R语言-数据预处理
一、日期时间、字符串的处理
日期
Date: 日期类,年与日
POSIXct: 日期时间类,精确到秒,用数字表示
POSIXlt: 日期时间类,精确到秒,用列表表示
Sys.date(), date(), difftime(), ISOdate(), ISOdatetime()
#得到当前日期时间
(d1=Sys.Date())
(d3=Sys.time())
(d2=date())
myDate=as.Date('2007-08-09')
class(myDate)
mode(myDate)
#日期转字符串
as.character(myDate)
birDay=c('01/05/1986','08/11/1976') #
dates=as.Date(birDay,'%m/%d/%Y')
dates
# %d
# %a
# %A
# %m
# %b
# %B
# %y
# %Y
# %H
# %M
(d1=Sys.Date())
(d3=Sys.time())
(d2=date())
myDate=as.Date('2007-08-09')
class(myDate)
mode(myDate)
#日期转字符串
as.character(myDate)
birDay=c('01/05/1986','08/11/1976') #
dates=as.Date(birDay,'%m/%d/%Y')
dates
# %d
# %a
# %A
# %m
# %b
# %B
# %y
# %Y
# %H
# %M
# %S
td=Sys.Date()
format(td,format='%B
format(td,format='%A,%a ')
format(Sys.time(), '%H %h %M %S %s')
#日期转换成数字
as.integer(Sys.Date())
as.integer(as.Date('1970-1-1')) #0
as.integer(as.Date('1970-1-2')) #1
sdate=as.Date('2004-10-01')
edate=as.Date('2010-10-22')
days=edate-sdate
days
ws=difftime(Sys.Date(),as.Date('1956-10-12'),units='weeks')
#可以指定单位
#把年月日拼成日期
(d=ISOdate(2011,10,2));class(d)
as.Date(ISOdate(2011,10,2))
ISOdate(2011,2,30)
#批量转换成日期
years=c(2010,2011,2012,2013,2014,2015)
months=1
days=c(15,20,21,19,30,3)
as.Date(ISOdate(years,months,days))
#提取日期时间的一部分
p=as.POSIXlt(Sys.Date())
p=as.POSIXlt(Sys.time())
Sys.Date()
Sys.time()
p$year 1900
p$mon
1
p$mday
p$hour
p$min
p$sec
#字符串
x='hello\rwold\n'
cat(x)
print(x)
#字符串长度
nchar(x)
length(x) #1 向量中元素的个数
#字符串拼接
board=paste('b',1:4,sep='-') #"b-1" "b-2" "b-3" "b-4"
board
mm=paste('mm',1:3,sep='-')
mm
outer(board,mm,paste,sep=':') #向量的外积
#拆分提取
board
substr(board,3,3) #子串
strsplit(board,'-',fixed=T) #拆分
#修改
sub('-','.',board,fixed=T) #修改指定字符
board
mm
sub('m','p',mm)
gsub('m','p',mm)
#查找
mm=c(mm, 'mm4')
mm
grep('-',mm)
regexpr('-',mm)
二、数据预处理
保证数据质量
准确性
完整性
一致性
冗余性
时效性
...
1、提取有效数据,需要业务人员配合(主观),及相关的技术手段保障
2、了解数据定义,统一对数据定义的理解
...
数据集成 : 对多数据源进行整合
数据转换 :
数据清洗 : 异常数据,缺失数据
数据约简 : 提炼,行,列
三、数据集成
通过merge对数据进行集成
#数据集成
#数据集成
#merge pylr::join (包::函数)
(customer =
data.frame(Id=c(1:6),State=c(rep("北京",3),rep("上海",3))))
(ol =
data.frame(Id=c(1,4,6,7),Product=c('IPhone','Vixo','mi','Note2')))
merge(customer,ol,by=('Id'))
merge(customer,ol,by=('Id'),all=T) # full join
merge(customer,ol,by=('Id'),all.x=T)
merge(customer,ol,by=('Id'),all.y=T)
#union 去重 在df1 和df2 有相同的列名称下
(df1=data.frame(id=seq(0,by=3,length=5),name=paste('Zhang',seq(0,by=3,length=5))))
(df2=data.frame(id=seq(0,by=4,length=4),name=paste('Zhang',seq(0,by=4,length=4))))
rbind(df1,df2)
merge(df1,df2,all=T)
merge(df1,df2,by=('id')) #重名的列会被更改显示
四、数据转换
构造属性
规范化(极差化、标准化)
离散化
改善分布