R语言初学者指南-第三章

最近更新于 Mar 13, 2020 12 分钟阅读时长 R, 统计

时隔半年，我终于又开始写这个博客了。 话不多说，言归正传。

第三章 访问变量和处理数据子集

在学习上一章导入数据，这一章节来学习对变量的访问和数据子集的处理。

3.1 访问数据框变量

当确认导入数据无误后，就可以按照自己的需求开始对数据进行删除部分数据，选取部分数据也就是数据子集了。 以上一章的鱿鱼数据为例。

#导入数据，并生成一个数据框
Squid <- read.table(file = "F:\\database\\RBook\\squid.txt", header = TRUE)
#查看数据框中的变量名
names(Squid)
## [1] "Sample"   "Year"     "Month"    "Location" "Sex"      "GSI"

3.1.1 str函数

这个函数主要是告诉我们这个Squid数据框中5个变量的属性。

str(Squid)
## 'data.frame':    2644 obs. of  6 variables:
##  $ Sample  : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ Year    : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Month   : int  1 1 1 1 1 1 1 1 1 2 ...
##  $ Location: int  1 3 1 1 1 1 1 3 3 1 ...
##  $ Sex     : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ GSI     : num  10.44 9.83 9.74 9.31 8.99 ...

如这个结果所示，变量样本、年份、月份、位置和性别都是整数型即int，GSI是数值型即num。 为什么建议在读入数据形成数据框之后，用str函数看一下变量属性呢，因为如果在读入数据时使用了错误的分割符号：

#设定分割符号是","
Squid2 <- read.table(file = "F:\\database\\RBook\\squid.txt", dec = ",", header = TRUE)
#查看数据框中的变量属性
str(Squid2)
## 'data.frame':    2644 obs. of  6 variables:
##  $ Sample  : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ Year    : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Month   : int  1 1 1 1 1 1 1 1 1 2 ...
##  $ Location: int  1 3 1 1 1 1 1 3 3 1 ...
##  $ Sex     : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ GSI     : Factor w/ 2472 levels "0.0064","0.007",..: 1533 2466 2462 2445 2428 2407 2379 2308 2288 2247 ...

这个时候GSI就是个因子即factor，当后续处理时，R就会报错。 后续我们将对GSI这个变量进行统计分析，值得注意的是，GSI存在于Squid这个数据框中，而没有存在于R的内存中，也就是说，在直接访问GSI的时候，R会报错。

#我注释掉了，因为不这样的话，会卡在报错那里
#GSI

3.1.2 函数中的数据参数

这一节说的是啥呢，书上翻译的感觉啰嗦，其实就是在有些函数中指定数据集。毕竟你想做个线性回归什么的，你得告诉R要用到哪个数据集。

N1 <- lm(GSI~factor(Location)+factor(Year),
         data = Squid)
N1
## 
## Call:
## lm(formula = GSI ~ factor(Location) + factor(Year), data = Squid)
## 
## Coefficients:
##       (Intercept)  factor(Location)2  factor(Location)3  factor(Location)4  
##            1.3939            -2.2178            -0.1417             0.3138  
##     factor(Year)2      factor(Year)3      factor(Year)4  
##            1.3548             0.9564             1.2270

但是有些函数的参数没有这个data=……，比如mean()函数。这个时候可以用attach()函数绑定数据集。这个可以在之后讨论。

3.1.3 $符号

上文说到有的函数没有data参数，还有一个办法是用$符号。比如：

#这个命令输出结果太多
#Squid$GSI
#于是我用了head显示前几行
head(Squid$GSI)
## [1] 10.4432  9.8331  9.7356  9.3107  8.9926  8.7707

还有一个方法，就是按列选择，观察数据框可以得知，GSI这个变量在Squid数据集的第6列，那么：

head(Squid[,6])
## [1] 10.4432  9.8331  9.7356  9.3107  8.9926  8.7707

当然，我不推荐这种方法，还得查第几列，麻烦。

3.1.4 attach函数

你看，之前提到了这个函数吧。这个函数可以把数据集添加到R的搜索路径中，这样，就可以直接访问数据集中的变量。

attach(Squid)
#直接访问变量GSI
head(GSI)
## [1] 10.4432  9.8331  9.7356  9.3107  8.9926  8.7707
#然后可以画图了
boxplot(GSI)

#或者运算
mean(GSI)
## [1] 2.187034
#当想要解绑的时候
detach(Squid)

注意哈，一次绑定一个数据，当想绑定其他数据集的时候，建议最好先解绑前一个数据集，避免有同名的变量干扰。

3.2 访问数据子集

Squid这个数据集里面有个sex变量，别想多了，是性别。此时，我只想对雄性的数据进行处理，可以这么做： 首先需要知道性别是如何编码的：

unique(Squid$Sex)
## [1] 2 1

这里是这么表示的，雄性是1，雌性是2。 接下来访问所有的雄性数据，并存储在SquidM的数据框中：

Se1 <- Squid$Sex == 1
SquidM <- Squid[Se1,]
head(SquidM)
##    Sample Year Month Location Sex    GSI
## 24     24    1     5        1   1 5.2970
## 48     48    1     5        3   1 4.2968
## 58     58    1     6        1   1 3.5008
## 60     60    1     6        1   1 3.2487
## 61     61    1     6        1   1 3.2304
## 62     62    1     5        3   1 3.2263

下面讲下这段代码的逻辑：

  1. 第一行生成一个与变量Sex具有相同长度的逻辑向量Se1，如果Sex值为1，则该变量的值是TRUE，反之则为FALSE。这样的变量也被称为布尔向量，可以用来选择行。
  2. 接下来选择Squid中Se1等于TRUE的行，并存储在SquidM中。 至此，雄性数据选择完毕。 当然，这个代码也可以简化为：
SquidM <- Squid[Squid$Sex == 1,]
head(SquidM)
##    Sample Year Month Location Sex    GSI
## 24     24    1     5        1   1 5.2970
## 48     48    1     5        3   1 4.2968
## 58     58    1     6        1   1 3.5008
## 60     60    1     6        1   1 3.2487
## 61     61    1     6        1   1 3.2304
## 62     62    1     5        3   1 3.2263
#雌性的数据
SquidF <- Squid[Squid$Sex == 2,]
head(SquidF)
##   Sample Year Month Location Sex     GSI
## 1      1    1     1        1   2 10.4432
## 2      2    1     1        3   2  9.8331
## 3      3    1     1        1   2  9.7356
## 4      4    1     1        1   2  9.3107
## 5      5    1     1        1   2  8.9926
## 6      6    1     1        1   2  8.7707

下面讲一下布尔运算符的用法：或“|”,与“&”，非“!”。 先看一下Location变量有什么编码值：

unique(Squid$Location)
## [1] 1 3 4 2

然后，我只想要Location为1，2，3的数据，注意这个是并集。

Squid123 <- Squid[Squid$Location == 1 | 
                  Squid$Location == 2 |
                  Squid$Location == 3,]
Squid123 <- Squid[Squid$Location != 4, ]
Squid123 <- Squid[Squid$Location < 4, ]
Squid123 <- Squid[Squid$Location <= 3, ]
Squid123 <- Squid[Squid$Location >= 1 &
                  Squid$Location <= 3,]

以上语句都是一个意思。 额，写完才发现，我选用的是Cascadia code字体，这样的话……绝对等于也就是两个等于号是==，不等于应该是！=，而这里显示的是!=，同样的，小于等于和大于等于的形式都发生变化了。 然后，接下来，我想进一步从雄性数据集中提取出Location为1的数据集：

SquidM.1 <- Squid[Squid$Sex == 1 &
                  Squid$Location == 1,]

3.2.1 数据排序

有的时候想对数据集根据某一个变量进行排序，从大到小啊或者从小到大，在excel中很好操作，在R中要这样：

#按月份排序
head(Squid[order(Squid$Month),], n=30L)
##     Sample Year Month Location Sex     GSI
## 1        1    1     1        1   2 10.4432
## 2        2    1     1        3   2  9.8331
## 3        3    1     1        1   2  9.7356
## 4        4    1     1        1   2  9.3107
## 5        5    1     1        1   2  8.9926
## 6        6    1     1        1   2  8.7707
## 7        7    1     1        1   2  8.2576
## 8        8    1     1        3   2  7.4045
## 9        9    1     1        3   2  7.2156
## 11      11    1     1        1   2  6.3882
## 14      14    1     1        1   2  6.0726
## 18      18    1     1        1   2  5.7757
## 198    198    1     1        1   1  1.2610
## 204    204    1     1        1   1  1.1997
## 244    244    1     1        1   1  0.8373
## 255    255    1     1        1   2  0.6716
## 264    264    1     1        1   2  0.5758
## 271    271    1     1        3   1  0.5518
## 279    279    1     1        1   1  0.4921
## 281    281    1     1        1   1  0.4808
## 292    292    1     1        3   2  0.3828
## 302    302    1     1        1   1  0.3289
## 317    317    1     1        1   1  0.2758
## 329    329    1     1        1   1  0.2506
## 352    352    1     1        1   2  0.2092
## 373    373    1     1        1   2  0.1792
## 381    381    1     1        3   1  0.1661
## 387    387    1     1        1   2  0.1618
## 393    393    1     1        1   1  0.1543
## 394    394    1     1        1   1  0.1541

因为处理的是Squid中行，所以放在了逗号的前面。也可以对一个变量进行排序：

head(Squid$GSI[order(Squid$Month)], n=30L)
##  [1] 10.4432  9.8331  9.7356  9.3107  8.9926  8.7707  8.2576  7.4045  7.2156
## [10]  6.3882  6.0726  5.7757  1.2610  1.1997  0.8373  0.6716  0.5758  0.5518
## [19]  0.4921  0.4808  0.3828  0.3289  0.2758  0.2506  0.2092  0.1792  0.1661
## [28]  0.1618  0.1543  0.1541

3.3 使用相同的标识符组合两个数据集

书里这段说的很啰嗦，其实就是在实际使用中，我们可能会导入很多个excel文件，而这些文件里面的样本是一样的。简单来说，举个例子，我用了10只小鼠，样本命名为1，2，3，……，10，第一个excel文件里记载了每只老鼠血清的甘三酯（TG）含量，第二个excel文件里，记载了每只老鼠肝脏的TG含量，这两个文件分别导入到R中，生成两个数据集，而这两个数据集，样本名是一致的。 以书中的例子而言，是这样的，Squid1.txt文件里记载了样本和对应的GSI，Squid2.txt文件里记载了样本和其他的对应变量，比如年份、月份、位置、性别。 下面来读入这两个数据：

Sq1 <- read.table(file = "F:\\database\\RBook\\Squid1.txt", header = TRUE)
Sq2 <- read.table(file = "F:\\database\\RBook\\Squid2.txt", header = TRUE)

然后根据这两个数据集具有一致的样本进行合并，采用merge函数：

SquidMerged <- merge(Sq1, Sq2, by = "Sample")
head(SquidMerged, n=30L)
##    Sample     GSI YEAR MONTH Location Sex
## 1       1 10.4432    1     1        1   2
## 2       2  9.8331    1     1        3   2
## 3       3  9.7356    1     1        1   2
## 4       5  8.9926    1     1        1   2
## 5       6  8.7707    1     1        1   2
## 6       7  8.2576    1     1        1   2
## 7       8  7.4045    1     1        3   2
## 8       9  7.2156    1     1        3   2
## 9      10  6.8372    1     2        1   2
## 10     11  6.3882    1     1        1   2
## 11     12  6.3672    1     6        1   2
## 12     13  6.2998    1     2        1   2
## 13     14  6.0726    1     1        1   2
## 14     15  5.8395    1     6        1   2
## 15     16  5.8070    1     6        1   2
## 16     17  5.7774    1     6        3   2
## 17     18  5.7757    1     1        1   2
## 18     19  5.6484    1     5        3   2
## 19     20  5.6141    1     5        1   2
## 20     21  5.6017    1     5        3   2
## 21     22  5.5510    1     6        1   2
## 22     23  5.3110    1     5        1   2
## 23     24  5.2970    1     5        1   1
## 24     25  5.2253    1     6        1   2
## 25     26  5.1667    1     6        1   2
## 26     27  5.1405    1     6        1   2
## 27     28  5.1292    1     6        1   2
## 28     29  5.0782    1     6        1   2
## 29     30  5.0612    1     6        1   2
## 30     31  5.0097    1     5        1   2

这个by = “Sample”就是说，Sq1和Sq2以Sample作为相同的标识符来合并。 另外merge这个函数还有一个参数是all = TRUE/FALSE，默认情况下，这个值是FALSE，什么意思呢，就是说Sq1和Sq2的行如果有缺失值的话，就会被忽略掉，这个样本就不存在于SquidMerged数据集中，反之，则用NA填充。下面举个all = TRUE的例子：

SquidMerged2 <- merge(Sq1, Sq2, by = "Sample",
                      all = TRUE)
head(SquidMerged2, n=30L)
##    Sample     GSI YEAR MONTH Location Sex
## 1       1 10.4432    1     1        1   2
## 2       2  9.8331    1     1        3   2
## 3       3  9.7356    1     1        1   2
## 4       4  9.3107   NA    NA       NA  NA
## 5       5  8.9926    1     1        1   2
## 6       6  8.7707    1     1        1   2
## 7       7  8.2576    1     1        1   2
## 8       8  7.4045    1     1        3   2
## 9       9  7.2156    1     1        3   2
## 10     10  6.8372    1     2        1   2
## 11     11  6.3882    1     1        1   2
## 12     12  6.3672    1     6        1   2
## 13     13  6.2998    1     2        1   2
## 14     14  6.0726    1     1        1   2
## 15     15  5.8395    1     6        1   2
## 16     16  5.8070    1     6        1   2
## 17     17  5.7774    1     6        3   2
## 18     18  5.7757    1     1        1   2
## 19     19  5.6484    1     5        3   2
## 20     20  5.6141    1     5        1   2
## 21     21  5.6017    1     5        3   2
## 22     22  5.5510    1     6        1   2
## 23     23  5.3110    1     5        1   2
## 24     24  5.2970    1     5        1   1
## 25     25  5.2253    1     6        1   2
## 26     26  5.1667    1     6        1   2
## 27     27  5.1405    1     6        1   2
## 28     28  5.1292    1     6        1   2
## 29     29  5.0782    1     6        1   2
## 30     30  5.0612    1     6        1   2

对比这两个组合数据集，就可以发现样本4的差别。

3.4 输出数据

上文提到我为了研究需要，将雄性鱿鱼的数据给提取出来了，并存储于SquidM的数据集中，下面，我想把这个数据集给导出来，方便我发给小伙伴们。这个时候就会用到write.table函数：

SquidM <- Squid[Squid$Sex == 1,]
write.table(SquidM, file = "F:\\database\\RBook\\MaleSquid.txt",
            sep = " ", quote = FALSE,
            append = FALSE, na = "NA")

这样在我的文件夹中就会出现MaleSquid.txt文件。接下来，逐个讲解这个函数中各参数的含义：

  1. 首先要指明要导出的数据集，本例中是SquidM；
  2. 然后需要告诉R，我要以什么名称，在什么位置来导出这个数据集，本例中是file = “F:\database\RBook\MaleSquid.txt”；
  3. sep = " "是告诉R我要将数据用空格隔开，注意引号里面是空格；
  4. quote = FALSE是要取消字符串的引号标志，也就是标题的引号；
  5. append = FALSE嘛……说实话，书中说"为FALSE的话，就会打开一个新的文件，如果为TRUE，它会将变量SquidM添加到一个已经存在的文件的尾部“，我压根就没看懂，等哪天找到英文原版看一下是不是翻译的问题；
  6. na = “NA”的意思就简单了，SquidM的缺失值我就用NA来代替。 看一下输出来的文件长什么样： 可以发现，按照变量名将下面的数据逐个对应后，第一列没有名字，这个就是R的问题，如果要导入到excel中，需要将第一行的所有变量名向右移一格。说到这里，我又想吐槽了，书中是这么说的：“需要把第一行转移到右侧一列”，你瞅瞅，能理解不。

3.5 重新编码分类变量

首先说下什么是分类变量，结合例子，在前文，我们用str(Squid)命令查看了各变量的类型：

str(Squid)
## 'data.frame':    2644 obs. of  6 variables:
##  $ Sample  : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ Year    : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Month   : int  1 1 1 1 1 1 1 1 1 2 ...
##  $ Location: int  1 3 1 1 1 1 1 3 3 1 ...
##  $ Sex     : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ GSI     : num  10.44 9.83 9.74 9.31 8.99 ...

变量Location编码为1，2，3，4，变量Sex编码为1，2。这样的变量就是分类变量，或者叫做名义变量。 虽然说这种编码方式可以将一些字符串什么的转换为数字，但是，除了数据集所有者自己，谁也不知道Location的1，2，3，4分别是什么，随着时间的变迁，所有者自己都会忘掉。 所以就有了将这类分类变量重编码的需要。

Squid$fLocation <- factor(Squid$Location)
Squid$fSex <- factor(Squid$Sex)

这两句的意思是，分别在Squid数据框中生成新变量fLocation和fSex，这里用到了R中的因子概念。 那我们看一下这两个新变量长什么样子，比如说fSex：

head(Squid$fSex, n=100L)
##   [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2
##  [38] 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 1 2 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1
##  [75] 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1
## Levels: 1 2

注意最后一行：Levels: 1 2，这告诉我们，fSex有两个水平，下面将这两个水平重新编码为“雄性”和“雌性”：

Squid$fSex <- factor(Squid$Sex, levels = c(1,2),
                     labels = c("M", "F"))
head(Squid$fSex, n=100L)
##   [1] F F F F F F F F F F F F F F F F F F F F F F F M F F F F F F F F F F F F F
##  [38] F F F F F F F F F F M F F F F F F F F F M F M M M M F M M M M M M M M M M
##  [75] M F M M M M M M M M M M M M M M M M F M M M M M M M
## Levels: M F

这里levels = c(1,2)和labels = c(“M”, “F”)就一一对应起来，1对应M也就是雄性，2对应F也就是雌性。 现在试试用新变量fSex来做个图或者来个线性回归：

boxplot(GSI ~ fSex, data = Squid)

M1 <- lm(GSI ~ fSex, data = Squid)
M1
## 
## Call:
## lm(formula = GSI ~ fSex, data = Squid)
## 
## Coefficients:
## (Intercept)        fSexF  
##       1.226        2.047

下面，我们看一下FLocation：

head(Squid$fLocation, n=100L)
##   [1] 1 3 1 1 1 1 1 3 3 1 1 1 1 1 1 1 3 1 3 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
##  [38] 1 1 3 1 1 1 1 3 1 1 3 1 1 1 1 1 1 1 3 1 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1
##  [75] 1 3 1 1 3 1 1 3 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1 3 1 3
## Levels: 1 2 3 4
boxplot(GSI ~ fLocation, data = Squid)

注意到，这个名义变量有四个水平，这种情况下，水平值由小到大进行排序，这意味着，在盒形图里，位置为1的数据与位置为2的数据相邻，位置为2的与位置为3的相邻等等。 但是如果我把这个默认的由小到大的排序改了呢：

Squid$fLocation <- factor(Squid$Location, levels = c(2,3,1,4))
head(Squid$fLocation, n=100L)
##   [1] 1 3 1 1 1 1 1 3 3 1 1 1 1 1 1 1 3 1 3 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
##  [38] 1 1 3 1 1 1 1 3 1 1 3 1 1 1 1 1 1 1 3 1 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1
##  [75] 1 3 1 1 3 1 1 3 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1 3 1 3
## Levels: 2 3 1 4

此时，最后一行显示的是：Levels: 2 3 1 4，我用这个重编码过的fLocation画个图，大家看下差别：

boxplot(GSI ~ fLocation, data = Squid)

另外，在本章开始的时候选择雄性数据，我是这么做的：

SquidM <- Squid[Squid$Sex == 1,]

那我想用fSex选择雄性呢，是一样的吗，答案是否定的：

SquidM <- Squid[Squid$fSex == "1",]

对于fSex而言，编码数字1必须用双引号括起来，因为fSex是个因子（factor）。

3.6 本章学了哪些R函数

自己整合去。

3.7 习题

  1. 使用流行病学数据练习使用read.table函数并访问其中的变量： 文件为BirdFlu.xls，这是一个WHO报道的每年人类感染禽流感A（H5N1)的病例。
  2. 使用深海研究数据练习使用read.table函数并访问其中的变量： 这个来源于第二张的习题6，做完之后，从ISIT.xls文件载入数据。
  3. 使用深海研究数据练习使用write.table函数： 提取4月份并且深度超过2000米的测量数据，并输出。
  4. 使用深海研究数据练习使用factor函数并访问数据框中的子集： 站点1-5是2001年4月抽样，站点6-11是2001年8月抽样，站点12-15是2002年3月抽样，站点16-19是2002年10月抽样，在R里生成两个新变量确定月份和年份。
R 统计
Avatar
Dr.二哈
在读苦逼科研狗

研究方向：脂质营养，业余时间自学R。

相关