R 语言的Dataframe常用操作

上节我们简单介绍了Dataframe的定义，这节我们具体来看一下Dataframe的操作

首先，数据框的创建函数为 data.frame( )，参考R语言的帮助文档，我们来了解一下data.frame( )的具体用法：

Usage
data.frame(..., row.names = NULL, check.rows = FALSE,
           check.names = TRUE, fix.empty.names = TRUE,
           stringsAsFactors = default.stringsAsFactors())
default.stringsAsFactors()
Arguments
... :these arguments are of either the form value or tag = value. Component names are created based on the tag (if present) or the deparsed argument itself.
row.names :NULL or a single integer or character string specifying a column to be used as row names, or a character or integer vector giving the row names for the data frame.

当然，后面还有很多参数的具体用法，在此不做一一赘述，主要用到的就是前两个。首先，“...”代表了表格数据，就是要构成数据框的数据主体，row.names( )为要构成数据框的行名，那么既然数据框相当于R语言的一个表格，应该既有行名也有列名才对，那么列名又是如何给出的呢？我们知道，很多的数据处理软件以及算法是以数据的列为单位进行的，之前我们构建矩阵的时候，默认也是按列填充（byrow=FALSE），而列名在创建数据框开始我们就已经确定好了的。详见下面代码：

我想要创建一个名为“mydataframe”的数据框，首先确定数据框里面的列有哪些，然后调用函数data.frame( )函数

> C1 <-c(1,2,3,4)
> C2 <-c(5,6,7,8)
> C3 <-c(9,10,11,12)
> C4 <-c(13,14,15,16)
> C5 <-c(17,18,19,20)
> mydataframe <- data.frame(C1,C2,C3,C4,C5,row.names = c("R1","R2","R3","R4"))
> mydataframe
   C1 C2 C3 C4 C5
R1  1  5  9 13 17
R2  2  6 10 14 18
R3  3  7 11 15 19
R4  4  8 12 16 20

由此可见，数据框是把现有的列拼接成一个表格的一种数据结构，细心的朋友会发现，这个数据框怎么跟上节我们讲过的矩阵长得那么一样！！！再回顾一下上节的矩阵创建：

> mydata <- c(1:20)
> cnames <- c("C1","C2","C3","C4","C5")
> rnames <- c("R1","R2","R3","R4")
> myarray <- matrix(mydata,nrow = 4,ncol = 5,dimnames = list(rnames,cnames))
> myarray
   C1 C2 C3 C4 C5
R1  1  5  9 13 17
R2  2  6 10 14 18
R3  3  7 11 15 19
R4  4  8 12 16 20

确实，从长相上来说分不出差别，但是矩阵里面的元素必须一致，而数据框可以是各种类型数据的集合。这种集合不是无条件乱七八糟的集合，而是以列为单位，不同列的元素类型可以不同，但是同一列的元素类型必须一致。因此，矩阵可以看做特殊的数据框类型那么这么做有什么意义呢？在数据统计中，我们需要有各种各样类型的数据，就拿简单的成绩单来说，就包含了“姓名”，“学号”，“科目”等字符型元素，也包括“分数”等数值型元素，还有“是否通过”等布尔型元素，因此，从广泛意义上来说，dataframe更具有普适性，矩阵多用在数学计算中。说归说，我们来实际创建一个数据框，然后再演示一下它的具体操作：

> names <- c("小明","小红","小兰")
> StudentID <- c("2014","2015","2016")
> subjects <- c("英语","英语","英语")
> scores <- c(87,98,93)
> Result <- data.frame(StudentID,names,subjects,scores)
> Result
  StudentID names subjects scores
1      2014  小明     英语     87
2      2015  小红     英语     98
3      2016  小兰     英语     93

由上可见，当没有给数据框指定行名的时候，系统会默认从1开始给每行一个行号，这跟Excel表格有点类似。 还是同往常一样，我们先学习dataframe数据类型的基本操作

数据框元素的访问：既然矩阵是特殊的数据框，那么矩阵元素的访问方式应该也同样适用于dataframe吗？不是这样，我们知道，数据框是以行或者列为单位（行列可以转置），因此访问元素时只能整行或者整列访问。即dataframe[1,](访问第一行)，dataframe[,1](访问第一列)采用这种方式访问列时，返回值是按行排列的形式。访问列同样也可以直接使用dataframe(1)访问第一列，或者dataframe(列名)来访问指定的列。也可以连续访问若干列，详见代码：

> Result[1,] #访问第一行
  StudentID names subjects scores
1      2014  小明     英语     87
> Result[,1] #访问第一列
[1] 2014 2015 2016
Levels: 2014 2015 2016
> Result[1] #访问第一列
  StudentID
1      2014
2      2015
3      2016
> Result["names"] #访问指定标号的列
  names
1  小明
2  小红
3  小兰

> Result[1:3,]　　#访问1-3行
  StudentID names subjects scores
1      2014  小明     英语     87
2      2015  小红     英语     98
3      2016  小兰     英语     93
> Result[1:3]　　#访问1-3列
  StudentID names subjects
1      2014  小明     英语
2      2015  小红     英语
3      2016  小兰     英语
> Result[c(1,3),]　　#只访问1,3行，注意写法 c( )
  StudentID names subjects scores
1      2014  小明     英语     87
3      2016  小兰     英语     93
> Result[c(1,4)]　　#只访问1,4列，注意写法 c( )
  StudentID scores
1      2014     87
2      2015     98
3      2016     93
> Result[c("names","scores")]　　#只访问names和scores列，注意写法 c( )
  names scores
1  小明     87
2  小红     98
3  小兰     93

由上可得：对数据框操作，必须以向量为单位，使用c( ) or list( ),通过上述了解，我们发现，普通的访问必须带着行名和列名，这有的时候给我们带来不必要的麻烦，比如我要计算成绩平均值，带上列名Score会给我们带来一些困惑，于是有哪些方法可以在访问数据库元素时不带着行名或者列名呢？

方法一：用attach和detach函数，比如要打印所有names，那么可以写成：

> attach(Result)
The following objects are masked _by_ .GlobalEnv:
    names, scores, StudentID, subjects
The following objects are masked from Result (pos = 3):
    names, scores, StudentID, subjects
> name <- names
> score <-scores
> detach(Result)
> name
[1] "小明" "小红" "小兰"
> score
[1] 87 98 93
> mean(score)
[1] 92.66667

方法二：用with函数

> with(Result,{score <- scores})
> score
[1] 87 98 93

上面谈到了dataframe的创建和读取，如果我需要添加或者删除某一列该怎么办呢？

> Result$age<-c(12,14,13)　　#添加age列
> Result
  StudentID names subjects scores age
1      2014  小明     英语     87  12
2      2015  小红     英语     98  14
3      2016  小兰     英语     93  13

> Result2 <- Result[-2]　　#删除name列
> Result2
  StudentID subjects scores age
1      2014     英语     87  12
2      2015     英语     98  14
3      2016     英语     93  13

如果我需要查询成绩等于98的学生的信息该怎么办呢？

> Result[which(Result$scores==98),]
  StudentID names subjects scores age
2      2015  小红     英语     98  14

上面说过了，矩阵和数据框也是两种不同的数据类型，我们知道数据类型之间可以互相转换，用is.***( )可以判断某个变量是否为***类型，用as.***( )则将某个变量转换为***类型。那么相应的，矩阵转换为数据框类型则应为：

> myarray
   C1 C2 C3 C4 C5
R1  1  5  9 13 17
R2  2  6 10 14 18
R3  3  7 11 15 19
R4  4  8 12 16 20
> myarrayframe <- as.data.frame(myarray)
> myarrayframe
   C1 C2 C3 C4 C5
R1  1  5  9 13 17
R2  2  6 10 14 18
R3  3  7 11 15 19
R4  4  8 12 16 20
> is.data.frame(myarray)
[1] FALSE
> is.data.frame(myarrayframe)
[1] TRUE

跟矩阵matrix操作一样，数据框也有rbind和cbind函数，用法大致相同，有兴趣的朋友可以简单联系一下，这里不再赘述。

最后，我们来谈一下数据框数据处理操作：

上面我们讲到，利用dataframe[ 列号 ]或者dataframe[ 列值 ]可以读取数据框的某一列，返回值仍为数据框类型，但是这部分数据不方便直接利用我们之前讲过的求和，求平均值等方法进行计算分析，因为读取的数据带有“行名/列名”，这个为字符型变量。有的人会问，我在创建数据框的时候，不加行名和列名不就行了？第一，在创建数据框的时候，会默认给你分配行名或者列名，第二，就算不分配行名或者列名，那数据框创建起来还有什么意义？

> mydataframe
   C1 C2 C3 C4 C5
R1  1  5  9 13 17
R2  2  6 10 14 18
R3  3  7 11 15 19
R4  4  8 12 16 20
> mydataframe["C4"]
   C4
R1 13
R2 14
R3 15
R4 16
> mean(mydataframe["C4"])
[1] NA
Warning message:
In mean.default(mydataframe["C4"]) : 参数不是数值也不是逻辑值：回覆NA
> is.data.frame(mydataframe["C4"])
[1] TRUE

方法一：将数据框格式重新转化为矩阵格式，然后按照矩阵索引的方式来找寻要处理的数据组，利用矩阵或者向量中相关函数来进行一定的数据处理。

> myarray2 <- as.matrix(mydataframe)
> is.matrix(myarray2)
[1] TRUE
> myarray2
   C1 C2 C3 C4 C5
R1  1  5  9 13 17
R2  2  6 10 14 18
R3  3  7 11 15 19
R4  4  8 12 16 20
> x <- myarray[,3] #读取第3列的值
> x
R1 R2 R3 R4
 9 10 11 12
> is.vector(x) #查看x是否为向量类型
[1] TRUE
> mean(x)
[1] 10.5
> sum(x)
[1] 42

方法二：在读取数据框列的时候换用另外一种方法，dataframe$(行名或者列名)，返回值是vector类型

> c <- mydataframe$C3
> c
[1]  9 10 11 12
> is.vector(c)
[1] TRUE
> mean(c)
[1] 10.5
> sum(c)
[1] 42

同时，也可以利用dataframe$(新的列名) <- 新的向量，来给dataframe添加新的列，具体操作如下：

> mydataframe$sum <- mydataframe$C1 +mydataframe$C4
> mydataframe$mean <- (mydataframe$C1+mydataframe$C4)/2
> mydataframe
   C1 C2 C3 C4 C5 sum mean
R1  1  5  9 13 17  14    7
R2  2  6 10 14 18  16    8
R3  3  7 11 15 19  18    9
R4  4  8 12 16 20  20   10

最推崇的是下一种方法，直接利用transform函数组建新的数据框，具体用法如下：

> x1 <- mydataframe$C1
> x2 <- mydataframe$C3
> mydataframe2 <- transform(mydataframe,sum2=x1+x2,mean2=(x1+x2)/2)
> mydataframe2
   C1 C2 C3 C4 C5 sum mean sum2 mean2
R1  1  5  9 13 17  14    7   10     5
R2  2  6 10 14 18  16    8   12     6
R3  3  7 11 15 19  18    9   14     7
R4  4  8 12 16 20  20   10   16     8