本文主要是介绍R语言统计分析——数据集概念和数据结构,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
参考资料:R语言实战.第2版
1、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。
不同行业对于数据集的行和列叫法不同。统计学称为观测(observation)和变量(variable),数据库中称为记录(record)和字段(field),数据挖掘和机器学习成为示例(example)和属性(attribute)。
R中有许多用于存储数据的结构,包括标量、向量、数组、数据框和列表。
R可以处理的额数据类型包括数值型、字符型、逻辑型、复数型和原生型。
2、数据结构
(1)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。
a<-c(1,2,5,3,6,-2,4)
b<-c('one','two','three')
c<-c(TRUE,TRUE,TRUE,FALSE,TRUE,FALSE)
这里a是数值型向量,b是字符型向量,c是逻辑型向量。注意:单个向量中的数据必须拥有相同的类型或模式(数值型、字符型或逻辑型等)。同一向量中无法混杂不同模型的数据。
通过在方括号中给定元素所处位置的数值,我们可以访问向量中的元素。例如:
注意:标量是只含有一个元素的向量,它们用于保存常量。
f<-3
g<-"cn"
h<-TRUE
(2)矩阵
矩阵是一个二维数组,只是每个元素都拥有相同的模式(数值型、字符型或逻辑型)。可通过函数matrix()创建矩阵。
matrix(vector,nrow,ncol,byrow,dimnames)
vector包含矩阵的元素,
nrow和ncol用以指定行和列的维数
dimnames包含了可选的、以字符型向量表示的行名和列名
byrow则表明矩阵应当按行填充还是按列填充,默认按列填充。
# 创建一个5×4的矩阵
y<-matrix(1:20,nrow=5,ncol=4)
y# 按行填充2×2的矩阵
cells<-c(1,26,24,68)
rnames<-c("R1","R2")
cnames<-c("C1","C2")
mymatrix<-matrix(cells,nrow=2,ncol=2,byrow=TRUE,dimnames=list(rnames,cnames))
mymatrix# 按列填充的2×2矩阵
mymatrix<-matrix(cells,nrow=2,ncol=2,byrow=FALSE,dimnames=list(rnames,cnames))
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,]指矩阵中的第i行,X[,j]指矩阵中的第j列,X[i,j]指第i行第j列的元素。
选择多行或多列时,下标i和j可以数值型向量。
# 下标的使用
# 创建一个矩阵
x<-matrix(1:10,nrow=2)
x
# 矩阵x的第2行数据
x[2,]
# 矩阵x的第2列数据
x[,2]
# 矩阵x的第2行第4个元素
x[2,4]
# 矩阵x的第1行第4、5个元素
x[1,c(4,5)]
(3)数组
数组(array)与矩阵类似,但维度可以大于2。数组可以通过array函数创建。形式如下:
myarray<-array(vector,dimensions,dimnames)
其中,vector是包含数据中数据的向量;dimensions是一个数值型的向量,给出了各个维度下标的最大值,而dimnames是可选的、各维度名称标签的列表。
数组是矩阵的一个自然推广。它们在编写新的统计方法时可能很有用。和矩阵一样,数组中的数据也只能拥有一种模式。从数组中选取元素的方式与矩阵相同。
# 创建一个数组
dim1<-c('A1','A2')
dim2<-c('B1','B2','B3')
dim3<-c('C1','C2','C3','C4')
z<-array(1:24,dim=c(2,3,4),dimnames=list(dim1,dim2,dim3))
z
(4)数据框
由于不同的列可以包含不同模式(数值型、字符型等)的数据,数据框的概念较矩阵来说更为一般。也是我们在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,...)
其中的列向量col1,col2,col3等可为任何数据类型。每一列的名称可有函数names指定。如下:
# 创建一个数据框
patientID<-c(1,2,3,4)
age<-c(25,34,28,52)
diabetes<-c('Type1','Type2','Type1','Type2')
status<-c('Poor','Improved','Excellent','Poor')
patientdata<-data.frame(patientID,age,diabetes,status)
patientdata
每一列数据的模式必须唯一,不过我们可以将多个模式的不同列放在一起组成数据框。数据框与分析人员通常设想的数据集形态较为接近。
选取数据框中元素的方式有若干种。可以使用切片格式,也可以直接指定列名。
# 切片法
patientdata[1:2]
# 指定列名
patientdata[c('diabetes','status')]
# $符号指定列名
patientdata$age
# 交叉表
table(patientdata$diabetes,patientdata$status)
在每个变量名前都键入一次数据框名称相对比较麻烦,可以走一些捷径。两盒使用attach()和detach()或单独使用with()来简化代码。
attach()函数可将数据框添加到R的搜索路径中。R在遇到一个变量名以后,将检查搜索路径中的数据框。detach()是将数据框从搜索路径中移除,与attach()函数配合使用。
summary(mtcars$mpg)
plot(mtcars$mpg,mtcars$disp)
plot(mtcars$mpg,mtcars$wt)
以上代码可以写成:
attach(mtcars)summary(mpg)plot(mpg,disp)plot(mpg,wt)
detach(mtcars)
当名称相同的对象不止一个时,attach()的方法将会显得局限。attach()和detach()最好在分析一个单独的数据框,且不太可能有多个同名称对象时使用。
另一种方式是函数with(),重写上述代码为:
with(mtcars,{print(summary(mpg))plot(mpg,disp)plot(mpg,wt)
})
函数with()的局限性在于,赋值仅在此函数的括号内生效。如果要创建在with()结构以外存在的对象,使用特殊赋值符号<<-替代标准赋值符号<-即可,它可将对象保存到with()之外的全局换菌种。如下:
with(mtcars,{nokeepstats<-summary(mpg)keepstats<<-summary(mpg)
})
nokeepstats
keepstats
相对于attach(),多数的R数据中更多推荐使用with()函数。
(5)因子
变量可归结为名义型、有序型和连续型变量。
名义型变量是没有顺序之分的类别变量。
有序型边变量是一种顺序关系,而非数量关系。
连续型变量可以呈现为某个范围内的任意值,并同时表示了顺序和数量。
名义型变量和有序型变量在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。
factor()函数以一个整数向量的形式存储类别值,整数的取值范围是[1,...,k](其中k是名义变量中唯一值的个数),同时一个有字符串(原始值)组成的内部向量将映射到这些整数上。
对于字符型向量,因子的水平默认依字母顺序创建,我们可以通过指定levels选项来覆盖默认排序。例如:status<-factor(status,order=TRUE,levels=c('Poor','Improved','Excellent')),各水平的赋值将为1=Poor、2=Improved、3=Excellent。请保证指定的水平与数据中的真实值相匹配,因为任何在数据中出现而未在参数中列举的数据都将设为缺失值。
patientID<-c(1,2,3,4)
age<-c(25,34,28,54)
diabetes<-c('Type1','Type2','Type1','Type1')
status<-c('Poor','Improved','Excellent','Poor')
# 将diabetes设为因子
diabetes<-factor(diabetes)
# 将status设为有序因子
status<-factor(status,order=TRUE)
# 创建数据框
patientdata<-data.frame(patientID,age,diabetes,status)
# 显示对象的结构
str(patientdata)
# 显示对象的统计概要
summary(patientdata)
(6)列表
列表(list)是R的数据类型中最为复杂的一种。一般来说,列表就是一些对象的有序集合。列表允许整合若干不同类型的对象到一个对象名下。
g<-"my first list"
h<-c(25,26,18,39)
j<-matrix(1:10,nrow=5)
k<-c('one','two','three')
# 创建列表
mylist<-list(title=g,ages=h,j,k)
mylist
这篇关于R语言统计分析——数据集概念和数据结构的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!