像Excel一样使用R进行数据分析(1)

Excel是数据分析中最常用的工具,本篇文章通过R与excel的功能对比介绍如何使用R通过函数式编程完成excel中的数据处理及分析工 作。我们总结出最常用的50个函数,通过这些函数介绍如何通过R完成数据生成和导入,数据清洗,预处理,以及最常见的数据筛选,回归预测和假设检验等最常见的操作。

R-for-Excel-Users-03

本系列文章共分为三篇10个部分。这是第一篇,介绍前3部分内容,数据表生成,数据表查看,和数据清洗。以下是本系列文章部分内容的目录。

目录
1,生成数据表

第一部分是生成数据表,常见的生成方法有两种,第一种是导入外部数据,第二种是直接写入数据。 Excel中的文件菜单中提供了获取外部数据的功能,支持数据库和文本文件和页面的多种数据源导入。

获取外部数据

1.1. 导入数据表

R支持从多种类型的数据导入。下面分别是从csv格式文件导入数据并创建数据表的方法。导入数据的代码是最简模式,里面有很多可选参数设置,例如列名称,索引列,数据格式等等。感兴趣的朋友可以使用help函数来查看完整的使用方法。

#导入csv数据表
data=data.frame(read.csv("data.csv"))
#查看read.csv的使用方法
help("read.csv")

help

1.2. 创建数据表

另一种方法是通过直接写入数据来生成数据表,excel中直接在单元格中输入数据就可以,R中通过下面的代码来实现。数据表一共有7行数据,每行有5个字段。在数据中我们特意设置了一些NA值和有问题的字段,例如包含空格和重复值等。后面将在数据清洗步骤进行处理。后面我们将统一以DataFrame的简称df来命名数据表。

#手动创建数据表
df<-data.frame(id=c(1001,1002,1003,1004,1005,1006,1006),
city=c(" Beijing","SH"," guangzhou","shenzhen "," shanghai ","BEIJING","BEIJING"),
age=c(23,44,54,32,34,32,32),
category=c("100-A","100-B","110-A","110-C","210-A","130-F","130-F"),
price=c(1200,NA,2133,5433,NA,4432,4432))

生成数据表df
这是刚刚创建的数据表,我们没有设置索引列,price字段中包含有NA值,city字段中还包含了一些脏数据。最后一行包含了重复值。

2,数据表检查

第二部分是对数据表进行检查,R中处理的数据量与excel相比会大一些,因此我们无法一目了然的了解数据表的整体情况,必须要通过一些方法来获得数据表的关键信息。数据表检查的另一个目的是了解数据的概况,例如整个数据表的大小,数据格式,是否有空值和重复项和具体的数据内容。为后面的清洗和预处理做好准备。

2.1. 数据维度(行列)

Excel中可以通过CTRL+向下的光标键,和CTRL+向右的光标键来查看行号和列号。R中使用dim函数来查看数据表的维度,也就是行数和列数,函数返回的结果(7,5)表示数据表有7行,5列。下面是具体的代码。

#查看数据维度
dim(df)
[1] 7 5

2.2. 查看数据表

使用fix函数可以通过表格的形式对数据表进行查看,在可视化的数据编辑器中可以像excel一样查看数据表的信息,并且可以对字段类型和变量名称进行修改。

#查看数据表
fix(df)

查看数据表fix
2.3. 查看特定列的格式

Excel中通过选中单元格并查看开始菜单中的数值类型来判断数据的格式。R中使用typeof函数来返回数据格式。

查看数据格式

typeof(df$age)
[1] "double"

2.4. 查看空值

Excel中查看空值的方法是使用“定位条件”功能对数据表中的空值进行定位。“定位条件”在“开始”目录下的“查找和选择”目录中。

查看空值
Is.na是R中检验空值的函数,返回的结果是逻辑值,包含空值返回True,不包含则返回False。可以对整个数据表进行检查,也可以单独对某一列进行空值检查。

#查看空值
is.na(df)

查看数据表空值

#查看单列的空值
is.na(df$price)
[1] FALSE TRUE FALSE FALSE TRUE FALSE FALSE

使用length计数函数和is.na配合使用,可以直接计算出数据表中某一列的空值数量。

#判断并计算某一列有几个空值
length(df$price[is.na(df$price)==TRUE])
[1] 2

2.5. 查看唯一值

Excel中查看唯一值的方法是使用“条件格式”对唯一值进行颜色标记。R中使用unique函数查看唯一值。

查看唯一值
Unique是查看唯一值的函数,只能对数据表中的特定列进行检查。下面是代码,返回的结果是该列中的唯一值。类似与Excel中删除重复项后的结果。

#查看数据表的唯一值(删除重复值)
unique(df)

查看数据表的唯一值

#查看数据表中city列的唯一值
unique(df$city)
[1] Beijing SH guangzhou shenzhen shanghai BEIJING
Levels: guangzhou Beijing shanghai BEIJING SH shenzhen

Duplicated函数用来查看数据表中是否存在重复值,可以对数据表进行检查也可以单独查看特定列中的重复值。返回的结果中TRUE表示重复,FALSE表示不重复。

#查找是否有重复值
duplicated(df)
[1] FALSE FALSE FALSE FALSE FALSE FALSE TRUE
#查看特定列是否有重复值
duplicated(df$city)
[1] FALSE FALSE FALSE FALSE FALSE FALSE TRUE

2.6. 查看数据表数值

R中有多个函数用来查看数据表中的数据,包括数据的范围,数据的极值等等。

#查看数据范围
range(df$age)
[1] 23 54
#查找最小值
min(df$age)
[1] 23
#查看最小值最在的行位置
which.min(df$age)
[1] 1
#查找最大值
max(df$age)
[1] 54
#查看最大值所在的行位置
which.max(df$age)
[1] 3

2.7. 查看列名称

names函数用来单独查看数据表中的列名称。

#查看列名称
names(df)
[1] "id" "city" "age" "category" "price"

2.8. 查看前10行数据

Head函数用来查看数据表中的前N行数据,默认head()显示前10行数据,可以自己设置参数n的值来确定查看的行数。下面的代码中n=2设置查看前2行的数据。

#查看前两行
head(df,n = 2)

查看数据前2行

2.9. 查看后10行数据

Tail行数与head函数相反,用来查看数据表中后N行的数据,默认tail()显示后10行数据,可以自己设置参数n的值来确定查看的行数。下面的代码中n=2设置查看后2行的数据。

#查看后两行
tail(df,n=2)

查看数据后2行

3,数据表清洗

第三部分是对数据表中的问题进行清洗。主要内容包括对空值,大小写问题,数据格式和重复值的处理。这里不包含对数据间的逻辑验证。

3.1. 处理空值(删除或填充)

我们在创建数据表的时候在price字段中故意设置了几个NA值。对于空值的处理方式有很多种,可以直接删除包含空值的数据,也可以对空值进行填充,比如用0填充或者用均值填充。还可以根据不同字段的逻辑对空值进行推算。

Excel中可以通过“查找和替换”功能对空值进行处理,将空值统一替换为0或均值。也可以通过“定位”空值来实现。

查找和替换空值
R中处理空值的方法比较灵活,可以使用 na.omit函数用来删除数据表中包含空值的数据,也可以用特定的值对空值进行填充。下面的代码和结果中可以看到使用na.omit函数后,包含NA值的两个字段已经不见了。返回的是一个不包含空值的数据表。

#删除包含空值的行
df_na <- na.omit(df)
&#91;/code&#93;

<pre>除此之外也可以使用数字对空值进行填充,下面的代码使用0对空值字段进行填充。</pre>


 #将空值填充为0 
df[is.na(df)] 

空值填充为0

我们继续使用填充的方式来处理空值,使用price列的均值来填充NA字段,在要填充的数值中使用mean函数先计算price列当前的均值,然后使用这个均值对NA进行填充。可以看到两个空值字段显示为3526

#将空值填充为均值
df[is.na(df)] <- mean(df_na$price)
&#91;/code&#93;

<pre>3.2. 清理空格 

除了空值,字符中的空格也是数据清洗中一个常见的问题,下面是清除字符中空格的代码。首先需要按照raster和sp包,然后加载这两个包。</pre>

 
#安装raster和sp包 
install.packages("raster") 
install.packages("sp") 
#加载raster和sp包
library('sp')
library('raster')

加载完成后使用trim函数完成对字符中空格的清洗。

#去除city字段中的空格并替换原有字段
df_city=as.vector(df$city)
df_c=trim(df_city)
df$city=df_c

清理空格

3.3. 大小写转换

在英文字段中,字母的大小写不统一也是一个常见的问题。Excel中有UPPER,LOWER等函数,R中也有同名函数用来解决大小写的问题。在数据表的city列中就存在这样的问题。我们将city列的所有字母转换为小写。下面是具体的代码和结果。

#转化为小写字母
df$city=tolower(df$city)

大小写转换

3.4. 更改数据格式

Excel中通过“设置单元格格式”功能可以修改数据格式。R中通过as.integer函数用来修改数据格式。其中integer是要修改的类型名称。如何要将格式修改为字符型就是as.character。

设置单元格格式

#查看数据的格式
typeof(df$age)
[1] "double"
#更改数据格式
df$age=as.integer(df$age)
#查看修改后的数据格式
typeof(df$age)
[1] "integer"

3.5. 删除重复值

很多数据表中还包含重复值的问题,Excel的数据目录下有“删除重复项”的功能,可以用来删除数据表中的重复值。默认Excel会保留最先出现的数据,删除后面重复出现的数据。

删除重复项

R中使用duplicated函数查找重复值。Duplicated函数既可以查找数据表的重复值,也可以查找特定列中的重复值。发现重复值后使用unique函数删除重复值。下面是具体的代码和比较结果。

#查找数据表重复值
duplicated(df)
#查找特定列的重复值
duplicated(df$city)

#查看数据表的唯一值(删除重复值)

df<-unique(df) [/code]

数据唯一值 3.6. 数据替换

数据清洗中最后一个问题是数值修改或替换,Excel中使用“查找和替换”功能就可以实现数值的替换。

查找和替换空值

R中使用gsub函数实现数据替换。数据表中city字段上海存在两种写法,分别为shanghai和SH。我们使用gsub函数对SH进行替换。

#字符替换 df$city<-gsub('SH','shanghai',df$city) [/code] 替换字符

在第二篇文章中我们将继续介绍4-7部分的内容,分别为数据预处理,数据提取,数据筛选和数据汇总三部分的问题。感兴趣的朋友请继续关注。

—【所有文章及图片版权归 蓝鲸(王彦平)所有。欢迎转载,但请注明转自“蓝鲸网站分析博客”。】—

Comments

  1. 增达网 says:

    受教了!呵呵!

  2. Evanzhu2013 says:

    非常棒的教程,期待能够多介绍一些。以及后续的电子版。

Evanzhu2013进行回复 取消回复

*