用R語言作數據清理

數據的清理

如同列夫托爾斯泰所說的那樣：「幸福的家庭都是類似的，不幸的家庭各有各的不幸」，糟糕的噁心的數據各有各的糟糕之處，好的數據集都是類似的。一份好的，乾淨而整潔的數據至少包括如下幾個要素：

一、每個觀測變量構成一列
二、每個觀測對象構成一行
三、每個類型的觀測單元構成一個表
就像咱們最常接觸的鳶尾花數據：

1.  
   ## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
2.  
   ## 1 5 .1 3.5 1.4 0.2 setosa
3.  
   ## 2 4 .9 3.0 1.4 0.2 setosa
4.  
   ## 3 4 .7 3.2 1.3 0.2 setosa
5.  
   ## 4 4 .6 3.1 1.5 0.2 setosa
6.  
   ## 5 5 .0 3.6 1.4 0.2 setosa

每一列就是觀測的指標：花瓣長度，花瓣寬度，萼片長度，萼片寬度，種類；每一行就是一株鳶尾花的觀測值，構成整張表的元素就是四個數值變量，一個分類分類變量。

然而出於排版的考慮咱們抓下來的數據每每不是那麼的友好，好比說咱們能夠看到的數據一般是這樣的：

1.  
   ## religion <10k 10k-50k 50k-100k
2.  
   ## 1 Agnostic 12 31 23
3.  
   ## 2 Buddhist 58 43 43
4.  
   ## 3 Catholic 79 56 23

而不是：

1.  
   ## religion income freq
2.  
   ## 1 Agnostic <10k 12
3.  
   ## 2 Agnostic 10k-50k 58
4.  
   ## 3 Agnostic 50k-100k 79
5.  
   ## 4 Buddhist <10k 31
   

固然，除了這種把列表每一列表明一些數值這種狀況外，還有多個變量儲存爲一列(好比列表不只以"<10k","10k-50k","50k-100k"作表頭，甚至還加上性別信息"m<10k","m10k-50k","m50k-100k"，"f<10k","f10k-50k","f50k-100k",其中m表明男性，f表明女性)，還有更過度的將列表的變量不只儲存在列中，行中也有統計變量。

面對這些很差的table，咱們首先要作的就是數據管理，將數據整理爲一個乾淨的數據集。

數據管理

按照en:DAMA的定義：「數據資源管理，致力於發展處理企業數據生命週期的適當的建構、策略、實踐和程序」。這是一個高層而包含普遍的定義，而並不必定直接涉及數據管理的具體操做（如關係數據庫的技術層次上的管理）。咱們這裏主要講述對於數據的變量命名與數據的合併，旨在方便數據共享。

數據管理首先要作的就是大體上了解你的數據，好比有什麼樣的變量，每一行大體長成什麼樣，最經常使用的就是head(),tail().
咱們要作的基本上就是這麼幾項工做：

• 給每個變量命名，而不是V1，V2，若是有必要能夠給出code book。

• 每一個變量名最好具備可讀性，除非過長，不然不要用縮寫，例如AgeAtDiagnosis這個命名遠好於AgeDx。

• 一般來講，最好將數據放在一張表裏面，若是由於數據過多，項目過雜，分紅了幾張表。那麼必定須要有一列使得這些表之間可以鏈接起來，但儘可能避免這樣作。
  

• 
  

咱們以UCI的Human Activity Recognition Using Smartphones Data Set 爲例來看看數據是如何變成一個基本符合要求的數據。這個數據咱們已經下載下來了，其中關於數據的詳細信息能夠參閱read me文檔，因爲UCI的數據一般都是一個基本合乎規範的數據集（主要是指它的數據集的變量名都是以V1，V2來命名的）加上一個code book。那麼咱們看看各個數據的名稱（在feature文件裏）

> setwd("C:/R/UCI HAR Dataset")> name<-read.table("./features.txt",stringsAsFactors = F)> head(name)  V1                V21  1 tBodyAcc-mean()-X2  2 tBodyAcc-mean()-Y3  3 tBodyAcc-mean()-Z4  4  tBodyAcc-std()-X5  5  tBodyAcc-std()-Y6  6  tBodyAcc-std()-Z

咱們能夠看到各個特徵的名稱直接標在數據上是很是不友善的，咱們爲了讓他具備可讀性，咱們以展現在咱們眼前的6個數據爲例：

variablename <- head(name)# 將標籤中的大寫字母轉爲小寫，咱們這裏沒有因此再也不賦值，若是須要全變爲大寫，可使用touppertolower(variablename$V2)

1.  
   ## [1] "tbodyacc-mean()-x" "tbodyacc-mean()-y" "tbodyacc-mean()-z"
2.  
   ## [4] "tbodyacc-std()-x" "tbodyacc-std()-y" "tbodyacc-std()-z"

# 將變量名分離成3部分splitNames <- strsplit(variablename$V2, "-")splitNames[[1]]

## [1] "tBodyAcc" "mean()" "X"

# 將變量名合成有意的名稱named <- function(x) { rr <- paste(x[2], x[1], "-", x[3], sep = "") chartr("()", "of", rr) } sapply(splitNames, named)

1.  
   ## [1] "meanoftBodyAcc-X" "meanoftBodyAcc-Y" "meanoftBodyAcc-Z"
2.  
   ## [4] "stdoftBodyAcc-X" "stdoftBodyAcc-Y" "stdoftBodyAcc-Z"

用這樣的名字給數據集命名就感受舒服多了，咱們將一些R中對字符串經常使用的操做函數總結以下，方便咱們對數據名稱的修改：

• sub：替換字符串中的第一個模式爲設定模式(pattern).

• gsub:全局替換字符串中的相應模式

• grep,grepl:這兩個函數返回向量水平的匹配結果，grep僅返回匹配項的下標，而grepl返回全部的查詢結果，並用邏輯向量表示有沒有找到匹配。

• nchar:統計字符串單字數目

• substr:取子串

• paste:將字符串連接起來，sep參數能夠設置鏈接符

• str_trim:去掉字符串空格

變量的名稱建議知足以下要求：

• 英文變量名儘量用小寫

• 儘量的描述清楚變量特徵 (Diagnosis versus Dx)

• 不要太複雜

• 不要有下劃線、點、空格
  

字符型變量應該知足：

• 是因子類型的應該轉化爲factor

• 因子儘量具備必定的描述性 (例如：若是0/1表示真假，那麼用TRUE/FALSE代替0/1；在表示性別時用Male/Female代替M/F)

接下來咱們討論數據集的合併，主要使用函數merge。
咱們如下面兩個數據集的合併爲例：

df1 <- data.frame(id = sample(1:10), reviewer_id = sample(5:14), time_left = sample(1321:1330), x = rnorm(10))df2 <- data.frame(id = sample(1:10), answer = rep("B", 10), time_left = sample(321:330), y = rnorm(10)) head(df1, n = 3)

1.  
   ## id reviewer_id time_left x
2.  
   ## 1 3 9 1326 -0.9232
3.  
   ## 2 10 5 1322 2.5069
4.  
   ## 3 1 14 1330 2.2478

head(df2, n = 3)

1.  
   ## id answer time_left y
2.  
   ## 1 1 B 329 0.8180
3.  
   ## 2 10 B 327 1.4639
4.  
   ## 3 9 B 323 0.8141

merge函數調用格式爲：

1.  
   merge(x, y, by = intersect(names(x), names(y)),
2.  
   by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all,
3.  
   sort = TRUE, suffixes = c(".x",".y"),
4.  
   incomparables = NULL, ...)

參數說明：

• x,y:兩個數據框

• by, by.x, by.y:指定用於合併的列的名稱。

• all,all.x,all.y:默認的all = FALSE至關於天然鏈接, 或者說是內部連接. all.x = TRUE是一個左鏈接, all.y = TRUE是一個又鏈接, all = TRUE 至關於一個外部連接.

仔細觀察下面3個例子你就會發現其中的奧祕：

mergedData <- merge(df1,df2,by.x="reviewer_id",by.y="id",all=TRUE) head(mergedData)

1.  
   ## reviewer_id id time_left.x x answer time_left.y y
2.  
   ## 1 1 NA NA NA B 329 0.8180
3.  
   ## 2 2 NA NA NA B 330 -0.7706
4.  
   ## 3 3 NA NA NA B 325 -0.4851
   

mergedData <- merge(df1,df2,by.x="id",by.y="id",all=TRUE) head(mergedData)

1.  
   ## id reviewer_id time_left.x x answer time_left.y y
2.  
   ## 1 1 14 1330 2 .24783 B 329 0.8180
3.  
   ## 2 2 12 1324 1 .03181 B 330 -0.7706
4.  
   ## 3 3 9 1326 -0.92317 B 325 -0.4851
5.  
   ## 4 4 7 1321 -0.07841 B 322 0.1801
   

mergedData2 <- merge(df1,df2,all=TRUE) head(mergedData2)

1.  
   ## id time_left reviewer_id x answer y
2.  
   ## 1 1 329 NA NA B 0.8180
3.  
   ## 2 1 1330 14 2.2478 <NA> NA
4.  
   ## 3 2 330 NA NA B -0.7706
   

在plyr包中還提供了join，join_all，arrange等函數來實現表的鏈接，但我想merge這個函數已經足夠用了，因此咱們不在多說。固然，在極少數特別好的狀況下（好比列的變量是一致的，或者行的觀測個體是一致的時候）rbind,cbind也是有用的。

有些時候咱們會遇到一些特殊的字符串：日期。R中提供了各式各樣的函數來處理時間：

Sys.setlocale("LC_TIME", "C")

## [1] "C"

x <- c("1jan1960", "2jan1960", "31mar1960", "30jul1960")z <- as.Date(x, "%d%b%Y") format(z, "%a %b %d")

## [1] "Fri Jan 01" "Sat Jan 02" "Thu Mar 31" "Sat Jul 30"

weekdays(z)

## [1] "Friday" "Saturday" "Thursday" "Saturday"

julian(z)

1.  
   ## [1] -3653 -3652 -3563 -3442
2.  
   ## attr(,"origin")
3.  
   ## [1] "1970-01-01"

transform(z, weekend = as.POSIXlt(z, format = "%Y/%m/%d")$wday %in% c(0, 6))

1.  
   ## X_data weekend
2.  
   ## 1 1960-01-01 FALSE
3.  
   ## 2 1960-01-02 TRUE
4.  
   ## 3 1960-03-31 FALSE
5.  
   ## 4 1960-07-30 TRUE

數據操做與整合

說到數據操做，這也是一個十分寬泛的話題，在這裏咱們就如下4個方面進行介紹：

• 數據的篩選，過濾：根據一些特定條件選出或者刪除一些觀測

• 數據的變換：增長或者修改變量

• 數據的彙總：分組計算數據的和或者均值

• 數據的排序：改變觀測的排列順序
  

然而在進行這一切以前首先要作的就是了解你的數據，咱們以世界銀行的數據Millennium Development Goals爲例，來一步步演示如何進行數據操做：

if (!file.exists("C:/Users/yujun/Documents/MDG_Data.csv")) { download.file("http://databank.worldbank.org/data/download/MDG_csv.zip","F:/MDG.zip") unzip("F:/MDG.zip") }MDstats<-read.csv("C:/Users/yujun/Documents/MDG_Data.csv")

首先先來看一部分數據：

head(MDstats)

1.  
   ## Country.Name Country.Code
2.  
   ## 1 Afghanistan AFG
3.  
   ## 2 Afghanistan AFG
4.  
   ## 3 Afghanistan AFG
   

tail(MDstats)

1.  
   ## Country.Name Country.Code
2.  
   ## 33093 Zimbabwe ZWE
3.  
   ## 33094 Zimbabwe ZWE
4.  
   ## 33095 Zimbabwe ZWE
5.  
   ## 33096 Zimbabwe ZWE
   

咱們顯然發現了這不是一個tidy data，那麼咱們先將其變換爲咱們喜歡的tidy data，以後再看看數據摘要及數據集各單元的屬性：

1.  
   ## countryname countrycode
2.  
   ## 1 Afghanistan AFG
3.  
   ## 2 Afghanistan AFG
4.  
   ## 3 Afghanistan AFG
5.  
   ## 4 Afghanistan AFG
6.  
   ## 5 Afghanistan AFG
7.  
   ## 6 Afghanistan AFG
8.  
   ## indicatorname
9.  
   ## 1 Adolescent fertility rate (births per 1,000 women ages 15-19)
10.  
    ## 2 Agricultural support estimate (% of GDP)

咱們能夠看看各個數值數據的分位數：

quantile(MDstatsMelt$value,na.rm=TRUE)

1.  
   ## 0% 25% 50% 75% 100%
2.  
   ## -9.431e+08 1.054e+01 5.060e+01 9.843e+01 7.526e+13

看看各個國家的統計數據有多少：

table(MDstatsMelt$countrycode)

1.  
   ##
2.  
   ## ABW ADO AFG AGO ALB ARB ARE ARG ARM ASM ATG AUS AUT AZE BDI
3.  
   ## 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216
4.  
   ## BEL BEN BFA BGD BGR BHR BHS BIH BLR BLZ BMU BOL BRA BRB BRN
   

看看缺失值：

sum(is.na(MDstatsMelt$value)) #總的缺失值

## [1] 495519

colSums(is.na(MDstatsMelt))  #每一列的缺失值

1.  
   ## countryname countrycode indicatorname indicatorcode year
2.  
   ## 0 0 0 0 0
3.  
   ## value
4.  
   ## 495519

# 若是咱們用回tidy前的數據集，那麼這個函數會顯得比較有用colSums(is.na(MDstats))

1.  
   ## Country.Name Country.Code Indicator.Name Indicator.Code X1990
2.  
   ## 0 0 0 0 23059
3.  
   ## X1991 X1992 X1993 X1994 X1995
4.  
   ## 22293 21672 21753 21491 20970
5.  
   ## X1996 X1997 X1998 X1999 X2000
6.  
   ## 20680 20448 20419 19933 18822
   

# 等價的處理方式stat <- function(x) { sum(is.na(x)) } tapply(MDstatsMelt$value, MDstatsMelt$year, stat)

1.  
   ## X1990 X1991 X1992 X1993 X1994 X1995 X1996 X1997 X1998 X1999 X2000 X2001
2.  
   ## 23059 22293 21672 21753 21491 20970 20680 20448 20419 19933 18822 19598
3.  
   ## X2002 X2003 X2004 X2005 X2006 X2007 X2008 X2009 X2010 X2011 X2012 X2013
4.  
   ## 19119 19478 19269 18704 19044 18641 19256 19162 18756 20360 21967 30625

統計某個國家的統計數據佔總統計數目的多少

table(MDstatsMelt$countryname %in% c("China"))

1.  
   ##
2.  
   ## FALSE TRUE
3.  
   ## 791136 3216

prop <- table(MDstatsMelt$countryname %in% c("China"))[2]/sum(table(MDstatsMelt$countryname %in% c("China")))prop

1.  
   ## TRUE
2.  
   ## 0.004049

看看數據集的大小：

object.size(MDstatsMelt)

## 22301832 bytes

print(object.size(MDstatsMelt),units="Mb")

## 21.3 Mb

至此，咱們能夠說咱們對數據有了必定的瞭解。另外值得一提的是，對於某些特定的數據，也許xtabs，ftable是有用的。

數據的篩選

要提取相應內容的數據，最爲經常使用的就是提取相應元素，好比提取某個元素，提取某一行，某一列。咱們經過下面下面的例子來學習：

data<-data.frame(a=sample(1:10),b=rep(c("a","b"),each=5),cdf=rnorm(10))data

1.  
   ## a b cdf
2.  
   ## 1 1 a 0.5755
3.  
   ## 2 10 a 0.8087
4.  
   ## 3 2 a 0.9810
5.  
   ## 4 7 a -0.4635
6.  
   ## 5 4 a 0.5094
   

#提取相應元素data[2,1]

## [1] 10

data[[1]][[2]]

## [1] 10

data[[c(1,2)]]

## [1] 10

data$a[2]

## [1] 10

#提取某一列data[[3]]

1.  
   ## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
2.  
   ## [9] 1.0004 -1.3566

data$cdf

1.  
   ## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
2.  
   ## [9] 1.0004 -1.3566

data$c

1.  
   ## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
2.  
   ## [9] 1.0004 -1.3566

data[["c"]]

## NULL

data[["c", exact = FALSE]]

1.  
   ## [1] 0.5755 0.8087 0.9810 -0.4635 0.5094 1.0514 -1.5338 1.0047
2.  
   ## [9] 1.0004 -1.3566

數據的篩選還有一個最爲經常使用的的就是移除缺失值：

data<-data.frame(a=c(sample(1:5),NA,NA,sample(6:10)),b=c(rep(c("a","b"),each=5),NA,NA),cdf=rnorm(12))data

1.  
   ## a b cdf
2.  
   ## 1 5 a -0.276400
3.  
   ## 2 1 a -1.861240
   

good <- complete.cases(data)data[good, ]

1.  
   ## a b cdf
2.  
   ## 1 5 a -0.2764
3.  
   ## 2 1 a -1.8612
4.  
   ## 3 3 a -2.0280
   

bad <- as.data.frame(is.na(data))data[!(bad$a|bad$b|bad$c),]

1.  
   ## a b cdf
2.  
   ## 1 5 a -0.2764
3.  
   ## 2 1 a -1.8612
   

數據篩選有時是爲了得到符合條件的數據：

X <- data.frame("var1"=sample(1:5),"var2"=sample(6:10),"var3"=sample(11:15))X <- X[sample(1:5),]; X$var2[c(1,3)] = NAX

1.  
   ## var1 var2 var3
2.  
   ## 2 5 NA 13
3.  
   ## 5 3 6 15
4.  
   ## 1 2 NA 12
5.  
   ## 3 1 8 11
6.  
   ## 4 4 9 14

X[(X$var1 <= 3 & X$var3 > 11),]

1.  
   ## var1 var2 var3
2.  
   ## 5 3 6 15
3.  
   ## 1 2 NA 12

subset(X,(X$var1 <= 3 & X$var3 > 11))

1.  
   ## var1 var2 var3
2.  
   ## 5 3 6 15
3.  
   ## 1 2 NA 12

X[(X$var1 <= 3 | X$var3 > 15),]

1.  
   ## var1 var2 var3
2.  
   ## 5 3 6 15
3.  
   ## 1 2 NA 12
4.  
   ## 3 1 8 11

X[which(X$var1 <= 3 | X$var3 > 15),]

1.  
   ## var1 var2 var3
2.  
   ## 5 3 6 15
3.  
   ## 1 2 NA 12
4.  
   ## 3 1 8 11

對於取子集的函數subset，在幫助文檔中有一段warning是值得咱們注意的：「This is a convenience function intended for use interactively. For programming it is better to use the standard subsetting functions like [, and in particular the non-standard evaluation of argument subset can have unanticipated consequences."

數據的變換

常見的數據變換函數有：

• abs(x) 絕對值

• sqrt(x) 開根號

• ceiling(x) 求上線，例：ceiling(3.475) = 4

• floor(x) 求下線，例：floor(3.475) = 3

• round(x,digits=n) 四捨五入，例：round(3.475,digits=2) = 3.48

• signif(x,digits=n) 四捨五入，例：signif(3.475,digits=2) = 3.5

• cos(x), sin(x) etc.三角變換

• log(x) 對數變換

• log2(x), log10(x) 以二、10爲底的對數變換

• exp(x) 指數變換
  

除此之外，咱們還常常對數據加標籤，以期在迴歸中測量其效應。咱們以MASS包的shuttle數據集爲例,想知道不一樣類型的風(wind)是否須要使用不一樣的裝載機(use)，這裏咱們但願將head wind標記爲1，auto use也記爲1，咱們能夠按照以下辦法設置虛擬變量：

library(MASS)
data(shuttle) head(shuttle)

1.  
   ## stability error sign wind magn vis use
2.  
   ## 1 xstab LX pp head Light no auto
3.  
   ## 2 xstab LX pp head Medium no auto
4.  
   ## 3 xstab LX pp head Strong no auto
5.  
   ## 4 xstab LX pp tail Light no auto
6.  
   ## 5 xstab LX pp tail Medium no auto
7.  
   ## 6 xstab LX pp tail Strong no auto

## Make our own variables just for illustrationshuttle$auto <- 1 * (shuttle$use == "auto")shuttle$headwind <- 1 * (shuttle$wind == "head") head(shuttle)

1.  
   ## stability error sign wind magn vis use auto headwind
2.  
   ## 1 xstab LX pp head Light no auto 1 1
3.  
   ## 2 xstab LX pp head Medium no auto 1 1
   

固然對於因子類型變量，relevel函數在線性模型的分析中也是能取得等價效果的。

有些時候，咱們還經常將連續數據離散化，這時咱們須要用到函數cut：

data <- rnorm(1000) table(cut(data, breaks = quantile(data)))

1.  
   ##
2.  
   ## ( -3.28,-0.637] (-0.637,0.0321] (0.0321,0.672] (0.672,3.37]
3.  
   ## 249 250 250 250

library(Hmisc)
table(cut2(data, g = 4))

1.  
   ##
2.  
   ## [-3.2847,-0.6372) [-0.6372, 0.0334) [ 0.0334, 0.6829) [ 0.6829, 3.3704]
3.  
   ## 250 250 250 250

detach("package:Hmisc", unload = TRUE)

得到分組區間後，咱們只須要將區間的因子重命名就成功的實現了數據的離散化。

數據的彙總

對數據進行彙總，分類匯老是咱們也比較經常使用的，好比對行或列求和，求均值，求分位數：

data <- matrix(1:16, 4, 4)data

1.  
   ## [,1] [,2] [,3] [,4]
2.  
   ## [1,] 1 5 9 13
3.  
   ## [2,] 2 6 10 14
4.  
   ## [3,] 3 7 11 15
5.  
   ## [4,] 4 8 12 16

apply(data, 2, mean)

## [1] 2.5 6.5 10.5 14.5

apply(data, 1, sum)

## [1] 28 32 36 40

apply(data, 1, quantile, probs = c(0.25, 0.75))

1.  
   ## [,1] [,2] [,3] [,4]
2.  
   ## 25% 4 5 6 7
3.  
   ## 75% 10 11 12 13

apply(data, 2, quantile, probs = c(0.25, 0.75))

1.  
   ## [,1] [,2] [,3] [,4]
2.  
   ## 25% 1 .75 5.75 9.75 13.75
3.  
   ## 75% 3 .25 7.25 11.25 15.25

有時候，爲了更快些，咱們會用一些函數替代apply：

• rowSums = apply(x, 1, sum)

• rowMeans = apply(x, 1, mean)

• colSums = apply(x, 2, sum)

• colMeans = apply(x, 2, mean)

咱們有時也會處理一些列表，對列表的分類彙總咱們會用到sapply,lapply，不一樣的是前者返回一個向量或矩陣，後者返回一個列表，例：

x <- list(a = 1:10, beta = exp(-3:3), logic = c(TRUE,FALSE,FALSE,TRUE)) lapply(x, mean)

1.  
   ## $a
2.  
   ## [1] 5.5
3.  
   ##
4.  
   ## $beta
5.  
   ## [1] 4.535
6.  
   ##
7.  
   ## $logic
8.  
   ## [1] 0.5

sapply(x, mean)

1.  
   ## a beta logic
2.  
   ## 5.500 4.535 0.500

# median and quartiles for each list elementlapply(x, quantile, probs = 1:3/4)

1.  
   ## $a
2.  
   ## 25% 50% 75%
3.  
   ## 3.25 5.50 7.75
4.  
   ##
5.  
   ## $beta
6.  
   ## 25% 50% 75%
7.  
   ## 0.2516 1.0000 5.0537
8.  
   ##
9.  
   ## $logic
10.  
    ## 25% 50% 75%
11.  
    ## 0.0 0.5 1.0

sapply(x, quantile)

1.  
   ## a beta logic
2.  
   ## 0% 1 .00 0.04979 0.0
3.  
   ## 25% 3 .25 0.25161 0.0
4.  
   ## 50% 5 .50 1.00000 0.5
5.  
   ## 75% 7 .75 5.05367 1.0
6.  
   ## 100% 10 .00 20.08554 1.0

有時候咱們還會進行分類彙總，如統計男女工資均值,這時你能夠用tapply：

group <- (rbinom(32, n = 20, prob = 0.4))groups <- factor(rep(1:2,10)) tapply(group, groups, length) 

1.  
   ## 1 2
2.  
   ## 10 10

tapply(group, groups, sum)

1.  
   ## 1 2
2.  
   ## 135 122

tapply(group, groups, mean)

1.  
   ## 1 2
2.  
   ## 13.5 12.2

數據的排序

數據的排序須要用到的函數常見的有sort和order，其中sort返回排序的結果，order返回對應數據的排名。例：

X <- data.frame("var1"=sample(1:5),"var2"=sample(6:10),"var3"=sample(11:15))X <- X[sample(1:5),]X$var2[c(1,3)] <- NAsort(X$var2,decreasing=TRUE)

## [1] 9 8 6

sort(X$var2,decreasing=TRUE,na.last=TRUE)

## [1] 9 8 6 NA NA

order(X$var2,decreasing=TRUE)

## [1] 2 5 4 1 3

order(X$var2,decreasing=TRUE,na.last=TRUE)

## [1] 2 5 4 1 3

X[order(X$var2),]

1.  
   ## var1 var2 var3
2.  
   ## 2 1 6 13
3.  
   ## 5 5 8 15
4.  
   ## 4 4 9 11
5.  
   ## 1 2 NA 14
6.  
   ## 3 3 NA 12

#deal with the linkX$var2[c(1)] <- sample(na.omit(X$var2),1)X[order(X$var2,X$var3),]

1.  
   ## var1 var2 var3
2.  
   ## 2 1 6 13
3.  
   ## 5 5 8 15
4.  
   ## 4 4 9 11
5.  
   ## 1 2 9 14
6.  
   ## 3 3 NA 12

有些時候，更爲強大的aggregate函數是咱們須要的，咱們以R的內置數據集state.x77爲例：

aggregate(state.x77,          list(Region = state.region, Cold = state.x77[,"Frost"] > 130), mean)

1.  
   ## Region Cold Population Income Illiteracy Life Exp Murder HS Grad
2.  
   ## 1 Northeast FALSE 8802.8 4780 1.1800 71.13 5.580 52.06
3.  
   ## 2 South FALSE 4208.1 4012 1.7375 69.71 10.581 44.34
4.  
   ## 3 North Central FALSE 7233.8 4633 0.7833 70.96 8.283 53.37
5.  
   ## 4 West FALSE 4582.6 4550 1.2571 71.70 6.829 60.11
6.  
   ## 5 Northeast TRUE 1360.5 4308 0.7750 71.44 3.650 56.35
7.  
   ## 6 North Central TRUE 2372.2 4589 0.6167 72.58 2.267 55.67
   

固然，這裏還有一個更爲基本與靈活的函數，split，能夠幫助你將數據分爲若干張知足分類條件的表，你能夠一張一張的處理它們：

library(datasets)
head(airquality)

1.  
   ## Ozone Solar.R Wind Temp Month Day
2.  
   ## 1 41 190 7.4 67 5 1
3.  
   ## 2 36 118 8.0 72 5 2
4.  
   ## 3 12 149 12.6 74 5 3
5.  
   ## 4 18 313 11.5 62 5 4