R语言实战 | 新手福利~认识数据集的内在
"R实战"专题·第4篇
编辑 | 科白君
本期推送内容
按个人的要求来创建含有研究信息的数据集，这是任何数据分析的第一步。同时，这也是学习R语言过程重要的入门环节。特别是初学过程，更多的是模仿学习。由于不理解数据结构，导致无法正确模仿数据格式并无法正常运行代码。因此，本期介绍R语言的基础内容：数据集概念，数据结构、数据输入及导出。主要讲解相应内容的R包及函数使用，希望大家学习后能解决以下问题：1) 数据集有哪些类型的变量组成；2) 清楚数据集的数据结构；3) 读取各类型文件的数据；4) 成功导出所需要的数据。
想学习R语言的朋友可以持续关注微信公众号：科白君的土壤世界
一、数据集的概念
数据集通常是由数据构成的一个矩形数组，行表示观测，列表示变量。在R中，数据集包括以下两步：1）选择一种数据结构来储存数据；2）将数据输入或导入到这个数据结构中。另外，R主要可处理的数据类型包括数值型、字符型、逻辑型（TRUE or FALSE）、复数型（虚数）和原生型（字节）。
二、数据结构的类型
R拥有许多用于存储数据的对象类型，包括标量、向量、矩阵、数组、数据框和列表。它们在储存数据的类型、创建方式、结构复杂度，及定位和访问其中某元素的方法等均有所差异。接下来一一介绍。
1）标量
与C语言不同，R语言中，单个数据(标量)没有单独的数据类型，它只是向量的一种特例，标量以单元素向量的形式出现。标量是只含一个元素的向量，例如f <- 3、g <- "US"和h <- TRUE。它们用于保存常量。因此，R中最基本的数据类型是向量。
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。例如：
我们可以使用a[c(2, 4)]访问向量a中的第二个和第四个元素。此外，我们具体看下面例子：
3）矩阵
矩阵是一个二维数组，只是每个元素都拥有相同的数据类型（同上三种）。可用函数matrix（）创建矩阵。
我们可以使用下标和方括号来选择矩阵中的行、列或元素。x[i, ]指矩阵中x中的第i行，x[i, j]指第i行第j个元素。选择多行或多列时，下标i和j可为数值型向量。For example：
4）数组
数组（array）与矩阵类似，但纬度可以大于2。数组可以用array函数构建，例如：
### vector包含数组中的数据，dimen.是数值型向量，给出各维度下标的最大值，而dimnames是可选的、各维度名称标签的列表。
5）数据框
由于不同的列包含不同类型的数据，数据框的概念较矩阵来说更一般。通常数据框是R中最常处理的数据结构。数据框可通过函数data.frame（）创建：
具体例子：
关于选取数据框中的元素的方式有很多种，我们可以使用矩阵中的方括号标记法，也可直接指定列名：
6）因子
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）。因子在R中非常重要，因为它决定了数据的分析方式以及如何进行视觉呈现。例如：
7）列表
列表（list）是R的数据类型中最为复杂的一种。通常，列表就是一些对象或成分的有序集合。列表允许你整合若干对象到单个对象名下。例如，某个列表中可能包含若干向量、矩阵、数据框，甚至其他列表的组合。可用list（）函数构建列表：
具体例子：
提取数据：
三、数据的输入
使用R进行数据分析的时候，首先要导入数据。R语言支持的数据类型很多，包括、excel文件，csv文件，txt文件等。很多人初学者甚至还没开始就已经对R语言放弃了，正是倒在了数据导入这一步。下面给大家提供几种常见的数据导入方法。
1）使用键盘手动输入数据
有两种常见的方式：用R内置的文本编辑器和直接在代码中导入数据。首先，利用文本编译器。
R中的函数edit（）自动调用一个手动输入数据的文本编译器。步骤如下：
①创建一个空的数据框/矩阵，其中变量名和变量的类型需与理想中的最终数据集一致；
②针对这个数据对象调用文本编译器，输入数据，并将结果保存回此数据对象。
例子：先创建一个名为data的数据框，含有三个变量：数值型，字符型和数值型。然后使用文本编译器，键入数据，最后保存结果。
通过edit（）函数调用出数据编辑器，如下图
R软件弹出数据编辑器后，我们就可以点击第四列格子进行变量的定义。例如这里点击"var4"后，就会弹出一个编辑器，这里我们就可以对变量的变量名和类型（数值，字符）进行定义。
定义好变量后，可以进行手动输入数据。不过这种方式只适合少量的数据输入，当数据量比较大时，建议使用其他的方式导入数据。
此外，可以直接在程序中嵌入数据集，例如：
2）使用函数导入数据（主要以excel文件格式为主）
①导入csv或txt文件，使用基础的read.table（）函数导入数据。另外，也可以使用read.csv（）函数。该函数可以读入一个表格格式的文件并保存为一个数据框。基本的语法表达式：
主要的参数理解：
file：文件路径（注意：Windows路径要用斜杠 " / " or双反斜杠 " \\ "）。
header：默认为FALSE，即数据框的列名默认系统自带的V1，V2...Vn，为TRUE时第一行作为每列的列名。
sep：分隔符，默认为空格，可以设置为逗号(comma) sep=","，分号(semicolon) sep=" ; "及制表符(tab)。
row.names：是可选参数，表示行标识符的变量。当row.names=1时表示第一列作为每一行的行名，当row...=2时，表示第二列，数字表示某一列。特别是，该参数使用的时候，该列中不能存在重复名，否则报错。
具体：
②导入excel文件，需要用到R包library(xlsx)，可以直接导入Excel工作表。但是要确保第一次使用前先进行下载和安装。同时也需要xlsxJars和rJava包还有openxlsx包，及一个正常工作的Java安装（http://java.com）。优势：一个文件夹存储多个sheet，数据读取的时候不需要新建多个文件。基本的语法表达式：
主要的参数理解：
file：文件路径（注意：Windows路径要用斜杠 " / "or双反斜杠 " \\ "）。
sheet：n表示xlsx格式下，不同sheet的表格。n=1表示读取第一个sheet，以此类推。特别是，如果漏写n会报错。
具体过程：
四、数据的导出
通常在分析时候，我们需要用到计算后的结果，需要把计算的结果导出。这里我们常用到的函数有write.table，write.csv来导出txt，csv格式的文件。另外，write.xlsx用来导出xlsx格式的文件。这里，我们选择最基础的write.table的语法表达式进行介绍，剩下的导出方式建议大家用help（）函数进行查阅或 ?函数名进行查阅：
x：需要导出的数据，这里是指前面赋值过的数据。
file：导出的文件路径。
sep：分隔符，默认为空格（" "），也就是以空格为分割列。
row.names：是否导出行序号，默认为TRUE，也就是导出行序号。
col.names：是否导出列名，默认为TRUE，也就是导出列名。
quote：字符串是否使用引号表示，默认为TRUE，也就是使用引号表示。
例如：将数据框C输出为.csv文件
Tips：
1. 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类型的数据。
2. 矩阵都是二维的，与向量相似，仅能包含一种数据类型。超过二维时，考虑使用数组。当数据为多种类型时，可考虑使用数据框。
3. 另外，在已经构建好的数据框里，除了通过edit（）能够编辑，fix（）函数也可以编辑数据框里的数值型和字符型变量。
4. write.table / read.table 既可以读取txt文件也可以导入csv格式的文件。
