R语言数据预处理

R语言数据预处理

一、日期时间、字符串的处理

日期

Date: 日期类，年与日

POSIXct: 日期时间类，精确到秒，用数字表示

POSIXlt: 日期时间类，精确到秒，用列表表示

Sys.date(), date(), difftime(), ISOdate(), ISOdatetime()

#得到当前日期时间

(d1=Sys.Date())  
#日期       
年月日

(d3=Sys.time())  
#时间       
年月日时分秒  通过format输出指定格式的时间

(d2=date())      
#日期和时间  年月日时分秒  "Fri Aug 20
11:11:00 1999"

myDate=as.Date('2007-08-09')

class(myDate)    
#Date

mode(myDate)     
#numeric

#日期转字符串

as.character(myDate)

birDay=c('01/05/1986','08/11/1976') #

dates=as.Date(birDay,'%m/%d/%Y')   
#向量化运算，对向量进行转换

dates

# %d    天
(01~31)

# %a   
缩写星期(Mon)

# %A   
星期(Monday)

# %m   
月份(00~12)

# %b   
缩写的月份(Jan)

# %B   
月份(January)

# %y   
年份(07)

# %Y   
年份(2007) 

# %H    时

# %M    分

# %S    秒

td=Sys.Date()

format(td,format='%B  %d %Y %s')

format(td,format='%A,%a ')

format(Sys.time(), '%H %h %M %S %s')

#日期转换成数字

as.integer(Sys.Date())  #自1970年1月1号至今的天数

as.integer(as.Date('1970-1-1')) #0

as.integer(as.Date('1970-1-2')) #1

sdate=as.Date('2004-10-01')

edate=as.Date('2010-10-22')

days=edate-sdate

days   
#时间类型相互减，结果显示相差的天数

ws=difftime(Sys.Date(),as.Date('1956-10-12'),units='weeks')
#可以指定单位

#把年月日拼成日期

(d=ISOdate(2011,10,2));class(d)  #ISOdate
的结果是POSIXct

as.Date(ISOdate(2011,10,2))    
#将结果转换为Date

ISOdate(2011,2,30)            
#不存在的日期 结果为NA

#批量转换成日期

years=c(2010,2011,2012,2013,2014,2015)

months=1

days=c(15,20,21,19,30,3)

as.Date(ISOdate(years,months,days))

#提取日期时间的一部分

p=as.POSIXlt(Sys.Date())

p=as.POSIXlt(Sys.time())

Sys.Date()

Sys.time()

p$year 1900   #年份需要加1900

p$mon
1      
#月份需要加1

p$mday

p$hour

p$min

p$sec

字符串处理

nchar() 、length()

paste()、outer()

substr()、strsplit()

sub()、gsub()、grep()、regexpr()、grepexpr()

#字符串

x='hello\rwold\n'

cat(x)   
#woldo 
hello遇到\r光标移到头接着打印wold覆盖了之前的hell变成woldo

print(x)  #

#字符串长度

nchar(x)  #字符串长度

length(x) #1 向量中元素的个数

#字符串拼接

board=paste('b',1:4,sep='-') #"b-1" "b-2" "b-3" "b-4"

board

mm=paste('mm',1:3,sep='-')  
#"mm-1" "mm-2" "mm-3"

mm

outer(board,mm,paste,sep=':') #向量的外积 

 
#[,1]      
[,2]      
[,3]    
 

  #[1,] "b-1:mm-1" "b-1:mm-2" "b-1:mm-3"

  #[2,] "b-2:mm-1" "b-2:mm-2" "b-2:mm-3"

  #[3,] "b-3:mm-1" "b-3:mm-2" "b-3:mm-3"

  #[4,] "b-4:mm-1" "b-4:mm-2" "b-4:mm-3"

#拆分提取

board

substr(board,3,3) #子串

strsplit(board,'-',fixed=T) #拆分 

#修改

sub('-','.',board,fixed=T) #修改指定字符

board

mm                
#"mm-1" "mm-2" "mm-3"

sub('m','p',mm)   
#替换第一个匹配项 "pm-1" "pm-2" "pm-3"

gsub('m','p',mm)   #替换全部匹配项
"pp-1" "pp-2" "pp-3"

#查找

mm=c(mm, 'mm4')   #"mm-1" "mm-2"
"mm-3" "mm4"

mm

grep('-',mm)     
#1 2 3 向量中1,2,3包含'-'

regexpr('-',mm)  
#匹配成功会返回位置信息，没有找到则返回-1 

二、数据预处理

保证数据质量

准确性

完整性

一致性

冗余性

时效性

...

1、提取有效数据，需要业务人员配合（主观），及相关的技术手段保障

2、了解数据定义，统一对数据定义的理解

...

数据集成 : 对多数据源进行整合

数据转换 :

数据清洗 : 异常数据，缺失数据

数据约简 : 提炼，行，列




三、数据集成

通过merge对数据进行集成

#数据集成

#merge pylr::join (包::函数)

(customer =
data.frame(Id=c(1:6),State=c(rep("北京",3),rep("上海",3))))

(ol =
data.frame(Id=c(1,4,6,7),Product=c('IPhone','Vixo','mi','Note2')))

merge(customer,ol,by=('Id'))  #inner join

merge(customer,ol,by=('Id'),all=T) # full join

merge(customer,ol,by=('Id'),all.x=T)  # left outer
join 左链接，左边数据都在

merge(customer,ol,by=('Id'),all.y=T)  # right
outer join 右链接，右边数据都在

#union 去重 在df1 和df2 有相同的列名称下 

(df1=data.frame(id=seq(0,by=3,length=5),name=paste('Zhang',seq(0,by=3,length=5))))

(df2=data.frame(id=seq(0,by=4,length=4),name=paste('Zhang',seq(0,by=4,length=4))))

rbind(df1,df2)数据分析师培训

merge(df1,df2,all=T)    
#去重,不使用by

merge(df1,df2,by=('id')) #重名的列会被更改显示 

四、数据转换

构造属性

规范化（极差化、标准化）

离散化

改善分布