一、R語言—數據集創建

1. 向量

向量（vector）是用於存儲數值型、字符型、邏輯型數據的一維數組。標量可以看作是 只含有一個元素的向量。

函數c( )可用來創建向量，例如：

In [2]:

x1 <- c(2, 4, 1, -2, 5)
x2 <- c("one", "two", "three")
x3 <- c(TRUE, FALSE, TRUE, FALSE)

這里 x1 是數值型向量，x2 是字符型向量，而 x3 是邏輯型向量。每一個向量中的數據類型必須一致。

 

如果想創建有規律的向量，R 提供了一些簡便的操作和函數，例如：

In [3]:

x4 <- 1:5     # 等價於x4 <- c(1, 2, 3, 4, 5)
x5 <- seq(from = 2, to = 10, by = 2)  # 等價於x5 <- c(2, 4, 6, 8, 10)
x6 <- rep("a", times = 4)  # 等價於x6 <- c("a", "a", "a", "a")

 

有時候我們只想使用向量中的某個部分，即選取向量的子集。

假設有一個從 3 到 100 的步長為 7 的整數向量，那么第5 個數的值是多少呢？

In [4]:

x <- seq(from = 3, to = 100, by = 7)
x

3  10  17  24  31  38  45  52  59  66  73  80  87  94

In [5]:

x[5]

31

 

在方括號“[ ]”中的數字被稱為 下標，它指定向量的索引位置。在上面的命令里，x[5] 表示向量的第 5 個元素，其值為 31。

下面的命令顯示向量的第 4、第 6 和第 7 個元素：

In [6]:

x[c(4, 6, 7)]

24  38  45

 

下標中的向量可以取負值，表示去除指定位置上的元素。

例如，要去掉 x 的前4 個元素，可以輸入下面的代碼（注意命令里的括號）：

In [7]:

x[-(1:4)]

31  38  45  52  59  66  73  80  87  94

 

R 中的運算都是向量化的，例如：

In [8]:

weight <- c(68, 72, 57, 90, 65, 81)
height <- c(1.75, 1.80, 1.65, 1.90, 1.72, 1.87)
bmi <- weight / height ^ 2
bmi

22.2040816326531  22.2222222222222  20.9366391184573  24.9307479224377  21.9713358572201  23.1633732734708

在上面計算 bmi 的過程中，運算符“^”被循環使用了，所以計算的結果仍然是一個向量。

 

如果參與運算的向量的長度不一致，R 會自動補全后計算，同時給出警告信息 。

In [9]:

a <- 1:5
b <- 1:3
a + b

Warning message in a + b:
“longer object length is not a multiple of shorter object length”

2  4  6  5  7

In [10]:

length(bmi)       # 計算向量bmi的長度
mean(bmi)           # 計算向量bmi的均值
var(bmi)            # 計算向量bmi的樣本方差
sd(bmi)           # 計算向量bmi的樣本標准差- c(1, 2, 1, 1, 2, 1, 2)
 

6

22.5714000044102

1.84126459887427

1.35693205389005

 

常用的統計函數

函數	描述
length(x)	求 x 中元素的個數
mean(x)	求 x 的算術平均值
median(x)	求 x 的中位數
var(x)	求 x 的樣本方差
sd(x)	求 x 的樣本標准差
range(x)	求 x 的全距
min(x)	求 x 的最小值
max(x)	求 x 的最大值
quantile(x)	求 x 的分位數
sum(x)	求 x 中所有元素的和
scale(x)	將 x 標准化

 

2. 因子

一般來說，變量有數值型、名義型和有序型之分。名義型變量是沒有順序關系的分類變量，例如人的性別、血型、民族等。而有序型變量是有層級和順序關系的分類變量，如患者的病情（較差、好轉、很好）。名義型變量和有序型變量在 R 中稱為因子（factor）。 因子在 R 中非常重要，它決定了數據的展示和分析方式。數據存儲時因子經常以整數向量形式存儲。

 

所以在進行數據分析之前，經常需要將它們用函數 factor( ) 轉換為因子。例如：

In [11]:

sex <- c(1, 2, 1, 1, 2, 1, 2) sex.f <- factor(sex, levels = c(1, 2), labels = c("Male", "Female")) sex.f

Male  Female  Male  Male  Female  Male  Female

 Levels: 'Male'  'Female'

上面的命令先定義了一個變量 sex 表示性別，假設其取值 1 表示男性，2 表示女性。接着用函數 factor( ) 將變量 sex 轉換成了因子並存為對象 sex.f，其中參數 levels 表示原變量的分類標簽值，參數 labels 表示因子取值的標簽。注意，這兩個參數在賦值時需要一一對應，R 會將它們相關聯。因子型變量與一般的字符型變量的區別就是它有一個水平（level）屬性。

 

因子的屬性可以使用函數 levels( ) 查看：

In [12]:

levels(sex.f)

'Male'  'Female'

 

改變因子水平的排列順序 → 改變參考組

在統計模型中，對於因子型變量，R 會將其第一個水平當作參考組。很多時候我們需要改變因子水平的排列順序以改變參考組，這可以通過兩種方法實現。

第一種方法是在函數 factor( ) 中改變參數 levels 和 labels 的排列順序，例如：

In [13]:

sex.f1 <- factor(sex, levels = c(2, 1), labels = c("Female", "Male")) sex.f1

Male  Female  Male  Male  Female  Male  Female

 Levels: 'Female'  'Male'

 

 

第二種方法是使用函數 relevel( )：

In [14]:

sex.f1 <- relevel(sex.f, ref = "Female") sex.f1

Male  Female  Male  Male  Female  Male  Female

 Levels: 'Female'  'Male'

 

有序因子：ordered = TRUE

要表示有序因子，需要在函數 factor ( ) 里指定參數ordered = TRUE。例如：

In [15]:

status <- c(1, 2, 2, 3, 1, 2, 2) status.f <- factor( status, levels = c(1, 2, 3), labels = c("Poor", "Improved", "Excellent"), ordered = TRUE ) status.f

Poor  Improved  Improved  Excellent  Poor  Improved  Improved

 Levels: 'Poor'  'Improved'  'Excellent'

 

 

3. 矩陣

矩陣（matrix）是一個由行和列組成的二維數組。矩陣里的每個元素具有相同的模式（數值型、字符型或邏輯型）。在大多數情況下，矩陣里的元素是數值型的，它具有很多數學特性和運算方式，可以用來進行統計計算，例如因子分析、廣義線性模型等。

創建：matrix( )

函數 matrix( ) 常用於創建矩陣，例如：

In [16]:

M <- matrix(1:6, nrow = 2) M

A matrix: 2 × 3 of type int

1	3	5
2	4	6

R 會根據向量的長度和參數 nrow 設定的行數自動計算列數。參數 byrow 默認為 FALSE，即按列將數值進行排列， 如果需要按行排列，只需將參數 byrow 設為TRUE。 常見的矩陣運算都可以在R 中實現，如矩陣加法、矩陣乘法、求逆矩陣、矩陣轉置、求方陣的行列式、求方陣的特征值和特征向量等。

相乘：%*%

矩陣乘法中要求第一個矩陣的列數等於第二個矩陣的行數，其運算符為 %*%。 先創建兩個矩陣：

In [17]:

mat1 <- matrix(1:6, nrow = 3) mat1 mat2 <- matrix(5:10, nrow = 2) mat2

A matrix: 3 × 2 of type int

1	4
2	5
3	6

 

A matrix: 2 × 3 of type int

5	7	9
6	8	10

In [18]:

# 函數dim( )可以得到矩陣的維數，即行數和列數
dim(mat1) dim(mat2)

3  2

2  3

結果表明，mat1 是一個 3 行 2 列的矩陣，mat2 是一個 2 行 3 列的矩陣，因此它們可以相乘，結果應該是一個 3 行 3 列的矩陣。

In [19]:

mat1 %*% mat2

A matrix: 3 × 3 of type dbl

29	39	49
40	54	68
51	69	87

轉置：t( )

矩陣的轉置運算就是把矩陣的行和列互換。例如，求矩陣 mat1 的轉置矩陣：

In [20]:

t(mat1)

A matrix: 2 × 3 of type int

1	2	3
4	5	6

行列式和逆矩陣：det( )、solver( )

求方陣的行列式和逆矩陣分別可以使用函數 det( ) 和函數 solve( ) 實現，例如：

In [21]:

mat3 <- matrix(1:4, nrow = 2) det(mat3)

-2

按行、列求和或者求平均：rowSums、colSums、rowMeans、ColMeans

例如：

In [22]:

rowSums(mat1)
colSums(mat1)
rowMeans(mat1)
colMeans(mat1)

5  7  9

6  15

2.5  3.5  4.5

2  5

 

4. 數組

通常所說的數組（array）指的是多維數組，它與矩陣類似，但是維數大於 2。數組有一個特殊的維數（dim）屬性。 下面的命令給一個向量加上維數后定義了一個數組，請注意數值的排列順序。 💡 由於 notebook 上顯示的數組不太美好，建議使用 print()。以下代碼在顯示數組時會額外加上 print()。

In [23]:

A <- 1:24 dim(A) <- c(3, 4, 2) A # notebook 上數組顯示不太正常，使用 print() 可以解決
print(A)

1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24

, , 1

     [,1] [,2] [,3] [,4]
[1,]    1    4    7   10
[2,]    2    5    8   11
[3,]    3    6    9   12

, , 2

     [,1] [,2] [,3] [,4]
[1,]   13   16   19   22
[2,]   14   17   20   23
[3,]   15   18   21   24

上面的數組還可以通過函數 array( ) 創建，並給各個維度添加名稱和標簽。

In [24]:

dim1 <- c("A1", "A2", "A3") dim2 <- c("B1", "B2", "B3", "B4") dim3 <- c("C1", "C2") print(array(1:24, dim = c(3, 4, 2), dimnames = list(dim1, dim2, dim3)))

, , C1

   B1 B2 B3 B4
A1  1  4  7 10
A2  2  5  8 11
A3  3  6  9 12

, , C2

   B1 B2 B3 B4
A1 13 16 19 22
A2 14 17 20 23
A3 15 18 21 24

5. 列表

列表（list）是 R 中最靈活也最復雜的一種數據結構，它可以由不同類型的對象混合組成。例如，它可以是向量、數組、表格和任意類型對象的組合。

In [25]:

list1 <- list(a = 1, b = 1:5, c = c("red", "blue", "green")) list1

$a

1

$b

1  2  3  4  5

$c

'red'  'blue'  'green'

 

 

6. 數據框

數據框（dataframe）是一個由行和列組成的二維結構，其中行表示觀測（observation）或記錄（record），列表示變量（variable）或指標（indicator）。數據框與 Excel、SAS 和SPSS 中的數據集類似。數據框看起來與矩陣很相似，而且矩陣的很多操作也適用於數據框，如子集的選擇。 與矩陣不同的是，數據框里不同的列可以是不同模式（數值型、字符型等）的數據。數據框可以通過函數 data.frame( ) 創建。例如，下面的代碼創建了一個包含 5 個觀測對象、4 個變量的數據框：

In [29]:

ID <- 1:5 sex <- c("male", "female", "male", "female", "male") age <- c(25, 34, 38, 28, 52) pain <- c(1, 3, 2, 2, 3) pain.f <- factor(pain, levels = 1:3, labels = c("mild", "medium", "severe")) patients <- data.frame(ID, sex, age, pain.f) patients

A data.frame: 5 × 4

ID	sex	age	pain.f
<int>	<chr>	<dbl>	<fct>
1	male	25	mild
2	female	34	severe
3	male	38	medium
4	female	28	medium
5	male	52	severe

 

數據框本質上也是一種列表，要顯示或使用數據框的某一變量（列），可以使用 $ 符號加上變量名。例如：

In [30]:

patients$age
mean(patients$age)

25  34  38  28  52

35.4

 

7. 數據類型的轉換：is.、as.

在進行數據分析時，分析者需要對數據的類型熟稔於心，因為數據分析方法的選擇與數據的類型是有密切聯系的。R 提供了一系列用於判斷某個對象的數據類型的函數，還提供了將某種數據類型轉換為另一種數據類型的函數。這些函數都存在於基本包 base 里，下面列出了其中的一部分常用函數：

數據類型的判斷與轉換函數

判斷	轉換
is.numeric( )	as.numeric( )
is.character( )	as.character( )
is.logical( )	as.logical( )
is.factor( )	as.factor( )
is.vector( )	as.vector( )
is.matrix( )	as.matrix( )
is.array( )	as.array( )
is.data.frame( )	as.data.frame( )
is.list( )	as.list( )
is.table( )	as.table( )

 

以 is. 開頭的函數的返回值為 TRUE 或 FALSE，而以 as. 開頭的函數將對象轉換為相應的類型。

 

 

8. 獲取其他格式的數據

8.1 txt 與csv 格式

如果數據來源是一個用 Windows 記事本或其他純文本編輯器所創建的 ASCII 格式文件，我們可以使用函數 read.table( ) 讀取其中的數據，返回的是一個數據框。

In [38]:

write.table(patients, file = "patients.txt", sep = "\t", row.names = FALSE) patients.data <- read.table("patients.txt", header = TRUE) patients.data

A data.frame: 5 × 4

ID	sex	age	pain.f
<int>	<chr>	<int>	<chr>
1	male	25	mild
2	female	34	severe
3	male	38	medium
4	female	28	medium
5	male	52	severe

 

在電子表格和數據庫應用中經常會生成帶分隔符的文本文件，其中.csv 文件是用逗號分隔取值（Comma Separated Values）。函數 read.csv( ) 是函數 read.table( ) 的一個變體，專用於讀取 .csv 文件。 需要注意的是，read.table( ) 和 read.csv( ) 兩個函數中參數的默認值是不同的。在函數 read.table( ) 中，參數 header 默認值為 FALSE，即認為文件第一行開始就是數據而非變量名。而在函數 read.csv( )中，參數 header 默認值為 TRUE。因此，在讀入數據前，建議先打開原始文件進行查看，然后設置恰當的參數正確地讀入數據。例如：

In [39]:

write.csv(patients, "patients.csv", row.names=FALSE) patients.data <- read.csv("patients.csv") patients.data

A data.frame: 5 × 4

ID	sex	age	pain.f
<int>	<chr>	<int>	<chr>
1	male	25	mild
2	female	34	severe
3	male	38	medium
4	female	28	medium
5	male	52	severe

 

8.2 xls 或 xlsx 格式

讀取電子表格數據有很多種方式，其中最簡單的方式是在 Excel 中將數據文件另存為一個逗號分隔（.csv）文件，然后用上述讀取.csv 文件的方法將其讀入R。還可以借助第三方包（例如 openxlsx 包、readxl 包和 gdata 包）直接讀取 xlsx 或 xls 格式的數據文件。 

In [40]:

library(openxlsx) write.xlsx(patients, "patients.xlsx") patients.data <- read.xlsx("patients.xlsx", sheet = 1) patients.data

A data.frame: 5 × 4

	ID	sex	age	pain.f
	<dbl>	<chr>	<dbl>	<chr>
1	1	male	25	mild
2	2	female	34	severe
3	3	male	38	medium
4	4	female	28	medium
5	5	male	52	severe

 

 

8.3 導出數據

由於 R 主要用於數據分析，導入文件比導出文件更常用，但有時我們也需要將數據或分析結果導出。函數 write.table( ) 和 write.csv( ) 可以分別將數據導出到一個 .txt 文件和 .csv 文件。  

此外，函數 save( ) 可以將工作空間中的指定對象保存為以 .rdata 為擴展名的 R 數據文件。例如：

In [43]:

save(patients.data, file = "patients.rdata")

 rdata 格式文件占用空間小，用 R 讀入速度很快。建議在導入其他格式的數據並整理好后，將其保存為 rdata 格式。要導入這種格式的數據，只需調用 load( ) 函數。

In [44]:

load("patients.rdata")

 

8.4 用 rio 包導入和導出數據

R 中的 rio 包以提供一個類似萬能工具的包為目標，用統一的 import( ) 函數和 export( ) 函數簡化了用戶導入和導出數據的工作。此外，該包里的 convert( ) 函數可以實現不同文件格式之間的轉換。rio 包支持多種文件格式，包括 SAS、SPSS、Stata、Excel、MATLAB、Minitab 等其他軟件中使用的數據文件格式。 下面以 datasets 包里面的數據集 infert 為例介紹 rio 包的幾個常用功能。 

In [45]:

library(rio) data("infert") str(infert)

'data.frame':	248 obs. of  8 variables:
 $ education     : Factor w/ 3 levels "0-5yrs","6-11yrs",..: 1 1 1 1 2 2 2 2 2 2 ...
 $ age           : num  26 42 39 34 35 36 23 32 21 28 ...
 $ parity        : num  6 1 6 4 3 4 1 2 1 2 ...
 $ induced       : num  1 1 2 2 1 2 0 0 0 0 ...
 $ case          : num  1 1 1 1 1 1 1 1 1 1 ...
 $ spontaneous   : num  2 0 0 0 1 1 0 0 1 0 ...
 $ stratum       : int  1 2 3 4 5 6 7 8 9 10 ...
 $ pooled.stratum: num  3 1 4 2 32 36 6 22 5 19 ...

 

函數 str( ) 常用於查看數據集的大小（觀測的記錄數及變量個數），以及各個變量的類型。從上面的輸出可以看出，infert 是一個包含 248 個觀測記錄、每個記錄有 8 個變量的數據框。 運行下面的命令將此數據框導出為 .csv 文件：

In [46]:

export(infert, "infert.csv")

在當前工作目錄中可以找到剛才導出的名為 infert.csv 的數據文件。運行下面的命令將該文件從 .csv 文件轉換成 .sav 文件：

In [47]:

convert("infert.csv", "infert.sav")

然后用函數 import( ) 把上面生成的 .sav 文件導入 R 中，並命名為 infert.data：

In [48]:

infert.data <- import("infert.sav")

 

函數（或數據集）：

函數（或數據集）	來源包	功能描述
as.character( )	base	將對象轉換為字符串
as.factor( )	base	將對象轉換為因子
as.numeric( )	base	將對象轉換為數值
array( )	base	創建數組
bacteria	MASS	數據集
boxplot( )	graphics	繪制箱線圖
c( )	base	創建向量
class( )	base	獲取對象的類型
colMeans( )	base	按列求均值
colSums( )	base	按列求和
convert( )	rio	轉換數據格式
data( )	utils	加載R
data.frame( )	base	創建數據框
det( )	base	求矩陣的行列式
dim( )	base	獲取對象的維數
export( )	rio	將數據框導出為一個數據文件
factor( )	base	將一個向量轉換為因子
hist( )	graphics	繪制直方圖
import( )	rio	導入數據文件
infert	datasets	數據集
iris	datasets	數據集
is.logical( )	base	判斷對象是否為邏輯型
is.numeric( )	base	判斷對象是否為數值型
is.vector( )	base	判斷對象是否為向量
length( )	base	獲取對象的長度
levels( )	base	獲取因子的水平
list( )	base	創建列表
matrix( )	base	創建矩陣
read.csv( )	utils	讀取.csv
read.dta( )	foreign	讀取Stata
read.epiinfo( )	foreign	讀取EpiData
read.spss( )	foreign	讀取SPSS
read.table( )	utils	讀取文本格式數據文件
read.xlsx( )	openxlsx	讀取Excel
read.xport( )	foreign	讀取SAS
relevel( )	stats	改變因子水平的順序
rep( )	base	將對象重復顯示
rbinom( )	stats	生成服從二項分布的隨機數
rnorm( )	stats	生成服從正態分布的隨機數
rpois( )	stats	生成服從Poisson
runif( )	stats	生成服從均勻分布的隨機數
rowMeans( )	base	按行求均值
rowSums( )	base	按行求和
save( )	base	將對象保存為R
sd( )	stats	求樣本標准差
seq( )	base	生成有規則的序列
set.seed( )	base	設置生成隨機數的種子數
solve( )	base	求解矩陣方程
str( )	utils	顯示對象的內部結構
t( )	base	矩陣的轉置運算
var( )	stats	求樣本方差
View( )	utils	打開數據瀏覽窗口
write.csv( )	utils	將數據框導出到一個.csv
write.table( )	utils	將數據框導出到一個文本文件