R语言统计分析与应用-第三章-1
第三章 基本数据管理
前面讲了一些常用的函数以及数据的输入，在数据处理过程中，在数据输入之后还要对数据进行筛选啊拆分啊什么的，这一章主要讲的就是这个。
下面讲一个例子： 某项研究想确定男性和女性在领导各自企业方式上的不同，主要的问题如下：
处于管理岗位的男性和女性在听从上级的程度上是否不同；
这种情况是否依国家不同而不同，或者由性别导致的不同是否普遍存在。
针对这两个问题，让多个国家的经理人的上司对其服从程度打分： 这位经理人在做出决策之前会询问我的意见。
| 态度 | 分数 |
|---|---|
| 非常不同意 | 1 |
| 不同意 | 2 |
| 中立 | 3 |
| 同意 | 4 |
| 非常同意 | 5 |
在这里，每位上司根据这个对某一名经理人进行评分，为简化，一共5个经理人，5个上司。因此，上司的评分就有q1到q5，共5个向量。
manager <- c(1,2,3,4,5)
date <- c("10/20/08","10/21/08","10/10/08","10/19/08","6/1/09")
country <- c("US","UK","US","UK","US")
gender <- c("M","F","M","F","M")
age <- c(32,43,26,38,99)
q1 <- c(5,3,3,3,2)
q2 <- c(4,5,5,3,2)
q3 <- c(5,2,5,4,1)
q4 <- c(5,5,5,NA,1)
q5 <- c(5,5,2,NA,1)
leader <- data.frame(manager,date,country,gender,age,
q1,q2,q3,q4,q5,
stringsAsFactors = FALSE)
leader## manager date country gender age q1 q2 q3 q4 q5
## 1 1 10/20/08 US M 32 5 4 5 5 5
## 2 2 10/21/08 UK F 43 3 5 2 5 5
## 3 3 10/10/08 US M 26 3 5 5 5 2
## 4 4 10/19/08 UK F 38 3 3 4 NA NA
## 5 5 6/1/09 US M 99 2 2 1 1 1为从这些数据里分析出东西来，就要对这些数据进行管理。比如；
5个评分（q1到q5）需要组合起来，即为每位经理人生成一个平均服从程度得分；
从上面可以看出，有些得分出现了NA缺失值，同时也需要为99岁这样的数据重编码为缺失值，因为99岁这明显不对啊。因此需要一种处理不完整数据的方法；
在某些数据集中往往包含了数百个变量，而我们可能只对一些感兴趣，因此希望创建一个只包含那些变量的新数据集；
在本例中，领导行为可能随经理人的年龄而改变，即二者存在某种函数关系。要检验这种观点，需要将当前的年龄数值重编码为类别型的年龄组（比如，年轻，中年，年长）；
领导行为可能随时间推移而发生变化，我们可能想重点研究最近全球金融危机期间的服从行为。那么，需要将研究范围限定在某一个特定的时间段（比如1/1/09到12/31/09）。
这些问题怎么解决呢，下面将一一介绍。
3.1 创建新变量
创建新变量很简单，重点在于如何将新变量整合到原来的数据集中：
y1 <- c(1,2,3,4,5)
y2 <- c(12,13,15,16,17)
newdata <- data.frame(y1,y2)
head(newdata)## y1 y2
## 1 1 12
## 2 2 13
## 3 3 15
## 4 4 16
## 5 5 17#创建新变量
sumy <- newdata$y1+newdata$y2
meany <- (newdata$y1+newdata$y2)/2
sumy## [1] 13 15 18 20 22meany## [1] 6.5 7.5 9.0 10.0 11.0#可以看出只是创建了新变量，但是不在newdata中
#整合到newdata数据框中
#方法一
newdata1 <- data.frame(newdata, sumy, meany)
head(newdata1)## y1 y2 sumy meany
## 1 1 12 13 6.5
## 2 2 13 15 7.5
## 3 3 15 18 9.0
## 4 4 16 20 10.0
## 5 5 17 22 11.0#方法二
newdata2 <- transform(newdata,
sumy=y1+y2,
meany=(y1+y2)/2)
head(newdata2)## y1 y2 sumy meany
## 1 1 12 13 6.5
## 2 2 13 15 7.5
## 3 3 15 18 9.0
## 4 4 16 20 10.0
## 5 5 17 22 11.0#方法三
newdata3 <- newdata
attach(newdata3)## The following objects are masked _by_ .GlobalEnv:
##
## y1, y2newdata3$sumy <- y1+y2
newdata3$meany <- (y1+y2)/2
detach(newdata3)
head(newdata3)## y1 y2 sumy meany
## 1 1 12 13 6.5
## 2 2 13 15 7.5
## 3 3 15 18 9.0
## 4 4 16 20 10.0
## 5 5 17 22 11.03.2 向量运算
3.2.1 添加或删除向量
在R中，向量一旦建立起来，里面的元素就已经确定了。因此，如果想添加或删除元素，就需要重新给向量赋值。
qwe <- c(12,13,14,23,78)
#在中间添加一个元素，数值56
qwe <- c(qwe[1:3],56,qwe[4:5])
qwe## [1] 12 13 14 56 23 783.2.2 向量运算
这部分就是线性代数的内容。嗯……不讲了。看例子吧
x <- c(2,3,4)
y <- c(2,5,7)
x+y## [1] 4 8 11x*y## [1] 4 15 283.2.3 用: 运算符创建向量
：运算符用于生成指定范围内数值构成的向量。 看例子：
5:8## [1] 5 6 7 85:1## [1] 5 4 3 2 1#要注意运算符的优先级
i <- 2
#冒号的优先级高于减号，所以先计算i:i，变成个一元向量，然后再减1
i:i-1## [1] 1#括号的优先级高于冒号，所以先计算i-1，于是就相当于计算2:1
i:(i-1)## [1] 2 1注意了，这个地方书上说的不对，解释的也是乱七八糟。它的结果是： i:i-1的结果是“0 1”，i:(i-1)的结果是“1”。
3.2.4 使用seq()以及rep()函数创建向量
比上面那个冒号“：”运算符更常用的是seq()函数。它用来生成等差数列。
seq(from=10,to=30,by=3)## [1] 10 13 16 19 22 25 28?seq()## starting httpd help server ... doneseq(10,30,3)## [1] 10 13 16 19 22 25 28rep()函数可以把同一常数放在向量中，语法是：
rep(x, times, each)，前两个参数很好理解，最后的each参数是指定x交替重复的次数。
x <- rep(7,5)
x## [1] 7 7 7 7 7y <- rep(c(1,2,3),3)
y## [1] 1 2 3 1 2 3 1 2 3rep(1:3,2)## [1] 1 2 3 1 2 3rep(c(2,6,12),each=3)## [1] 2 2 2 6 6 6 12 12 123.3 处理数据对象的常用函数
这一部分就不再写了，用的时候自然就知道了。
3.4 变量的重编码
现在解决前言中的问题2： > 2. 从上面可以看出，有些得分出现了NA缺失值，同时也需要为99岁这样的数据重编码为缺失值，因为99岁这明显不对啊。因此需要一种处理不完整数据的方法。
现在将连续型变量age重编码为类别型变量：agecat(Young,Middle Aged,Elder)。
#首先把99岁的年龄值编码成缺失值。
leader$age[leader$age == 99] <- NA
#然后创建agecat向量
leader$agecat[leader$age >= 75] <- "Elder"
leader$agecat[leader$age < 75 & leader$age >=55] <- "Middle Aged"
leader$agecat[leader$age < 55] <- "Young"
leader## manager date country gender age q1 q2 q3 q4 q5 agecat
## 1 1 10/20/08 US M 32 5 4 5 5 5 Young
## 2 2 10/21/08 UK F 43 3 5 2 5 5 Young
## 3 3 10/10/08 US M 26 3 5 5 5 2 Young
## 4 4 10/19/08 UK F 38 3 3 4 NA NA Young
## 5 5 6/1/09 US M NA 2 2 1 1 1 <NA>当然这个方法不唯一。
嗯……今天就到这里。
