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)

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