R语言基础| 创建数据集

在R语言中，有多种数据类型，用以存储和处理数据。每种数据类型都有其特定的用途和操作函数，使得R语言在处理各种数据分析任务时非常灵活和强大：

向量（Vector）: 向量是R语言中最基本的数据类型，它是由相同类型的元素构成的一维数组。例如，一个由数值组成的向量或一个由字符串组成的向量。

矩阵（Matrix）: 矩阵是一个二维数组，其中的数据元素按照行和列的形式排列。矩阵中的所有元素必须是同一类型。

数组（Array）: 数组是向量的一种扩展，可以有多维。例如，你可以有一个三维数组，其中包含多个二维矩阵。

数据框（Data Frame）: 数据框是R语言中用于存储表格数据的最重要的数据类型。它类似于数据库中的表或Excel中的电子表格。数据框可以包含不同类型的列（数值、字符、逻辑等）。

列表（List）: 列表是一种复合数据类型，可以包含任意类型的元素（数值、字符、向量、矩阵、甚至其他列表等），并且各元素的长度也可以不同。

因子（Factor）: 因子是用于分类数据的数据类型。它们用于表示有限的分类值集，例如性别（男、女）、评级（优、良、差）等。

逻辑值（Logical）: 逻辑值是R语言中的布尔类型，代表真（TRUE）或假（FALSE）。

2.1 理解数据集

行(row):表示观测值列(col):表示变量

2.2 数据结构

包括标量、向量、矩阵、数组、数据框、列表。

2.2.1 向量(vector)

2.2.1.1 定义

是用于存储数值型、字符型或逻辑型数据的一维数组。例如：

a <- c(1,2,3,4,5,6,-2,4)
b <- c("one","two","three","four")
c <- c(TRUE,TRUE,TRUE,FALSE,FALSE)

a为数值型向量，b字符型（必须加”“），c逻辑型向量。

单个向量中的数据类型必须相同

标量（scalar)是只含一个元素的向量。eg g<-1

2.2.1.2 访问向量中的元素

注：R中位置索引从1开始，而不是0

1）访问单个元素

a <- c("k","q","e","f","a","w","p","m")
a[3]

## [1] "e"

2）访问多个元素

a <- c("k","q","e","f","a","w","p","m")
a[c(1,2,4,6)]

## [1] "k" "q" "f" "w"

3）连续访问多个元素

a <- c("k","q","e","f","a","w","p","m")
a[c(2:6)]

## [1] "q" "e" "f" "a" "w"

2.2.2 矩阵(matrix)

2.2.2.1 定义

是一个二维数组，只是每个元素都拥有相同的模式（数值型、字符型或逻辑型）。

可以通过函数matrix()创建矩阵，格式如下：

mymatrix <- matrix(vector,nrow = number_of_rows,ncol = number_of_columns,byrow = logical_value,dimnames = list(char_vector_rownames,char_vector_colnames))

vector:矩阵的元素

nrow:行的维数

ncol:列的维数

dimnames:可选的、以字符型向量表示的行名和列名，如果没有设定可以不写

byrow = TRUE：矩阵按行填充，byrow = FALSE:矩阵按列填充。**如果不做设定，默认情况下按列填充。

因此，创建矩阵时至少包括vector,nrow,ncol

2.2.2.2 创建矩阵

y <- matrix(1:20,nrow = 5,ncol = 4)
y

##      [,1] [,2] [,3] [,4]
## [1,]    1    6   11   16
## [2,]    2    7   12   17
## [3,]    3    8   13   18
## [4,]    4    9   14   19
## [5,]    5   10   15   20

cells <- c(1,26,24,68)
rnames <- c("R1","R2")
cnames <- c("C1","C2")
mymatrix1 <- matrix(cells,nrow = 2,ncol = 2,byrow = FALSE,dimnames = list(rnames,cnames))
mymatrix1

##    C1 C2
## R1  1 24
## R2 26 68

可以看到优先按列填充，且行名为rnames，列名为cnames。

下面改变一些参数:

cells <- c(1,26,24,68)
rnames <- c("R1","R2")
cnames <- c("C1","C2")
mymatrix2 <- matrix(cells,nrow = 2,ncol = 2,byrow = TRUE,dimnames = list(cnames,rnames))
mymatrix2

##    R1 R2
## C1  1 26
## C2 24 68

可以看的变成了优先按行填充，行名变为cnames，列名变为rnames。

2.2.3 访问矩阵中的元素

使用下标和方括号来选择矩阵中的行、列或元素。

x[i,]:矩阵x中的第i行

x[,j]:矩阵x中的第j列

x[i,j]:矩阵x中第i行第j列个元素

x[i,c(h,j)]:矩阵x中第i行,第h和j列

x[c(h:i),j]：矩阵x中第h-i行,第j列

举例

x <- matrix(21:40,nrow = 4,ncol = 5 )
x

##      [,1] [,2] [,3] [,4] [,5]
## [1,]   21   25   29   33   37
## [2,]   22   26   30   34   38
## [3,]   23   27   31   35   39
## [4,]   24   28   32   36   40

x[1,]

## [1] 21 25 29 33 37

x[,5]

## [1] 37 38 39 40

x[c(1,2,3),5]

## [1] 37 38 39

x[c(2:4),c(2:4)]

##      [,1] [,2] [,3]
## [1,]   26   30   34
## [2,]   27   31   35
## [3,]   28   32   36

矩阵也只能包含一种数据类型，当维度超过2时，可以使用数组

2.2.3 数组(array)

2.2.3.1 定义

数组(array)与矩阵类似，但是维度可以大于2,即可以是三维的。

通过函数array()创建：

myarray <- array(vector,dimensions,dimnames)

vector:数组中的数据

dimensions:数值型向量,给出了各个维度下标的最大值，按行，列，面进行排序

dimnames:可选的、各维度名称标签的列表

2.2.3.2 创建数组

dim1 <- c("A1","A2")
dim2 <- c("B1","B2","B3")
dim3 <- c("C1","C2","C3","C4")
z <- array(1:24,c(2,3,4),dimnames = list(dim1,dim2,dim3))
z

## , , C1
## 
##    B1 B2 B3
## A1  1  3  5
## A2  2  4  6
## 
## , , C2
## 
##    B1 B2 B3
## A1  7  9 11
## A2  8 10 12
## 
## , , C3
## 
##    B1 B2 B3
## A1 13 15 17
## A2 14 16 18
## 
## , , C4
## 
##    B1 B2 B3
## A1 19 21 23
## A2 20 22 24

可以看到这里c(2,3,4)表示的3个维度分别为2，3，4个，即2行3列4面。

2.2.3.3 访问数组中的元素

和矩阵类似，使用下标和方括号来选择。

z[1,3,4]

## [1] 23

这表示选择是维度1中的1(第一行)，维度2中的3(第三列)，维度3中的4(第4个矩阵) 可以某种程度上将数组看出几个矩阵的组合。

2.2.4 数据框(data)

2.2.4.1 定义

数据框的不同列可以包含不同模式（数值型、字符型、逻辑型）数据，更类似于常见的数据集。

通过函数data.frame()创建：

mydata <- data.frame(col1,col2,col3,...)

col1,col2,col3,…:列向量，可以为任何类型的数据，每一列的名称由函数names指定。 但通常不同列（变量）的向量中的数据（观测值）个数相同，且每一列数据的模式必须相同

2.2.4.2 创建数据框

patientID <- c(1,2,3,4)
age <- c(25,34,28,52)
diabetes <- c("Type1","Type2","Type1","Type1")
status <- c("Poor","Improved","Excellent","Poor")
patientdata <- data.frame(patientID,age,diabetes,status)
patientdata

##   patientID age diabetes    status
## 1         1  25    Type1      Poor
## 2         2  34    Type2  Improved
## 3         3  28    Type1 Excellent
## 4         4  52    Type1      Poor

2.2.4.3 选取数据框中的元素

1）用方括号和下标来选取，[n]和[n1:n2]格式下标的数字表示第n1到n2变量（列）

patientdata[1:2]

##   patientID age
## 1         1  25
## 2         2  34
## 3         3  28
## 4         4  52

patientdata[4]

##      status
## 1      Poor
## 2  Improved
## 3 Excellent
## 4      Poor

而[n1,n2]则选取的依然是第n1行，n2列对应的元素

patientdata[3,4]

## [1] "Excellent"

2）直接利用函数制定特定变量名来获取

patientdata[c("age","status")]

##   age    status
## 1  25      Poor
## 2  34  Improved
## 3  28 Excellent
## 4  52      Poor

注意变量名是字符型数据，所以要加”“

3）利用$符号+变量名（不用双引号）

patientdata$status

## [1] "Poor"      "Improved"  "Excellent" "Poor"

with()函数

在每个变量名前都输入一次patientdata$比较繁琐，可以借助with()函数简化代码

以内置数据框mtcars为例：

mtcars

##                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
## Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
## Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
## Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
## Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
## Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
## AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
## Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
## Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
## Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
## Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
## Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

summary(mtcars$mpg)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   10.40   15.43   19.20   20.09   22.80   33.90

plot(mtcars$mpg,mtcars$disp)

plot(mtcars$mpg,mtcars$wt)

summary()获取描述性统计量，可以提供最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻辑型向量的频数统计等。结果输出中的1Q和Q3分别为残差第一四分位数（1Q）和第三分位数（Q3）。

利用with()函数可以简化为：

with(mtcars,{summary(mpg)plot(mpg,disp)plot(mpg,wt)})

{}中的命令都是针对mtcars执行，如果仅有一条命令，那么{}可省略。

函数with()的局限性在于赋值仅在此函数的括号里生效，例如：

with(mtcars,{stats <- summary(mpg)
stats})

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   10.40   15.43   19.20   20.09   22.80   33.90

stats

## Error in eval(expr, envir, enclos): 找不到对象'stats'

如果需要创建with()以外存在的对象，可使用特殊赋值符号 <<-替代原来的<- ，即可将对象保存到with()之外的全局环境中，例如：

with(mtcars,{stats <<- summary(mpg)
stats})

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   10.40   15.43   19.20   20.09   22.80   33.90

stats

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   10.40   15.43   19.20   20.09   22.80   33.90

2.2.5 因子(factor)

2.2.5.1 定义

谈因子前首先要对变量进行分类，可以分为：

变量分类	定义	包括	具体举例
名义变量（分类变量） nominal variable	没有顺序之分的分类变量	性别，省份，职业、分型等	Diabetes(Type1、Type2)
顺序变量 ordinal variable	一种顺序关系而非数量关系	班级，名次，病情等	Status(poor、improved、excellent)
连续变量 continuous variable	可呈现为某个范围内的任意值，并同时表示了顺序和数量	连续的数值，可以进行求和，平均值等运算	age(15、21、33)

变量分类

定义

包括

具体举例

名义变量（分类变量）

nominal variable

没有顺序之分的分类变量

性别，省份，职业、分型等

Diabetes(Type1、Type2)

顺序变量

ordinal variable

一种顺序关系而非数量关系

班级，名次，病情等

Status(poor、improved、excellent)

连续变量

continuous variable

可呈现为某个范围内的任意值，并同时表示了顺序和数量

连续的数值，可以进行求和，平均值等运算

age(15、21、33)

其中名义变量和顺序变量称为因子

2.2.5.1.1 名义变量作为因子时

函数factor()以一个整数向量的形式存储类别值，整数的取值范围是1…k。同时，一个由字符串（原始值）组成的内部向量将映射到这些整数上。

举例：

diabetes <- c("Type1","Type2","Type1","Type1")
diabetes1 <- factor(diabetes)
str(diabetes)

##  chr [1:4] "Type1" "Type2" "Type1" "Type1"

str(diabetes1)

##  Factor w/ 2 levels "Type1","Type2": 1 2 1 1

可以看到用factor()将向量存储为(1,2,1,1),并在内部将其关联为1=Type1,2=Type2.

2.2.5.1.2 顺序变量作为因子时

表示顺序变量时，要指定ordered=TRUE

status<- c("poor","improved","excellent","poor")
status1 <- factor(status,ordered = TRUE)
str(status)

##  chr [1:4] "poor" "improved" "excellent" "poor"

str(status1)

##  Ord.factor w/ 3 levels "excellent"<"improved"<..: 3 2 1 3

对于字符型向量，因子的水平(level)默认依字母顺序创建，但很少情况是理想的，可以用levels选项覆盖默认排序，重新排序：

status<- c("poor","improved","excellent","poor")
status2 <- factor(status,ordered = TRUE,levels = c("poor","improved","excellent"))
str(status)

##  chr [1:4] "poor" "improved" "excellent" "poor"

str(status2)

##  Ord.factor w/ 3 levels "poor"<"improved"<..: 1 2 3 1

这样排序从原来的3213变成了1231。

数值型变量可以用参数levels和labels来编码因子 例如，男性被编码为1，女性被编码为2：

sex <- c(1,2,2,1)
sex<- factor(sex,levels = c(1,2),labels = c("Male","Female"))
sex

## [1] Male   Female Female Male  
## Levels: Male Female

归根结底，因子和非因子到底什么区别？我们用一张图就可以直观感受 plot函数的数据集是向量的作图输出散点图：

mtcars$cyl

##  [1] 6 6 4 6 8 6 8 4 4 6 6 8 8 8 8 8 8 4 4 4 4 8 8 8 8 4 4 4 8 6 8 4

plot(mtcars$cyl)

plot函数的数据集是因子的作图输出条形图：

mtcars$cyl

##  [1] 6 6 4 6 8 6 8 4 4 6 6 8 8 8 8 8 8 4 4 4 4 8 8 8 8 4 4 4 8 6 8 4

mtcars1 <- factor(mtcars$cyl)
plot(mtcars1)

2.2.6 列表(list)

2.2.6.1 定义

一些对象（或成分）的有序集合。一个列表中可能包含若干对象（可能无关的）如向量，矩阵，数据框甚至其他列表。

用函数list()创建，也可以对列表中的对象命名：

mylist <- list(object1,object2,...)
mylist <- list(name1=object1,name2=object2,...)

2.2.6.2 创建一个列表

g <- "My Frist list"
h <- c(25,23,11,13)
j <- matrix(1:10,nrow = 5)
k <- c("one","two","three")
mylist <- list(title=g,ages=h,j,k)
mylist

## $title
## [1] "My Frist list"
## 
## $ages
## [1] 25 23 11 13
## 
## [[3]]
##      [,1] [,2]
## [1,]    1    6
## [2,]    2    7
## [3,]    3    8
## [4,]    4    9
## [5,]    5   10
## 
## [[4]]
## [1] "one"   "two"   "three"

这个列表中包含了字符型、数值型向量，矩阵。

2.2.6.3 选取列表中的元素

一般用[[]],双重方括号加数字或名称来访问

mylist[[2]]

## [1] 25 23 11 13

mylist[["title"]]

## [1] "My Frist list"

mylist["title"]

## $title
## [1] "My Frist list"

2.2.7 tibble数据框

2.2.7.1 定义

与标准数据框相比，tibble数据框的打印格式更加紧凑。且变量标签描述了每一列的数据类型。

安装tibble包：

install.packages("tibble")

用函数tibble()或as_tibble()创建

举例来看：

mtcars

##                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
## Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
## Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
## Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
## Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
## Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
## AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
## Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
## Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
## Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
## Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
## Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

library(tibble)
mtcars2 <- tibble(mtcars)
mtcars2

## # A tibble: 32 × 11
##      mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
##    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1  21       6  160    110  3.9   2.62  16.5     0     1     4     4
##  2  21       6  160    110  3.9   2.88  17.0     0     1     4     4
##  3  22.8     4  108     93  3.85  2.32  18.6     1     1     4     1
##  4  21.4     6  258    110  3.08  3.22  19.4     1     0     3     1
##  5  18.7     8  360    175  3.15  3.44  17.0     0     0     3     2
##  6  18.1     6  225    105  2.76  3.46  20.2     1     0     3     1
##  7  14.3     8  360    245  3.21  3.57  15.8     0     0     3     4
##  8  24.4     4  147.    62  3.69  3.19  20       1     0     4     2
##  9  22.8     4  141.    95  3.92  3.15  22.9     1     0     4     2
## 10  19.2     6  168.   123  3.92  3.44  18.3     1     0     4     4
## # ℹ 22 more rows

这里变量名下的<>中的内容代表变量类型：

缩写	变量类型
int	整数型变量
dbl	双精度浮点数型变量，或称实数
chr	字符向量，或称字符串
dttm	日期时间（日期+ 时间）型变量
date	日期型变量
lgl	逻辑型变量，是一个仅包括TRUE 和FALSE 的向量
fctr	因子，R 用其来表示具有固定数目的值的分类变量

可以看到tibble数据框有几个特点：

1）不支持行名，可以用rownames_to_column()将数据框的行名转变为变量。

library(tibble)
mtcars2 <- tibble(mtcars)
mtcars2

## # A tibble: 32 × 11
##      mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
##    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1  21       6  160    110  3.9   2.62  16.5     0     1     4     4
##  2  21       6  160    110  3.9   2.88  17.0     0     1     4     4
##  3  22.8     4  108     93  3.85  2.32  18.6     1     1     4     1
##  4  21.4     6  258    110  3.08  3.22  19.4     1     0     3     1
##  5  18.7     8  360    175  3.15  3.44  17.0     0     0     3     2
##  6  18.1     6  225    105  2.76  3.46  20.2     1     0     3     1
##  7  14.3     8  360    245  3.21  3.57  15.8     0     0     3     4
##  8  24.4     4  147.    62  3.69  3.19  20       1     0     4     2
##  9  22.8     4  141.    95  3.92  3.15  22.9     1     0     4     2
## 10  19.2     6  168.   123  3.92  3.44  18.3     1     0     4     4
## # ℹ 22 more rows

rownames_to_column(mtcars2)

## # A tibble: 32 × 12
##    rowname   mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
##    <chr>   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1 1        21       6  160    110  3.9   2.62  16.5     0     1     4     4
##  2 2        21       6  160    110  3.9   2.88  17.0     0     1     4     4
##  3 3        22.8     4  108     93  3.85  2.32  18.6     1     1     4     1
##  4 4        21.4     6  258    110  3.08  3.22  19.4     1     0     3     1
##  5 5        18.7     8  360    175  3.15  3.44  17.0     0     0     3     2
##  6 6        18.1     6  225    105  2.76  3.46  20.2     1     0     3     1
##  7 7        14.3     8  360    245  3.21  3.57  15.8     0     0     3     4
##  8 8        24.4     4  147.    62  3.69  3.19  20       1     0     4     2
##  9 9        22.8     4  141.    95  3.92  3.15  22.9     1     0     4     2
## 10 10       19.2     6  168.   123  3.92  3.44  18.3     1     0     4     4
## # ℹ 22 more rows

2)不会更改变量的名称。例如导入的数据集中有一变量名为last dance,在R中变量名中不得有空格，因此普通数据集函数会将其改为last.dance，而tibble数据框会保留这样的命名，并用反引号(last dance)使变量名在语法上正确。

3）tibble数据框取子集总是返回一个tibble数据框。

例如，普通的数据框取子集时一般返回向量，除非加上drop=FALSE,才会以列表的形式返回：

mtcars[,"mpg"]

##  [1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2 10.4
## [16] 10.4 14.7 32.4 30.4 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4 15.8 19.7
## [31] 15.0 21.4

mtcars[,"mpg",drop=FALSE]

##                      mpg
## Mazda RX4           21.0
## Mazda RX4 Wag       21.0
## Datsun 710          22.8
## Hornet 4 Drive      21.4
## Hornet Sportabout   18.7
## Valiant             18.1
## Duster 360          14.3
## Merc 240D           24.4
## Merc 230            22.8
## Merc 280            19.2
## Merc 280C           17.8
## Merc 450SE          16.4
## Merc 450SL          17.3
## Merc 450SLC         15.2
## Cadillac Fleetwood  10.4
## Lincoln Continental 10.4
## Chrysler Imperial   14.7
## Fiat 128            32.4
## Honda Civic         30.4
## Toyota Corolla      33.9
## Toyota Corona       21.5
## Dodge Challenger    15.5
## AMC Javelin         15.2
## Camaro Z28          13.3
## Pontiac Firebird    19.2
## Fiat X1-9           27.3
## Porsche 914-2       26.0
## Lotus Europa        30.4
## Ford Pantera L      15.8
## Ferrari Dino        19.7
## Maserati Bora       15.0
## Volvo 142E          21.4

但在tibble数据框中则可以直接呈现单列的tibble数据框：

mtcars2[,"mpg"]

## # A tibble: 32 × 1
##      mpg
##    <dbl>
##  1  21  
##  2  21  
##  3  22.8
##  4  21.4
##  5  18.7
##  6  18.1
##  7  14.3
##  8  24.4
##  9  22.8
## 10  19.2
## # ℹ 22 more rows

4)不改变输入的类型（例如，不能将字符串转换为因子)。在R4.0.0以前的版本中，函数read.table(),as.data.frame()会默认将字符型数据转换为因子。AsFactors = FALSE可以取消该默认设置。

2.3 数据输入

这里介绍2种常用的，分别是从带分隔符的文本文件导入和从excel导入。

文本文件包括：纯文本文件，Markdown文件，HTML文件，XML文件，JSON文件，CSV文件，日志文件，配置文件，脚本文件。

2.3.1 从带分隔符的文本文件导入数据

2.3.1.1 定义

用函数read.table()来导入，此函数读入一个表格格式的文件并将其保存为一个数据框。语法：

mydataframe <- read.table(file,options)

其中，file是一个带分隔符的ASCII文本文件，options是控制如何处理数据的选项。常见选项有：

以studentgrades.csv的文本文件举例：

grades <- read.table("studentgrades.csv",header = TRUE,row.names = "studentID",sep = ",")

## Warning in read.table("studentgrades.csv", header = TRUE, row.names =
## "studentID", : incomplete final line found by readTableHeader on
## 'studentgrades.csv'

grades

##    First           Last Math Science Social
## 11   Bob          Smith   90      80     67
## 12  Jane          Weary   75      NA     80
## 10   Dan "Thornton,III"   65      75     70
## 40  Mary      "O'Leary"   90      95     92

studentID现在是行名，不再有标签，也失去了前置0。

str(grades)

## 'data.frame':    4 obs. of  5 variables:
##  $ First  : chr  "Bob" "Jane" "Dan" "Mary"
##  $ Last   : chr  "Smith" "Weary" "\"Thornton,III\"" "\"O'Leary\""
##  $ Math   : int  90 75 65 90
##  $ Science: int  80 NA 75 95
##  $ Social : int  67 80 70 92

注：对于“Thornton,III”要用双引号包围住，否则R会将其读为2个值而出错。

我们重新导入上面的数据，并同时为每个变量指定一个类：

grades <- read.table("studentgrades.csv",header = TRUE,row.names = "studentID",sep = ",",colClasses = c("character","character","character","numeric","numeric","numeric"))

## Warning in read.table("studentgrades.csv", header = TRUE, row.names =
## "studentID", : incomplete final line found by readTableHeader on
## 'studentgrades.csv'

grades

##     First           Last Math Science Social
## 011   Bob          Smith   90      80     67
## 012  Jane          Weary   75      NA     80
## 010   Dan "Thornton,III"   65      75     70
## 040  Mary      "O'Leary"   90      95     92

str(grades)

## 'data.frame':    4 obs. of  5 variables:
##  $ First  : chr  "Bob" "Jane" "Dan" "Mary"
##  $ Last   : chr  "Smith" "Weary" "\"Thornton,III\"" "\"O'Leary\""
##  $ Math   : num  90 75 65 90
##  $ Science: num  80 NA 75 95
##  $ Social : num  67 80 70 92

可以看到行名保留了前缀0

其他读取方法：

1)read.csv():默认header=T，sep=“,”

2)read.delim():默认默认header=T，sep=“

3)readr包：其中主要函数是read.delim(),辅助函数为read.csv()和read.tsv()，其优点是速度快，且可以推测每一列的数据类型。

2.3.2 导入Excel数据

2.3.2.1 方法

1）将excel数据导出为一个csv文件后，使用前面方法进行导入

2）用readxl包直接导入excel工作表:readxl可以用来读取.xls和.xlsx版本的excel文件

语法：

read_table(file,n)

file是excel工作簿的所在路径，n则为导入的工作表序号，工作表的第一行为变量名。

例如：

install.packages("readxl")

library(readxl)

## Warning: 程辑包'readxl'是用R版本4.3.2 来建造的

a <- "./test.xlsx"
mytest <- read_excel(a,2)
mytest

## # A tibble: 8 × 2
##   `动物\r\n编号` `体重（g）`
##   <chr>                <dbl>
## 1 A71                   18.7
## 2 A74                   18.8
## 3 A79                   18  
## 4 A80                   18.5
## 5 A81                   18.7
## 6 A82                   18.3
## 7 A83                   20  
## 8 A84                   17.5

read_excel()可以指定某个单元区域(range=“mysheet!B2:G14”)，例如：

a <- "./test.xlsx"
mytest1 <- read_excel(a,2,range ="A3:B8" )
mytest1

## # A tibble: 5 × 2
##   A74   `18.8`
##   <chr>  <dbl>
## 1 A79     18  
## 2 A80     18.5
## 3 A81     18.7
## 4 A82     18.3
## 5 A83     20

另外，xlsx,XLConnect,openxlsx包也可以处理excel文件。

往期回顾

R语言基础学习手册

下载、安装