（数据科学学习手札07）R在数据框操作上方法的总结（初级篇）
（数据科学学习手札07）R在数据框操作上方法的总结（初级篇）
上篇我们了解了Python中pandas内封装的关于数据框的常用操作方法，而作为专为数据科学而生的一门语言，R在数据框的操作上则更为丰富精彩，本篇就R处理数据框的常用方法进行总结：
1.数据框的生成
利用data.frame()函数来创建数据框，其常用参数如下：
...：数据框的构成向量的变量名，顺序即为生成的数据框列的顺序
row.names：对每一行命名的向量
stringAsFactors：是否将数据框中字符型数据类型转换为因子型，默认为FALSE
> a <- 1:10
> b <- 10:1
> c <- c('a','b','c','d','e','f','g','h','i','j')
> df <- data.frame(a,b,c,row.names = c)
> df
a b c
a 1 10 a
b 2 9 b
c 3 8 c
d 4 7 d
e 5 6 e
f 6 5 f
g 7 4 g
h 8 3 h
i 9 2 i
j 10 1 j改变stringAsFactors的默认值，第三列数据的数据类型发生了改变：
> a <- 1:10
> b <- 10:1
> c <- c('a','b','c','d','e','f','g','h','i','j')
> df <- data.frame(a,b,c,row.names = c, stringsAsFactors = F)
> str(df)
'data.frame': 10 obs. of 3 variables:
$ a: int 1 2 3 4 5 6 7 8 9 10
$ b: int 10 9 8 7 6 5 4 3 2 1
$ c: chr "a" "b" "c" "d" ...
> df <- data.frame(a,b,c,row.names = c, stringsAsFactors = T)
> str(df)
'data.frame': 10 obs. of 3 variables:
$ a: int 1 2 3 4 5 6 7 8 9 10
$ b: int 10 9 8 7 6 5 4 3 2 1
$ c: Factor w/ 10 levels "a","b","c","d",..: 1 2 3 4 5 6 7 8 9 102.数据框的索引
方式1：
按列的名称进行索引
> df$a
[1] 1 2 3 4 5 6 7 8 9 10方式2：
按对应轴的标号进行索引
> df[2]
b
a 10
b 9
c 8
d 7
e 6
f 5
g 4
h 3
i 2
j 1
> df[2:4,]
a b c
b 2 9 b
c 3 8 c
d 4 7 d方式3：
通过attach()将数据框临时挂载，直接通过列名索引数据
> df <- data.frame('AA'=a,'B'=b,'C'=c,row.names = c, stringsAsFactors = T)
> attach(df)
> AA
[1] 1 2 3 4 5 6 7 8 9 10
> B
[1] 10 9 8 7 6 5 4 3 2 1
> detach(df)方式4：
通过with()将数据框临时挂载，以直接通过列名索引数据
> df <- data.frame('AA'=a,'B'=b,'C'=c,row.names = c, stringsAsFactors = F)
> with(df,{
C
})
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j"3.数据框的拼接
rbind()与cbind()：
> df1 <- data.frame(a,b,c,row.names = c, stringsAsFactors = F)
> df2 <- data.frame('AA'=b,'B'=a,'C'=c,row.names = c, stringsAsFactors = F)
> cbind(df1,df2)#cbind()按列横向拼接数据框
a b c AA B C
a 1 10 a 10 1 a
b 2 9 b 9 2 b
c 3 8 c 8 3 c
d 4 7 d 7 4 d
e 5 6 e 6 5 e
f 6 5 f 5 6 f
g 7 4 g 4 7 g
h 8 3 h 3 8 h
i 9 2 i 2 9 i
j 10 1 j 1 10 j> rbind(df1,df1)#按列纵向拼接数据框（列名一定要对应）
a b c
1 1 10 a
2 2 9 b
3 3 8 c
4 4 7 d
5 5 6 e
6 6 5 f
7 7 4 g
8 8 3 h
9 9 2 i
10 10 1 j
11 1 10 a
12 2 9 b
13 3 8 c
14 4 7 d
15 5 6 e
16 6 5 f
17 7 4 g
18 8 3 h
19 9 2 i
20 10 1 j4.数据框的合并操作
在R中，通过内联键合并数据框的函数为merge()，其主要参数如下：
by：对两个数据框建立内联的共有列（元素交集部分不能为空集），以此列为依据，返回内联列取交集后剩下的样本行
sort：是否对合并后的数据框以内联列为排序依据进行排序，默认为TRUE
suffixes：对合并后数据框同名的列采取的重命名的后缀内容
> a <- 1:10
> b <- 10:1
> c <- c('b','a','c','d','e','f','g','h','i','j')
> d <- c('b','a','c','d','e','f','g','h','k','j')
> df1 <- data.frame(a,'ID'=c, stringsAsFactors = F)
> df2 <- data.frame(b,'ID'=d,stringsAsFactors = F)
> df1
a ID
1 1 b
2 2 a
3 3 c
4 4 d
5 5 e
6 6 f
7 7 g
8 8 h
9 9 i
10 10 j
> df2
b ID
1 10 b
2 9 a
3 8 c
4 7 d
5 6 e
6 5 f
7 4 g
8 3 h
9 2 k
10 1 j对上述两个数据框以’ID‘列为内联列进行合并，得到结果如下，与Python不同的是，R中的数据框合并的原则是不返回含有缺失值的行
> merge(df1,df2,by='ID')
ID a b
1 a 2 9
2 b 1 10
3 c 3 8
4 d 4 7
5 e 5 6
6 f 6 5
7 g 7 4
8 h 8 3
9 j 10 1设置sort为FALSE
> merge(df1,df2,by='ID',sort=FALSE)
ID a b
1 b 1 10
2 a 2 9
3 c 3 8
4 d 4 7
5 e 5 6
6 f 6 5
7 g 7 4
8 h 8 3
9 j 10 15.数据框的抽样筛选
利用样本抽取函数sample()通过对行或列进行范围之指定进行数据框的抽样筛选:
> df1[sample(1:nrow(df1),3,replace=FALSE),]
a ID
6 6 f
10 10 j
2 2 a6.数据框的条件筛选
方式1：
普通的条件筛选：
> df1[df1$a >= 6,]
a ID
6 6 f
7 7 g
8 8 h
9 9 i
10 10 j
> df1[df1$a >= 6 & df1$a <= 9,]
a ID
6 6 f
7 7 g
8 8 h
9 9 i方式2：
利用subset()函数来进行条件筛选，其第一个输入值为待筛选的数据框，第二个位置写入行筛选的条件（或多个条件的逻辑符连接的组合筛选），第三个select参数控制选中的列：
> subset(df1, a >= 6& a <=8)
a ID
6 6 f
7 7 g
8 8 h
> subset(df1, a >= 6& a <=8, select='ID')
ID
6 f
7 g
8 h7.数据框的去重
这里我们使用重复值检测函数duplicated()以及数据框元素删减方法联合起来完成去重的工作，先依次介绍这两个方法：
duplicated(),用于检测输入的列中有无符合元素重复的行（若输入多列则检测是否存在行的多列组合方式中有无满足重复的行），并返回对应每一列的逻辑型变量。
> a <- 1:10
> c <- c('b','a','c','d','b','a','d','c','i','j')
> d <- c('b','a','c','d','b','a','g','c','k','j')
> df <- data.frame(c,c,d)
> df
c c.1 d
1 b b b
2 a a a
3 c c c
4 d d d
5 b b b
6 a a a
7 d d g
8 c c c
9 i i k
10 j j j
> duplicated(df)
[1] FALSE FALSE FALSE FALSE TRUE TRUE FALSE TRUE FALSE FALSE可以看出，bbb,aaa,ccc这三种组合方式在数据框中重复多次，因此对这三种方式第二次及以后出现的情况返回TRUE，其余的行返回FALSE
数据框删除方法：df[!需要删除的行,!需要删除的列]
上面的duplicated(df)已经提取出df的所有重复行的逻辑型标号，因此只需要在删除方法里设置删除的标号为duplicated(df)的返回值即可：
> df[!duplicated(df),]
c c.1 d
1 b b b
2 a a a
3 c c c
4 d d d
7 d d g
9 i i k
10 j j j可以看到，所有重复行均已清除。
8.数据框的排序
数据框的order()函数：
> a <- c(2:8,1,10,9)
> c <- c('b','a','c','d','b','a','d','c','i','j')
> d <- c('b','a','c','d','b','a','g','c','k','j')
> df <- data.frame(a,c,d)
> df
a c d
1 2 b b
2 3 a a
3 4 c c
4 5 d d
5 6 b b
6 7 a a
7 8 d g
8 1 c c
9 10 i k
10 9 j j
> newdata <- df[order(a)]
Error in `[.data.frame`(df, order(a)) : undefined columns selected
> newdata
a c d
1 1 b b
2 2 a a
3 3 c c
4 4 d d
5 5 b b
6 6 a a
7 7 d g
8 8 c c
9 9 i k
10 10 j j9.缺失值的处理
有时候我们会遇到含有缺省值NA的数据框，这时如果直接进行数据框内的运算，因为NA的干扰，最后的结果往往也是NA，好在R对大部分整体数值运算都有参数na.rm来控制，TRUE时会自动跳过含有NA的计算部分：
> a <- c(1,2,4,3,NA)
> c <- c('b','a','c','d','b')
> d <- c('b','a','c','d','b')
> df <- data.frame(a,c,d)
> df
a c d
1 1 b b
2 2 a a
3 4 c c
4 3 d d
5 NA b b
> mean(df[,1])
[1] NA
> mean(df[,1],na.rm = T)
[1] 2.5使用na.omit()剔除残缺的行：
> df
a c d
1 1 b b
2 2 a a
3 4 c c
4 3 d d
5 NA b b
> complete.cases(df)#识别数据集中位置有无缺省值
[1] TRUE TRUE TRUE TRUE FALSE
> which(complete.cases(df)==F)#显示所有含有缺省值的行标号
[1] 5
> sum(complete.cases((df)))#完整观测值的个数
[1] 4
> na.omit(df)#删去含有缺失值的行
a c d
1 1 b b
2 2 a a
3 4 c c
4 3 d d以上就是R的最基本最简单的数据框操作方法，更进阶更高效的方法将在之后继续整理。