使用数据框管理 R 中的数据

2019-05-17 08:00:00 · 飞浪

介绍数据框是一种实用的数据处理方式；它们出现在数据世界中的任何地方。无论您是导入数据、进行描述性统计、创建可视化还是进行机器学习，数据框都是您工作的核心。R是一种相对容易进入这些数据世

介绍

数据框是一种实用的数据处理方式；它们出现在数据世界中的任何地方。无论您是导入数据、进行描述性统计、创建可视化还是进行机器学习，数据框都是您工作的核心。R 是一种相对容易进入这些数据世界的语言。在深入讨论数据框细节之前，我应该指出，我们在这里不仅会关注基础 R，还会关注通过其一系列软件包提供的tidyverse解决方案。无论您是新手还是老手，tidyverse 都能让您的 R 工作更加高效。

对于那些好奇的人，我们将通过 RStudio 和 R Markdown 构建它。

我以前见过这个吗？

数据框的优点在于每个人都可能熟悉这个概念。数据框本质上是表格。如果你正式考虑数据，它由属性和记录组成。以下是一个来自飞机运动的流行数据集的示例（显示在 RStudio 中）。

请注意，无论是在 R 数据框、Excel 表还是 SQL 表中显示，每一行（记录）都代表一次航班，每一列（属性）都描述该航班。每个单元格的内容都包含每条记录的属性。

我能用它做什么？

一旦你创建了这个数据框，并具备了正确的技能，你就可以在整个数据科学和分析领域中大展身手。例如，这些领域的大部分工作都可以从数据框开始：

数据挖掘、描述统计和可视化
自然语言处理 (NLP)
时间序列分析
统计建模
机器学习 (ML)

如何创建数据框？

开始处理数据最简单的方法是创建一个可重现的示例（这也是在 Stack Overflow 上获得帮助的好方法）。首先，我应该指出，在 R 中有多种做事的方法。基本 R（即开箱即用的功能）提供了数百个函数。除此之外，社区还构建了许多其他出色的软件包，这些软件包可以以稍微更优雅或更直观的方式完成工作。在这方面，我将首先展示如何在基本 R 中创建数据框，然后重点介绍tidyverse解决方案。

创建您自己的数据框

下面介绍如何创建一个简单的数据框，记录各种虚构人物的姓名和工作。首先，在 R 数据库中。

      # We assign the data frame to variable df_base
df_base <- data.frame(name = c("Jane","Sri","Eliza","Joe"),
                      occupation = c("engineer","designer","architect","engineer"))
    

请注意，您只需使用data.frame函数，为列提供名称，并填充列的内容（使用c()向量功能）。如果这还不理解，只需将其复制并粘贴到 RStudio 中并继续操作即可。

现在，我们只需输入df_base即可查看此数据框

      df_base

相当简单 - 它看起来像一个表格。请注意，数据框可以容纳多种数据类型（即，列可以是字符、整数、日期、因子等）。上面您会注意到数据类型显示在列名下方；在本例中，我们的两列被编码为因子。

虽然了解 R 的基本工作原理是件好事，但数据科学界的许多人都接受了 tidyverse，并使用稍微更新的数据框版本，称为tibble。它非常相似（实际上就是一个数据框）。以下是我们如何构建 tibble 样式的数据框：

      # Load the tidyverse package
library(tidyverse)
# Assign the data frame to variable df_tidy
df_tidy <- tibble(name = c("Jane","Sri","Eliza","Joe"),
                  occupation = c("engineer","designer","architect","engineer"))
    

我们可以用类似的方式来查看这个 tibble（即通过输入变量名）：

      df_tidy

您会注意到它们看起来非常相似，但列被编码为字符而不是因子（请注意 chr ）。 Hadley Wickham 令人印象深刻的（免费） R for Data Science 描述了从数据框到现代 tibble 的转变。我们将在几个例子中展示这两种方法，然后只关注 tidyverse。

访问数据框中的数据

现在让我们来看看如何实际访问数据框的各个部分。这总是很有用，因为对于任何特定的数据任务，您可能只使用行或列的子集。

通过索引选择列

假设您想使用列号访问特定列。也许您想了解我们数据集中的职业。访问的工作原理如下：

      df_base[,2]
    

我们不仅可以看到打印的第二列中每行的值，还可以看到相应的级别。有关级别的更多信息，请参见此处。从 tibble 中选择一行时，语法相同，只是不包括级别，因为带有字符的列不会自动编码为因子，只有因子才有级别（如果您现在不了解级别，请不要困惑）。请注意，tibble 列打印得更好一些（并且是chr或字符，但不是开玩笑的方式）。

      df_tidy[,2]
    

请注意，在 R 中，定位单元格时，[1,2]指的是第一行和第二列，因此[,2]抓取整个第二列。

为了实际做一些更有趣的事情，并计算唯一作业的数量，您可以在函数内部使用相同的语法：

      unique(df_tidy[,2])
    

按名称选择列

请注意，我们保留,语法，因为我们想要整个列，并通过引号中的名称选择列。

      df_base[,"occupation"]
    

这对于 tibble 来说也是一样的（这是我们最后一次进行比较）。再次注意，级别已经消失，因为 tidyverse 默认为字符而不是因子。

      df_tidy[,"occupation"]
    

因为您可能已经了解了这个模式，所以我现在将只关注 tidyverse。

根据索引选择一行

计算通常发生在列或列的一部分上；当您查看整行或几行时，通常更多的是进行检查和健全性检查。现在假设您遇到了一个意外的计算结果，并想检查数据集中的整行。

      df_tidy[1,]
    

以下是抓取多行的语法。请注意，您要从感兴趣的第一行到最后一行进行包含。

      df_tidy[1:2,]
    

根据内容选择行

虽然我们通常通过索引（即列号）或列名访问列，但对于行，我们通常通过索引或行内容访问。虽然您可以在数据框中命名行，但这不是典型的工作流程。更常见的是，您会根据单元格包含的内容来识别行。

假设我们想要抓取工程师的所有行。在这里，我们实际上会引入 tidyverse 的其他部分，这将帮助您完成数据之旅。请注意，我们将调用 tidyverse 包（这是最好的），并使用%>%将数据从我们的 tibble “管道”到过滤器函数。有关管道的更多信息，请参阅Hadley Wickham 的（免费）R for Data Sci

_{免责声明：本内容来源于第三方作者授权、网友推荐或互联网整理，旨在为广大用户提供学习与参考之用。所有文本和图片版权归原创网站或作者本人所有，其观点并不代表本站立场。如有任何版权侵犯或转载不当之情况，请与我们取得联系，我们将尽快进行相关处理与修改。感谢您的理解与支持！}

_查看原文

技术指南

R语言

阅读全文

使用数据框管理 R 中的数据

杭州电子商务研究院

5年前 · 面向社会、服务行业、政产学研结合、整合资源、和谐发展

# We assign the data frame to variable df_base df_base <- data.frame(name = c("Jane","Sri","Eliza","Joe"), occupation = c("engineer","designer","architect","engineer"))

# Load the tidyverse package library(tidyverse) # Assign the data frame to variable df_tidy df_tidy <- tibble(name = c("Jane","Sri","Eliza","Joe"), occupation = c("engineer","designer","architect","engineer"))