R语言 data.frame 操作使用入门大全

A data frame is used for storing data tables. It is a list of vectors of equal length. For example, the following variable df is a data frame containing three vectors n, s, b.

> n = c(2, 3, 5) 
> s = c("aa", "bb", "cc") 
> b = c(TRUE, FALSE, TRUE) 
> df = data.frame(n, s, b)       # df is a data frame

 

Build-in Data Frame

We use built-in data frames in R for our tutorials. For example, here is a built-in data frame in R, called mtcars.

> mtcars 
               mpg cyl disp  hp drat   wt ... 
Mazda RX4     21.0   6  160 110 3.90 2.62 ... 
Mazda RX4 Wag 21.0   6  160 110 3.90 2.88 ... 
Datsun 710    22.8   4  108  93 3.85 2.32 ... 
               ............

The top line of the table, called the header, contains the column names. Each horizontal line afterward denotes a data row, which begins with the name of the row, and then followed by the actual data. Each data member of a row is called a cell.

To retrieve data in a cell, we would enter its row and column coordinates in the single square bracket "[]" operator. The two coordinates are separated by a comma. In other words, the coordinates begins with row position, then followed by a comma, and ends with the column position. The order is important.

Here is the cell value from the first row, second column of mtcars.

> mtcars[1, 2] 
[1] 6

Moreover, we can use the row and column names instead of the numeric coordinates.

> mtcars["Mazda RX4", "cyl"] 
[1] 6

Lastly, the number of data rows in the data frame is given by the nrow function.

> nrow(mtcars)    # number of data rows 
[1] 32

And the number of columns of a data frame is given by the ncol function.

> ncol(mtcars)    # number of columns 
[1] 11

Further details of the mtcars data set is available in the R documentation.

> help(mtcars)

 

Preview

Instead of printing out the entire data frame, it is often desirable to preview it with the head function beforehand.

> head(mtcars) 
               mpg cyl disp  hp drat   wt ... 
Mazda RX4     21.0   6  160 110 3.90 2.62 ... 
               ............

 

 ##################################################

访问元素

与Matrix一样，使用[行Index,列Index]的格式可以访问具体的元素。

比如访问第一行:

student[1,]

访问第二列：

student[,2]

使用列的Index或者列名可以选取要访问的哪些列。比如要ID和Name，那么代码为：

idname<-student[1:2]

或者是

idname<-student[c("ID","Name”)]

如果是只访问某一列，返回的是Vector类型的，那么可以使用[[或者$来访问。比如我们要所有student的Name，代码为：

name<-student[[2]] 或者name<-student[[“Name”]] 或者name<-student$Name

使用attach和detach函数可以使得访问列时不需要总是跟着变量名在前面。

比如要打印所有Name，那么可以写成：

attach(student)
print(Name)
detach(student)

还可以换一种简洁一点的写法就是用with函数：

with(student,{
  n<-Name
  print(n)
})

这里的n作用域只在大括号内，如果想在with函数中对全局的变量进行赋值，那么需要使用<<-这样一个运算符。

修改列数据类型

接下来我们查看该对象每列的类型，使用str(student)可以得到如下结果：

'data.frame':3 obs. of  4 variables:

 $ ID       : num  1 2 3

 $ Name     : Factor w/ 3 levels "Devin","Edward",..: 1 2 3

 $ Gender   : Factor w/ 2 levels "F","M": 2 2 1

 $ Birthdate: Factor w/ 3 levels "1983-5-6","1984-12-29",..: 2 1 3

默认情况下，字符串向量都会被自动识别成Factor，也就是说，ID是数字类型，其他的3个列都被定义为Factor类型了。显然这里Name应该是字符串类型，Birthdate应该是Date类型，我们需要对列的数据类型进行更改：

student$Name<-as.character(student$Name) student$Birthdate<-as.Date(student$Birthdate)

下面我们再运行str(student)看看修改后的结果：

'data.frame':3 obs. of  4 variables:

 $ ID       : num  11 12 13

 $ Name     : chr  "Devin" "Edward" "Wenli"

 $ Gender   : Factor w/ 2 levels "F","M": 2 2 1

 $ Birthdate: Date, format: "1984-12-29" "1983-05-06" "1986-08-08”

添加新列

对于以及存在的student对象，我们希望增加Age列，该列是根据Birthdate算出来的。首先需要知道怎么算年龄。我们可以使用日期函数Sys.Date()获得当前的日期，然后使用format函数获得年份，然后用两个年份相减就是年龄。好像R并没有提供几个能用的日期函数，我们只能使用format函数取出年份部分，然后转换为int类型相减。

student$Age<-as.integer(format(Sys.Date(),"%Y"))-as.integer(format(student$Birthdate,"%Y”))

这样写似乎太长了，我们可以用within函数，这个函数和之前提到过的with函数类似，可以省略变量名，不同的地方是within函数可以在其中修改变量，也就是我们这里增加Age列：

student<-within(student,{
  Age<-as.integer(format(Sys.Date(),"%Y"))-as.integer(format(Birthdate,"%Y"))
})

查询/子集

查询一个Date Frame，返回一个满足条件的子集，这相当于数据库中的表查询，是非常常见的操作。使用行和列的Index来获取子集是最简单的方法，前面已经提到过。如果我们使用布尔向量，配合which函数，可以实现对行的过滤。比如我们要查询所有Gender为F的数据，那么我们首先对student$Gender==“F”，得到一个布尔向量:FALSE FALSE  TRUE,然后使用which函数可以将布尔向量中TRUE的Index返回，所以我们的完整查询语句就是：

student[which(student$Gender=="F"),]

注意这里列Index并没有输入，如果我们只想知道所有女生的年龄，那么可以改为：

student[which(student$Gender=="F"),"Age”]

这样的查询写法还是复杂了点，可以直接使用subset函数，那么查询会简单些，比如我们把查询条件改为年龄<30的女性，查姓名和年龄，那么查询语句为：

subset(student,Gender=="F" & Age<30 ,select=c("Name","Age"))

 

dbs[which(grepl("KEGG",dbs$libraryName)),]  # libraryName列包含KEGG
libraryName

dbs[which(grepl("GO_",dbs$libraryName)),] 

 

示例：

x.sub <- subset(x.df, y > 2)
x.sub1 <- subset(x.df, y > 2 & V1 > 0.6)
newdata <- subset(mydata, age >= 20 | age < 10, select=c(ID, Weight))
newdata <- subset(mydata, sex=="m" & age > 25, select=weight:income)
x.sub2 <- subset(x.df, y > 2 & V2 > 0.4, select = c(V1, V4))
x.sub3 <- subset(x.df, y > 3, select = V2:V5)
x.sub4 <- x.df[x.df$y == 1, ] x.sub5 <- x.df[x.df$y %in% c(1, 4), ]

 

使用SQL查询Data Frame

对于我这种使用了多年SQL的人来说，如果能够直接写SQL语句对Data Frame进行查询操作，那是多么方便美妙的啊，结果还真有这么一个包：sqldf。

同样是前面的需求，对应的语句就是：

library(sqldf)
result<-sqldf("select Name,Age from student where Gender='F' and Age<30")

连接/合并

对于数据库来说，对多表进行join查询是一个很正常的事情，那么在R中也可以对多个Data Frame进行连接，这就需要使用merge函数。

比如除了前面申明的student对象外，我们再申明一个score变量，记录了每个学生的科目和成绩：

score<-data.frame(SID=c(11,11,12,12,13),Course=c("Math","English","Math","Chinese","Math"),Score=c(90,80,80,95,96))

我们看看该表的内容：

  SID  Course Score

1  11    Math    90

2  11 English    80

3  12    Math    80

4  12 Chinese    95

5  13    Math    96

这里的SID就是Student里面的ID，相当于一个外键，现在要用这个ID进行inner join操作，那么对应的R语句就是：

result<-merge(student,score,by.x="ID",by.y="SID")

我们看看merge以后的结果：

 ID   Name Gender  Birthdate Age  Course Score

1 11  Devin      M 1984-12-29  31    Math    90

2 11  Devin      M 1984-12-29  31 English    80

3 12 Edward      M 1983-05-06  32    Math    80

4 12 Edward      M 1983-05-06  32 Chinese    95

5 13  Wenli      F 1986-08-08  29    Math    96

正如我们期望的一样join在了一起。

除了join，另外一个操作就是union，这也是数据库常用操作，那么在R中如何将两个列一样的Data Frame Union联接在一起呢？虽然R语言中有union函数，但是不是SQL的Union的意思，我们要实现Union功能，需要用到rbind函数。

rbind的两个Data Frame必须有相同的列，比如我们再申明一个student2，将两个变量rbind起来：

student2<-data.frame(ID=c(21,22),Name=c("Yan","Peng"),Gender=c("F","M"),Birthdate=c("1982-2-9","1983-1-16"),Age=c(32,31))
rbind(student,student2)