R for data Science（六）

数据整理

image

这周我们进入该书第二部分，讲解数据的整理和清理数据

分为三个部分：

• Tibbles

• data import

• tidy data

我们主要针对三种类型的数据：

• 关系型数据

• 字符型数据

• 时间型数据

Tibbles

在这本书中，我们使用的是“tibbles”，而不是R的传统的 data.frame。Tibbles是数据框架，但是它们会调整一些旧的行为，使用者更方便。

Creating tibbles

将数据框转变成 tibbles用as_tibble()

library(tidyverse)
as_tibble(iris)

image

当然我们也可以利用自己的数据创造tibble

tibble(x = 1:5, y = 1, z = x ^ 2 + y)

Tibbles vs. data.frame

二者最主要的区别有两点

• 打印方式不同

Tibbles有一个改进的打印方法，只显示前10行，以及适合屏幕的所有列。这使得处理大数据变得更加容易。除了名称外，每个列都报告其类型，这是借鉴str()的一个很好的特性

当然也可以通过设置下列参数来控制默认的打印方式：

options(tibble.print_max = n, tibble.print_min = m) #if more than m rows, print only n rows. 
options(dplyr.print_min = Inf) 
 #show all rows.options(tibble.width = Inf)
 # print all columns, regardless of the width of the screen

• 取子集方式不同

如果你想要筛选标量,你可以使用 $ 和 [[. 和[[ 来提取名字或者位置

与数据集相比，tibbles更严格:它们从不进行部分匹配，如果您试图访问的列不存在，它们将生成一个警告。

Data import

数据导入采取的reader包，这是tidyverse的核心部分

大部分readr函数都会使得数据变为 tibble

• read_csv()读取逗号分隔的文件，

• read_csv2()读取分号分隔的文件(在那些被用作小数点的国家通用)，

• read_tsv()读取制表符分隔的文件，

• read_delim()读取带有任何分隔符的文件。

• read_fwf()读取固定宽度的文件 使用fwf_widths()或其在fwf_position()的位置指定字段

• read_table()读取固定宽度文件的常见变体，其中列之间用空格分隔。

• read_log()读取Apache风格的日志文件

下面的章节，我们主要集中在read_csv函数

image

有时候，文件顶部有几行元数据。可以使用skip = n跳过前n行;或者使用comment = "#"删除以#开头的所有行

read_csv("The first line of metadata  The second line of metadata  x,y,z  1,2,3", skip = 2)

image

read_csv("# A comment I want to skip  x,y,z  1,2,3", comment = "#")

image

数据可能没有列名。您可以使用col_names = FALSE来告诉read_csv()不要将第一行作为标题，而是将它们按顺序标记为X1到Xn

添加列名

na值处理

read_csv("1,2,3\n4,5,6", col_names = FALSE)read_csv("1,2,3\n4,5,6", col_names = c("x", "y", "z"))
read_csv("a,b,c\n1,2,.", na = ".")

Writing to a file

write_csv()
write_tsv() 
write_excel_csv() #导出csv到excel

write_rds()和read_rds()是基本函数readRDS()和saveRDS()的统一包装器，这些数据以R的自定义二进制格式RDS存储，类似于save（）函数重点Rda

write_rds(challenge, "challenge.rds")read_rds("challenge.rds")

---