5.1 數值和字符處理函數
常用的數學函數
統計函數
例子：
> x <- c(1,2,3,4,5,6,7,8) > mean(x) [1] 4.5 > sd(x) [1] 2.44949
默認情況下，函數scale()對矩陣或數據框的指定列進行均值為0、標準差為1的標準化：
newdata <- scale(mydata)
要對每一列進行任意均值和標準差的標準化，可以使用以下代碼：
newdata <- scale(mydata)*SD + M
概率函數
概率函數通常用來生成特征已知的模擬數據，以及在用戶編寫的統計函數中計算概率值。
?
字符處理函數
?
其他實用函數
示例：
R函數可以應用到一系列的數據對象上，包括標量，向量，矩陣，數組和數據框。
> a <- 5 > sqrt(a) [1] 2.236068 > b <- c(1.243,5.654,2.99) > round(b) [1] 1 6 3 > c <- matrix(runif(12),nrow=3) > c[,1] [,2] [,3] [,4] [1,] 0.1994530 0.13714175 0.9197887 0.92626099 [2,] 0.1545716 0.05410748 0.7442934 0.20239342 [3,] 0.3898991 0.71826297 0.4518926 0.02659162
? > log(c)
? ? ? ? ? ? [,1] ? ? ? [,2] ? ? ?[,3] ? ? ? [,4]
? [1,] -1.6121766 -1.9867402 -0.08361129 -0.07659924
? [2,] -1.8670979 -2.9167828 -0.29531995 -1.59754183
? [3,] -0.9418672 -0.3309195 -0.79431077 -3.62715915
? > mean(c)
? [1] 0.4103881
上面的mean函數是求整個矩陣的平均數，如果要分別求整行或者整列的平均數時，R提供了一個apply()函數，使用格式為：
apply(x, MARGIN, FUN,...)
MARGIN=1表示行，MARGIN=2表示列。
> mydata <- matrix(rnorm(30),nrow=6) > mydata[,1] [,2] [,3] [,4] [,5] [1,] 0.04888185 -1.6841123 0.20826767 -0.18079844 0.8770435 [2,] 2.24945461 -0.1110540 -0.88960378 -0.28632932 -1.9787470 [3,] -0.14309448 0.4394450 -0.04371930 -0.71101344 0.2028341 [4,] -0.90665601 -0.7176465 0.38136328 -0.06082567 -0.3844853 [5,] -0.40884645 -0.3192920 0.08476159 -0.47544146 0.1809374 [6,] 1.40852339 0.3653756 0.09148512 -1.06787472 1.0503215 > apply(mydata,1,mean) [1] -0.14614355 -0.20325589 -0.05110963 -0.33765005 -0.18757618 0.36956618 > apply(mydata,2,mean) [1] 0.374710485 -0.337880697 -0.027907572 -0.463713840 -0.008682649 > apply(mydata,2,mean,trim=0.2) [1] 0.22636608 -0.19565422 0.08519877 -0.41339566 0.21908240
apply()是一個很強大的函數，可以把函數應用到數組的某個維度上，而lapply()和sapply()則可將函數應用到列表上。
示例：將學生的各科考試成績組合為單一成績衡量指標、基于相對名次（前20%,下20%，等等）給出從A到F的評分、根據學生姓氏和名字的首字母對花名冊進行排序。
1. 限定輸出小數點后數字的位數。
> rosterStudent Math Science English
1 John Davis 502 95 25
2 Angela Williams 600 99 22
3 Bullwinkle Moose 412 80 18
4 David Jones 358 82 15
5 Janice Markhammer 495 75 20
6 Cheryl Cushing 512 85 28
7 Reuven Ytzrhak 410 80 15
8 Greg Knox 625 95 30
9 Joel England 573 89 27
10 Mary Rayburn 522 86 18 2. 由于數學、科學和英語考試的分值不同，在組合之前要先讓他們變得可以比較。可以使用scale()函數來成績進行標準化表示。
> z <- scale(roster[,2:4]) > zMath Science English 1 0.01269128 1.07806562 0.58685145 2 1.14336936 1.59143020 0.03667822 3 -1.02568654 -0.84705156 -0.69688609 4 -1.64871324 -0.59036927 -1.24705932 5 -0.06807144 -1.48875728 -0.33010394 6 0.12806660 -0.20534583 1.13702468 7 -1.04876160 -0.84705156 -1.24705932 8 1.43180765 1.07806562 1.50380683 9 0.83185601 0.30801875 0.95363360 10 0.24344191 -0.07700469 -0.69688609 attr(,"scaled:center")Math Science English 500.9 86.6 21.8 attr(,"scaled:scale")Math Science English 86.673654 7.791734 5.452828
3. 然后，可以通過mean()函數來計算各行的均值以獲得綜合評分，并使用cbind()將其添加到花名冊中
> score <- apply(z,1,mean) > roster <- cbind(roster, score) > rosterStudent Math Science English score 1 John Davis 502 95 25 0.5592028 2 Angela Williams 600 99 22 0.9238259 3 Bullwinkle Moose 412 80 18 -0.8565414 4 David Jones 358 82 15 -1.1620473 5 Janice Markhammer 495 75 20 -0.6289776 6 Cheryl Cushing 512 85 28 0.3532485 7 Reuven Ytzrhak 410 80 15 -1.0476242 8 Greg Knox 625 95 30 1.3378934 9 Joel England 573 89 27 0.6978361 10 Mary Rayburn 522 86 18 -0.1768163
4. quantile()給出了學生綜合得分的百分位數
> y <- quantile(roster$score, c(.8,.6,.4,.2) ) > y80% 60% 40% 20% 0.7430341 0.4356302 -0.3576808 -0.8947579
5. 通過使用邏輯運算符，你可以將學生的百分位數排名重編碼為一個新的類別型成績變量。
> roster$grade[score >= y[1]] <- "A" > roster$grade[score < y[1] & score > y[2]] <- "B" > roster$grade[score < y[2] & score > y[3]] <- "C" > roster$grade[score < y[3] & score > y[4]] <- "D" > roster$grade[score < y[4]] <- "F" > rosterStudent Math Science English score grade 1 John Davis 502 95 25 0.5592028 B 2 Angela Williams 600 99 22 0.9238259 A 3 Bullwinkle Moose 412 80 18 -0.8565414 D 4 David Jones 358 82 15 -1.1620473 F 5 Janice Markhammer 495 75 20 -0.6289776 D 6 Cheryl Cushing 512 85 28 0.3532485 C 7 Reuven Ytzrhak 410 80 15 -1.0476242 F 8 Greg Knox 625 95 30 1.3378934 A 9 Joel England 573 89 27 0.6978361 B 10 Mary Rayburn 522 86 18 -0.1768163 C
6. 你將使用函數strsplit()以空格為界把學生姓名拆分為姓氏和名字。
?
5.3 控制流
for結構：循環重復地執行一個語句，直到某個變量的值不再包含在序列seq中為止。
for (var in seq) statement
while結構：循環重復地執行一個語句，直到條件不為真為止。
while (cond) statement if-else結構：控制結構if-else在某個給定條件為真時執行語句，也可以同時在條件為假時執行另外的語句。
if (cond) statement1 else statement2
ifelse結構：這個結構是上一個結構的比較緊湊的向量化版本。
ifelse(cond, statement1, statement2)
switch結構：根據一個表達式的值選擇語句執行。
switch(expr,...)
?
5.4 用戶自編函數
function()
myfunction <- function(arg1, arg2, ...){statementsreturn(object) }
函數中的對象只在函數內部使用。返回對象的數據類型是任意的，從標量到
5.5 整合與重構
1.轉置
轉置（反轉行和列）是重塑數據集的眾多方法中最簡單的一個，用函數t()即可對一個矩陣或數據框進行轉置。
> cars <- mtcars[1:5,1:4] > carsmpg cyl disp hp Mazda RX4 21.0 6 160 110 Mazda RX4 Wag 21.0 6 160 110 Datsun 710 22.8 4 108 93 Hornet 4 Drive 21.4 6 258 110 Hornet Sportabout 18.7 8 360 175 > t(cars)Mazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive Hornet Sportabout mpg 21 21 22.8 21.4 18.7 cyl 6 6 4.0 6.0 8.0 disp 160 160 108.0 258.0 360.0 hp 110 110 93.0 110.0 175.0
2.整合數據
在R中使用一個或多個by變量和一個預先定義好的函數來折疊數據是比較容易的。
aggregate(x, by, FUN)
其中x是待折疊對象，by是一個變量名組成的列表，這些變量將被去掉以形成新的觀測，而FUN則是用來計算描述性統計量的標量函數，他將被用來計算新的觀測值。
> options(digits=3) > attach(mtcars) > aggdata <- aggregate(mtcars,by=list(cyl,gear),FUN=mean,na.rm=TRUE) > aggdataGroup.1 Group.2 mpg cyl disp hp drat wt qsec vs am gear carb 1 4 3 21.5 4 120 97 3.70 2.46 20.0 1.0 0.00 3 1.00 2 6 3 19.8 6 242 108 2.92 3.34 19.8 1.0 0.00 3 1.00 3 8 3 15.1 8 358 194 3.12 4.10 17.1 0.0 0.00 3 3.08 4 4 4 26.9 4 103 76 4.11 2.38 19.6 1.0 0.75 4 1.50 5 6 4 19.8 6 164 116 3.91 3.09 17.7 0.5 0.50 4 4.00 6 4 5 28.2 4 108 102 4.10 1.83 16.8 0.5 1.00 5 2.00 7 6 5 19.7 6 145 175 3.62 2.77 15.5 0.0 1.00 5 6.00 8 8 5 15.4 8 326 300 3.88 3.37 14.6 0.0 1.00 5 6.00
3. reshape包
融合
數據集的融合是將它重構為這樣一種樣式：每個測量變量獨占一行，行中帶有要唯一確定這個測量所需的標識符變量。
此處用R內置的數據集，首先將列明改寫成小寫，然后查看相應的數據
> names(airquality) <- tolower(names(airquality)) > head(airquality)ozone solar.r wind temp month day 1 41 190 7.4 67 5 1 2 36 118 8.0 72 5 2 3 12 149 12.6 74 5 3 4 18 313 11.5 62 5 4 5 NA NA 14.3 56 5 5 6 28 NA 14.9 66 5 6
先看用melt處理上述數據：
> aql <- melt(airquality) No id variables; using all as measure variables > head(aql)variable value 1 ozone 41 2 ozone 36 3 ozone 12 4 ozone 18 5 ozone NA 6 ozone 28 > tail(aql)variable value 913 day 25 914 day 26 915 day 27 916 day 28 917 day 29 918 day 30
默認情況下，melt認為所有數值列的變量均有值。很多情況下，這都是我們想要的情況。在這里，我們想知道每個月(month)以及每天(day)的ozone, solar.r, wind以及temp的值。因此，我們需要告訴melt，month和day是"ID variables"。ID variables就是那些能夠區分不同行數據的變量，個人感覺類似于數據庫中的主鍵。
> aql <- melt(airquality, id.vars = c("month", "day")) > head(aql)month day variable value 1 5 1 ozone 41 2 5 2 ozone 36 3 5 3 ozone 12 4 5 4 ozone 18 5 5 5 ozone NA 6 5 6 ozone 28
如果我們想修改長數據中的列名：
> aql <- melt(airquality, id.vars = c("month", "day"),variable.name = "climate_variable", value.name = "climate_value") > head(aql)month day climate_variable climate_value 1 5 1 ozone 41 2 5 2 ozone 36 3 5 3 ozone 12 4 5 4 ozone 18 5 5 5 ozone NA 6 5 6 ozone 28
cast函數
在reshape2中有好幾個cast版本的函數。若你經常使用data.frame，就需要使用dcast函數。acast函數返回向量、矩陣或者數組。
dcast借助于公式來描述數據的形狀，左邊參數表示"ID variables"，而右邊的參數表示measured variables。可能需要幾次嘗試，才能找到合適的公式。
這里，我們需要告知dcast，month和day是ID variables，variable則表示measured variables。
函數和connectedComponents()函數）)
)
