像Excel一样使用R进行数据分析(1)

摘要：本篇文章通过R与excel的功能对比介绍如何使用R通过函数式编程完成excel中的数据处理及分析工作。

Excel是数据分析中最常用的工具，本篇文章通过R与excel的功能对比介绍如何使用R通过函数式编程完成excel中的数据处理及分析工 作。我们总结出最常用的50个函数，通过这些函数介绍如何通过R完成数据生成和导入，数据清洗，预处理，以及最常见的数据筛选，回归预测和假设检验等最常见的操作。

本系列文章共分为三篇10个部分。这是第一篇，介绍前3部分内容，数据表生成，数据表查看，和数据清洗。以下是本系列文章部分内容的目录。

 1，生成数据表

第一部分是生成数据表，常见的生成方法有两种，第一种是导入外部数据，第二种是直接写入数据。 Excel中的文件菜单中提供了获取外部数据的功能，支持数据库和文本文件和页面的多种数据源导入。

1.1. 导入数据表

R支持从多种类型的数据导入。下面分别是从csv格式文件导入数据并创建数据表的方法。导入数据的代码是最简模式，里面有很多可选参数设置，例如列名称，索引列，数据格式等等。感兴趣的朋友可以使用help函数来查看完整的使用方法。

1 2 #导入csv数据表 data=data.frame(read.csv("data.csv")) 1 2 #查看read.csv的使用方法 help("read.csv") 1.2. 创建数据表

另一种方法是通过直接写入数据来生成数据表，excel中直接在单元格中输入数据就可以，R中通过下面的代码来实现。数据表一共有7行数据，每行有5个字段。在数据中我们特意设置了一些NA值和有问题的字段，例如包含空格和重复值等。后面将在数据清洗步骤进行处理。后面我们将统一以DataFrame的简称df来命名数据表。

1 2 3 4 5 6 #手动创建数据表 df<-data.frame(id=c(1001,1002,1003,1004,1005,1006,1006), city=c(" Beijing","SH"," guangzhou","shenzhen "," shanghai ","BEIJING","BEIJING"), age=c(23,44,54,32,34,32,32), category=c("100-A","100-B","110-A","110-C","210-A","130-F","130-F"), price=c(1200,NA,2133,5433,NA,4432,4432))

这是刚刚创建的数据表，我们没有设置索引列，price字段中包含有NA值，city字段中还包含了一些脏数据。最后一行包含了重复值。

2，数据表检查

第二部分是对数据表进行检查，R中处理的数据量与excel相比会大一些，因此我们无法一目了然的了解数据表的整体情况，必须要通过一些方法来获得数据表的关键信息。数据表检查的另一个目的是了解数据的概况，例如整个数据表的大小，数据格式，是否有空值和重复项和具体的数据内容。为后面的清洗和预处理做好准备。

2.1. 数据维度(行列)

Excel中可以通过CTRL+向下的光标键，和CTRL+向右的光标键来查看行号和列号。R中使用dim函数来查看数据表的维度，也就是行数和列数，函数返回的结果(7,5)表示数据表有7行，5列。下面是具体的代码。

1 2 3 #查看数据维度 dim(df) [1] 7 5 2.2. 查看数据表

使用fix函数可以通过表格的形式对数据表进行查看，在可视化的数据编辑器中可以像excel一样查看数据表的信息，并且可以对字段类型和变量名称进行修改。

1 2 #查看数据表 fix(df) 2.3. 查看特定列的格式

Excel中通过选中单元格并查看开始菜单中的数值类型来判断数据的格式。R中使用typeof函数来返回数据格式。

1 2 typeof(df$age) [1] "double" 2.4. 查看空值

Excel中查看空值的方法是使用“定位条件”功能对数据表中的空值进行定位。“定位条件”在“开始”目录下的“查找和选择”目录中。

Is.na是R中检验空值的函数，返回的结果是逻辑值，包含空值返回True，不包含则返回False。可以对整个数据表进行检查，也可以单独对某一列进行空值检查。

1 2 #查看空值 is.na(df) 1 2 3 #查看单列的空值 is.na(df$price) [1] FALSE TRUE FALSE FALSE TRUE FALSE FALSE

使用length计数函数和is.na配合使用，可以直接计算出数据表中某一列的空值数量。

1 2 3 #判断并计算某一列有几个空值 length(df$price[is.na(df$price)==TRUE]) [1] 2 2.5. 查看唯一值

Excel中查看唯一值的方法是使用“条件格式”对唯一值进行颜色标记。R中使用unique函数查看唯一值。

Unique是查看唯一值的函数，只能对数据表中的特定列进行检查。下面是代码，返回的结果是该列中的唯一值。类似与Excel中删除重复项后的结果。

1 2 #查看数据表的唯一值（删除重复值） unique(df) 1 2 3 4 #查看数据表中city列的唯一值 unique(df$city) [1] Beijing SH guangzhou shenzhen shanghai BEIJING Levels: guangzhou Beijing shanghai BEIJING SH shenzhen

Duplicated函数用来查看数据表中是否存在重复值，可以对数据表进行检查也可以单独查看特定列中的重复值。返回的结果中TRUE表示重复，FALSE表示不重复。

1 2 3 #查找是否有重复值 duplicated(df) [1] FALSE FALSE FALSE FALSE FALSE FALSE TRUE 1 2 3 #查看特定列是否有重复值 duplicated(df$city) [1] FALSE FALSE FALSE FALSE FALSE FALSE TRUE 2.6. 查看数据表数值

R中有多个函数用来查看数据表中的数据，包括数据的范围，数据的极值等等。

1 2 3 #查看数据范围 range(df$age) [1] 23 54 1 2 3 #查找最小值 min(df$age) [1] 23 1 2 3 #查看最小值最在的行位置 which.min(df$age) [1] 1 1 2 3 #查找最大值 max(df$age) [1] 54 1 2 3 #查看最大值所在的行位置 which.max(df$age) [1] 3 2.7. 查看列名称

names函数用来单独查看数据表中的列名称。

1 2 3 #查看列名称 names(df) [1] "id" "city" "age" "category" "price" 2.8. 查看前10行数据

Head函数用来查看数据表中的前N行数据，默认head()显示前10行数据，可以自己设置参数n的值来确定查看的行数。下面的代码中n=2设置查看前2行的数据。

1 2 #查看前两行 head(df,n = 2) 2.9. 查看后10行数据

Tail行数与head函数相反，用来查看数据表中后N行的数据，默认tail()显示后10行数据，可以自己设置参数n的值来确定查看的行数。下面的代码中n=2设置查看后2行的数据。

1 2 #查看后两行 tail(df,n=2) 3，数据表清洗

第三部分是对数据表中的问题进行清洗。主要内容包括对空值，大小写问题，数据格式和重复值的处理。这里不包含对数据间的逻辑验证。

3.1. 处理空值(删除或填充)

我们在创建数据表的时候在price字段中故意设置了几个NA值。对于空值的处理方式有很多种，可以直接删除包含空值的数据，也可以对空值进行填充，比如用0填充或者用均值填充。还可以根据不同字段的逻辑对空值进行推算。

Excel中可以通过“查找和替换”功能对空值进行处理，将空值统一替换为0或均值。也可以通过“定位”空值来实现。

R中处理空值的方法比较灵活，可以使用 na.omit函数用来删除数据表中包含空值的数据，也可以用特定的值对空值进行填充。下面的代码和结果中可以看到使用na.omit函数后，包含NA值的两个字段已经不见了。返回的是一个不包含空值的数据表。

1 2 3 4 5 6 7 8 9 #删除包含空值的行 df_na <- na.omit(df) [/code] <pre>除此之外也可以使用数字对空值进行填充，下面的代码使用0对空值字段进行填充。</pre>  #将空值填充为0 df[is.na(df)]

我们继续使用填充的方式来处理空值，使用price列的均值来填充NA字段，在要填充的数值中使用mean函数先计算price列当前的均值，然后使用这个均值对NA进行填充。可以看到两个空值字段显示为3526

1 2 3 4 5 6 7 8 9 10 11 12 #将空值填充为均值 df[is.na(df)] <- mean(df_na$price) [/code] <pre>3.2. 清理空格 除了空值，字符中的空格也是数据清洗中一个常见的问题，下面是清除字符中空格的代码。首先需要按照raster和sp包，然后加载这两个包。</pre>   #安装raster和sp包 install.packages("raster") install.packages("sp") 1 2 3 #加载raster和sp包 library(sp) library(raster)

加载完成后使用trim函数完成对字符中空格的清洗。

1 2 3 4 #去除city字段中的空格并替换原有字段 df_city=as.vector(df$city) df_c=trim(df_city) df$city=df_c 3.3. 大小写转换

在英文字段中，字母的大小写不统一也是一个常见的问题。Excel中有UPPER，LOWER等函数，R中也有同名函数用来解决大小写的问题。在数据表的city列中就存在这样的问题。我们将city列的所有字母转换为小写。下面是具体的代码和结果。

1 2 #转化为小写字母 df$city=tolower(df$city) 3.4. 更改数据格式

Excel中通过“设置单元格格式”功能可以修改数据格式。R中通过as.integer函数用来修改数据格式。其中integer是要修改的类型名称。如何要将格式修改为字符型就是as.character。

1 2 3 #查看数据的格式 typeof(df$age) [1] "double" 1 2 #更改数据格式 df$age=as.integer(df$age) 1 2 3 #查看修改后的数据格式 typeof(df$age) [1] "integer" 3.5. 删除重复值

很多数据表中还包含重复值的问题，Excel的数据目录下有“删除重复项”的功能，可以用来删除数据表中的重复值。默认Excel会保留最先出现的数据，删除后面重复出现的数据。

R中使用duplicated函数查找重复值。Duplicated函数既可以查找数据表的重复值，也可以查找特定列中的重复值。发现重复值后使用unique函数删除重复值。下面是具体的代码和比较结果。

1 2 #查找数据表重复值 duplicated(df) 1 2 #查找特定列的重复值 duplicated(df$city)

#查看数据表的唯一值（删除重复值）

df<-unique(df) [/code]

3.6. 数据替换

数据清洗中最后一个问题是数值修改或替换，Excel中使用“查找和替换”功能就可以实现数值的替换。

R中使用gsub函数实现数据替换。数据表中city字段上海存在两种写法，分别为shanghai和SH。我们使用gsub函数对SH进行替换。

#字符替换 df$city<-gsub(SH,shanghai,df$city) [/code]

在第二篇文章中我们将继续介绍4-7部分的内容，分别为数据预处理，数据提取，数据筛选和数据汇总三部分的问题。感兴趣的朋友请继续关注。

原创文章，作者：蓝鲸，如若转载，请注明出处：《像Excel一样使用R进行数据分析(1)》http://www.afenxi.com/post/45443