第二章R中的數(shù)據(jù)輸入PPT課件

1、第二章 R中的數(shù)據(jù)輸入 我們學(xué)習(xí)如何把數(shù)據(jù)錄入R,并把數(shù)據(jù)系統(tǒng)地轉(zhuǎn)化為標量（單值）、向量、矩陣、數(shù)據(jù)筐或者列表。 同時還學(xué)習(xí)如何從Excel、ascii文件、數(shù)據(jù)庫和其它統(tǒng)計程序中載入數(shù)據(jù)。2.1 R中的第一步 2.1.1 小型數(shù)據(jù)庫中的數(shù)據(jù)錄入 我們從數(shù)量足夠小的數(shù)據(jù)錄入到R中的工作開始。 使用這樣一個數(shù)據(jù)庫（康涅狄格大學(xué)Chris Elphick),它來自大概1100只沙鷗的7種身體測量數(shù)據(jù)（如頭和翅膀的大小、踝骨的長度、體重等等）。 為了方便起見，我們僅使用其中8只鳥的4種形態(tài)參數(shù)。表表2.1 82.1 8只鳥的只鳥的4 4種形態(tài)參數(shù)。符號種形態(tài)參數(shù)。符號NANA代表缺失值，被代表缺失值

2、，被測量的參數(shù)有翅膀的長度（翼弦）的長度，腿的尺寸測量的參數(shù)有翅膀的長度（翼弦）的長度，腿的尺寸（踝骨尺寸），頭的尺寸（從嘴到后腦）和體重（踝骨尺寸），頭的尺寸（從嘴到后腦）和體重翼弦翼弦踝骨踝骨頭頭體重體重595922.322.331.231.29.59.5555519.719.730.430.413.813.853.553.520.820.830.630.614.814.8555520.320.330.330.315.215.252.552.520.820.830.330.315.515.557.557.521.521.530.830.815.615.6535320.620.632.532

3、.515.615.6555521.521.5NANA15.715.7 將數(shù)據(jù)錄入R最簡單的一個方法就是以標量（僅含一個值的變量）形式將數(shù)據(jù)一一輸入，但此方法比較繁瑣。 比如，將翅膀長度的前5個觀察值錄入R，需錄入： a - 59 b - 55 c - 53.5 d - 55 e - 52.5 程序中，符號-可以用=代替。 這些命令可以直接從文本編輯器中復(fù)制到R中，不需要其它改變。 此時，如果要查看R的計算結(jié)果，可以輸入a，然后敲回車鍵。 a 1 59 這種方法的問題是大量的數(shù)據(jù)會很快用完所有的字母符號，并且，以a、b、c等字母作為變量名變量名表示什么意義是某有多大幫助的。 因此可以用如下變量名

4、： Wing1 - 59 Wing2 - 55 Wing3 - 53.5 Wing4 - 55 Wing5 - 52.5 如果要輸入剩余的數(shù)據(jù)，則需要更多的變量名。 一旦定義了一個變量并且對其賦值后，就可以用它來進行計算。 例如，下面這些都是有效的命令： sqrt(Wing1) 2*Wing1 Wing1+Wing2 Wing1+Wing2+Wing3+Wing4+Wing5 (Wing1+Wing2+Wing3+Wing4+Wing5)/5 此時，雖然R進行了計算，但它并沒有存儲結(jié)果，所以最好是定義新的變量： SQ.wing1 -sqrt(Wing1) Mu1.w1 - 2*Wing1 Su

5、m.12 - Wing1+Wing2 SUM12345 - Wing1+Wing2+Wing3+Wing4+Wing5 Av - (Wing1+Wing2+Wing3+Wing4+Wing5)/5 以上這些變量名僅僅是示范，你可以使用任何名字來代替，不過需要注意，.也是變量名的一部分。 建議使用能幫助記憶具體代表什么的變量名，例如SQ.wing1表示第一只鳥翅膀長度的平方根。 有時，在選擇變量名的時候需要一定的想象力。 但是注意，一些符號是不允許出現(xiàn)在變量名中的，例如“$,%,*,+,-,( ), ,#,!,?,等。 因為這些符號中的大部分都是運算符。 如果定義了 SQ.wing1 - sqr

6、t (Wing1) 若要顯示SQ.wing1的值，只需輸入： SQ.wing1 1 7.681146 或者你可以把需要執(zhí)行的命令放在圓括號內(nèi)，R將會即刻計算出結(jié)果： (SQ.wing1 - sqrt (Wing1) 1 7.6811462.1.2 應(yīng)用C函數(shù)連接數(shù)據(jù) 如上所述，對于4種形態(tài)參數(shù)的8個觀測值，我們需要32個變量名，而R允許在一個變量名中存儲多個值，這個任務(wù)由c( )函數(shù)來完成。 這里c代表連接(Concatenete). 它可以這樣使用： Wingcrd - c(59, 55, 53.5, 55, 52.5, 57.5, 53, 55) 這里你可以在逗號的任意一邊加上空格以增加代

7、碼的可讀性。 也可以在-任意一邊加空格。 需要注意的是c( )使用的空格是圓括號( )，而不是方括號 或者大括號 。 這時，c( )函數(shù)生成了一個長度是8的向量。 如果要查看Wingcrd的一個值，可以輸入輸入: Wingcrd 1 1 59 如果需要查看Wingcrd的前5個值，可以輸入： Wingcrd 1:5 1 59.0 55.0 53.5 55.0 52.5 如果需要查看除了第二個值之外的其他值，可以輸入： Wingcrd -2 1 59.0 53.5 55.0 52.5 57.5 53.0 55.0 R有很多內(nèi)置的函數(shù)，最基本的有例如sum,mean,max,min,median,

8、var和sd等等，可以通過如下的方法來使用： sum(Wingcrd) 1 440.5 我們也可以將這個和存在一個新的變量中， S.win - sum(Wingcrd) S.win 1 440.5 將表2.1中的剩下的3個形態(tài)參數(shù)輸入R。 Tarsus - c(22.3, 19.7, 20.8, 20.3, 20.8, 21.5, 20.6, 21.5) Head - c(31.2, 30.4, 30.6, 30.3, 30.3, 30.8, 32.5, NA) Wt - c(9.5, 13.8, 14.8, 15.2, 15.5, 15.6, 15.6, 15.7) 這里我們付出了額外的空間

9、，即每一個命令都占用了兩行，只要你在第一行結(jié)束的時候使用反斜線或者是逗號，R都能識別這是一條命令。 一般來說，R中的變量名最好使用大寫字母開頭，這樣可以避免將它和一些內(nèi)部函數(shù)名混淆，因為大部分內(nèi)部函數(shù)都不是以大寫字母開頭。 需要注意的是這里有一只鳥的頭的尺寸是沒有測量的，我們用NA來表示，這時如果調(diào)用內(nèi)部函數(shù)，NA的出現(xiàn)可能導(dǎo)致計算結(jié)果的錯誤。 例如： sum(Head) 1 NA 當然，調(diào)用其它如mean,min,max等函數(shù)會得到同樣錯誤的結(jié)果 為了弄清楚為什么得到這樣的錯誤結(jié)果，可以鍵入?sum，就會得到相關(guān)內(nèi)容 在向量中如果有一個缺失值的話，默認選項na.rm= FALSE將會導(dǎo)致R函

10、數(shù)sum返回NA(rm表示移除(remove)，為了避免這種情況，我們可以使用na.rm=TRUE, sum(Head, na.rm = TRUE) 1 216.12.1.3 使用c,cbind和rbind結(jié)合變量 我們已經(jīng)有了4列數(shù)據(jù)，每列含有8只鳥的觀察值，這4列數(shù)據(jù)分別以變量Wingcrd,Tarsus,Head和Wt來標記。 c函數(shù)可以用來連接這些數(shù)據(jù)，同時連接這些數(shù)據(jù)中的8個值，具體操作如下： BirdData - c(Wingcrd, Tarsus, Head, Wt) 鍵入 BridData BirdData是一個長度為32（48）的單個向量，符號1、15和29表示新的一行的第一

11、個元素的索引編號，根據(jù)電腦顯示器的大小不同可能有所不同。 此時，R將包含缺失值的32個觀察值生成了一個單個向量，并沒有區(qū)別這些值都屬于哪一個變量。 為了實現(xiàn)這一點，可以生成一個長度是32的向量，命名為Id（表示identity)，給它賦如下這些值。 Id - c(1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4) Id向量的作用是指出具有相同Id值的觀察值屬于同一種形態(tài)變量。 然而，當針對大數(shù)據(jù)庫的時候，生成這樣的一個向量是很費時間。 R具有簡化這個過程的

12、函數(shù)，我們需要重復(fù)地輸入14，每個8次： Id - rep(c(1, 2, 3, 4), each = 8) Id 這個函數(shù)產(chǎn)生了上述相同的結(jié)果，符號rep代表重復(fù)（repeat）,它的使用還可以簡化為： Id - rep(1:4, each = 8) Id 還可以使用seq函數(shù)來實現(xiàn)這個目的，例如，命令 a - seq(from = 1, to = 4, by = 1) a 因此，對于前面所述的鳥類的觀察值，我們同樣可以使用如下的命令： a - seq(from = 1, to = 4, by = 1) rep(a, each = 8) 此時，你可能認為我們使用了過多的方法，從而使事情變得復(fù)

13、雜起來。 但是，在R中一些函數(shù)的使用需要提供類似于表2.1那樣的數(shù)據(jù)（例如，對于主成分分析或多維尺度分析的多元分析函數(shù)）， 而另一些函數(shù)的使用需要提供一個單獨向量和識別這組觀察值的一個變量（例如上述的Id），這樣的函數(shù)主要包括t-檢驗，單因子方差分析，線性回歸以及一些作圖工具，如lattice包中的xyplot。 所以，熟練地使用rep函數(shù)將可以節(jié)省很多時間。 至此，我們僅僅實現(xiàn)了數(shù)字的連接，假如我們想生成一個長度為32的向量Id，這個向量包含了單詞Wingcrd8次，Tarsus8次等等。 我們先產(chǎn)生一個名為VarNames的新變量，這個變量包含了前面所提到的4個形態(tài)參數(shù)： VarNames

14、 - c(Wingcrd, Tarsus, Head, Wt) VarNames 1 Wingcrd Tarsus Head Wt 注意這些都只是名稱，而不是含有數(shù)字的變量。 然后，我們再利用rep函數(shù)來生成所需要的向量。 Id2 - rep(VarNames, each = 8) Id2 這里Id2是一個被賦予了具有固定順序的名字的字符串，它和Id的區(qū)別僅僅是所包含內(nèi)容的名稱不同而已。 注意在這里丟掉each，否則你將看到： rep(VarNames, 8) c函數(shù)是我們結(jié)合數(shù)據(jù)或者變量的一種選擇，另一種選擇是cbind函數(shù)，它的作用是將所結(jié)合的變量以列的形式輸出。 例如，我們將cbind函

15、數(shù)的輸出存儲在變量Z中，然后鍵入Z并回車，將看到以列的形式顯示的數(shù)值： Z - cbind(Wingcrd, Tarsus, Head, Wt) Z 當我們有某些特殊要求的時候，這樣輸出數(shù)據(jù)將是很有必要的。 例如，需要做主成分分析時。 假設(shè)需要訪問Z的第一列，則可以使用命令Z, 1 Z, 1 同樣，也可以使用： Z1:8,1 如需訪問第二行，則可以輸入： Z2, 也可以輸入 Z2,1:4 Z1,1 Z, 2:3 X - Z4,4 Y - Z, 4 W - Z, -3 D - Z, c(1,3,4) E - Z, c(-1, -3) 如果想知道Z的維數(shù)，可以使用： dim(Z) 與cbind函數(shù)

16、將變量以列的形式進行整理的功能類似，rbind函數(shù)具有將數(shù)據(jù)以行進行結(jié)合的作用。 我們可以這樣使用它： Z2 - rbind(Wingcrd, Tarsus, Head, Wt) Z22.1.4 使用vector函數(shù)結(jié)合數(shù)據(jù) vector函數(shù)的作用與c函數(shù)類似，它可以用來代替c函數(shù)。 例如我們要在R中生成一個長度為8，包含了所有8只鳥的Wingcrd數(shù)據(jù)的一個向量，我們可以像如下這么做。 W - vector(length = 8) W1 - 59 W2 - 55 W3 - 53.5 W4 - 55 W5 - 52.5 W6 - 57.5 W7 - 53 W8 - 55 W vector函數(shù)的

17、優(yōu)點是我們可以事先定義向量的長度，這一點有時是很有用的，例如做循環(huán)運算的時候。 但是，一般情況下還是使用c函數(shù)結(jié)合數(shù)據(jù)比較簡單。 與c函數(shù)的輸出類似，我們可以使用 W1 W1:4 W2:6 W-2之類的命令。2.1.5 使用矩陣結(jié)合數(shù)據(jù) 為了代替向量顯示4個變量Wingcrd,Tarsu,Head和Wt，每個長度為8，我們可以生成一個84的矩陣包括上述數(shù)據(jù)。 該矩陣的生成可以通過如下命令： Dmat - matrix(nrow = 8, ncol = 4) Dmat 注意到這里的Dmat是一個僅含有NA的84的矩陣，需要填入適當?shù)臄?shù)值，我們可以這樣來進行操作： Dmat, 1 - c(59,

18、55, 53.5, 55, 52.5, 57.5, 53, 55) Dmat, 2 - c(22.3, 19.7, 20.8, 20.3, 20.8, 21.5, 20.6, 21.5) Dmat, 3 - c(31.2, 30.4, 30.6, 30.3, 30.3, 30.8, 32.5, NA) Dmat, 4 - c(9.5, 13.8, 14.8, 15.2, 15.5, 15.6, 15.6, 15.7) Dmat 我們可以使用colnames函數(shù)來給Dmat的列加上名稱： colnames(Dmat) - c(Wingcrd, Tarsus, Head, Wt) Dmat2.1.

19、6 使用data.frame函數(shù)結(jié)合數(shù)據(jù) 目前為止，我們已經(jīng)使用了c, cbind, rbind, vector和matrix函數(shù)來結(jié)合數(shù)據(jù)。 另外一個可供選擇的就是數(shù)據(jù)框。 可以使用數(shù)據(jù)框結(jié)合具有相同長度的變量，而數(shù)據(jù)筐的每一行就包含有同一樣本的不同觀察值，這一點上它和matrix或者cbind函數(shù)是比較類似的。使用前面所講的鳥的4種形態(tài)參數(shù)，可以生成一個數(shù)據(jù)框： Dfrm - data.frame(WC = Wingcrd, TS = Tarsus, HD = Head, W = Wt) Dfrm 數(shù)據(jù)框的優(yōu)點是可以在不影響原始數(shù)據(jù)的基礎(chǔ)上改變數(shù)據(jù)。 例如，我們可以在數(shù)據(jù)筐Dfrm中結(jié)合原

20、始數(shù)據(jù)（已重命名）的體重值和體重值的平方根： Dfrm - data.frame(WC = Wingcrd, TS = Tarsus, HD = Head, W = Wt, Wsq = sqrt(Wt) 注意，在c函數(shù)所生成的變量Wt和數(shù)據(jù)框Dfrm中的變量W是兩個不同的實體。為了驗證這一點，我們移除變量Wt(這是在c函數(shù)中輸入的變量)： rm(Wt) 如果此時再鍵入Wt，R將會提示錯誤： Wt 錯誤: 找不到對象Wt 但是變量W卻還存在于數(shù)據(jù)框Dfrm中： Dfrm$W 數(shù)據(jù)框較之cbind函數(shù)和matrix函數(shù)具有可以結(jié)合不同類型的數(shù)據(jù)的功能，所以，它的使用還是很必要的。2.1.7 使用l

21、ist函數(shù)結(jié)合數(shù)據(jù)2.2 數(shù)據(jù)的載入 對于大型的數(shù)據(jù)庫，像我們前面所講的將其逐個鍵入R中是很不現(xiàn)實的。 接下來的內(nèi)容將講述各種各樣的載入數(shù)據(jù)的方法。 我們將數(shù)據(jù)分為大型數(shù)據(jù)庫和小型數(shù)據(jù)庫以區(qū)別對待，并考慮它們是否存儲于Excel、ascii文本文件、數(shù)據(jù)庫程序或者其它統(tǒng)計包中。2.2.1 Excel中的數(shù)據(jù)載入 一般情況下有兩種將數(shù)據(jù)從Excel（或電子數(shù)據(jù)表、數(shù)據(jù)庫程序）載入R的方法。 第一種比較簡單，也是推薦使用的，步驟是： 1）將Excel中的數(shù)據(jù)準備好； 2）將其提取到制表符分隔的ascii文件中； 3）關(guān)閉Excel； 4）使用read.table函數(shù)將數(shù)據(jù)載入到R中。 第二種方法是

22、一個專門的R程序包，RODBC，它可以訪問Excel中選定的行和列。 應(yīng)該注意的是Excel并不是最適合于處理大型數(shù)據(jù)庫的軟件，因為它的列是有限的。2.2.1.1 Excel中數(shù)據(jù)準備 為了簡單起見，我們建議將數(shù)據(jù)排列為樣本-變量的形式。 列表示各種變量； 行表示各種樣本、觀察值、案例、對象或者其它 稱之為樣本單元的東西。 以NA（大寫）表示缺失值； 一般最好以Excel中的第一列來識別樣本單元，第一行為變量名。 最好避免使用包含如下一些符號的名稱：$,%,&,*,(,),_,!,:,同樣也要避免使用包含空格的名稱（字段或數(shù)值）。 盡量使用簡單的名稱，不要太長，否則將會使圖表中因為包含

23、太長名字而不易識別。2.2.1.2 數(shù)據(jù)提取到制表符分隔的ascii文件 在Excel中，依次進入文件-另存為-保存類型，選擇文本文件（制表符分隔），將數(shù)據(jù)提取到一個制表符分隔的ascii文件中，存儲目錄為D:RBook。 在這一步中建議關(guān)閉Excel以方便其它程序訪問新生成的文本文件。 警告：在某些情況下，如果你在電子數(shù)據(jù)表里輸入了注釋，Excel有在ascii文件中額外一些全是NA列的趨勢。在R中，這些列將會以NA出現(xiàn)，為了避免這種情況的發(fā)生，在提取數(shù)據(jù)前先刪除這樣的列。2.2.1.3 read.table函數(shù)的使用 當制表符分隔的ascii文件中沒有空內(nèi)容或者沒有包含空格的名稱時，我們就

24、可以將數(shù)據(jù)載入R中。 使用read.table函數(shù)，其基本的用法如下： Squid - read.table(file =D:RBooksquid.txt, header = TRUE) 這個命令實現(xiàn)了把數(shù)據(jù)從squid.txt文件中讀取出來，以數(shù)據(jù)框的形式存儲到Squid中。 函數(shù)read.table中的header = TRUE選項表示第一行包括的標簽。如果你的文件中沒有標簽，可以將它改為header = FALSE。 還有另外一種識別這種文本文件地址的方法： Squid - read.table(file =D:/RBook/squid.txt, header = TRUE) 這兩種命令

25、的區(qū)別在于斜線的不同。 如果在這一步出現(xiàn)了錯誤信息，可以首先檢查文件名和目錄路徑是否正確。 如果目錄的路徑長一些，可以右擊文件squid.txt，選擇屬性。在這里直接把整個目錄路徑（包括文件名）復(fù)制粘貼到R的文本編輯器中。 但是不要忘了多加一條斜線。 警告：默認情況下，R認為ascii文本文件中的數(shù)據(jù)使用點作為小數(shù)點。事實上，函數(shù)read.table的使用是這樣的： Squid - read.table(file =D:/RBook/squid.txt, header = TRUE, dec = .) 如果你使用逗號作為小數(shù)點，應(yīng)該將最后一個選項改為dec =,并從新執(zhí)行命令。 如果你還需要從

26、同一目錄下讀取更多的文件，可以利用setwd函數(shù)設(shè)置一下工作目錄將會是更有效的方法。 此時，你就可以省列掉read.table函數(shù)中的目錄路徑，如下所示： setwd(D:RBook) Squid - read.table(file = squid.txt, header = TRUE) 除了read.table函數(shù)外，還可以使用通過scan函數(shù)來載入數(shù)據(jù)。 它們的不同點是read.table函數(shù)把數(shù)據(jù)存儲在數(shù)據(jù)框中，而scan函數(shù)把數(shù)據(jù)存儲在矩陣中。 在數(shù)據(jù)都是數(shù)值的情況下，scan函數(shù)的運行速度更快（對于大數(shù)據(jù)庫而言，一般指數(shù)百萬個數(shù)據(jù)）。 對于小數(shù)據(jù)庫而言，就沒有必要討論運行速度的必要。2.2.2 從其它統(tǒng)計包中訪問數(shù)據(jù) R還可以從其它統(tǒng)計程序包中載入數(shù)據(jù)，例如，Minitab,S-PLUS,SA