R语言做数据探索

本文总结R语言做数据探索的知识。

• 1 数据导入

• 2 数据类型变换

• 3 数据集变换

• 4 数据排序

• 5 数据可视化

• 6 列联表

• 7 数据抽样

• 8 数据去重

• 9 数据汇总

• 10 缺失值识别和处理

• 11 异常值识别和处理

• 12 数据合并

• 总结

1 数据导入

数据常用格式.csv/.txt/.xls/.json/.xml。
R语言提供相应的函数和库实现对这些数据格式的导入。
现已导入.csv格式和以tab分隔的.txt格式为例

# 读.csv格式
data1 <- read.csv(file = 'C:/abc.csv', header = TRUE, sep = ',')
# 读以tab分隔的.txt格式
data2 <- read.csv(file = 'C:/abc.txt', header = TRUE, sep = 't')

2 数据类型变换

数据类型变换包括数据类型测试和数据类型之间的变换。
数据类型测试采用is.xyz系列函数，该函数测试是否为某一种数据类型，返回值是逻辑类型，即TRUE和FALSE。
数据类型变换采用as.xyz系列函数，把某一种数据类型变换到另一种数据类型。
例如：

is.numeric(), is.character(), is.vector(), is.matrix(), is.data.frame()
 as.numeric(), as.character(), as.vector(), as.matrix(), as.data.frame()

R语言数据结构之间的转换

3 数据集变换

宽数据转换成窄数据，例如：

R语言把宽数据集变换成窄数据集

library(reshape)
data3 <- melt(mydata, id=c("id","time"))

4 数据排序

利用order函数对单一变量或者多个变量进行排序（升序或者降序），返回具有排序功能的索引位置。

# sort by var1
data4 <- old[order(var1),]
# sort by var1 and var2 (descending)
data5 <- old[order(var1, -var2),]

5 数据可视化

利用Ｒ语言做数据可视简单和高效。

Ｒ语言画直方图

set.seed(1234)
score <- rnorm(n = 1000, m = 80, sd = 20)
hist(score)

在直方图上面添加密度曲线

hist(score, 
     freq=FALSE, 
     xlab="Score", 
     main="Distribution of score", 
     col="lightgreen", 
     xlim=c(0,150), 
     ylim=c(0, 0.02))
curve(dnorm(x, 
            mean=mean(score), 
            sd=sd(score)), 
      add=TRUE, 
      col="darkblue", 
      lwd=2)

6 列联表

列联表是理解各类分布的最基本和最有效的方式。

单变量列联表

多变量列联表
参考代码

library(gmodels)
CrossTable(mydata$myrowvar, mydata$mycolvar)

7 数据抽样

利用sample函数实现数据抽样
从数据集中不放回地随机抽取100个样本
参考代码：

mysample <- mydata[sample(1:nrow(mydata), 100,replace=FALSE),]

8 数据去重

利用unique函数去掉向量中的重复值

set.seed(1234)
x <- round(rnorm(20, 10, 5))
x 
unique(x)

结果如下

9 数据汇总

使用apply系列函数，实现汇总

10 缺失值识别和处理

使用is.na函数识别缺失值，采用均值、中位数、众数、插补法等方法对确实值处理。

y <- c(4,5,6,NA)
is.na(y)
y[is.na(y)] <- mean(y,na.rm=TRUE)
y

11 异常值识别和处理

异常值识别-异常值定位-异常值处理
异常值识别方法：盒箱图和简单统计量
异常值处理方法：剔除法/修复法

12 数据合并

利用merge函数或者rbind函数或者sqldf包基于数据库的连接操作

# merge two data frames by ID
total <- merge(data frameA,data frameB,by="ID")
# merge two data frames by ID and Country
total <- merge(data frameA,data frameB,by=c("ID","Country"))
total <- rbind(data frameA, data frameB)

总结

本文总结了R语言做数据探索和处理的知识。

您在阅读中，有什么建议或者想法，请留言。
想加入数据人圈子，请加微信luqin360。

为什么做数据人网http://shujuren.org

帮助人们做明智决策，令人兴奋和有价值！

怎么做数据人网http://shujuren.org

把数据驱动决策做到极致，涵盖数据思维和数据技术等！

数据人网做什么？

数据人网是数据知识服务商！

共建共享优质数据知识库，提供省时有用数据知识。

点击“阅读原文”进入数据人网。