【原】【R分享|实战】 新手福利~认识数据集的内在

“ 勤奋不是嘴上说说的。学习面前，主动是最基本的保证。”   --科白君

"R实战"专题·第4篇

  编辑 | 科白维尼

  3811字 | 6分钟阅读

本期推送内容

收到了很多朋友的建议，另外考虑到按个人的要求来创建含有研究信息的数据集，这是任何数据分析的第一步。同时，这也是学习R语言过程重要的入门环节。特别是初学过程，更多的是模仿学习。由于不理解数据结构，导致无法正确模仿数据格式并无法正常运行代码。因此，本期介绍R语言的基础内容：数据集概念，数据结构、数据输入及导出。主要讲解相应内容的R包及函数使用，希望大家学习后能解决以下问题：1) 数据集有哪些类型的变量组成；2) 清楚数据集的数据结构；3) 读取各类型文件的数据；4) 成功导出所需要的数据。

01

数据集的概念

数据集通常是由数据构成的一个矩形数组，行表示观测，列表示变量。例如，土壤学领域（土壤基本的理化因子）的通常数据情况：当然行列的数据类型也并非固定。

	SOC	pH	TN	TP
Sample1	--	--	--	--
Sample2	--	--	--	--
Sample3	--	--	--	--
...	...	...	...	...

在R中，数据集包括以下两步：1）选择一种数据结构来储存数据；2）将数据输入或导入到这个数据结构中。另外，R主要可处理的数据类型包括数值型、字符型、逻辑型（TRUE or FALSE）、复数型（虚数）和原生型（字节）。

02

数据结构的类型

R拥有许多用于存储数据的对象类型，包括标量、向量、矩阵、数组、数据框和列表。它们在储存数据的类型、创建方式、结构复杂度，及定位和访问其中某元素的方法等均有所差异。接下来一一介绍。

1）标量

与C语言不同，R语言中，单个数据(标量)没有单独的数据类型，它只是向量的一种特例，标量以单元素向量的形式出现。标量是只含一个元素的向量，例如f <- 3、g <- "US"和h <- TRUE。它们用于保存常量。因此，R中最基本的数据类型是向量。

a <-  -5  # 可以是数字1，'abc’字符，TRUE or FALSE 等

2）向量

向量是用于存储数值型、字符型或逻辑型数据的一维数组。执行组合功能的函数c（）可用来创建向量。例如：

a <- c(2, 3, 4, 5, 5, -1, -2) # a属于数值型向量
b <- c("first", "second", "third") # b属于字符型向量
c <- c(TRUE, TRUE, TRUE, TRUE, TRUE, FALSE) # c是逻辑型向量

我们可以使用a[c(2, 4)]访问向量a中的第二个和第四个元素。此外，我们具体看下面例子：

3）矩阵

矩阵是一个二维数组，只是每个元素都拥有相同的数据类型（同上三种）。可用函数matrix（）创建矩阵。

x <- matrix(1:20, nrow = 4, ncol = 3) #1 创建一个4×3的矩阵
x
cells <- c(1, 26, 24, 68)
rnames <- c("R1", "R2")
cnames <- c("C1", "C2")
mymatrix <- matrix(cells, nrow = 3, ncol = 3, byrow = TRUE,
dimnames = list(rnames, cnames)) #2 按行填充3×3的矩阵，根据逻辑byrow = TRUE
mymatrix
mymatrix <- matrix(cells, nrow = 2, ncol = 2, byrow = FALSE,
dimnames = list(rnames, cnames)) #3 按列填充3×3的矩阵，根据逻辑byrow = FALSE
mymatrix

我们可以使用下标和方括号来选择矩阵中的行、列或元素。x[i, ]指矩阵中x中的第i行，x[i, j]指第i行第j个元素。选择多行或多列时，下标i和j可为数值型向量。For example：

x <- matrix(1:9, nrow = 3) # 构建了一个内容为数字1到9的3×3矩阵 默认下，按行列填充
x # 查看所构建的矩阵
x[3,] # 选择了第三行的元素
x[,3] # 选择了第三列的元素
x[1,3] # 又选择第一行第三列的元素
x[1,c(2,3)] # 最后选择了位于第一行第二、第三的元素

4）数组

数组（array）与矩阵类似，但纬度可以大于2。数组可以用array函数构建，例如：

my_array <- (vector, dimensions, dimnames)

### vector包含数组中的数据，dimen.是数值型向量，给出各维度下标的最大值，而dimnames是可选的、各维度名称标签的列表。

接下来，构建一个三维（2×3×3）数值型数组：

dim1 <- c("a1", "a1") # 引号内的名称是我随便输入的，都是字符型
dim2 <- c("bb1", "bb2", "bb3")
dim3 <- c("ccc1", "ccc2", "ccc3")
z <- array(1:18, c(2, 3, 3), dimnames = list(dim1, dim2, dim3))
z

5）数据框

由于不同的列包含不同类型的数据，数据框的概念较矩阵来说更一般。通常数据框是R中最常处理的数据结构。数据框可通过函数data.frame（）创建：

mydata <- data.frame (col1,col2,col3) # col1,2,3 等可为任何类型。每一列的名称可以由names函数指定

具体例子：

ID <- c(1, 2, 3, 4)age <- c(20, 35, 15, 55)
diabetes <- c("T1", "T2", "T3" , "T4")
status <- c("Poor", "Improved", "Excellent", "Improved")
patientdata <- data.frame(ID, age, diabetes, statues)
patientdata
#需要注意，每一列数据的类型必须唯一，但可以将多个类型的不同列放到一起组成数据框。

关于选取数据框中的元素的方式有很多种，我们可以使用矩阵中的方括号标记法，也可直接指定列名：

patientdata[1:2] # 选取第一列到第二列的数据
patientdata[c("diabetes","status")] # 选取变量名为d...,s...的数据
patientdata$age # 标记号$是用来选取数据框中的特定age变量

#另外，如果想生成变量diabetes和变量status的列联表，可以使用table函数
table(patientdata$diabetes, patientdata$status)

6）因子

类别（名义型）变量和有序类别（有序型）变量在R中称为因子（factor）。因子在R中非常重要，因为它决定了数据的分析方式以及如何进行视觉呈现。例如：

ID <- c(1, 2, 3, 4)
age <- c(25, 35, 15, 55)
diabetes <- c("T1", "T2", "T1", "T1")
status <- c("Poor", "Improved", "Excellent", "Poor")
diabetes <- factor(diabetes) # factor 函数因子用于将向量编码为因子
status <- factor(status, order = TRUE) # order 逻辑标志，用于确定是否应该将级别视为有序的
patientdata <- data.frame(ID, age, diabetes, status) # 构建新的数据集
str(patientdata) # 查看数据集结构 也可以用class 但是这个函数查阅的结果比较简单
summary(patientdata) # summary是一个通用函数，用于生成各种模型拟合函数结果

7）列表

列表（list）是R的数据类型中最为复杂的一种。通常，列表就是一些对象或成分的有序集合。列表允许你整合若干对象到单个对象名下。例如，某个列表中可能包含若干向量、矩阵、数据框，甚至其他列表的组合。可用list（）函数构建列表：

mylist <- list(obj1, obj2,...)
# 也可以为列表中的对象命名
mylist <- list(name1=obj1, name2=obj2,...)

具体例子：

a <- "my list" # 构建列表的title
b <- c(20, 25, 26, 35)
c <- matrix(1:8, nrow=4) # 构建一个矩阵 8个值 4行
d <- c("first", "second", "third")
mylist <- list(title=a, ages=b, c, d) # 构建一个列表， 并用age 命名
mylist # 输出列表内容 包含一个字符串、数值型向量、矩阵及字符型向量

提取数据：

mylist[[2]]
mylist[["ages"]] # 两种方法提取出一样的结果

03

数据的输入

使用R进行数据分析的时候，首先要导入数据。R语言支持的数据类型很多，包括、excel文件，csv文件，txt文件等。很多人初学者甚至还没开始就已经对R语言放弃了，正是倒在了数据导入这一步。下面给大家提供几种常见的数据导入方法。

1）使用键盘手动输入数据

有两种常见的方式：用R内置的文本编辑器和直接在代码中导入数据。首先，利用文本编译器。
R中的函数edit（）自动调用一个手动输入数据的文本编译器。步骤如下：

①创建一个空的数据框/矩阵，其中变量名和变量的类型需与理想中的最终数据集一致；

②针对这个数据对象调用文本编译器，输入数据，并将结果保存回此数据对象。

例子：先创建一个名为data的数据框，含有三个变量：数值型，字符型和数值型。然后使用文本编译器，键入数据，最后保存结果。

data <- data.frame(time=numeric(0), type=character(0), hight=numeric(0)) # 0 表示不定义具体值
data <- edit(data)

通过edit（）函数调用出数据编辑器，如下图

R软件弹出数据编辑器后，我们就可以点击第四列格子进行变量的定义。例如这里点击"var4"后，就会弹出一个编辑器，这里我们就可以对变量的变量名和类型（数值，字符）进行定义。

定义好变量后，可以进行手动输入数据。不过这种方式只适合少量的数据输入，当数据量比较大时，建议使用其他的方式导入数据。

此外，可以直接在程序中嵌入数据集，例如：

mydatatxt <- "
   age gender weight
   25 m 166
   30 f 115
   18 f 120
 "
mydata <- read.table(header = TRUE,text=mydatatxt)

2）使用函数导入数据（主要以excel文件格式为主）

①导入csv或txt文件，使用基础的read.table（）函数导入数据。另外，也可以使用read.csv（）函数。该函数可以读入一个表格格式的文件并保存为一个数据框。基本的语法表达式：

dat <- read.table(file, header=TRUE, sep="", row.names=1)
dat <- read.csv(file, header=TRUE, sep=",", row.names=1)

主要的参数理解：

file：文件路径（注意：Windows路径要用斜杠 " / " or 双反斜杠 " \\ "）。

header：默认为FALSE，即数据框的列名默认系统自带的V1，V2...Vn，为TRUE时第一行作为每列的列名。

sep：分隔符，默认为空格，可以设置为逗号(comma) sep=","，分号(semicolon) sep=" ; "及制表符(tab)。

row.names：是可选参数，表示行标识符的变量。当row.names=1时表示第一列作为每一行的行名，当row...=2时，表示第二列，数字表示某一列。特别是，该参数使用的时候，该列中不能存在重复名，否则报错。

具体：

data <- read.table("C:/Program Files/R/R-3.6.1/library/xx.txt", header = T)
data <- read.csv("C:/Program Files/R/R-3.6.1/library/xx.csv", header = T)

②导入excel文件，需要用到R包library(xlsx)，可以直接导入Excel工作表。但是要确保第一次使用前先进行下载和安装。同时也需要xlsxJars和rJava包还有openxlsx包，及一个正常工作的Java安装（http://）。优势：一个文件夹存储多个sheet，数据读取的时候不需要新建多个文件。基本的语法表达式：

mydata <- read.xlsx(file, sheet=n)

主要的参数理解：

file：文件路径（注意：Windows路径要用斜杠 " / " or 双反斜杠 " \\ "）。

sheet：n表示xlsx格式下，不同sheet的表格。n=1表示读取第一个sheet，以此类推。特别是，如果漏写n会报错。

具体过程：

library("xlsxjars")
library("rJava")
library("xlsx")
library("openxlsx")
data <- read.xlsx("C:/Program Files/R/R-3.6.1/library/xx.xlsx", 1)

04

数据的导出

通常在分析时候，我们需要用到计算后的结果，需要把计算的结果导出。这里我们常用到的函数有write.table，write.csv来导出txt，csv格式的文件。另外，write.xlsx用来导出xlsx格式的文件。这里，我们选择最基础的write.table的语法表达式进行介绍，剩下的导出方式建议大家用help（）函数进行查阅或 ?函数名进行查阅：

a <- data(mpg) # 将R语言自带的数据集mpg赋值给a
write.table (a, file ="", sep ="", row.names =TRUE, col.names =TRUE, quote =TRUE) # 导出a名下的数据

x：需要导出的数据，这里是指前面赋值过的数据。

file：导出的文件路径。

sep：分隔符，默认为空格（" "），也就是以空格为分割列。

row.names：是否导出行序号，默认为TRUE，也就是导出行序号。

col.names：是否导出列名，默认为TRUE，也就是导出列名。

quote：字符串是否使用引号表示，默认为TRUE，也就是使用引号表示。

例如：将数据框C输出为.csv文件

C <- data(iris)
write.table(C, file="ABC.csv",sep = ",",row.names=FALSE) # 将保存ABC文件在R的工作目录下，当不加sep = " "时，输出的数据会在同一个单元格里，因此要加“,”。 

附上完整的代码：

###########################
# 新手福利~认识数据集的内在
###########################

#1 标量
a <- -5  # 可以是数字1，'abc’字符，TRUE or FALSE 等

#2 向量
a <- c(2, 3, 4, 5, 5, -1, -2) # a属于数值型向量
b <- c("first", "second", "third") # b属于字符型向量
c <- c(TRUE, TRUE, TRUE, TRUE, TRUE, FALSE) # c是逻辑型向量

#3 矩阵
x <- matrix(1:20, nrow = 4, ncol = 3) #1 创建一个4×3的矩阵
x
cells <- c(1, 26, 24, 68)
rnames <- c("R1", "R2")
cnames <- c("C1", "C2")
mymatrix <- matrix(cells, nrow = 3, ncol = 3, byrow = TRUE,
                   dimnames = list(rnames, cnames)) #2 按行填充3×3的矩阵，根据逻辑byrow = TRUE
mymatrix
mymatrix <- matrix(cells, nrow = 2, ncol = 2, byrow = FALSE,
                   dimnames = list(rnames, cnames)) #3 按列填充3×3的矩阵，根据逻辑byrow = FALSE
mymatrix

# 提取数据
x <- matrix(1:9, nrow = 3) # 构建了一个内容为数字1到9的3×3矩阵 默认下，按行列填充
x # 查看所构建的矩阵
x[3,] # 选择了第三行的元素
x[,3] # 选择了第三列的元素
x[1,3] # 又选择第一行第三列的元素
x[1,c(2,3)] # 最后选择了位于第一行第二、第三的元素

#4 数组
my_array <- (vector, dimensions, dimnames)
dim1 <- c("a1", "a1") # 引号内的名称是我随便输入的，都是字符型
dim2 <- c("bb1", "bb2", "bb3")
dim3 <- c("ccc1", "ccc2", "ccc3")
z <- array(1:18, c(2, 3, 3), dimnames = list(dim1, dim2, dim3))
z
 
#5 数据框
mydata <- data.frame (col1,col2,col3) # col1,2,3 等可为任何类型。每一列的名称可以由names函数指定

# 具体例子
ID <- c(1, 2, 3, 4)age <- c(20, 35, 15, 55)
diabetes <- c("T1", "T2", "T3" , "T4")
status <- c("Poor", "Improved", "Excellent", "Improved")
patientdata <- data.frame(ID, age, diabetes, statues)
patientdata
#需要注意，每一列数据的类型必须唯一，但可以将多个类型的不同列放到一起组成数据框。

# 数据提取
patientdata[1:2] # 选取第一列到第二列的数据
patientdata[c("diabetes","status")] # 选取变量名为d...,s...的数据
patientdata$age # 标记号$是用来选取数据框中的特定age变量
#另外，如果想生成变量diabetes和变量status的列联表，可以使用table函数
table(patientdata$diabetes, patientdata$status)

#6 因子
ID <- c(1, 2, 3, 4)
age <- c(25, 35, 15, 55)
diabetes <- c("T1", "T2", "T1", "T1")
status <- c("Poor", "Improved", "Excellent", "Poor")
diabetes <- factor(diabetes) # factor 函数因子用于将向量编码为因子
status <- factor(status, order = TRUE) # order 逻辑标志，用于确定是否应该将级别视为有序的
patientdata <- data.frame(ID, age, diabetes, status) # 构建新的数据集
str(patientdata) # 查看数据集结构 也可以用class 但是这个函数查阅的结果比较简单
summary(patientdata) # summary是一个通用函数，用于生成各种模型拟合函数结果

#7 列表
# 具体例子
a <- "my list" # 构建列表的title
b <- c(20, 25, 26, 35)
c <- matrix(1:8, nrow=4) # 构建一个矩阵 8个值 4行
d <- c("first", "second", "third")
mylist <- list(title=a, ages=b, c, d) # 构建一个列表， 并用age 命名
mylist # 输出列表内容 包含一个字符串、数值型向量、矩阵及字符型向量

# 提取数据
mylist[[2]]
mylist[["ages"]] # 两种方法提取出一样的结果

# 数据的输入和导出部分就不在这做整合了，大家可以根据推送内容进行学习

Tips：

1. 单个向量中的数据必须拥有相同的类型或模式（数值型、字符型或逻辑型），同一向量中无法混杂不同类型的数据。

2. 矩阵都是二维的，与向量相似，仅能包含一种数据类型。超过二维时，考虑使用数组。当数据为多种类型时，可考虑使用数据框。

3. 另外，在已经构建好的数据框里，除了通过edit（）能够编辑，fix（）函数也可以编辑数据框里的数值型和字符型变量。

4. write.table / read.table 既可以读取txt文件也可以导入csv格式的文件。

参考材料：

R in action （the second  edition）