《R语言与商业智能》读书笔记

发表于 更新于 分类于 阅读次数： 本文字数： 3.9k 阅读时长 ≈ 14 分钟

学习《R语言与商业智能》 ，为了加深记忆，边读边做笔记。如有侵权，立即删除。

第 1 章 R简介

R是用于统计分析、统计绘图的语言和操作环境，是属于GNU系统的一个自由、免费、源代码开放的软件，也是一个用于统计计算和统计制图的优秀工具。

R的功能

R是一套完整的数据处理、计算和制图软件系统。其功能包括：数据存储和处理系统、数组运算工具（在向量、矩阵运算方面的功能尤其强大）、完整连贯的统计分析工具、优秀的统计制图功能、简便而强大的编程语言、可操纵数据的输入和输出，可实现分支、循环、用户可自定义功能。

与其说R是一种统计软件，还不如说R是一种数学计算的环境，因为R并不是仅仅提供若干统计程序，使用者只需指定数据来源和若干参数便可进行统计分析。R的思想是：它可以提供一些集成的统计工具，但更大量的是它提供各种数学计算、统计计算的函数，从而使使用者能灵活机动地进行数据分析，甚至创造出符合需要的新的统计计算方法。

R语言的语法表面上类似C，但在语义上是函数设计语言（functional programming language）的变种，并且和Lisp以及APL有很强的兼容性。特别的是，它允许在“语言上计算”(computing on the language)。这使得它可以把表达式作为函数的输入参数，而这种做法对统计模拟和绘图非常有用。

CRAN 和 Bioconductor

CRAN为 Comprehensive R Archive Network（R综合典藏网）的简称。它除了收藏了R可执行文件、源代码和说明文件，也收录了用户撰写的各种软件包。

R的缺点

  1. R是一种解释性语言，和编译语言相比，速度显得略慢一点，但是随着硬件和R自身的发展，这个问题已经慢慢消失了。
  2. R所有的计算都是在内存中进行的。
  3. 由于R语言的自由，各种包的编写者来自不同的领域，所以在一定程度上是比较混乱的，没有统一的命名格式，参数格式不一，源代码和文档质量良莠不齐。

R的使用

第一次使用R

在R中可以使用“=”，也可是使用“<-”来赋值，在实际使用中，这两种方法几乎没有区别。但是，一般在赋值的时候使用箭头，在传递参数的时候使用等号（必须使用等号，虽然有的时候用箭头也可以运行，但是很危险）。

1
2
3
4
5
6
> x<-1:10
> x
 [1]  1  2  3  4  5  6  7  8  9 10
> y=1:10
> y
 [1]  1  2  3  4  5  6  7  8  9 10

不推荐使用等号赋值。在R中使用井号“#”来注释。

获取帮助

1
2
3
4
5
6
7
8
#查看函数的帮助
help(rnorm)        #等价于?rnorm
#模糊查询
help.search("rnor")#等价于??rnor
#查看一个函数的例子的运行结果
example("rnorm")
#列出包当中的小短文
vignette()

工作空间和工作目录

R是在内存中运行的，所使用的数据和函数等都在内存中，这被称为之为工作空间。可以使用ls()来列出当前工作空间中的多有对象，使用rm()来删除工作空间中的某一个对象，特别地，可以使用rm(list=ls(all.names=T))来删除所有的对象，包括其中隐藏的对象。

另外一个概念是工作目录，工作目录是一个文件夹的路径，这个路径表示的是当前在哪一个文件夹下工作。在存取文件时，如果不指定路径的话，就会默认为这个文件夹。在R中，可以使用getwd(即get work directory)函数来获得当前目录，如果要改变当前工作目录，可以使用setwd函数来设置。

包的安装和使用

在R中使用命令来安装包

1
2
3
4
5
6
# 在R中使用命令来安装包
install.packages("安装的包名",dependencies=TRUE)
# 加载一个包
library("包名")
# 查看一个包的使用说明
library(help="包名")

一个包在安装完成后需要先加载才能使用。

第 2 章 数据结构

数据结构

向量

向量是用来储存一维数据的，其中的数据必须具有相同的数据类型，比如都是整数或者都是字符。可以用c()来创建向量。

1
2
3
> v.number<-c(1,2,3,4,5,6)
> v.char<-c("Jane","Justin","Tom")
> v.bool<-c(TRUE,FALSE,FALSE)

在R中除了0、NULL和NA之外的其他值都是真，其中NULL和NA是无法辨认真假的，可以通过以下例子来理解：

1
2
3
4
5
6
7
> if(-1) print("true")    #-1为真
[1] "true"
> if(0) print("false")    #无输出
> if(NA) print("false")   #报错，无法比较
Error in if (NA) print("false") : missing value where TRUE/FALSE needed
> if(NULL) print("false") #报错，无法比较
Error in if (NULL) print("false") : argument is of length zero

在R中，如果在一个向量中有两种不同的数据类型，那么数据之间会进行转化，转化的顺序为由低级向高级转换，数据类型的的高低级顺序为”NULL<raw<integer<double<complex<character<list<expression”。

1
2
3
4
5
6
7
8
9
> x<-c(1:10,"Jane")
> x
 [1] "1"    "2"    "3"    "4"    "5"    "6"    "7"    "8"    "9"    "10"
[11] "Jane"
> class(x) #返回变量的数据类型
[1] "character"
> y<-c(1:10)
> class(y)
[1] "integer"

可以通过方括号来访问向量中的元素，注意，在R中，向量的下标是从1开始的，而不是0。

1
2
3
4
5
6
7
8
9
10
11
12
> x<-c(1:10)
> x[0]          #x[0]返回的是一个和x类型相同的空对象
integer(0)
>
> x[1]          #取出第1个元素
[1] 1
> x[2:4]        #取出第2到第4个元素
[1] 2 3 4
> x[-1]         #取出除了第1个以外的元素
[1]  2  3  4  5  6  7  8  9 10
> x[11]         #返回NA值，注意和x[0]的不同
[1] NA

上面出现了x[-1]，在R中，这种写法表示的意思是：除了第1个元素之外的其他元素。

注意：在给变量命名的时候，需要符合一定的规则，必须是以字母或者“.”开头，并且“.”开头的名字后的第一个字符只能是下划线（“_”）或者字母。想要规范R语言命名和编程规范，推荐Google的R语言编程风格指南（Google’s R Style Guide）。

矩阵

矩阵是一个二维数组，和向量一样，在创建它的时候，也需要注意其数据应该具有相同的数据类型，可以使用函数matrix来创建，matrix的使用方法为：

1
matrix(data=NA,nrow=1,ncol=1,byrow=FALSE,dimnames=NULL)

data表示一个向量，也就是需要创建的矩阵中的元素。nrow表示行数，ncol表示列数。byrow是一个逻辑值，如果为TRUE，则会按照行来排列，在默认的情况下，是按照列排列的。R中是列优先而不是行优先，这对于使用单下标获取元素有影响。dimnames表示向量的行和列的名字，在默认的情况下是没有名字的。与向量类似，可以通过下标来取出元素，比如x[1,2]表示第一行第二列的元素，则x[,1]则表示所有行的第一列元素。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
> rowName<-paste("row",1:3,sep='') #创建行名
> colName<-paste("col",1:4,sep='') #创建列名
> (m1<-matrix(data=1:12,nrow=3,byrow=TRUE,dimnames=list(rowName,colName)))
     col1 col2 col3 col4
row1    1    2    3    4
row2    5    6    7    8
row3    9   10   11   12
>
> (m2<-matrix(data=1:12,nrow=3,byrow=FALSE,dimnames = list(rowName,colName)))
     col1 col2 col3 col4
row1    1    4    7   10
row2    2    5    8   11
row3    3    6    9   12
> m1[1,2]
[1] 2
> m1[1,2:4]
col2 col3 col4
   2    3    4
> m1[,1]
row1 row2 row3
   1    5    9
> m1[3]    #等价于m1[3,1]
[1] 9

这里需要注意m1[3]的值，因为列优先，所以m1[3]和m1[3,1]是等价的。此外，上面使用了paste来构建行名和列名，关于paste函数的具体用法，在讲解字符串函数的时候会进行分析。

数组

数组可以看成是矩阵的一个扩展，矩阵的维度只能是2，而数组的维度则可以更高，仍然要注意，数组数据的类型也要相同。可以通过函数array来创建数组，array函数的一般使用方法为：

1
array(data = NA,dim = length(data),dimnames = NULL)

data表示一个向量，也就是我们想要用来构建数组的数据；dim表示数据的维度，也是一个向量，其默认值是数据的长度，也就是说默认建立1xn的向量；dimnames用来指定各个维度上的名字。与向量和矩阵类似，仍然通过下标来获取元素。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
> dim1Name<-paste("A",1:3,sep='')
> dim2Name<-paste("B",1:4,sep='')
> dim3Name<-paste("C",1:2,sep='')
> (a<-array(1:24,dim=c(3,4,2),dimnames=list(dim1Name,dim2Name,dim3Name)))
, , C1

   B1 B2 B3 B4
A1  1  4  7 10
A2  2  5  8 11
A3  3  6  9 12

, , C2

   B1 B2 B3 B4
A1 13 16 19 22
A2 14 17 20 23
A3 15 18 21 24

> a[1,1,1]
[1] 1
> a[1,2,]
C1 C2
 4 16
> a[1,,]
   C1 C2
B1  1 13
B2  4 16
B3  7 19
B4 10 22
> a[,1,]
   C1 C2
A1  1 13
A2  2 14
A3  3 15

因子

变量有连续性变量和非连续性变量之分，而非连续性变量又有有序和无序之分。对于连续性变量，使用数字来表示是有意义的，可以对其进行代数计算。而对于非连续型变量，它们有的有次序之分，有的无次序之分，变量只是用来标识不同的事件。在R中，对于连续性变量，使用integer（整数）或者numeric（实数）等类型的数据来表示；而对于非连续性变量，则专门使用一种称之为因子的类型来描述这种变量。在R中创建和改变因子会用到两个函数：factor和levels。

1
2
factor(x = character(), levels,labels = levels, exclude = NA,ordered = is.ordered(x),nmax = NA)
levels(x)

x 表示需要创建为因子的数据，是一个向量；levels表示所创建的因子数据的水平，如果不指定的话，就是x中不重复的所有值；labels用来标识这一水平的名称，与水平一一对应，labels是为了更加方便用户识别；exclude表示有哪些水平是不需要的；ordered是一个逻辑值，如果是TRUE，则表示有序因子，是FALSE则表示无序因子；nmax表示的是水平个数的上限。

列表

list是一个强大的容器，可以在其中放入各种类型的的变量，比如数字、字符、向量、矩阵、数组以及数据框，甚至是列表本身。

1
list(x1,x2,x3,...)

列表的参数就是要放入列表的元素。访问列表有两种方式，既可以通过下标来访问列表，也可以使用符号$来访问。使用[ ]时，必须使用精确值来匹配；而使用$时，则可以使用模糊匹配。对于[[ ]]的使用，可以这样理解：对于一个列表，用下标[ ]取出来后的元素仍然是一个列表，所以需要把它解析成向量的时候，需要再加一个[ ]。

数据框

数据框并不要求存储在其中的所有的数据类型都一样，但对于每一列的数据类型还是要求一样的。可以使用data.frame()创建数据框。

1
data.frame(...,row.names = NULL, check.rows = FALSE, check.names = TRUE, stringsAsFactors = default.stringsAsFactors())

“…”表示各个列的数据集；row.names表示行名；check.rows是逻辑值，表示是不是检查行的长度和名字；check.names也是逻辑值，用来检查名字是不是合法；stringAsFactors是一个比较重要的参数，也是一个逻辑值，表示是不是把数据集中的字符串转化为因子类型。需要特别注意的是，如果不考虑这个参数，有时会把一些不想当作因子的函数当做因子来处理。

数据的导入与导出

从键盘输入

1
2
3
4
5
6
m1 <- matrix(0)
m2 <- matrix(0)
edit(m1)
fix(m2)
x<-scan()
y <- scan(what=list(name="",age=0)) # what指出输入的数据格式，可以通过给变量赋值的方式指明数据的格式。

使用edit编辑后的对象仍然是原来的，所做的修改没有保存，而使用fix修改过的对象则保留了修改。scan是一个比较底层的读取数据函数，可以从屏幕和文件中读取数据，按回车键表示输入结束。

从纯文本中读取数据

1
(x<-read.table(file = "D:/data.txt",head = TRUE,sep = ",",colClasses = c("character","factor","numeric","numeric")))

总结和补充

补充

class函数可以用来查看R中对象的类型。

1
2
x <- 1:10
class(x)

在创建一个向量的时候，难免出现重复，而处理这种情况的比较好的方案之一就是使用rep()函数。

1
rep(x,times,each,length.out,...)

x 表示的是需要重复的那个向量；each 表示每个元素重复的次数，如果设置为空或者设置为非法参数，则当作是1来处理；times 表示经过each处理以后的新的向量中每个元素重复的次数。each 和times 应该是和x等长度的向量，但是，如果比x的长度短，就会重复使用该向量。

使用gl函数创建因子型。

1
2
# 创建一个3水平的每个水平重复2次的因子序列 
gl(n=3,k=2,labels=c("R","Python","Lisp"))

n 表示的是创建的变量的水平，k 表示的是每个水平重复的次数，labels 表示的是水平对应的标签。

cbind 函数和 rbind 函数是用来合并数据集的，cbind 表示的是按列，而 rbind 表示的是按行合并。

1
2
cbind(..., deparse.level=1)
rbind(..., deparse.level=1)

“…” 表示需要合并的各个数据集，deparse.level 是一个整数，可以取 1、2、3，用来控制标签的建立，0 表示没有标签，1 表示如果有标签，就使用标签；2 表示没有标签时，强制使用参数的名字作为标签。这里的合并不是按照某一个关键字合并，如果要按照关键字合并，可以参考R中的merge。 

1
2
3
4
rbind(1:4, c=2,"aa"=10,a,deparse.level = 0)  # 中间两行有标签
rbind(1:4, c=2,"aa"=10,a,deparse.level = 1)  # 后三行有标签
rbind(1:4, c=2,"aa"=10,a,deparse.level = 2)  # 全部都有标签
cbind(1:4, c=2,"aa"=10,a,deparse.level = 2)  # 列合并

head 和 tail这两个函数可以只查看数据集的前几行和后几行。

1
2
head(iris) # 查看前6行
tail(iris , n=3) # 查看后3行

head 和 tail 的参数只有两个，第一个是要查看的数据集，第二个是要查看的行数。

第3章 数据清理和转换

数据清理

缺失值的处理

which() 函数的用法：

1
2
which(x, arr.ind = FALSE, ...)
SSEC <- na.omit(SSEC)  # 删除空缺的数据

which 用来寻找逻辑值为真的值所在的位置。x 表示的是一个逻辑向量或者数组；arr.ind 是一个逻辑值，如果为真，会得出在数据中的位置，否则会得到储存的索引。

类型转化

as.Date() 函数的使用

1
as.Date(x, format="", tz="")

参考文档：
Rstudio install.packages失败解决方式