Excel是数据分析中最常用的工具,本篇文章通过R与excel的功能对比介绍如何使用R通过函数式编程完成excel中的数据处理及分析工 作。我们总结出最常用的50个函数,通过这些函数介绍如何通过R完成数据生成和导入,数据清洗,预处理,以及最常见的数据筛选,回归预测和假设检验等最常见的操作。
本系列文章共分为三篇10个部分。这是第一篇,介绍前3部分内容,数据表生成,数据表查看,和数据清洗。以下是本系列文章部分内容的目录。
1,生成数据表
第一部分是生成数据表,常见的生成方法有两种,第一种是导入外部数据,第二种是直接写入数据。 Excel中的文件菜单中提供了获取外部数据的功能,支持数据库和文本文件和页面的多种数据源导入。
1.1. 导入数据表
R支持从多种类型的数据导入。下面分别是从csv格式文件导入数据并创建数据表的方法。导入数据的代码是最简模式,里面有很多可选参数设置,例如列名称,索引列,数据格式等等。感兴趣的朋友可以使用help函数来查看完整的使用方法。
1
2
#导入csv数据表
data
=
data.frame(read.csv(
"data.csv"
))
1
2
#查看read.csv的使用方法
help
(
"read.csv"
)
1.2. 创建数据表
另一种方法是通过直接写入数据来生成数据表,excel中直接在单元格中输入数据就可以,R中通过下面的代码来实现。数据表一共有7行数据,每行有5个字段。在数据中我们特意设置了一些NA值和有问题的字段,例如包含空格和重复值等。后面将在数据清洗步骤进行处理。后面我们将统一以DataFrame的简称df来命名数据表。
1
2
3
4
5
6
#手动创建数据表
df<
-
data.frame(
id
=
c(
1001
,
1002
,
1003
,
1004
,
1005
,
1006
,
1006
),
city
=
c(
" Beijing"
,
"SH"
,
" guangzhou"
,
"shenzhen "
,
" shanghai "
,
"BEIJING"
,
"BEIJING"
),
age
=
c(
23
,
44
,
54
,
32
,
34
,
32
,
32
),
category
=
c(
"100-A"
,
"100-B"
,
"110-A"
,
"110-C"
,
"210-A"
,
"130-F"
,
"130-F"
),
price
=
c(
1200
,NA,
2133
,
5433
,NA,
4432
,
4432
))
这是刚刚创建的数据表,我们没有设置索引列,price字段中包含有NA值,city字段中还包含了一些脏数据。最后一行包含了重复值。
2,数据表检查
第二部分是对数据表进行检查,R中处理的数据量与excel相比会大一些,因此我们无法一目了然的了解数据表的整体情况,必须要通过一些方法来获得数据表的关键信息。数据表检查的另一个目的是了解数据的概况,例如整个数据表的大小,数据格式,是否有空值和重复项和具体的数据内容。为后面的清洗和预处理做好准备。
2.1. 数据维度(行列)
Excel中可以通过CTRL+向下的光标键,和CTRL+向右的光标键来查看行号和列号。R中使用dim函数来查看数据表的维度,也就是行数和列数,函数返回的结果(7,5)表示数据表有7行,5列。下面是具体的代码。
1
2
3
#查看数据维度
dim(df)
[
1
]
7
5
2.2. 查看数据表
使用fix函数可以通过表格的形式对数据表进行查看,在可视化的数据编辑器中可以像excel一样查看数据表的信息,并且可以对字段类型和变量名称进行修改。
1
2
#查看数据表
fix(df)
2.3. 查看特定列的格式
Excel中通过选中单元格并查看开始菜单中的数值类型来判断数据的格式。R中使用typeof函数来返回数据格式。
1
2
typeof(df$age)
[
1
]
"double"
2.4. 查看空值
Excel中查看空值的方法是使用“定位条件”功能对数据表中的空值进行定位。“定位条件”在“开始”目录下的“查找和选择”目录中。
Is.na是R中检验空值的函数,返回的结果是逻辑值,包含空值返回True,不包含则返回False。可以对整个数据表进行检查,也可以单独对某一列进行空值检查。
1
2
#查看空值
is
.na(df)
1
2
3
#查看单列的空值
is
.na(df$price)
[
1
] FALSE TRUE FALSE FALSE TRUE FALSE FALSE
使用length计数函数和is.na配合使用,可以直接计算出数据表中某一列的空值数量。
1
2
3
#判断并计算某一列有几个空值
length(df$price[
is
.na(df$price)
=
=
TRUE])
[
1
]
2
2.5. 查看唯一值
Excel中查看唯一值的方法是使用“条件格式”对唯一值进行颜色标记。R中使用unique函数查看唯一值。
Unique是查看唯一值的函数,只能对数据表中的特定列进行检查。下面是代码,返回的结果是该列中的唯一值。类似与Excel中删除重复项后的结果。
1
2
#查看数据表的唯一值(删除重复值)
unique(df)
1
2
3
4
#查看数据表中city列的唯一值
unique(df$city)
[
1
] Beijing SH guangzhou shenzhen shanghai BEIJING
Levels: guangzhou Beijing shanghai BEIJING SH shenzhen
Duplicated函数用来查看数据表中是否存在重复值,可以对数据表进行检查也可以单独查看特定列中的重复值。返回的结果中TRUE表示重复,FALSE表示不重复。
1
2
3
#查找是否有重复值
duplicated(df)
[
1
] FALSE FALSE FALSE FALSE FALSE FALSE TRUE
1
2
3
#查看特定列是否有重复值
duplicated(df$city)
[
1
] FALSE FALSE FALSE FALSE FALSE FALSE TRUE
2.6. 查看数据表数值
R中有多个函数用来查看数据表中的数据,包括数据的范围,数据的极值等等。
1
2
3
#查看数据范围
range
(df$age)
[
1
]
23
54
1
2
3
#查找最小值
min
(df$age)
[
1
]
23
1
2
3
#查看最小值最在的行位置
which.
min
(df$age)
[
1
]
1
1
2
3
#查找最大值
max
(df$age)
[
1
]
54
1
2
3
#查看最大值所在的行位置
which.
max
(df$age)
[
1
]
3
2.7. 查看列名称
names函数用来单独查看数据表中的列名称。
1
2
3
#查看列名称
names(df)
[
1
]
"id"
"city"
"age"
"category"
"price"
2.8. 查看前10行数据
Head函数用来查看数据表中的前N行数据,默认head()显示前10行数据,可以自己设置参数n的值来确定查看的行数。下面的代码中n=2设置查看前2行的数据。
1
2
#查看前两行
head(df,n
=
2
)
2.9. 查看后10行数据
Tail行数与head函数相反,用来查看数据表中后N行的数据,默认tail()显示后10行数据,可以自己设置参数n的值来确定查看的行数。下面的代码中n=2设置查看后2行的数据。
1
2
#查看后两行
tail(df,n
=
2
)
3,数据表清洗
第三部分是对数据表中的问题进行清洗。主要内容包括对空值,大小写问题,数据格式和重复值的处理。这里不包含对数据间的逻辑验证。
3.1. 处理空值(删除或填充)
我们在创建数据表的时候在price字段中故意设置了几个NA值。对于空值的处理方式有很多种,可以直接删除包含空值的数据,也可以对空值进行填充,比如用0填充或者用均值填充。还可以根据不同字段的逻辑对空值进行推算。
Excel中可以通过“查找和替换”功能对空值进行处理,将空值统一替换为0或均值。也可以通过“定位”空值来实现。
R中处理空值的方法比较灵活,可以使用 na.omit函数用来删除数据表中包含空值的数据,也可以用特定的值对空值进行填充。下面的代码和结果中可以看到使用na.omit函数后,包含NA值的两个字段已经不见了。返回的是一个不包含空值的数据表。
1
2
3
4
5
6
7
8
9
#删除包含空值的行
df_na <
-
na.omit(df)
&
#91;/code]
<pre>除此之外也可以使用数字对空值进行填充,下面的代码使用
0
对空值字段进行填充。<
/
pre>
#将空值填充为0
df[
is
.na(df)]
我们继续使用填充的方式来处理空值,使用price列的均值来填充NA字段,在要填充的数值中使用mean函数先计算price列当前的均值,然后使用这个均值对NA进行填充。可以看到两个空值字段显示为3526
1
2
3
4
5
6
7
8
9
10
11
12
#将空值填充为均值
df[
is
.na(df)] <
-
mean(df_na$price)
&
#91;/code]
<pre>
3.2
. 清理空格
除了空值,字符中的空格也是数据清洗中一个常见的问题,下面是清除字符中空格的代码。首先需要按照raster和sp包,然后加载这两个包。<
/
pre>
#安装raster和sp包
install.packages(
"raster"
)
install.packages(
"sp"
)
1
2
3
#加载raster和sp包
library(
'sp'
)
library(
'raster'
)
加载完成后使用trim函数完成对字符中空格的清洗。
1
2
3
4
#去除city字段中的空格并替换原有字段
df_city
=
as.vector(df$city)
df_c
=
trim(df_city)
df$city
=
df_c
3.3. 大小写转换
在英文字段中,字母的大小写不统一也是一个常见的问题。Excel中有UPPER,LOWER等函数,R中也有同名函数用来解决大小写的问题。在数据表的city列中就存在这样的问题。我们将city列的所有字母转换为小写。下面是具体的代码和结果。
1
2
#转化为小写字母
df$city
=
tolower(df$city)
3.4. 更改数据格式
Excel中通过“设置单元格格式”功能可以修改数据格式。R中通过as.integer函数用来修改数据格式。其中integer是要修改的类型名称。如何要将格式修改为字符型就是as.character。
1
2
3
#查看数据的格式
typeof(df$age)
[
1
]
"double"
1
2
#更改数据格式
df$age
=
as.integer(df$age)
1
2
3
#查看修改后的数据格式
typeof(df$age)
[
1
]
"integer"
3.5. 删除重复值
很多数据表中还包含重复值的问题,Excel的数据目录下有“删除重复项”的功能,可以用来删除数据表中的重复值。默认Excel会保留最先出现的数据,删除后面重复出现的数据。
R中使用duplicated函数查找重复值。Duplicated函数既可以查找数据表的重复值,也可以查找特定列中的重复值。发现重复值后使用unique函数删除重复值。下面是具体的代码和比较结果。
1
2
#查找数据表重复值
duplicated(df)
1
2
#查找特定列的重复值
duplicated(df$city)
#查看数据表的唯一值(删除重复值)
df<-unique(df) [/code]
3.6. 数据替换
数据清洗中最后一个问题是数值修改或替换,Excel中使用“查找和替换”功能就可以实现数值的替换。
R中使用gsub函数实现数据替换。数据表中city字段上海存在两种写法,分别为shanghai和SH。我们使用gsub函数对SH进行替换。
#字符替换 df$city<-gsub(‘SH’,’shanghai’,df$city) [/code]
在第二篇文章中我们将继续介绍4-7部分的内容,分别为数据预处理,数据提取,数据筛选和数据汇总三部分的问题。感兴趣的朋友请继续关注。
本文为专栏文章,来自:蓝鲸,内容观点不代表本站立场,如若转载请联系专栏作者,本文链接:https://www.afenxi.com/45443.html 。