Data Frame一般被翻译为数据框,感觉就像是R中的表,由行和列组成,与Matrix不同的是,每个列可以是不同的数据类型,而Matrix是必须相同的。
Data Frame每一列有列名,每一行也可以指定行名。如果不指定行名,那么就是从1开始自增的Sequence来标识每一行。
使用data.frame函数就可以初始化一个Data Frame。比如我们要初始化一个student的Data Frame其中包含ID和Name还有Gender以及Birthdate,那么代码为:
student<-data.frame(ID=c(11,12,13),Name=c("Devin","Edward","Wenli"),Gender=c("M","M","F"),Birthdate=c("1984-12-29","1983-5-6","1986-8-8”))
另外也可以使用read.table() read.csv()读取一个文本文件,返回的也是一个Data Frame对象。读取数据库也是返回Data Frame对象。
查看student的内容为:
ID Name Gender Birthdate
1 11 Devin M 1984-12-29
2 12 Edward M 1983-5-6
3 13 Wenli F 1986-8-8
这里只指定了列名为ID,Name,Gender和Birthdate,使用names函数可以查看列名,如果要查看行名,需要用到row.names函数。这里我们希望将ID作为行名,那么可以这样写:
row.names(student)<-student$ID
更简单的办法是在初始化date.frame的时候,有参数row.names可以设置行名的向量。
与Matrix一样,使用[行Index,列Index]的格式可以访问具体的元素。
比如访问第一行:
student[1,]
访问第二列:
student[,2]
使用列的Index或者列名可以选取要访问的哪些列。比如要ID和Name,那么代码为:
idname<-student[1:2]
或者是
idname<-student[c("ID","Name”)]
如果是只访问某一列,返回的是Vector类型的,那么可以使用[[或者$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。
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”
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"))
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")
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)