R語言系列3：高級數據管理

---

此文內容為《R語言實戰》的筆記，人民郵電出版社出版。

從高中電腦課學VB開始，大一課內開始學習C++，到后來大二為了數模學習Matlab，到大三為了搞深度學習自學Python，到研究生之初學習Stata——選擇一門語言對我來說就像是小時候玩冒險島，到10級的時候是轉戰士好還是弓箭手好一般的糾結。我查閱了很多B乎的文章，最后覺得可能R比較合適現在的我。

作為從Python轉進來R的新手，我把可能會用經常需要用到或經常需要查閱的代碼貼上來，主要是為了日后方便查找，就像“字典”一樣。推文的順序與教材不同，為了簡潔，我還會刪除一些我個人認為不太重要的章節。我還會按照自己的學習進度發布文章，請讀者見諒。

本文章僅供學習參考，請勿轉載，侵刪！

---

目錄

• 5 高級數據管理
  • 5.2 ?數值和字符串處理函數
    • 5.2.1 ?數學函數
    • 5.2.2 ?統計函數
    • 5.2.3 ?概率函數
    • 5.2.4 ?字符處理函數
    • 5.2.5 ?其他實用函數
  • 5.4 ?控制流
    • 5.4.1 ?循環結構
    • 5.4.2 ?判斷結構
    • 5.4.3 ?用戶自定義函數
  • 5.6 ?整合與重構
    • 5.6.1 ?數據集的轉置
    • 5.6.2 ?整合數據
    • 5.6.3 ?reshape2包

---

第5章 高級數據管理

在第4章，我們學習了R中基本的數據處理方法。在第5章，我們主要瀏覽R中的多種數學、統計和字符處理函數，了解如何自己編寫函數來實現數據處理和分析任務，并了解數據的整合和概述方法以及數據集的重塑和重構。

5.2 數值和字符處理函數

R中作為數據處理基石的函數，可以分為數值函數(數學、統計、概率)和字符串處理函數。

5.2.1 數學函數

R中常用的數學函數有：

== 函數 == == 描述 ==abs(x) 絕對值sqrt(x) 平方根ceiling(x) 不小于x的最小整數floor(x) 不大于x的最大整數trunc(x) 向0方向取整round(x, digits=n) 將x舍入為指定小數位數signif(x, digits=n) 將x舍入為指定的有效數字位數cos(x),sin(x),tan(x) 三角函數acos(x),asin(x),... 反三角函數cosh(x),sinh(x),... 雙曲三角函數acosh(x),... 反雙曲三角函數log(x, base=n) 對x取n為底數的對數log(x) 自然對數log10(x) 常用對數exp(x) 自然指數

對數據做變換是這些函數的主要用途。這些函數作用于vector或matrix或data.frame對象會作用于每一個獨立的值，見：

V1 = c(1:10)V2 = c(11:20)M = matrix(V1, nrow = 2)D = data.frame(V1, V2)sqrt(V1)## [1] 1.000000 1.414214 1.732051 2.000000 2.236068 2.449490 2.645751 2.828427## [9] 3.000000 3.162278sqrt(M)## [,1] [,2] [,3] [,4] [,5]## [1,] 1.000000 1.732051 2.236068 2.645751 3.000000## [2,] 1.414214 2.000000 2.449490 2.828427 3.162278sqrt(D)## V1 V2## 1 1.000000 3.316625## 2 1.414214 3.464102## 3 1.732051 3.605551## 4 2.000000 3.741657## 5 2.236068 3.872983## 6 2.449490 4.000000## 7 2.645751 4.123106## 8 2.828427 4.242641## 9 3.000000 4.358899## 10 3.162278 4.472136

5.2.2 統計函數

常用的統計函數如表所示：

== 函數 == == 描述 ==mean(x) 平均值median(x) 中位數sd(x) 樣本標準差 (用n-1)var(x) 樣本方差 (用n-1)mad(x) 絕對中位數quantile(x, probs) 求分位數range(x) 求值域sum(x) 求和diff(x, lag=n) n階差分min(x) 最小值max(x) 最大值scale(x, 數據中心化(center=TRUE) cener=TRUE, 數據標準化(center和scale=TRUE) scale=TRUE)

上面的函數一般會有na.rm選項，當na.rm=TRUE時會排除缺失值進行計算。具體請參考help(·)。

一個具體的應用是：

x mean(x)## [1] 4.5sd(x)## [1] 2.44949

如果冗余地寫，那么有：

x n meanx css sdx meanx## [1] 4.5sdx## [1] 2.44949

5.2.3 概率函數

概率函數通常用來生成特征已知的模擬數據，以及在用于編寫的統計函數中計算概率值。

在R中，概率函數形如：

[dpqr]分布名縮寫()

其中：

• d = 概率密度函數(pdf, density的d)
• p = 累積分布函數(cdf, 給定分位點求概率p(X<=x)的p)
• q = 分位數函數(quantile function的q，給定概率p求分位數數，是p的反函數)
• r = 生成隨機數(random)

例如：

x pdf cdf quan layout(matrix(c(1,2,3,3), 2, 2))plot(x, pdf, title("dnorm"))plot(x, cdf, title("pnorm"))plot(pretty(c(0,1), 100), quan, title("qnorm"))

另外：

# 位于 z=1.96 左側的標準正態分布pdf下方的面積是多少(知道分位點求概率)pnorm(1.96)## [1] 0.9750021# 標準正態分布的0.9分位點值為多少(知道概率求分位點)qnorm(0.9750021)## [1] 1.96

關于畫圖的命令會在下一篇推文介紹。

1.關于設定隨機種子

每次生成為隨機數的時候，函數都會使用一個不同的種子，因此也會產生不同的結果。你可以通過set.seed()指定某個種子，讓隨機的結果可以重現(reproducible)，見：

runif(5)## [1] 0.9580880 0.9346797 0.5693708 0.6829771 0.6390400runif(5)## [1] 0.2776539 0.6784761 0.8737694 0.8826680 0.9218422set.seed(1234)runif(5)## [1] 0.1137034 0.6222994 0.6092747 0.6233794 0.8609154set.seed(1234)runif(5)## [1] 0.1137034 0.6222994 0.6092747 0.6233794 0.8609154

2.多元正態數據

在模擬研究和蒙特卡洛方法中，你經常需要獲取來自給定均值向量和協方差的多元正態分布的數據。

MASS包中的mvrnorm()可以讓這個問題變得容易，請先安裝MASS包：

install.packages("MASS")

然后可以使用：

library(MASS)## Warning: package 'MASS' was built under R version 4.0.2options(digits = 3)set.seed(1234)mean sigma 6721.2, 4700.9, -16.5, -47.1, -16.5, .3), nrow = 3, ncol = 3)mydata mydata names(mydata) mydata## Y X1 X2## 1 74.5 90.43 4.16## 2 248.2 196.43 3.46## 3 351.0 236.71 3.15## 4 -56.3 4.26 4.62## 5 299.3 138.24 3.04## 6 291.0 179.52 2.88## 7 151.6 129.12 4.10## 8 148.4 144.53 3.54## 9 147.5 140.93 3.92## 10 161.4 9.96 3.21

5.2.4 字符處理函數

數學和統計函數是用來處理數值型數據的，而字符處理函數可以從文本中抽取需要的數據信息。常見的字符串處理函數有：

== 函數 == == 描述 ==nchar(x) 計算x中的字符數量substr(x,start,end) 提取或替換字符串中的子串grep(pattern,x) 在x中搜索某種模式sub(pattern, 把x中pattern替換為replacement replacement, x)strsplit(x, split) 在split處分割向量x的元素paste(...,sep="") 連接字符串，分隔符為sep toupper(x) 大寫轉換tolower(x) 小寫轉換

具體的函數形式請參考help文檔。

5.2.5 其他實用函數

== 函數 == == 描述 ==length(x) 對象x的長度seq(from,to,by) 生成從from到to間隔為by的序列rep(x,n) 重復x序列n次cut(x,n) 將連續型變量x分割為有n個水平的因子pretty(x,n) 將連續變量x均勻劃分為n個區間cat(..., 連接...中的對象，并輸出到屏幕或file中 file="myfile", append=FALSE)

使用上面的函數時，請先查看help獲取詳細信息。

另外，字符串里面該可以使用以下轉義字符：

== 字符 == == 描述 ==\n 換行符(回車)\t 制表符(tab)\' 單引號\b 退格可以在Console輸入 ?Quotes 了解更多

例如：

name cat("Hello", name, "\b.\n", "Isn\'t R", "\t", "GREAT?\n")## Hello Bob .## Isn't R GREAT?

在這里，使用\b是因為cat在連接對象時，每個對象都會用空格分開。句號和最后一個單詞之間不需要空格，所以先用\b再輸入.消除不要的空格。

---

5.4 控制流

在這里介紹控制流，即判斷和循環結構。

5.4.1 循環結構

1. for循環

用for循環重復執行語句，知道某個變量的值不在包含在序列seq中為止，語法是：

for (var in seq) {statement}

例如：

for (i in 1:3) {print("Hello world!")}## [1] "Hello world!"## [1] "Hello world!"## [1] "Hello world!"

2. while循環

while循環地重復執行一條語句，知道條件不為真為止，語法是：

while (cond) {statement}

例如：

i while (i>0) {print("Hello world"); i ## [1] "Hello world"## [1] "Hello world"## [1] "Hello world"

5.4.2 判斷結構

1. if-else 結構

語法為：

if (cond) {statement}if (cond) {statement1} else {statement2}

2. ifelse 結構

語法是：

ifelse(cond, statement1, statement2)

如果cond為真，那么執行statement1，否則執行statement2。例如：

ifelse(1>2, {"1更大"}, {"2更大"})## [1] "2更大"

如果程序的行為是二元的，或者希望input和output均為向量時，盡量使用ifelse結構

3. switch結構

語法是：

switch(expr, ...)

其中，...表示與expr的各種輸出值綁定的語句。看下面的代碼就一目了然了：

fellings for (i in fellings){ print( switch (i, happy = "I am glad you are happy!", afraid = "There is nothing to fear.", sad = "Cheer up!", angry = "Calm down now." ) )}## [1] "Cheer up!"## [1] "There is nothing to fear."

5.4.3 用戶自編函數

R最大的優點之一就是用戶可以自行添加函數。一個函數的基本結構的語法是：

myfunction statements return(object)}

函數的對象只能在內部使用，返回的對象的數據類型是任意的，從標量到列表都可以。比如：

judge return(ifelse(num1>num2, num1, num2))}judge(4,100)## [1] 100

---

5.6 整合與重構

R提供了很多方法用來整合(aggregate)和重構(reshape)數據。后面將使用在R基本安裝中的mtcars數據框：

mtcars[1:3,1:3]## mpg cyl disp## Mazda RX4 21.0 6 160## Mazda RX4 Wag 21.0 6 160## Datsun 710 22.8 4 108

5.6.1 數據集的轉置

轉置即反轉行和列，直接使用t()就可以直接對一個矩陣或一個數據框進行轉置了。對于數據框，行名將變成列名。如果是對向量進行t()函數，那么第一次t()會把向量變成一維矩陣，第二次t(t(·))才會轉置。例如：

V class(V)## [1] "integer"class(t(V))## [1] "matrix" "array"M t(M)## [,1] [,2]## [1,] 1 2## [2,] 3 4## [3,] 5 6t(mtcars[1:3,1:3])## Mazda RX4 Mazda RX4 Wag Datsun 710## mpg 21 21 22.8## cyl 6 6 4.0## disp 160 160 108.0

5.6.2 整合數據

在R中使用一個或多個by和一個預先定義好的函數來折疊(collapse)數據是比較容易的，語法是：

aggregate(x, by=list(...), FUN)

其中x是待折疊的對象；by是一個變量名組成的列表；FUN是預先定義好的用來計算描述性統計量的標量函數。

例如，我們根據氣缸數(cyl)和檔位數(gear)整合mtcars數據，并返回個數值型變量的均值：

options(digits = 3)attach(mtcars)aggdata aggdata## Group.1 Group.2 mpg cyl disp hp drat wt qsec vs am gear carb## 1 4 3 21.5 4 120 97 3.70 2.46 20.0 1.0 0.00 3 1.00## 2 6 3 19.8 6 242 108 2.92 3.34 19.8 1.0 0.00 3 1.00## 3 8 3 15.1 8 358 194 3.12 4.10 17.1 0.0 0.00 3 3.08## 4 4 4 26.9 4 103 76 4.11 2.38 19.6 1.0 0.75 4 1.50## 5 6 4 19.8 6 164 116 3.91 3.09 17.7 0.5 0.50 4 4.00## 6 4 5 28.2 4 108 102 4.10 1.83 16.8 0.5 1.00 5 2.00## 7 6 5 19.7 6 145 175 3.62 2.77 15.5 0.0 1.00 5 6.00## 8 8 5 15.4 8 326 300 3.88 3.37 14.6 0.0 1.00 5 6.00

其中，Group.1表示氣缸數(4、6、8)；Group.2表示檔位數(3、4、5)。這里返回的列表表示，

• 平均來看，有4個氣缸，3個檔位的的車型每加侖汽油行駛英里數(mpg)為21.5

你也可以在by=list()中指定變量的名稱，比如：

options(digits = 3)attach(mtcars)## The following objects are masked from mtcars (pos = 3):## ## am, carb, cyl, disp, drat, gear, hp, mpg, qsec, vs, wtaggdata aggdata## Group.cyl Group.gears mpg cyl disp hp drat wt qsec vs am gear carb## 1 4 3 21.5 4 120 97 3.70 2.46 20.0 1.0 0.00 3 1.00## 2 6 3 19.8 6 242 108 2.92 3.34 19.8 1.0 0.00 3 1.00## 3 8 3 15.1 8 358 194 3.12 4.10 17.1 0.0 0.00 3 3.08## 4 4 4 26.9 4 103 76 4.11 2.38 19.6 1.0 0.75 4 1.50## 5 6 4 19.8 6 164 116 3.91 3.09 17.7 0.5 0.50 4 4.00## 6 4 5 28.2 4 108 102 4.10 1.83 16.8 0.5 1.00 5 2.00## 7 6 5 19.7 6 145 175 3.62 2.77 15.5 0.0 1.00 5 6.00## 8 8 5 15.4 8 326 300 3.88 3.37 14.6 0.0 1.00 5 6.00

5.6.3 reshape2包

reshape2包是一套重構和整合數據集的萬能工具，但用起來有點復雜。我們首先要安裝reshape2包：

install.packages("reshape2")

然后用下面的例子來簡要介紹reshape2包。

ID Time X1 X2 mydata mydata## ID Time X1 X2## 1 1 1 5 6## 2 1 2 3 5## 3 2 1 6 1## 4 2 2 2 4

1. 融合

數據集的融合是將其重構為這樣的格式：

每個測量變量獨占一行，行中帶有唯一確定這個測量所需的標識符變量

上面的mydata可以使用下面的代碼進行重構：

library(reshape2)## Warning: package 'reshape2' was built under R version 4.0.2md md## ID Time variable value## 1 1 1 X1 5## 2 1 2 X1 3## 3 2 1 X1 6## 4 2 2 X1 2## 5 1 1 X2 6## 6 1 2 X2 5## 7 2 1 X2 1## 8 2 2 X2 4

注意，必須指定唯一確定每個變量所需的變量(在這里是ID和Time)，而表示測量變量名的變量(X1, X2)將由程序為你自動創建。

2. 重構

使用dcast()命令重構融合后的數據，并使用你提供的一個公式和一個(可選的)用于整個數據的函數將其重構，調用的語法是：

newdata

在這里，md是已經融合的數據；formula描述了想要的最后結果；fun.aggregate是數據整合函數。其中，formula的格式為

rowvar1 + rowvar2 + ... ~ colvar1 + colvar2 + ...

其中，rowvar1 + rowvar2 + ...定義了行標簽，以確定各行的內容；colvar1 + colvar2 + ...則列表標簽，定義了各列的內容，比如：

dcast(md, ID+Time~variable)## ID Time X1 X2## 1 1 1 5 6## 2 1 2 3 5## 3 2 1 6 1## 4 2 2 2 4dcast(md, ID+variable~Time)## ID variable 1 2## 1 1 X1 5 3## 2 1 X2 6 5## 3 2 X1 6 2## 4 2 X2 1 4 創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的50万数据生成6位数不重复字符串_R语言系列3：高级数据管理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。