4 7 a -0.4635
## 5 4 a 0.5094
#提取相應元素data[2,1]
## [1] 10data[[1]][[2]]
## [1] 10data[[c(1,2)]]
## [1] 10data$a[2]
## [1] 10#提取某一列data[[3]]
## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
## [9] 1.0004 -1.3566data$cdf
## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
## [9] 1.0004 -1.3566data$c
## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
## [9] 1.0004 -1.3566data[["c"]]
## NULLdata[["c", exact = FALSE]]
## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
## [9] 1.0004 -1.3566數據的篩選還有一個最為常用的的就是移除缺失值：
data<-data.frame(a=c(sample(1:5),NA,NA,sample(6:10)),b=c(rep(c("a","b"),each=5),NA,NA),cdf=rnorm(12))data
## a b cdf
## 1 5 a -0.276400
## 2 1 a -1.861240
good <- complete.cases(data)data[good, ]
## a b cdf
## 1 5 a -0.2764
## 2 1 a -1.8612
## 3 3 a -2.0280
bad <- as.data.frame(is.na(data))data[!(bad$a|bad$b|bad$c),]
## a b cdf
## 1 5 a -0.2764
## 2 1 a -1.8612
數據篩選有時是為了獲得符合條件的數據：
X <- data.frame("var1"=sample(1:5),"var2"=sample(6:10),"var3"=sample(11:15))X <- X[sample(1:5),]; X$var2[c(1,3)] = NAX
## var1 var2 var3
## 2 5 NA 13
## 5 3 6 15
## 1 2 NA 12
## 3 1 8 11
## 4 4 9 14X[(X$var1 <= 3 & X$var3 > 11),]
## var1 var2 var3
## 5 3 6 15
## 1 2 NA 12subset(X,(X$var1 <= 3 & X$var3 > 11))
## var1 var2 var3
## 5 3 6 15
## 1 2 NA 12X[(X$var1 <= 3 | X$var3 > 15),]
## var1 var2 var3
## 5 3 6 15
## 1 2 NA 12
## 3 1 8 11X[which(X$var1 <= 3 | X$var3 > 15),]
## var1 var2 var3
## 5 3 6 15
## 1 2 NA 12
## 3 1 8 11對於取子集的函數subset，在幫助文檔中有一段warning是值得我們注意的：“This is a convenience function intended for use interactively. For programming it is better to use the standard subsetting functions like [, and in particular the non-standard evaluation of argument subset can have unanticipated consequences."
數據的變換
常見的數據變換函數有：
-
abs(x) 絕對值
-
sqrt(x) 開根號
-
ceiling(x) 求上線，例：ceiling(3.475) = 4
-
floor(x) 求下線，例：floor(3.475) = 3
-
round(x,digits=n) 四舍五入，例：round(3.475,digits=2) = 3.48
-
signif(x,digits=n) 四舍五入，例：signif(3.475,digits=2) = 3.5
-
cos(x), sin(x) etc.三角變換
-
log(x) 對數變換
-
log2(x), log10(x) 以2、10為底的對數變換
-
exp(x) 指數變換
除此以外，我們還經常對數據加標簽，以期在回歸中測量其效應。我們以MASS包的shuttle數據集為例,想知道不同類型的風(wind)是否需要使用不同的裝載機(use)，這里我們希望將head wind標記為1，auto use也記為1，我們可以按照如下辦法設置虛擬變量：
library(MASS)
data(shuttle) head(shuttle)
## stability error sign wind magn vis use
## 1 xstab LX pp head Light no auto
## 2 xstab LX pp head Medium no auto
## 3 xstab LX pp head Strong no auto
## 4 xstab LX pp tail Light no auto
## 5 xstab LX pp tail Medium no auto
## 6 xstab LX pp tail Strong no auto## Make our own variables just for illustrationshuttle$auto <- 1 * (shuttle$use == "auto")shuttle$headwind <- 1 * (shuttle$wind == "head") head(shuttle)
## stability error sign wind magn vis use auto headwind
## 1 xstab LX pp head Light no auto 1 1
## 2 xstab LX pp head Medium no auto 1 1
當然對於因子類型變量，relevel函數在線性模型的分析中也是能取得等價效果的。
有些時候，我們還常常將連續數據離散化，這時我們需要用到函數cut：
data <- rnorm(1000) table(cut(data, breaks = quantile(data)))
##
## (-3.28,-0.637] (-0.637,0.0321] (0.0321,0.672] (0.672,3.37]
## 249 250 250 250library(Hmisc)
table(cut2(data, g = 4))
##
## [-3.2847,-0.6372) [-0.6372, 0.0334) [ 0.0334, 0.6829) [ 0.6829, 3.3704]
## 250 250 250 250detach("package:Hmisc", unload = TRUE)
獲得分組區間后，我們只需要將區間的因子重命名就成功的實現了數據的離散化。
數據的匯總
對數據進行匯總，分類匯總是我們也比較常用的，比如對行或列求和，求均值，求分位數：
data <- matrix(1:16, 4, 4)data
## [,1] [,2] [,3] [,4]
## [1,] 1 5 9 13
## [2,] 2 6 10 14
## [3,] 3 7 11 15
## [4,] 4 8 12 16apply(data, 2, mean)
## [1] 2.5 6.5 10.5 14.5apply(data, 1, sum)
## [1] 28 32 36 40apply(data, 1, quantile, probs = c(0.25, 0.75))
## [,1] [,2] [,3] [,4]
## 25% 4 5 6 7
## 75% 10 11 12 13apply(data, 2, quantile, probs = c(0.25, 0.75))
## [,1] [,2] [,3] [,4]
## 25% 1.75 5.75 9.75 13.75
## 75% 3.25 7.25 11.25 15.25有時候，為了更快些，我們會用一些函數替代apply：
-
rowSums = apply(x, 1, sum)
-
rowMeans = apply(x, 1, mean)
-
colSums = apply(x, 2, sum)
-
colMeans = apply(x, 2, mean)
我們有時也會處理一些列表，對列表的分類匯總我們會用到sapply,lapply，不同的是前者返回一個向量或矩陣，后者返回一個列表，例：
x <- list(a = 1:10, beta = exp(-3:3), logic = c(TRUE,FALSE,FALSE,TRUE)) lapply(x, mean)
## $a
## [1] 5.5
##
## $beta
## [1] 4.535
##
## $logic
## [1] 0.5sapply(x, mean)
## a beta logic
## 5.500 4.535 0.500# median and quartiles for each list elementlapply(x, quantile, probs = 1:3/4)
## $a
## 25% 50% 75%
## 3.25 5.50 7.75
##
## $beta
## 25% 50% 75%
## 0.2516 1.0000 5.0537
##
## $logic
## 25% 50% 75%
## 0.0 0.5 1.0sapply(x, quantile)
## a beta logic
## 0% 1.00 0.04979 0.0
## 25% 3.25 0.25161 0.0
## 50% 5.50 1.00000 0.5
## 75% 7.75 5.05367 1.0
## 100% 10.00 20.08554 1.0有時候我們還會進行分類匯總，如統計男女工資均值,這時你可以用tapply：
group <- (rbinom(32, n = 20, prob = 0.4))groups <- factor(rep(1:2,10)) tapply(group, groups, length)
## 1 2
## 10 10tapply(group, groups, sum)
## 1 2
## 135 122tapply(group, groups, mean)
## 1 2
## 13.5 12.2數據的排序
數據的排序需要用到的函數常見的有sort和order，其中sort返回排序的結果，order返回對應數據的排名。例：
X <- data.frame("var1"=sample(1:5),"var2"=sample(6:10),"var3"=sample(11:15))X <- X[sample(1:5),]X$var2[c(1,3)] <- NAsort(X$var2,decreasing=TRUE)
## [1] 9 8 6sort(X$var2,decreasing=TRUE,na.last=TRUE)
## [1] 9 8 6 NA NAorder(X$var2,decreasing=TRUE)
## [1] 2 5 4 1 3order(X$var2,decreasing=TRUE,na.last=TRUE)
## [1] 2 5 4 1 3X[order(X$var2),]
## var1 var2 var3
## 2 1 6 13
## 5 5 8 15
## 4 4 9 11
## 1 2 NA 14
## 3 3 NA 12#deal with the linkX$var2[c(1)] <- sample(na.omit(X$var2),1)X[order(X$var2,X$var3),]
## var1 var2 var3
## 2 1 6 13
## 5 5 8 15
## 4 4 9 11
## 1 2 9 14
## 3 3 NA 12有些時候，更為強大的aggregate函數是我們需要的，我們以R的內置數據集state.x77為例：
aggregate(state.x77, list(Region = state.region, Cold = state.x77[,"Frost"] > 130), mean)
## Region Cold Population Income Illiteracy Life Exp Murder HS Grad
## 1 Northeast FALSE 8802.8 4780 1.1800 71.13 5.580 52.06
## 2 South FALSE 4208.1 4012 1.7375 69.71 10.581 44.34
## 3 North Central FALSE 7233.8 4633 0.7833 70.96 8.283 53.37
## 4 West FALSE 4582.6 4550 1.2571 71.70 6.829 60.11
## 5 Northeast TRUE 1360.5 4308 0.7750 71.44 3.650 56.35
## 6 North Central TRUE 2372.2 4589 0.6167 72.58 2.267 55.67
當然，這里還有一個更為基本與靈活的函數，split，可以幫助你將數據分為若干張滿足分類條件的表，你可以一張一張的處理它們：
library(datasets)
head(airquality)
## Ozone Solar.R Wind Temp Month Day
## 1 41 190 7.4 67 5 1
## 2 36 118 8.0 72 5 2
## 3 12 149 12.6 74 5 3
## 4 18 313 11.5 62 5 4
## 5 NA NA 14.3 56 5 5