一、R语言—数据集创建

1. 向量

向量（vector）是用于存储数值型、字符型、逻辑型数据的一维数组。标量可以看作是 只含有一个元素的向量。

函数c( )可用来创建向量，例如：

In [2]:

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

这里 x1 是数值型向量，x2 是字符型向量，而 x3 是逻辑型向量。每一个向量中的数据类型必须一致。

 

如果想创建有规律的向量，R 提供了一些简便的操作和函数，例如：

In [3]:

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

 

有时候我们只想使用向量中的某个部分，即选取向量的子集。

假设有一个从 3 到 100 的步长为 7 的整数向量，那么第5 个数的值是多少呢？

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

 

在方括号“[ ]”中的数字被称为 下标，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 个元素，其值为 31。

下面的命令显示向量的第 4、第 6 和第 7 个元素：

In [6]:

x[c(4, 6, 7)]

24  38  45

 

下标中的向量可以取负值，表示去除指定位置上的元素。

例如，要去掉 x 的前4 个元素，可以输入下面的代码（注意命令里的括号）：

In [7]:

x[-(1:4)]

31  38  45  52  59  66  73  80  87  94

 

R 中的运算都是向量化的，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

在上面计算 bmi 的过程中，运算符“^”被循环使用了，所以计算的结果仍然是一个向量。

 

如果参与运算的向量的长度不一致，R 会自动补全后计算，同时给出警告信息 。

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)       # 计算向量bmi的长度
mean(bmi)           # 计算向量bmi的均值
var(bmi)            # 计算向量bmi的样本方差
sd(bmi)           # 计算向量bmi的样本标准差- c(1, 2, 1, 1, 2, 1, 2)
 

6

22.5714000044102

1.84126459887427

1.35693205389005

 

常用的统计函数

函数	描述
length(x)	求 x 中元素的个数
mean(x)	求 x 的算术平均值
median(x)	求 x 的中位数
var(x)	求 x 的样本方差
sd(x)	求 x 的样本标准差
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 的分位数
sum(x)	求 x 中所有元素的和
scale(x)	将 x 标准化

 

2. 因子

一般来说，变量有数值型、名义型和有序型之分。名义型变量是没有顺序关系的分类变量，例如人的性别、血型、民族等。而有序型变量是有层级和顺序关系的分类变量，如患者的病情（较差、好转、很好）。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，它决定了数据的展示和分析方式。数据存储时因子经常以整数向量形式存储。

 

所以在进行数据分析之前，经常需要将它们用函数 factor( ) 转换为因子。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'

上面的命令先定义了一个变量 sex 表示性别，假设其取值 1 表示男性，2 表示女性。接着用函数 factor( ) 将变量 sex 转换成了因子并存为对象 sex.f，其中参数 levels 表示原变量的分类标签值，参数 labels 表示因子取值的标签。注意，这两个参数在赋值时需要一一对应，R 会将它们相关联。因子型变量与一般的字符型变量的区别就是它有一个水平（level）属性。

 

因子的属性可以使用函数 levels( ) 查看：

In [12]:

levels(sex.f)

'Male'  'Female'

 

改变因子水平的排列顺序 → 改变参考组

在统计模型中，对于因子型变量，R 会将其第一个水平当作参考组。很多时候我们需要改变因子水平的排列顺序以改变参考组，这可以通过两种方法实现。

第一种方法是在函数 factor( ) 中改变参数 levels 和 labels 的排列顺序，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'

 

 

第二种方法是使用函数 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，需要在函数 factor ( ) 里指定参数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. 矩阵

矩阵（matrix）是一个由行和列组成的二维数组。矩阵里的每个元素具有相同的模式（数值型、字符型或逻辑型）。在大多数情况下，矩阵里的元素是数值型的，它具有很多数学特性和运算方式，可以用来进行统计计算，例如因子分析、广义线性模型等。

创建：matrix( )

函数 matrix( ) 常用于创建矩阵，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 会根据向量的长度和参数 nrow 设定的行数自动计算列数。参数 byrow 默认为 FALSE，即按列将数值进行排列， 如果需要按行排列，只需将参数 byrow 设为TRUE。 常见的矩阵运算都可以在R 中实现，如矩阵加法、矩阵乘法、求逆矩阵、矩阵转置、求方阵的行列式、求方阵的特征值和特征向量等。

相乘：%*%

矩阵乘法中要求第一个矩阵的列数等于第二个矩阵的行数，其运算符为 %*%。 先创建两个矩阵：

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]:

# 函数dim( )可以得到矩阵的维数，即行数和列数
dim(mat1)
dim(mat2)

3  2

2  3

结果表明，mat1 是一个 3 行 2 列的矩阵，mat2 是一个 2 行 3 列的矩阵，因此它们可以相乘，结果应该是一个 3 行 3 列的矩阵。

In [19]:

mat1 %*% mat2

A matrix: 3 × 3 of type dbl

29	39	49
40	54	68
51	69	87

转置：t( )

矩阵的转置运算就是把矩阵的行和列互换。例如，求矩阵 mat1 的转置矩阵：

In [20]:

t(mat1)

A matrix: 2 × 3 of type int

1	2	3
4	5	6

行列式和逆矩阵：det( )、solver( )

求方阵的行列式和逆矩阵分别可以使用函数 det( ) 和函数 solve( ) 实现，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. 数组

通常所说的数组（array）指的是多维数组，它与矩阵类似，但是维数大于 2。数组有一个特殊的维数（dim）属性。 下面的命令给一个向量加上维数后定义了一个数组，请注意数值的排列顺序。 💡 由于 notebook 上显示的数组不太美好，建议使用 print()。以下代码在显示数组时会额外加上 print()。

In [23]:

A <- 1:24
dim(A) <- c(3, 4, 2)
A # notebook 上数组显示不太正常，使用 print() 可以解决
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

上面的数组还可以通过函数 array( ) 创建，并给各个维度添加名称和标签。

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 中最灵活也最复杂的一种数据结构，它可以由不同类型的对象混合组成。例如，它可以是向量、数组、表格和任意类型对象的组合。

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. 数据框

数据框（dataframe）是一个由行和列组成的二维结构，其中行表示观测（observation）或记录（record），列表示变量（variable）或指标（indicator）。数据框与 Excel、SAS 和SPSS 中的数据集类似。数据框看起来与矩阵很相似，而且矩阵的很多操作也适用于数据框，如子集的选择。 与矩阵不同的是，数据框里不同的列可以是不同模式（数值型、字符型等）的数据。数据框可以通过函数 data.frame( ) 创建。例如，下面的代码创建了一个包含 5 个观测对象、4 个变量的数据框：

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

 

数据框本质上也是一种列表，要显示或使用数据框的某一变量（列），可以使用 $ 符号加上变量名。例如：

In [30]:

patients$age
mean(patients$age)

25  34  38  28  52

35.4

 

7. 数据类型的转换：is.、as.

在进行数据分析时，分析者需要对数据的类型熟稔于心，因为数据分析方法的选择与数据的类型是有密切联系的。R 提供了一系列用于判断某个对象的数据类型的函数，还提供了将某种数据类型转换为另一种数据类型的函数。这些函数都存在于基本包 base 里，下面列出了其中的一部分常用函数：

数据类型的判断与转换函数

判断	转换
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. 开头的函数的返回值为 TRUE 或 FALSE，而以 as. 开头的函数将对象转换为相应的类型。

 

 

8. 获取其他格式的数据

8.1 txt 与csv 格式

如果数据来源是一个用 Windows 记事本或其他纯文本编辑器所创建的 ASCII 格式文件，我们可以使用函数 read.table( ) 读取其中的数据，返回的是一个数据框。

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

 

在电子表格和数据库应用中经常会生成带分隔符的文本文件，其中.csv 文件是用逗号分隔取值（Comma Separated Values）。函数 read.csv( ) 是函数 read.table( ) 的一个变体，专用于读取 .csv 文件。 需要注意的是，read.table( ) 和 read.csv( ) 两个函数中参数的默认值是不同的。在函数 read.table( ) 中，参数 header 默认值为 FALSE，即认为文件第一行开始就是数据而非变量名。而在函数 read.csv( )中，参数 header 默认值为 TRUE。因此，在读入数据前，建议先打开原始文件进行查看，然后设置恰当的参数正确地读入数据。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

读取电子表格数据有很多种方式，其中最简单的方式是在 Excel 中将数据文件另存为一个逗号分隔（.csv）文件，然后用上述读取.csv 文件的方法将其读入R。还可以借助第三方包（例如 openxlsx 包、readxl 包和 gdata 包）直接读取 xlsx 或 xls 格式的数据文件。 

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 导出数据

由于 R 主要用于数据分析，导入文件比导出文件更常用，但有时我们也需要将数据或分析结果导出。函数 write.table( ) 和 write.csv( ) 可以分别将数据导出到一个 .txt 文件和 .csv 文件。  

此外，函数 save( ) 可以将工作空间中的指定对象保存为以 .rdata 为扩展名的 R 数据文件。例如：

In [43]:

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

 rdata 格式文件占用空间小，用 R 读入速度很快。建议在导入其他格式的数据并整理好后，将其保存为 rdata 格式。要导入这种格式的数据，只需调用 load( ) 函数。

In [44]:

load("patients.rdata")

 

8.4 用 rio 包导入和导出数据

R 中的 rio 包以提供一个类似万能工具的包为目标，用统一的 import( ) 函数和 export( ) 函数简化了用户导入和导出数据的工作。此外，该包里的 convert( ) 函数可以实现不同文件格式之间的转换。rio 包支持多种文件格式，包括 SAS、SPSS、Stata、Excel、MATLAB、Minitab 等其他软件中使用的数据文件格式。 下面以 datasets 包里面的数据集 infert 为例介绍 rio 包的几个常用功能。 

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 ...

 

函数 str( ) 常用于查看数据集的大小（观测的记录数及变量个数），以及各个变量的类型。从上面的输出可以看出，infert 是一个包含 248 个观测记录、每个记录有 8 个变量的数据框。 运行下面的命令将此数据框导出为 .csv 文件：

In [46]:

export(infert, "infert.csv")

在当前工作目录中可以找到刚才导出的名为 infert.csv 的数据文件。运行下面的命令将该文件从 .csv 文件转换成 .sav 文件：

In [47]:

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

然后用函数 import( ) 把上面生成的 .sav 文件导入 R 中，并命名为 infert.data：

In [48]:

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

 

函数（或数据集）：

函数（或数据集）	来源包	功能描述
as.character( )	base	将对象转换为字符串
as.factor( )	base	将对象转换为因子
as.numeric( )	base	将对象转换为数值
array( )	base	创建数组
bacteria	MASS	数据集
boxplot( )	graphics	绘制箱线图
c( )	base	创建向量
class( )	base	获取对象的类型
colMeans( )	base	按列求均值
colSums( )	base	按列求和
convert( )	rio	转换数据格式
data( )	utils	加载R
data.frame( )	base	创建数据框
det( )	base	求矩阵的行列式
dim( )	base	获取对象的维数
export( )	rio	将数据框导出为一个数据文件
factor( )	base	将一个向量转换为因子
hist( )	graphics	绘制直方图
import( )	rio	导入数据文件
infert	datasets	数据集
iris	datasets	数据集
is.logical( )	base	判断对象是否为逻辑型
is.numeric( )	base	判断对象是否为数值型
is.vector( )	base	判断对象是否为向量
length( )	base	获取对象的长度
levels( )	base	获取因子的水平
list( )	base	创建列表
matrix( )	base	创建矩阵
read.csv( )	utils	读取.csv
read.dta( )	foreign	读取Stata
read.epiinfo( )	foreign	读取EpiData
read.spss( )	foreign	读取SPSS
read.table( )	utils	读取文本格式数据文件
read.xlsx( )	openxlsx	读取Excel
read.xport( )	foreign	读取SAS
relevel( )	stats	改变因子水平的顺序
rep( )	base	将对象重复显示
rbinom( )	stats	生成服从二项分布的随机数
rnorm( )	stats	生成服从正态分布的随机数
rpois( )	stats	生成服从Poisson
runif( )	stats	生成服从均匀分布的随机数
rowMeans( )	base	按行求均值
rowSums( )	base	按行求和
save( )	base	将对象保存为R
sd( )	stats	求样本标准差
seq( )	base	生成有规则的序列
set.seed( )	base	设置生成随机数的种子数
solve( )	base	求解矩阵方程
str( )	utils	显示对象的内部结构
t( )	base	矩阵的转置运算
var( )	stats	求样本方差
View( )	utils	打开数据浏览窗口
write.csv( )	utils	将数据框导出到一个.csv
write.table( )	utils	将数据框导出到一个文本文件