R简易入门（二）

本文内容来源：https://www.dataquest.io/mission/128/working-with-data-frames

本文摘要：简单介绍一下用R处理数据

原始数据展示（这是一份UFO的目击统计报告，每一行代表了一份目击报告的信息，date sighted - 目击UFO的日期， date reported - 报告日期，duration - 目击时长， latitude - 纬度， longitude - 经度）

date sighted,date reported,duration,city,state,geocode score,geocode precision,latitude,longitude

20040616,20040617,1 minute, Willoughby Hills, OH,0.743,zip,25.3166667,85.2833333

20021116,20021120,30 seconds, Halls Gap (near Melbourne) (NSW, Australia),0.768,zip,-37.8139965641595,144.963322877884

19920615,19961203,2-3 mins, River Falls, WI,0.757,zip,39.3666667,22.9458333

读取数据

ufos <- read.csv('ufo_sightings.csv')

print( head(ufos, 5)) # 输出文件的前5行

print( tail(ufos, 5))  # 输出文件的后5行

print( str(ufos)) # 以更容易阅读的格式输出，同时输出没一列的数据类型

任务一：统计每一年的UFO报告数量

因为要统计每一年报告的数量，即要处理的是date.reported这一列的数据，由于每个数据都包含了年月日，而现在只需要年份，所以可以将数据格式转换为字符类型，然后截断前四位的年份数据即可

dateReported <- as.character(ufos$date.reported)

使用as.character函数来转变数据类型为字符类型，同理，as.int函数转变为整数类型；ufos$date.reported 返回的是ufos中的date.reported这一列，等价于ufos[,"date.sighted"]

使用substr函数来截断数据，该函数的第一个参数指定要截断的数据，第二个参数指定起始位置，第三个参数指定结束位置

years <- substr(dateSighted, 1, 4)

统计每一个年份究竟出现了多少次，可以直接使用table函数

print( table(years))

任务二：去掉不合理的数据

如果UFO的报告日期date.reported比目击日期date.sighted要前，则说明该数据是不合理的，需要去掉

在上面已经使用过了as.character(ufos$date.reported)来讲日期数据转换为字符格式，现在将字符格式转换为数据格式（不能将数字格式转换为日期格式）

dateSighted <- as.character(ufos$date.sighted)

dateSighted <- as.Date(dateSighted, "%Y%m%d")

dateReported <- as.Date(as.character(ufos$date.reported), '%Y%m%d')

原来的数据中的某个日期，譬如：20040617，所以需要指定日期格式为%Y%m%d，如果原数据的格式为2004/06/17，则使用s.Date("2004/06/17", "%Y%m%d")，即格式一定要对应好

对两个日期数据进行减法运算

delay = dateReported - dateSighted

对两个向量进行运算，会分成两个情况

如果两个向量长度相同，则对同一个位置的两个数据进行运算，譬如a <- c(3,4,5)和 b <- c(3,2,1)， a - b的结果为c(0,2,4)
如果两个向量长度不同，就会对少元素的那个向量进行循环运算，譬如a <- c(3,4,5)和b <- 1，a - b的结果是将a中的每个元素都减去b中的唯一一个元素，结果为c(2,3,4)；更加诡异的是a <- c(3,4,5,6,7)和b <- c(1,2)，此时a - b实际上是将a中的元素按两个一组分别减去b的元素，结果为c(2,2,4,4,6)

布尔运算，对两个向量进行布尔比较会返回一个只包含布尔值的向量

a <- c(1,2,3)

b <- c(5,2,5)

print(a > b) # 输出 [1] FALSE FALSE FALSE

positiveDelays <- delay > 0 # 判断数据是否合理

过滤数据，可以使用一个只有布尔值的向量来过滤另一个向量或data frame，只保留那些在同样位置为TRUE的值

filter <- c(TRUE, FALSE, TRUE, FALSE)

bestPlanets <- c("Earth", "Mars", "Jupiter", "Venus")

print(bestPlanets[filter]) # 输出[1] "Earth"   "Jupiter"

filter <- c(FALSE, FALSE, TRUE, TRUE)

bestIceCreamFlavors <- data.frame(c("Peanut Butter Oreo", "Cookie Dough", "Mint Chocolate Chip", "Peanut Butter Cup"))

twoFlavors <- bestIceCreamFlavors[filter,]

print(twoFlavors)

要注意，对于data frame变量，过滤的时候使用的是[filter, ]而不是[filter]，data.frame函数用来组合多列数据为一个新的data frame，该函数的每一个参数都代表了一个向量

dates = data.frame(dateReported, dateSighted)

positiveDates <- dates[positiveDelays,]

处理缺失数据

对于缺失的数据，R会使用一个NA来代替，可以使用na.omit函数来移除所有含有空数据的行，他的参数是一个data frame

cleanDates <- na.omit(positiveDates)