数据汇总

  • summary

对一个数据框 d，用 summary(d) 可以获得每个连续型变量的基本统计量，和每个离散取值变量的频率。以及分类变量的各种类型的统计结果。如：

  1. > summary(CO2)
  2.      Plant             Type         Treatment       conc     
  3.  Qn1    : 7   Quebec     :42   nonchilled:42   Min.   :  95  
  4.  Qn2    : 7   Mississippi:42   chilled   :42   1st Qu.: 175  
  5.  Qn3    : 7                                    Median : 350  
  6.  Qc1    : 7                                    Mean   : 435  
  7.  Qc3    : 7                                    3rd Qu.: 675  
  8.  Qc2    : 7                                    Max.   :1000  
  9.  (Other):42                                                  
  10.      uptake     
  11.  Min.   : 7.70  
  12.  1st Qu.:17.90  
  13.  Median :28.30  
  14.  Mean   :27.21  
  15.  3rd Qu.:37.12  
  16.  Max.   :45.50
  • str

对数据框 d，用 str(d) 可以获得各个变量的类型和取值样例。如：

  1. > str(CO2)
  2. Classes ‘nfnGroupedData’, ‘nfGroupedData’, ‘groupedData’ and 'data.frame':    84 obs. of  5 variables:
  3.  $ Plant    : Ord.factor w/ 12 levels "Qn1"<"Qn2"<"Qn3"<..: 1 1 1 1 1 1 1 2 2 2 ...
  4.  $ Type     : Factor w/ 2 levels "Quebec","Mississippi": 1 1 1 1 1 1 1 1 1 1 ...
  5.  $ Treatment: Factor w/ 2 levels "nonchilled","chilled": 1 1 1 1 1 1 1 1 1 1 ...
  6.  $ conc     : num  95 175 250 350 500 675 1000 95 175 250 ...
  7.  $ uptake   : num  16 30.4 34.8 37.2 35.3 39.2 39.7 13.6 27.3 37.1 ...
  8.  - attr(*, "formula")=Class 'formula'  language uptake ~ conc | Plant
  9.   .. ..- attr(*, ".Environment")=<environment: R_EmptyEnv> 
  10.  - attr(*, "outer")=Class 'formula'  language ~Treatment * Type
  11.   .. ..- attr(*, ".Environment")=<environment: R_EmptyEnv> 
  12.  - attr(*, "labels")=List of 2
  13.   ..$ x: chr "Ambient carbon dioxide concentration"
  14.   ..$ y: chr "CO2 uptake rate"
  15.  - attr(*, "units")=List of 2
  16.   ..$ x: chr "(uL/L)"
  17.   ..$ y: chr "(umol/m^2 s)"

还有一个pillar::glimpse 函数，更简洁：

  1. > glimpse(CO2)
  2. Rows: 84
  3. Columns: 5
  4. $ Plant     <ord> Qn1, Qn1, Qn1, Qn1, Qn1, Qn1, Qn1, Qn2, Qn2, Qn2, Qn…
  5. $ Type      <fct> Quebec, Quebec, Quebec, Quebec, Quebec, Quebec, Queb…
  6. $ Treatment <fct> nonchilled, nonchilled, nonchilled, nonchilled, nonc…
  7. $ conc      <dbl> 95, 175, 250, 350, 500, 675, 1000, 95, 175, 250, 350…
  8. $ uptake    <dbl> 16.0, 30.4, 34.8, 37.2, 35.3, 39.2, 39.7, 13.6, 27.3…
  • head, tail

看数据框前后几行。

概括函数

连续性变量：对连续取值的变量 x，可以用 mean, std, var, sum, prod, min, max 等函数获取基本统计量。加 na.rm=TRUE 选 项可以仅对非缺失值计算。sort(x) 返回排序后的结果。rev(x) 把 x 所有元素次序颠倒后返回。quantile(x, c(0.05, 0.95)) 可以求 x 的样本分位数。rank(x) 对 x 求秩得分(即名次，但从最小到最大排列)。

分类变量：table 统计频数。prop.table() 将频数转为百分比。

table 还可以接受两个参数，实现列联表：

基本R 的数据处理 - 图1

对于 table() 的结果列联表，可以用 addmargins() 函数增加行和与列和：

基本R 的数据处理 - 图2

数据框概括

用 colMeans() 对数据框或矩阵的每列计算均值，用 colSums() 对数据框或矩阵的每列计算总和。用 rowMeans() 和 rowSums() 对矩阵的每行计算均值或总和。

分类概括

  • tapply

分组概括：

  1. tapply(X, INDEX, FUN)
  4. ##        F        M
  5. ## 113.2354 108.1214
  7. with(
  8. d.cancer,
  9. tapply(v0, sex, mean))
  • aggregate

可以指定某一列或几列（用list 传递）分组，对指定数据框进行统计计算：

  1. aggregate(
  2. d.cancer[, c("age", "v0", "v1")], list(sex=d.cancer[["sex"]]), mean, na.rm=TRUE)
  5. ##sex age v0 v1 ## 1 F 66.14286 113.2354 42.65538 ## 2 M 63.25000 108.1214 45.95524

aggregate() 第一个参数是数据框，第二个参数是列表，列表元素是用来分组或交叉分组的变量，第三个参数是概 括用的函数，概括用的函数的选项可以在后面给出。

  • split

split 函数可以把数据框的各行按照一个或几个分组变量分为子集的列表，然后可以用 sapply() 或 vapply() 对每组进行概括。如:

  1.  sp <- split(d.cancer[,c("v0","v1")], d.cancer[["sex"]]) sapply(sp, colMeans)