R语言实战读书笔记2—创建数据集(上)

2022-10-19 20:59:14

第二章创建数据集

2.1 数据集的概念

不同的行业对于数据集的行和列叫法不同。统计学家称它们为观测（observation）和变量（variable），数据库分析师则称其为记录（record）和字段（field），数据挖掘/机器学习学科的研究者则把它们叫做示例（example）和属性（attribute）。如表2.1所示

在表2-1所示的数据集中， PatientID 是行/实例标识符， AdmDate 是日期型变量， Age 是连续型变量， Diabetes 是名义型变量， Status 是有序型变量。

R可以处理的数据类型（模式）包括数值型、字符型、逻辑型（ TRUE / FALSE ）、复数型（虚数）和原生型（字节）。在R中， PatientID 、 AdmDate 和 Age 将为数值型变量，而 Diabetes 和Status 则为字符型变量。

2.2 数据结构

2.2.1 标量

标量是只含一个元素的向量，它们用于保存常量。

2.2.2 向量

向量是用于存储数值型、字符型或逻辑型数据的一维数组。执行组合功能的函数 c() 可用来创建向量。

这里， a 是数值型向量， b 是字符型向量，而 c 是逻辑型向量。

注意，单个向量中的数据必须拥有相同的类型或模式（数值型、字符型或逻辑型）。同一向量中无法混杂不同模式的数据。

2.2.3 矩阵

矩阵是一个二维数组，只是每个元素都拥有相同的模式（数值型、字符型或逻辑型）。可通过函数 matrix 创建矩阵。一般使用格式为：

其中 vector 包含了矩阵的元素， nrow 和 ncol 用以指定行和列的维数， dimnames 包含了可选的、以字符型向量表示的行名和列名。选项 byrow 则表明矩阵应当按行填充（ byrow=TRUE ）还是按列填充（ byrow=FALSE ），默认情况下按列填充。代码清单2-1中的代码演示了 matrix 函数的用法。

2.2.4 数组

数组（array）与矩阵类似，但是维度可以大于2。数组可通过 array 函数创建，形式如下：

其中 vector 包含了数组中的数据， dimensions 是一个数值型向量，给出了各个维度下标的最大值，而 dimnames 是可选的、各维度名称标签的列表。代码清单2-3给出了一个创建三维（2×3×4）数值型数组的示例。

2.2.5 数据框

由于不同的列可以包含不同模式（数值型、字符型等）的数据，数据框的概念较矩阵来说更为一般。数据框将是你在R中最常处理的数据结构。

数据框可通过函数 data.frame() 创建：

其中的列向量 col1, col2, col3,… 可为任何类型（如字符型、数值型或逻辑型）。每一列的名称可由函数 names 指定。

2.2.6 因子

变量可归结为名义型、有序型或连续型变量。糖尿病类型 Diabetes （ Type1 、 Type2 ）是名义型变量的一例。有序型变量表示一种顺序关系，而非数量关系。病情 Status （ poor , improved , excellent ）是顺序型变量的一个上佳示例。连续型变量可以呈现为某个范围内的任意值，并同时表示了顺序和数量。年龄 Age 就是一个连续型变量，它能够表示像14.5或22.8这样的值以及其间的其他任意值。

类别（名义型）变量和有序类别（有序型）变量在R中称为因子（factor）。

函数 factor() 以一个整数向量的形式存储类别值，整数的取值范围是[1... k ]（其中k 是名义型变量中唯一值的个数），同时一个由字符串（原始值）组成的内部向量将映射到这些整数上。