您的当前位置：首页 R语言-数据框

R语言-数据框

来源：步遥情感网

#2.1.4数据框（data.frame)

#数据框可以同时存储不同的数据类型，但是每一列必须是同一种数据类型

rm(list = ls())

#额外备注：

ls() #显示当前已有的所有变量

rm() #清空指定内容，这里什么都没删

rm(a) #删除了变量a

rm(list=ls()) #清空工作历史的所有变量

### 1.创建数据框 ###

# 读入一个txt,csv等格式数据,即自成一个数据框

movie = read.csv(file = "C:\\Users\\PC\\Desktop\\R\\电影数据.csv", fileEncoding = "UTF-8", stringsAsFactors = F)

class(movie)

## [1] "data.frame"

# 自己创建

#data.frame(col1,col2,col3)

#例：

star1 = c("邓超", "赵丽颖", "郭富城", "周润发", "杰克布莱克", "汤唯", "白敬亭", "陈晓", "梁家辉", "姚晨", "宋茜", "黄宗泽", "黄晓明")

birthyear = c(1979, 1987, 1965, 1955, 1969, 1979, 1993, 1987, 1958, 1979, 1987, 1980, 1977)

gender = c("男", "女", "男", "男", "男", "女", "男", "男", "男", "女", "女", "男", "男")

stars = data.frame(star1, birthyear, gender)

head(stars) #head(x)展示x的前几行（默认前6行），可以通过head(x,n=10)来显示前10行

## star1 birthyear gender

## 1 邓超 1979 男

## 2 赵丽颖 1987 女

## 3 郭富城 1965 男

## 4 周润发 1955 男

## 5 杰克布莱克 1969 男

## 6 汤唯 1979 女

### 2.汇总 ###

head() #提取数据前6行

str() #展示每列的数据类型

summary() #观察每列数据整体情况、整体的取值范围

#例：

str(movie)

## 'data.frame': 19 obs. of 11 variables:

## $ name : chr "叶问3" "美人鱼" "女汉子真爱公式" "西游记之孙悟空三打白骨精" ...

## $ boxoffice : num 77060 338583 6184 119957 111694 ...

## $ doubanscore: num 6.4 6.9 4.5 5.7 4 7.7 6.5 6.4 5 5.6 ...

## $ type : chr "动作" "喜剧" "喜剧" "喜剧" ...

## $ duration : int 105 93 93 120 112 95 131 108 95 102 ...

## $ showtime : chr "2016/3/4" "2016/2/8" "2016/3/18" "2016/2/8" ...

## $ director : chr "叶伟信" "周星驰" "郭大雷" "郑保瑞" ...

## $ star1 : chr "甄子丹" "邓超" "赵丽颖" "郭富城" ...

## $ index1 : int 11385 41310 181979 12227 16731 178 13499 14759 13251 6911 ...

## $ star2 : chr "张晋" "林允" "张翰" "巩俐" ...

## $ index2 : int 4105 9292 44277 8546 30277 1540 77260 755 9549 5614 ...

summary(movie)

## name boxoffice doubanscore type

## Length:19 Min. : 924.9 Min. :3.400 Length:19

## Class :character 1st Qu.: 3799.5 1st Qu.:4.600 Class :character

## Mode :character Median : 12561.5 Median :5.300 Mode :character

## Mean : 50813.3 Mean :5.568

## 3rd Qu.: 77700.9 3rd Qu.:6.450

## Max. :338583.3 Max. :8.000

## duration showtime director star1

## Min. : 84.0 Length:19 Length:19 Length:19

## 1st Qu.: 94.5 Class :character Class :character Class :character

## Median : 99.0 Mode :character Mode :character Mode :character

## Mean :101.5

## 3rd Qu.:107.5

## Max. :131.0

## index1 star2 index2

## Min. : 178 Length:19 Min. : 521

## 1st Qu.: 8232 Class :character 1st Qu.: 3650

## Median : 12227 Mode :character Median : 9292

## Mean : 27861 Mean :17369

## 3rd Qu.: 24663 3rd Qu.:20763

## Max. :181979 Max. :77260

head(movie)

## name boxoffice doubanscore type duration showtime

## 1 叶问3 77060.44 6.4 动作 105 2016/3/4

## 2 美人鱼 338583.26 6.9 喜剧 93 2016/2/8

## 3 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18

## 4 西游记之孙悟空三打白骨精 119956.51 5.7 喜剧 120 2016/2/8

## 5 澳门风云三 111693. 4.0 喜剧 112 2016/2/8

## 6 功夫熊猫3 99832.53 7.7 喜剧 95 2016/1/29

## director star1 index1 star2 index2

## 1 叶伟信甄子丹 11385 张晋 4105

## 2 周星驰邓超 41310 林允 9292

## 3 郭大雷赵丽颖 181979 张翰 44277

## 4 郑保瑞郭富城 12227 巩俐 8546

## 5 王晶周润发 16731 刘德华 30277

## 6 吕寅荣杰克布莱克 178 安吉丽娜朱莉 1540

### 3.变大--数据框的增列、合并 ###

#增列：

dat$column_name=vector #在数据框后面增加新列

#例：

# 添加一列数据prefer

prefer = 1:19

movie$pre = prefer

head(movie)

## name boxoffice doubanscore type duration showtime

## 1 叶问3 77060.44 6.4 动作 105 2016/3/4

## 2 美人鱼 338583.26 6.9 喜剧 93 2016/2/8

## 3 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18

## 4 西游记之孙悟空三打白骨精 119956.51 5.7 喜剧 120 2016/2/8

## 5 澳门风云三 111693. 4.0 喜剧 112 2016/2/8

## 6 功夫熊猫3 99832.53 7.7 喜剧 95 2016/1/29

## director star1 index1 star2 index2 pre

## 1 叶伟信甄子丹 11385 张晋 4105 1

## 2 周星驰邓超 41310 林允 9292 2

## 3 郭大雷赵丽颖 181979 张翰 44277 3

## 4 郑保瑞郭富城 12227 巩俐 8546 4

## 5 王晶周润发 16731 刘德华 30277 5

## 6 吕寅荣杰克布莱克 178 安吉丽娜朱莉 1540 6

#合并数据框：

merge(x,y,by) #x,y分别是要合并的两个数据框，by是它们共有的列

#备注：假如共有的列在两个数据框中名字不同，需通过by.x,by.y分别定义识别

#假如两个数据框中匹配列的值域并不相同，需要用all类的参数设置以哪个所包含的值域为准

#例：

# merge实现的效果是：将movie和stars按照列star1匹配并合并起来

movie[1:3, ]

##name boxoffice doubanscore type duration showtime director star1 index1 star2 index2

##1 叶问3 77060.44 6.4 动作 105 2016/3/4 叶伟信甄子丹 11385 张晋 4105

##2 美人鱼 338583.26 6.9 喜剧 93 2016/2/8 周星驰邓超 41310 林允 9292

##3 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18 郭大雷赵丽颖 181979 张翰 44277

stars

##star1 birthyear gender

##1 邓超 1979 男

##2 赵丽颖 1987 女

##3 郭富城 1965 男

##4 周润发 1955 男

##5 杰克布莱克 1969 男

##6 汤唯 1979 女

##7 白敬亭 1993 男

##8 陈晓 1987 男

##9 梁家辉 1958 男

##10 姚晨 1979 女

##11 宋茜 1987 女

##12 黄宗泽 1980 男

##13 黄晓明 1977 男

(movie.star = merge(movie[1:3, ], stars,by = "star1"))

##star1 name boxoffice doubanscore type duration showtime director index1 star2 index2 birthyear gender

##1 邓超美人鱼 338583.26 6.9 喜剧 93 2016/2/8 周星驰 41310 林允 9292 1979 男

##2 赵丽颖女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18 郭大雷 181979 张翰 44277 1987 女

# all.x=T,即取前一个数据框movie中star1列所有的值做合并，匹配不到赋值NA

(movie.star = merge(movie[1:3, ], stars[1:5, ], by = "star1", all.x = T))

##star1 name boxoffice doubanscore type duration showtime director index1 star2 index2 birthyear gender

##1 邓超美人鱼 338583.26 6.9 喜剧 93 2016/2/8 周星驰 41310 林允 9292 1979 男

##2 赵丽颖女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18 郭大雷 181979 张翰 44277 1987 女

##3 甄子丹叶问3 77060.44 6.4 动作 105 2016/3/4 叶伟信 11385 张晋 4105 NA <NA>

### 4.变小--数据的筛选、引用 ###

# 引用

A[i,j] #提取A中的第i行第j个元素

#例：

movie[3, ] # 查看第3行的电影信息

## name boxoffice doubanscore type duration showtime director

## 3 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18 郭大雷

## star1 index1 star2 index2 pre

## 3 赵丽颖 181979 张翰 44277 3

movie[, 8] # 查看第8列主演者的名字

## [1] "甄子丹" "邓超" "赵丽颖" "郭富城" "周润发"

## [6] "杰克布莱克" "汤唯" "白敬亭" "陈晓" "梁家辉"

## [11] "姚晨" "宋茜" "黄宗泽" "黄晓明" "洪金宝"

## [16] "陈坤" "陶泽如" "刘亦菲" "何润东"

# 筛选

#选列，用$符号配列名即可实现（如用movie$name可以提取name这一列）

#选行，通过行号，或条件语句返回一个逻辑结果向量，而后R把其中为TRUE的行摘出来

#例：

movie$star1 # 用$符号通过列名引用

## [1] "甄子丹" "邓超" "赵丽颖" "郭富城" "周润发"

## [6] "杰克布莱克" "汤唯" "白敬亭" "陈晓" "梁家辉"

## [11] "姚晨" "宋茜" "黄宗泽" "黄晓明" "洪金宝"

## [16] "陈坤" "陶泽如" "刘亦菲" "何润东"

(action = movie[movie$type == "动作", ]) # 选择数据中的动作电影

## name boxoffice doubanscore type duration showtime director

## 1 叶问3 77060.44 6.4 动作 105 2016/3/4 叶伟信

## 10 冰河追凶 4262.14 5.6 动作 102 2016/4/15 徐伟

## 15 我的特工爷爷 32009.37 5.3 动作 99 2016/4/1 洪金宝

## 19 钢刀 924.86 4.3 动作 94 2016/5/20 阿甘

## star1 index1 star2 index2 pre

## 1 甄子丹 11385 张晋 4105 1

## 10 梁家辉 6911 佟大为 5614 10

## 15 洪金宝 9148 刘德华 30277 15

## 19 何润东 11822 李学东 521 19

(action_long = movie[movie$type == "动作" & movie$duration > 100, ]) # 放映时间超过100分钟的动作电影

## name boxoffice doubanscore type duration showtime director star1

## 1 叶问3 77060.44 6.4 动作 105 2016/3/4 叶伟信甄子丹

## 10 冰河追凶 4262.14 5.6 动作 102 2016/4/15 徐伟梁家辉

## index1 star2 index2 pre

## 1 11385 张晋 4105 1

## 10 6911 佟大为 5614 10

### 5.变序--数据框的内部排序 ###

用参数decreasing来设置按升序还是降序排列

#例：

# 按照票房降序排列

movie = movie[order(movie$boxoffice, decreasing = T), ]; head(movie)

## name boxoffice doubanscore type duration showtime

## 2 美人鱼 338583.26 6.9 喜剧 93 2016/2/8

## 4 西游记之孙悟空三打白骨精 119956.51 5.7 喜剧 120 2016/2/8

## 5 澳门风云三 111693. 4.0 喜剧 112 2016/2/8

## 6 功夫熊猫3 99832.53 7.7 喜剧 95 2016/1/29

## 7 北京遇上西雅图之不二情书 78341.38 6.5 喜剧 131 2016/4/29

## 1 叶问3 77060.44 6.4 动作 105 2016/3/4

## director star1 index1 star2 index2 pre

## 2 周星驰邓超 41310 林允 9292 2

## 4 郑保瑞郭富城 12227 巩俐 8546 4

## 5 王晶周润发 16731 刘德华 30277 5

## 6 吕寅荣杰克布莱克 178 安吉丽娜朱莉 1540 6

## 7 薛晓路汤唯 13499 吴秀波 77260 7

## 1 叶伟信甄子丹 11385 张晋 4105 1

# 先按电影类型排序，再按照豆瓣评分排序

movie = movie[order(movie$type, movie$doubanscore, decreasing = T), ]; head(movie)

## name boxoffice doubanscore type duration showtime

## 6 功夫熊猫3 99832.53 7.7 喜剧 95 2016/1/29

## 2 美人鱼 338583.26 6.9 喜剧 93 2016/2/8

## 7 北京遇上西雅图之不二情书 78341.38 6.5 喜剧 131 2016/4/29

## 4 西游记之孙悟空三打白骨精 119956.51 5.7 喜剧 120 2016/2/8

## 13 刑警兄弟 3005.96 5.2 喜剧 97 2016/4/22

## 3 女汉子真爱公式 6184.45 4.5 喜剧 93 2016/3/18

## director star1 index1 star2 index2 pre

## 6 吕寅荣杰克布莱克 178 安吉丽娜朱莉 1540 6

## 2 周星驰邓超 41310 林允 9292 2

## 7 薛晓路汤唯 13499 吴秀波 77260 7

## 4 郑保瑞郭富城 12227 巩俐 8546 4

## 13 戚家基黄宗泽 9823 金刚 4010 13

## 3 郭大雷赵丽颖 181979 张翰 44277 3

### 6.变形--长宽表互换 ###

# install.packages(reshape)

library(reshape)

# install.packages(reshape2)

library(reshape2) #把宽表整理成长表，需要使用reshape2包中的melt()函数

## (1) 宽表变长表 ##

#例：

mWide = data.frame(Name = c("熊大", "水妈"), Type = c("帅哥", "美女"),

GF2013 = c(300, 100), GF2014 = c(500, 350), GF2015 = c(1000, 886))

# 由于构造数据框时列名不可以为纯数字，在数字前添加GF

# 将列名中的GF去掉

colnames(mWide)[3:5] = gsub("GF", "", colnames(mWide)[3:5])

mWide #查看原表

## Name Type 2013 2014 2015

## 1 熊大帅哥 300 500 1000

## 2 水妈美女 100 350 886

melt(需要变形的数据框,id.vars=c("a","b"),variable.names="c")#专门把宽表收起来，id.vars用来设定要把哪列定住不动，其他列就会自动收入这一列，参数variable_name用来设定这个新列的列名

(mLong = melt(mWide, id.vars = c("Name", "Type"), variable_name = "Year")) #Name和Type不定，新增一列Year

## Name Type Year value

## 1 熊大帅哥 2013 300

## 2 水妈美女 2013 100

## 3 熊大帅哥 2014 500

## 4 水妈美女 2014 350

## 5 熊大帅哥 2015 1000

## 6 水妈美女 2015 886

## (2) 长表变宽表 ##

dcast()#在reshape2包中的dcast()函数，让长表变成宽表

#第一个参数是要变形的数据框

#第二个采用了公式参数(公式的左边每个变量都会作为结果中的一列，而右边的变量被当为因子类型，每个水平值都会在结果中新生成一个单独列)

# 将列Year从字符型变成数值型

mLong$Year = as.numeric(mLong$Year)

# 长表变宽表

dcast(mLong, Name + Type ~ Year)

## Name Type 1 2 3

## 1 水妈美女 100 350 886

## 2 熊大帅哥 300 500 1000

### 7.R中的数据透视表-神奇的ddply ###

# install.packages(plyr)

library(plyr)

#plyr包中的ddply()函数完成类似数据透视表的分组计算不同量的功能（常用于数据整理汇总）

ddply(.data,.variables,.fun=NULL) #第一个参数是要处理的数据框，第二个参数是分组标记，第三个参数是函数

#处理逻辑：按照第二个参数定义的分组变量把数据框分组成多个子数据框，然后作为第三个函数的输入

#额外备注：base包中的by()与ddply()类似，它可以被转换为向量但却无法轻易变成数据框对象

#例：

# 根据电影类型进行分组，查看不同类型电影票房的平均水平

popular_type = ddply(movie, .(type), function(x) {mean(x$boxoffice)}); head(popular_type)

## type V1

## 1 爱情 11206.95

## 2 动作 285.20

## 3 犯罪 36624.84

## 4 剧情 6671.91

## 5 喜剧 95116.85

# 根据电影类型和电影时长同时分组，查看电影票房的平均水平

long = ddply(movie, .(type,duration), function(x) {mean(x$index1)}); head(long)

## type duration V1

## 1 爱情 84 58355

## 2 爱情 95 13251

## 3 爱情 108 14759

## 4 动作 94 11822

## 5 动作 99 9148

## 6 动作 102 6911

#######################################

#总结#

ls() #显示当前已有的所有变量

rm() #清空指定内容，这里什么都没删

rm(a) #删除了变量a

rm(list=ls()) #清空工作历史的所有变量

# 读入一个txt,csv等格式数据,即自成一个数据框

movie = read.csv(file = "C:\\Users\\PC\\Desktop\\R\\电影数据.csv", fileEncoding = "UTF-8", stringsAsFactors = F)

data.frame(col1,col2,col3) ## 自己创建数据框

head(x) #展示x的前几行（默认前6行），可以通过head(x,n=10)来显示前10行

str() #展示每列的数据类型

summary() #观察每列数据整体情况、整体的取值范围（数据分析最重要的一个函数！要经常用这个）

dat$column_name=vector #在数据框后面增加新列

merge(x,y,by="same",all.x = T) #x,y分别是要合并的两个数据框，by是它们共有的列,all.x=T,即取前一个数据框x中same列所有的值做合并，匹配不到赋值NA

#引用

A[i,j] #提取A中的第i行第j个元素

# 筛选

#选列，用$符号配列名即可实现（如用movie$name可以提取name这一列）

#选行，通过行号，或条件语句返回一个逻辑结果向量，而后R把其中为TRUE的行摘出来

#变序

用参数decreasing来设置按升序还是降序排列

library(reshape)

library(reshape2) #把宽表整理成长表，需要使用reshape2包中的melt()函数

dcast(需要变形的数据框,a+b~c)#在reshape2包中的dcast()函数，让长表变成宽表，具体使用看例子

library(plyr) #plyr包中的ddply()函数完成类似数据透视表的分组计算不同量的功能（常用于数据整理汇总）

ddply(.data,.variables,.fun=NULL) #第一个参数是要处理的数据框，第二个参数是分组标记，第三个参数是函数

ddply()#“高效分组，同步计算”

by()#base包中的与ddply()类似的，但无法轻易变成数据框对象

#######################################

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文