【学习】《R实战》读书笔记（第五章）
读书会是一种在于拓展视野、宏观思维、知识交流、提升生活的活动。PPV课R语言读书会以“学习、分享、进步”为宗旨，通过成员协作完成R语言专业书籍的精读和分享，达到学习和研究R语言的目的。读书会由辅导老师或者读书会成员推荐书籍，经过讨论确定要读的书，每个月读一本书且要精读，大家一起分享。
第五章 高级数据管理
本章概要
1 数学和统计函数
2 字符函数
3 循环和条件执行
4 用户所写函数
5 聚合和改造数据的方法
本章所介绍内容概括如下。
本章是数据管理高级主题，包含三部分，第一部分，数学、统计、字符操作的函数；第二部分，用户所写函数实现数据管理和分析任务；第三部分，总结、聚合和改造数据的方式。
数据管理的挑战
学生考试数据如图1所示。
图1：学生考试数据
想一想，如何管理上述数据，又如何发现该数据的价值？
数值和字符函数
数值函数，包括数学、统计和概率函数。
常用数学函数如图2所示。
图2：常用数学函数
举例说明如下：
> rm(list=ls())
> abs(-2)
[1] 2
> sqrt(c(1,4,9))
[1] 1 2 3
> ceiling(3.4)
[1] 4
> floor(3.4)
[1] 3
> trunc(3.4)
[1] 3
> round(3.48,digits=1)
[1] 3.5
> signif(3.48, digits=1)
[1] 3
> cos(pi/3)
[1] 0.5
> sin(pi/2)
[1] 1
> tan(pi/4)
[1] 1
> acos(1)
[1] 0
> asin(1)
[1] 1.570796
> atan(1)
[1] 0.7853982
> cosh(1)
[1] 1.543081
> sinh(1)
[1] 1.175201
> tanh(1)
[1] 0.7615942
> acosh(1)
[1] 0
> asinh(1)
[1] 0.8813736
> atanh(1)
[1] Inf
> log(10,base=10)
[1] 1
> log(10)
[1] 2.302585
> log10(10)
[1] 1
> exp(2)
[1] 7.389056常用统计函数如图3所示：
图3：常用统计函数
举例说明如下：
> mean(c(1,2,3))
[1] 2
> median(c(1,2,3,4))
[1] 2.5
> sd(c(1,2,3,4))
[1] 1.290994
> var(c(1,2,3,4))
[1] 1.666667
> mad(c(1,2,3,4))
[1] 1.4826
> x <- rnorm(100)
> y <- quantile(x, c(.3,.84))
> y
30% 84%
-0.6016543 0.8953049
> rang(c(1,2,3,4))
Error: could not find function “rang”
> range(c(1,2,3,4))
[1] 1 4
> sum(c(1,2,3,4))
[1] 10
> diff(c(1,4,10,100))
[1] 3 6 90
> diff(c(1,4,10,100),lag=2)
[1] 9 96
> min(c(1,2,3,4))
[1] 1
> max(c(1,2,3,40))
[1] 40计算平均值和标准差的两种方法。
方法一：直接使用统计函数
> rm(list=ls())
> x <- c(1,2,3,4,5,6,7,8)
> mean(x)
[1] 4.5
> sd(x)
[1] 2.44949方法二：利用统计学对平均值和标准差的定义式
> rm(list=ls())
> x <- c(1,2,3,4,5,6,7,8)
> n <- lenght(x)
Error: could not find function “lenght”
> n <- length(x)
> meanx <- sum(x) / n
> css <- sum((x - meanx)**2)
> sdx <- sqrt(css / (n-1))
> meanx
[1] 4.5
> sdx
[1] 2.44949拓展：归一化函数scale()
常用与概率学相关的函数。
四个名字：概率密度(d)、概率分布函数(p)、概率分位数(q)、概率随机数(r)。
图4：概率学相关函数
举例说明如下：
> rm(list=ls())
> x <- pretty(c(-3,3), 30)
> y <- dnorm(x)
> plot(x,y,type=”l”,xlab=”Normal Deviate”, ylab=”Density”,yaxs=”i”)
> pnorm(2)
[1] 0.9772499
> qnorm(0.975)
[1] 1.959964效果图如图5所示。
图5：标准正态分布概率密度曲线
为了进行可重复性实验，我们产生随机数，需要设置种子，举例说明如下：
> runif(5)
[1] 0.07873035 0.93082409 0.05424750 0.96919193 0.52518331
> runif(5)
[1] 0.86842132 0.91613675 0.13160823 0.22718509 0.06111121
> set.seed(100)
> runif(5)
[1] 0.30776611 0.25767250 0.55232243 0.05638315 0.46854928
> set.seed(100)
> funif(5)
Error: could not find function “funif”
> runif(5)
[1] 0.30776611 0.25767250 0.55232243 0.05638315 0.46854928拓展：可以用MASS包中 mvrnorm(n,mean,sigma)产生多维的随机数。其中mean是每个维度的均值，sigma是由维度形成协方差矩阵（或者相关系数）。
常用字符函数如图6所示。
图6：常用字符函数
其他有用函数如图7所示。
图7：其他有用函数
函数应用于矩阵或者数据框。
举例说明如下：
> rm(list=ls())
> a <- 5
> sqrt(a)
[1] 2.236068
> b <- c(1.234, 2.89, 8.8)
> round(b)
[1] 1 3 9
> c <- matrix(runif(12), nrow=3)
> c
[,1] [,2] [,3] [,4]
[1,] 0.4837707 0.5465586 0.8821655 0.7625511
[2,] 0.8124026 0.1702621 0.2803538 0.6690217
[3,] 0.3703205 0.6249965 0.3984879 0.2046122
> log(c)
[,1] [,2] [,3] [,4]
[1,] -0.7261442 -0.6041138 -0.1253756 -0.2710858
[2,] -0.2077592 -1.7704166 -1.2717028 -0.4019388
[3,] -0.9933863 -0.4700093 -0.9200781 -1.5866390
> mean(c)
[1] 0.5171253
> mean(c[,1])
[1] 0.555498
> mean(c[1,])
[1] 0.6687615R 中apply()函数，形式如下：
apply(x, MARGIN, FUN, …)
说明：x 表示数据集， MARGIN表示处理方向，1表示按行，2表示按列，FUN表示处理的函数。
举例说明如下：
> rm(list=ls())
> mydata <- matrix(rnorm(30), nrow=6)
> mydata
[,1] [,2] [,3] [,4] [,5]
[1,] -0.3650827 -0.5896169 1.10361796 -0.5980998 -0.3644158
[2,] 0.4966740 1.4647474 0.94356282 -0.6638578 -0.1372566
[3,] 0.5557346 1.6865777 -0.02198032 -0.7391568 0.5082207
[4,] 0.6712590 1.2236271 1.19638603 -0.8015434 -0.4462014
[5,] -0.9485679 0.3302404 -0.50412749 0.3775060 1.8384113
[6,] 1.1848094 -1.1250266 -0.84634890 0.4576504 0.3178423
> apply(mydata, 1, mean)
[1] -0.162719439 0.420773952 0.397879169 0.368705457 0.218692472
[6] -0.002214703
> apply(mydata, 2, mean)
[1] 0.2658044 0.4984248 0.3118517 -0.3279169 0.2861001
> apply(mydata, 2, mean, trim=0.2)
[1] 0.33964624 0.60724951 0.38026824 -0.40590212 0.08109766注意：apply()应用与数组类型的数据结构，比方说矩阵。lapply()和sapply()应用于列表类型的数据结构。
数据管理挑战的解法之道
对学生考试数据集管理的挑战解决之道。
程序清单如下。
> rm(list=ls())
> options(digits=2)
> Student <- c(“John Davis”, “Angel Williams”, “Bullwinkle Moose”, “David Jones”, “Janice Markhammer”, “Cheryl Cushing”, “Reuven Ytzrhak”, “Greg Knox”, “Joel England”, “Mary Rayburn”)
> Math <- c(502, 600, 412, 358, 495, 512, 410, 625, 573, 522)
> Science <- c(95, 99, 80, 82, 75, 85, 80, 95, 89, 86)
> English <- c(25, 22, 18, 15, 20, 28, 15, 30, 27, 18)
> roster <- data.frame(Student, Math, Science, English, StringsAsFactors=FALSE)
> z <- scale(roster[,2:4])
> score <- apply(z, 1, mean)
> score
[1] 0.56 0.92 -0.86 -1.16 -0.63 0.35 -1.05 1.34 0.70 -0.18
> y <- quantile(score, c(.8,.6,.4,.2))
> y
80% 60% 40% 20%
0.74 0.44 -0.36 -0.89
> y[1]
80%
0.74
> roster$grade[score>=y[1]] <- “A”
> roster$grade[score<y[1] & score>=y[2]] <- “B”
> roster$grade[score<y[2] & score>=y[3]] <- “C”
> roster$grade[score<y[3] & score>=y[4]] <- “D”
> roster$grade[score<y[4]] <- “F”
> roster
Student Math Science English StringsAsFactors grade
1 John Davis 502 95 25 FALSE B
2 Angel Williams 600 99 22 FALSE A
3 Bullwinkle Moose 412 80 18 FALSE D
4 David Jones 358 82 15 FALSE F
5 Janice Markhammer 495 75 20 FALSE D
6 Cheryl Cushing 512 85 28 FALSE C
7 Reuven Ytzrhak 410 80 15 FALSE F
8 Greg Knox 625 95 30 FALSE A
9 Joel England 573 89 27 FALSE B
10 Mary Rayburn 522 86 18 FALSE C
> roster <- roster[,c(1:4,6)]
> roster
Student Math Science English grade
1 John Davis 502 95 25 B
2 Angel Williams 600 99 22 A
3 Bullwinkle Moose 412 80 18 D
4 David Jones 358 82 15 F
5 Janice Markhammer 495 75 20 D
6 Cheryl Cushing 512 85 28 C
7 Reuven Ytzrhak 410 80 15 F
8 Greg Knox 625 95 30 A
9 Joel England 573 89 27 B
10 Mary Rayburn 522 86 18 C
> mode(roster[,1])
[1] “numeric”
> as.character(roster[,1])
[1] “John Davis” “Angel Williams” “Bullwinkle Moose”
[4] “David Jones” “Janice Markhammer” “Cheryl Cushing”
[7] “Reuven Ytzrhak” “Greg Knox” “Joel England”
[10] “Mary Rayburn”
> mode(roster[,1])
[1] “numeric”
> name <- strsplit((roster$Student), ” “)
Error in strsplit((roster$Student), ” “) : non-character argument
> lastname <- sapply(name, “[", 2)
Error in lapply(X = X, FUN = FUN, ...) : object 'name' not found
> firstname <- sapply(name, "[", 1)
Error in lapply(X = X, FUN = FUN, ...) : object 'name' not found
> roster[,1] <- as.character(roster[,1])
> mode(roster[,1])
[1] “character”
> name <- strsplit((roster$Student), ” “)
> lastname <- sapply(name, “[", 2)
> firstname <- sapply(name, "[", 1)
> roster <- cbind(firstname,lastname, roster[,-1])
> roster <- roster[order(lastname),]
> roster
firstname lastname Math Science English grade
6 Cheryl Cushing 512 85 28 C
1 John Davis 502 95 25 B
9 Joel England 573 89 27 B
4 David Jones 358 82 15 F
8 Greg Knox 625 95 30 A
5 Janice Markhammer 495 75 20 D
3 Bullwinkle Moose 412 80 18 D
10 Mary Rayburn 522 86 18 C
2 Angel Williams 600 99 22 A
7 Reuven Ytzrhak 410 80 15 F
> roster <- roster[order(lastname, firstname),]
> roster
firstname lastname Math Science English grade
5 Janice Markhammer 495 75 20 D
6 Cheryl Cushing 512 85 28 C
2 Angel Williams 600 99 22 A
4 David Jones 358 82 15 F
10 Mary Rayburn 522 86 18 C
8 Greg Knox 625 95 30 A
9 Joel England 573 89 27 B
7 Reuven Ytzrhak 410 80 15 F
1 John Davis 502 95 25 B
3 Bullwinkle Moose 412 80 18 D控制流程
通常情况下，程序从上往下依次执行。然则，有时候需要重复执行或是按条件执行，这需要控制流程来实现。
重复与循环
方法一：for，形式如下：
for(var in seq) statement
举例说明如下：
> rm(list=ls())
> for(i in 1:10) print(“Hello”)
[1] “Hello”
[1] “Hello”
[1] “Hello”
[1] “Hello”
[1] “Hello”
[1] “Hello”
[1] “Hello”
[1] “Hello”
[1] “Hello”
[1] “Hello”方法二：while，形式如下：
while(cond) statement
举例说明如下：
> rm(list=ls())
> i <- 10
> while(i>0) {print(“hello”);i<-i-1}
[1] “hello”
[1] “hello”
[1] “hello”
[1] “hello”
[1] “hello”
[1] “hello”
[1] “hello”
[1] “hello”
[1] “hello”
[1] “hello”条件执行
使用方式如下
if(cond) statement
if(cond) statement1 esle statement2
ifelse(cond, statement1, statement2)
switch(expr, …)举例说明如下：
> feeling <- c(“sad”, “afraid”)
> for(i in feeling)
+ print(switch(i, happy=”I am happy”,
+ afraid=”I am fear”,
+ sad = “I am sad”,
+ angry = “Calm down now”))
[1] “I am sad”
[1] “I am fear”用户所写函数
用户可以根据具体问题自定义函数，自定义函数形式如下：
myfunction <- function(arg1,arg2,arg3,…) {
statements
return(object) }
举两个例子说明如下：
例子一：创建一个进行两位数加法、减法、乘法和除法的运算函数。
> myfun <- function(x1,x2)
+ {add = x1 + x2;
+ sub = x1 - x2;
+ mul = x1 * x2;
+ div = x1 / x2;
+ result <- c(add, sub, mul, div);
+ return(result)}
> myfun(10,2)
[1] 12 8 20 5例子二：创建一个用户自定义的统计函数。
> rm(list=ls())
> mystats <- function(x, parametric=TRUE, print=FALSE) {
+ if(parametric) {
+ center <- mean(x); spread <- sd(x)
+ } else {
+ center <- median(x); spread <- mad(x)
+ }
+ if(print & parametric) {
+ cat(“Mean=”, center, “\n”, “DS=”, spread, “\n”)
+ } else if (print & !parametric) {
+ cat(“Median=”, center, “\n”, “MAD=”, spread, “\n”)
+ }
+ result <- list(center=center, spread=spread)
+ return(result)
+ }
> set.seed(1234)
> x <- rnorm(500)
> y <- mystats(x)
> y
$center
[1] 0.0018
$spread
[1] 1
> y <-mystats(x, parametric=FALSE, print=TRUE)
Median= -0.021
MAD= 1数据集合和改造
转置
对矩阵或者数据框中的内容转置，即行变为列，列变为行。
举例说明如下：
> rm(list=ls())
> cars <- mtcars[1:5, 1:4]
> cars
mpg cyl disp hp
Mazda RX4 21 6 160 110
Mazda RX4 Wag 21 6 160 110
Datsun 710 23 4 108 93
Hornet 4 Drive 21 6 258 110
Hornet Sportabout 19 8 360 175
> t(cars)
Mazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive Hornet Sportabout
mpg 21 21 23 21 19
cyl 6 6 4 6 8
disp 160 160 108 258 360
hp 110 110 93 110 175拓展：
1 aggreate()函数。
2 R的reshape包中函数数据进行改造。
总结
1 基于R中丰富的函数管理数据，比如数学函数、统计函数、字符函数。
2 R中流程控制结构，重复与循环和条件选择。
3 R中用户所写函数，为了解决某个数据分析任务自定义函数实现和完成。
4 数据的聚合和改造
Resource
1 http://www.wangluqing.com/2014/06/r-in-action-note6/
2 《R in action》第一部分第五章
本栏目文章由PPV课R语言读书会提供，转载请注明来自PPV课R语言读书会。
版权所有，违者必究！
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2014-07-29，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
腾讯云开发者
