數據框（data.frame）是最常用的數據結構，用於存儲二維表（即關系表）的數據，每一列存儲的數據類型必須相同，不同數據列的數據類型可以相同，也可以不同，但是每列的行數（長度）必須相同。數據框的每列都有唯一的名字，在已創建的數據框上，用戶可以添加計算列，這樣，R引擎根據同一行的數據列，計算出表達式的值，並把該值作為計算列的值。數據框是數據分析中最重要的數據對象，必須熟練掌握數據框的操作。
一，創建數據框
創建數據框，常用的方式是：讀取文件、讀取關系表和使用函數創建，用戶應根據實際的需要，選擇合適的方式創建數據框。
1，讀取文件
第一種方法是通過讀取文件創建，常用的是用於讀取文件的函數是read.table()，語法是如下所示：
read.table(file, header = FALSE, sep = "", quote = "\"'",
dec = ".", numerals = c("allow.loss", "warn.loss", "no.loss"),
row.names, col.names, as.is = !stringsAsFactors,
na.strings = "NA", colClasses = NA, nrows = -1,
skip = 0, check.names = TRUE, fill = !blank.lines.skip,
strip.white = FALSE, blank.lines.skip = TRUE,
comment.char = "#",
allowEscapes = FALSE, flush = FALSE,
stringsAsFactors = default.stringsAsFactors(),
fileEncoding = "", encoding = "unknown", text, skipNul = FALSE)
參數釋義：
- file：讀取數據的文件名和路徑，文件名可以是文件的絕對路徑名，或是相對路徑名，如果文件名是相對路徑名，那么文件名是基於當前的工作目錄，當前的工作目錄可以通過函數 getwd() 獲取；
- header：邏輯值，文件的第一行是否包含列名；
- sep：用於指定字段（列）的分隔符，默認值是空字符，行的分隔符是回車和換行；
- quote：字符的引用符，只有當文本使用引用符，才被視為字符，設置為空字符，禁用引用符；
- dec：小數點符號；
- check.names：邏輯值，是否檢查列名是否符合變量的命名規范；
- colClasses：用於指定列的數據類型；
- fill：邏輯值，當設置為TRUE時，如果行的列數不夠，那么填充空白的字段；
- strip.white：邏輯值，只有當sep參數指定時，用於移除字符字段兩端的空格；
- blank.lines.skip ：邏輯值，當為TRUE時，跳過空白的數據行；
- encoding ：字符串，用於指定字符的編碼規則，常用的編碼規則是UTF-8；
- nrows ：整數值，能夠讀取的最大數據行數量；
- skip：整數值，從文件的開頭，跳過一定數量的數據行，從下一行開始讀取數據；
函數read.csv()是read.table()的包裝函數，專門用於讀取csv文件，例如：
df <- read.csv('D:/data.csv', check.names = FALSE, encoding = "UTF-8", blank.lines.skip = FALSE);
2，讀取關系表數據
第二種方法是從關系型數據庫執行SQL查詢，根據查詢結果創建數據框；當連接SQL Server數據庫時，使用ODBC驅動程序連接數據庫，R腳本引用RODBC包，調用odbcConnect連接，使用sqlQuery執行查詢，獲取查詢結果填充數據框：
library(RODBC) cn <- odbcConnect("data source") df <- sqlQuery(cn,"TSQL Query") odbcClose(cn)
3，使用函數創建
第三種方法是通過函數 data.frame()創建數據框，用戶需要輸入指定的數據填充數據框變量，函數data.frame()的參數row.names用於指定行的標識符，有三種指定行標識符的方式：
- 設置行的名稱，為每一行命名，這樣，可以通過行名稱來索引觀測；
- 把該參數設置為NULL，取消行的命名，R引擎會自動生成遞增的整數序列作為行標識符，也就是所謂的行號；
- 也可以把行標識符設置為數據框的列名，這樣，R引擎把該列的值作為行標識符，這相當於關系表的主鍵列。
例如，以下腳本通過指定行名稱的方式來指定行標識符：
df <- data.frame( c1=letters[1:3], c2=c(1:3), c3=runif(3)>0.5, c4=c('r','g','b'), row.names=c('r1','r2','r3') )
打印數據框，數據框有兩個維度，行和列：
> df c1 c2 c3 c4 r1 a 1 TRUE r r2 b 2 FALSE g r3 c 3 FALSE b
二，查看數據框的元數據
數據框本身存儲列的名稱、行名稱、列數量、和行的數量等元數據。
1，查看列和行的名稱
通過函數colnames()或names()返回數據框的列名稱，通過函數rownames()返回數據框的行名稱，
> colnames(df) > names(df) [1] "c1" "c2" "c3" "c4" > rownames(df) [1] "r1" "r2" "r3"
2，查看行和列的數量
通過函數nrow()或函數ncol()，返回數據框的行數或列），函數length()返回的結果和ncol()函數返回的結果相同。
> nrow(df) [1] 3 > ncol(df) [1] 4
三，索引數據框
索引數據框，使用中括號[]和下標來訪問數據框，和索引向量一項，索引數據框的下標也有四種表示方式：正整數、負整數、邏輯值和名稱（行或列的名稱）。由於數據框是二維數據結構，有行和列，因此，下標的格式是[row,col]， row是行下標，用於選擇行；col是列下標，用於選擇列。對於row和col，在索引數據框時，必須同時指定這兩個下標：
- 第一個下標用於選擇行，如果row是空白的，[ ,col] 表示選擇所有的行；
- 第二個下標用於選擇列，[row, ] 表示選擇所有列。
索引數據框，也可以設置邏輯向量為下標，而邏輯向量可以由向量的表達式來獲得，這使得數據框的索引較為復雜。不過，只要理解下標的四種表示方式，不過怎么組合，都不難掌握。
1，選擇多列
例如，獲得數據框的一個子集，索引數據框中的第一行和第二行，第二列和第三列的數據子集：
> df[1:2,2:3] c2 c3 r1 1 TRUE r2 2 FALSE
2，使用名稱來索引數據框
如果只選擇數據框的一列，可以使用：美元符號(&) + 列名稱 來選擇單列，在使用 下標和 [ ] 來選擇行。
例如，通過美元符號$和列名來索引數據框的列c1，通過下標和[]來選取第二行和第三行：
> df$c1[2:3] [1] b c Levels: a b c
從返回的結果中可以看到，R引擎把字符類型的列自動轉換為因子類型來存儲，可以使用as.character()函數把因子類型轉換為字符類型的向量：
> as.character(df$c1[2:3]) [1] "b" "c"
如果要引用單列的所有行，可以不對行進行過濾，使用 "&+ 列名"， 返回該列的所有數據行，例如：
df$c1
使用這種方式索引數據框，得到的是向量，其行為和普通的向量相同，支持向量運算。
3，下標為邏輯向量
邏輯向量，通常是由向量的條件表達式計算得到的，例如：
> df$c2>1 [1] FALSE TRUE TRUE
查看邏輯向量的元素值，為TRUE的位置剛好是數據框c2列中大於1的行，因此，可以通過這種方式，按照特定的條件獲取數據框的子集，例如，獲取數據框中c2列大於1的數據行：
> df[df$c2>1, ] c1 c2 c3 c4 r2 b 2 FALSE g r3 c 3 TRUE b
當然，也可以使用邏輯運算符，組合多個條件，獲得滿足條件的所有數據行，例如：
df[df$c2>1 & df$c3, ]
4，小標為列名
當使用兩個中括號時，第一個中括號內指的是列名，包括所有數據行：
df['c1']
第二個中括號是行選擇器：
> df['c1'][df['c2']>1] [1] "b" "c"
舉個例子，第一個中括號索引c2列的所有的行，第二個中括號對行進行篩選，只選擇c2的值<=2的行：
df[,'c2'][df[,'c2']<=2]
四，獲取數據框的子集
從數據框中按照特定的條件獲取子集，這實際上是根據特定列的值，來限制返回的觀測的數量。
1，通過設置行索引獲取子集
這是利用數據框的下標為邏輯向量來過濾數據行，由於索引數據框，需要多次書寫數據框的名稱，df[df$c2<= df | c3, ] ，十分麻煩，為了簡化流程，可以使用函數with()或within()，這樣，可以省略數據框名稱和$符號，例如：
> with(df,df[c2<=2|c3,]) c1 c2 c3 c4 r1 a 1 FALSE r r2 b 2 TRUE g
2，通過subset()函數獲取子集
函數subset()用於獲取數據框的子集，第一個參數（x）是數據框；第二個參數（subset）是邏輯表達式，用於過濾數據行；第三個參數（select）是投影的數據列，用於選擇的特定的列。
subset(x, subset, select, drop = FALSE)
例如，從df中獲取c2不大於2，返回第二列和第三列的結果：
> subset(df,c2<=2,c(2:3)) c2 c3 r1 1 TRUE r2 2 FALSE
五，數據框的基本操作
操縱數據框，例如，選擇子集（subset），合並數據框，排序數據框，添加或修改數據列，把數據值排名等，最終把數據轉換成相應的形式，用於數據分析，本節只簡單分享操縱數據框的方法。
1，添加列和行
使用rbind()函數向數據框中添加一行或多行數據，也就是說，按行縱向擴展；使用cbind()函數向數據框中添加一列或多列數據，也就是說，按列橫向擴展。
2，合並數據框
使用merge9)函數合並數據框，merge()函數的作用類似於SQL語言中的連接（Join）操作，用於把兩個數據框，按照特定的數據列做連接操作，函數的定義如下：
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"),...)
參數注釋：
- x,y 參數：指定合並的兩個數據框；
- by參數：字符串，指定合並列，當兩個數據框有相同的數據列名字時，merge函數將按照同名的數據列名稱合並；
- by.x,by.y 參數：字符串，分別指定數據框的合並列，用於指定merge函數將按照數據框x和y的哪些數據列進行合並；
- all：邏輯值，完全顯示兩個數據框的所有數據行，當合並列的值不存在於數據框x或y中，該數據框的列值顯示為NA；
- all.x，all.y：邏輯值，指定完全顯示的數據框，例如，當折merge函數的all.x=TRUE，all.y=FALSE是，合並的結果把數據框x的數據列全部顯示，如果合並列的值不存在於數據框y，那么y的其他數據列顯示為NA。
- sort：邏輯值，指定是否對結果排序；
- suffixes：為非合並列添加后綴；
例如，創建兩個數據框，按照df1的數據列x，和數據框df2的數據列m，對這兩個數據框執行合並操作：
> df1=data.frame(x=c('a','c','e'),y=1:3) > df2=data.frame(m=c('a','c','f'),n=4:6) > merge(df1,df2,by.x='x',by.y='m') x y n 1 a 1 4 2 c 2 5 > > merge(df1,df2,by.x='x',by.y='m',all=TRUE) x y n 1 a 1 4 2 c 2 5 3 e 3 NA 4 f NA 6
2，添加和替換列
方法1：直接對數據框的數據列進行賦值，來實現對數據框的數據列的添加或替換：
df1[,'z'] <- c('z1','z2','z3') df1$z <- c('z1','z2','z3')
方法2：使用with參數，with函數（with(data, expr)）接受一個數據框對象和要計算的表達式作為輸入參數，with函數返回值是表達式的值，with函數只能添加或修改一個數據列：
df1 <- with(df1,{z=c('z1','z2','z3')})
方法3：使用within函數，within函數（within(data, expr)）接受一個數據框對象和要計算的表達式作為輸入參數，within函數返回的是更新后的數據框對象，within函數可以在大括號中添加多個表達式，能夠一次操作多個數據列：
df1 <- within(df1,{z=c('z1','z2','z3')} )
方法4：使用plyr包中的mutate函數，該函數用於向數據框中添加數據列或轉換已經存在的數據列，接受一個數據框對象，和多個”name=value“對，返回修改后的數據框對象：
df1 <- df1 %>% mutate(z=c('z1','z2','z3'))
3，排序
order()函數能夠對數據框進行排序，order(x)函數：返回第i個元素是x中元素在排序之后的序號，對數據框進行排序時，可以分兩步進行下去，第一步獲取行的序號，第二部按照行號查詢數據框：
> y_order <- order(df1[,'y']) > df1[y_order,]
還有一個方法，使用dplyr包中的arrange函數，只用一行就能實現對數據框的排序：
arrange(df1,y)
4，排名
rank()函數可以為數據框中的列進行排名，不過rank()函數只能作用於向量，只能返回向量元素的排名：
rank(x, na.last = TRUE, ties.method = c("average", "first", "last", "random", "max", "min"))
操作數據框，在數據分析中占用很大的比重，后續，我們再深入探討。