data.frame数据框操作—

统计分析中最常见的原始数据形式是类似于数据库表或Excel数据表的形式。这样形式的数据在R中叫做数据框(data.frame)。数据框类似于一个矩阵，但各列允许有不同类型：数值型向量、因子、字符型向量、日期时间向量。同一列的数据类型相同。在R中数据框是一个特殊的列表，其每个列表元素都是一个长度相同的向量。数据框（data.frame）是最常用的数据结构，用于存储二维表（即关系表）的数据，每一列存储的数据类型必须相同，不同数据列的数据类型可以相同，也可以不同，但是每列的行数（长度）必须相同。数据框的每列都有唯一的名字，在已创建的数据框上，用户可以添加计算列，这样，R引擎根据同一行的数据列，计算出表达式的值，并把该值作为计算列的值。数据框是数据分析中最重要的数据对象，必须熟练掌握数据框的操作。

一、Tidy Data数据结构

R语言的数据框、tibble数据都是tidy data。一般都需要将其他各种数据都整理成tidy data，形成一种一致的数据格式，再利用某些包（例如tidyr，dplyr，ggplot2都是tidyverse的核心包）中的tidy tools就很容易对数据进行各种分析；另外tidy data中变量单独成列的一个好处是它允许R的向量化特性发挥作用，R的许多内置函数（比如mutate和summary函数）都在向量上进行工作。

在R中进行数据挖掘要求数据集具有tidy data的特征，这有点类似数据库中的范式结构：

每一个变量都有自己独立的一列
每一个观测值都有自己独立的一行
每一个数据都是独立的单元格

二、data.frame数据的创建与转换

2.1 创建数据框

创建数据框，常用的方式是：读取文件、读取关系表和使用函数创建，用户应根据实际的需要，选择合适的方式创建数据框。

读取文件，常用的是用于读取文件的函数是read.table()，ead.csv()是read.table()的包装函数，专门用于读取csv文件。

dd1=read.table("titanic.txt",header=T)

dd2=read.table("titanic.txt",header=T,row.names=1)

#加载打开Excel文件包

library(openxlsx)

dd3=read.xlsx("hh2.xlsx")

dd4=read.xlsx("hh2.xlsx",colNames = TRUE)

dd5=read.xlsx("hh2.xlsx",colNames = TRUE,rowNames = TRUE)

dd6=read.csv("hh.csv",header = FALSE, sep = ";")

读取关系表数据，从关系型数据库执行SQL查询，根据查询结果创建数据框；当连接SQL Server数据库时，使用ODBC驱动程序连接数据库，R脚本引用RODBC包，调用odbcConnect连接，使用sqlQuery执行查询，获取查询结果填充数据框。

使用函数创建，通过函数 data.frame()创建数据框，用户需要输入指定的数据填充数据框变量，函数data.frame()的参数row.names用于指定行的标识符。

library(dplyr)       #导入dplyr包

options(digits = 0)  #保留整数

df <- data.frame(ID = 1:12,                                 #ID

                  Class = rep(c(1,2,3),4),                   #班级

                  Chinese = runif(12,min = 0,max = 100),     #语文

                  Math = runif(12,min = 0,max = 100),        #数学

                  English = runif(12,min = 0,max = 100))     #英语

for (i in 1:ncol(df)) {

   df[,i] <- as.integer(df[,i])  #将每列类型变为integer型

}

2.2 数据长宽转化（二维表与一维表转换）

下面创建一个数据df，然后来进行数据长宽转化实例操作。

宽数据转成长数据，这里使用gather函数，gather函数涉及三个参数

library(tidyverse)

# create data

df=data.frame(id=c(1:3),

              Shanghai=c(2,5,3),

              Beijing=c(12,23,16),

              Guangdong=c(7,3,6))

#long data

df_a=df %>% gather("Name","value",-id)

#wide data

df_a %>% spread("Name",-id)

宽数据转成长数据，这里使用spread函数，spread函数涉及2个参数

三、数据框的基本操作

3.1 修改行列名

可用rownames()及colnames()得到数据框的行列名，rownames(data.frame)[行号] 或 colnames(data.frame)[列号] 可得到指定位置的行名或者列名，若修改直接赋值给该变量即可。

#接2.1中数据df

colnames(df)               #查询列名

colnames(df)[4]            #查询第4列列名

colnames(df)[4] <- "math"  #修改第4列列名为math

colnames(df) <- c("ID","Class","Chinese","Math","English")

3.2 添加和删除行列

#接2.1中数据df

df <- df[-3,]                     #删除df第3行

df <- df[,-2]                     #删除df第2列

df$Physics <- c(23,34,67,23,56,67,78,23,54,56,67,34)

df[13,] <- c(13,2,62,19,38)       #新增13行数据

3.3 数据框多列选取

#接2.1中数据df

df <- df[,c(1,3,5)]               #选出df第1、3、5列

df <- df[,1:3]                    #选择第1到3列

df$math                           #选择列名math列

3.4 数据框的编辑

#接2.1中数据df

xnew=edit(df)

四、数据框操作进阶

#接2.1中数据df

mutate(df,Chemistry = Chinese + Math + English + Physics)

arrange(df,Chinese)  #按语文成绩由小到大排序

arrange(df,Chinese,Math)  #依次按语文、数学成绩由小到大排序

arrange(df,desc(Chinese))  #按语文成绩由大到小排序

df1 <- df[rep(1:nrow(df),each = 2),] #将df每行复制1次

df1 <- distinct(df1)  #去除重复的行

select(df,ID,Chinese,Math,English) #选出df中ID、语文、数学、英语数据

#接2.1中数据df

df %>%

  group_by(Class) %>%

  summarise(max = max(Chinese)) #求出按Class分组每组中语文成绩最高分

df %>%

  group_by(Class) %>%

  filter(Chinese == max(Chinese))

df1 <- data.frame(ID = 13,Class = 2,

                  Chinese = 65,Math = 26,English = 84)

rbind(df,df1)

test1 <- data.frame(name = c('jimmy','nicker','Damon','Sophie'),

                    blood_type = c("A","B","O","AB"))

test2 <- data.frame(name = c('Damon','jimmy','nicker','tony'),

                    group = c("group1","group1","group2","group2"),

                    vision = c(4.2,4.3,4.9,4.5))

merge(test1,test2,by="name")    #by="name"，共同的列

#根据值匹配合并数据框:左连接、右连接、全连接、内连接、半连接、反连接

left_join(x, y, by)

right_join(x, y, by)

full_join(x, y, by)

inner_join(x, y, by)

semi_join(x, y, by)

anti_join(x, y, by)

总结

数据框是仅次于向量的最重要的数据类型对象，是R语言中最常处理的数据结构。数据框是一种表格式的数据结构，数据框旨在模拟数据集。R语言的分析，建模大部分都是基于data.frame数据结构，由rows和columns组成。data.frame每一个column会存储同样的数据类型，可以是numeric, factor, character。

参考文献

1.[R for Data Science总结之——Tidy Data]（https://blog.csdn.net/weixin_38423453/article/details/82969121）

2.R语言data.frame的常用操作总结

3.R语言学习第三篇：数据框