1）外部数据导入R

对于R 数据处理者来说，从外部获取数据是处理数据的第一步。

而繁杂的数据储存类型：text, Stata, SPSS, SAS, Excel等等，也决定了我们需要使用不同的函数对它们进行处理。

• csv

• tsv

• txt

• dta

• sav

• sas7bdat

2）浏览数据的函数

• 所有数据类型

str(): compact display of data contents (env.)
class(): data type (e.g. character, numeric, etc.) of vectors and data structure of dataframes, matrices, and lists.
summary(): detailed display, including descriptive statistics, frequencies
head(): will print the beginning entries for the variable
tail(): will print the end entries for the variable

• 向量和因子

length(): returns the number of elements in the vector or factor

ps：如果是对数据框操作length的话，会返回列数目。

• 数据框和矩阵

dim(): returns dimensions of the dataset
nrow(): returns the number of rows in the dataset
ncol(): returns the number of columns in the dataset
rownames(): returns the row names in the dataset
colnames(): returns the column names in the dataset

练习

1. Create a vector called alphabets with the following letters, C, D, X, L, F.

> alphabets
[1] "C" "D" "X" "L" "F"

1. Use the associated indices along with[ ]to do the following:
   • only display C, D and F

> alphabets[c(1,2,5)]
[1] "C" "D" "F"
> alphabets[c(-3,-4)]
[1] "C" "D" "F"

- display all except X

> alphabets[c(-3)]
[1] "C" "D" "L" "F"

- display the letters in the opposite order (F, L, X, D, C)

> alphabets[5:1]
[1] "F" "L" "X" "D" "C"

3）处理数据

通常来说，我们可以通过逻辑操作符，利用逻辑操作符返回的逻辑值，来对数据框的行进行筛选，即那些返回结果是TRUE 的内容。

> a
 [1]  7  5 10  2  4  3  1  9  6  8
> a > 1 & a < 4
 [1] FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE
> a[a > 1 & a < 4]

我们也可以利用which 函数对返回的值构建索引：

> a < 2 | a > 4
 [1]  TRUE  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE
> which(a < 2 | a > 4)
[1]  1  2  3  7  8  9 10

另外，数据框也可以进行类似的操作：

> c[c$b == 'a',]
   a b
1  7 a
2  5 a
3 10 a
4  2 a
5  4 a

列表的取子集可以看作是数据框的“增强版”，首先取列表中的某个元素（可以是向量、数据框。。），再对该元素进行操作：

> d[[3]][d[[3]][['a']]<7 & d[[3]][['a']] > 2,]
  a b
2 5 a
5 4 a
6 3 b
9 6 b

如果对列表命名了，也可以使用 $ 对其取子集，也就是相当于[[n]]。

4）匹配

• %in%

A <- c(1,3,5,7,9,11)   # odd numbers
B <- c(2,4,6,8,10,12)  # even numbers

会逐一判断A 中的元素是否存在于B 中，如果某个元素存在，则返回TRUE：

> A %in% B
[1] FALSE FALSE FALSE FALSE FALSE FALSE
> C <- c(2,4,1,3,12)
> C %in% B
[1]  TRUE  TRUE FALSE FALSE  TRUE

这个方法可以用来取交集：

> A <- c(1,3,5,7,9,11)   # odd numbers
> B <- c(2,4,6,8,1,5)  # add some odd numbers in 
> A[A %in% B]
[1] 1 5

结合any 和all 函数，也可以判断二者是存在交集亦或是完全相等，如果逻辑值中存在任意TRUE，则any 返回TRUE；如果逻辑值中均是TRUE，则all 返回TRUE。

> any(A %in% B)
[1] TRUE
> all(A %in% B)
[1] FALSE

如果我们想要检查二者的位置是否相同（相同的index），可以直接用逻辑值判断：

> A == B
[1] FALSE FALSE FALSE FALSE FALSE FALSE

• match

通过match 我们可以将某个向量按照另一个向量的顺序进行重新排列。

match 的原理是，其接受两个向量，match(a,b)，函数将会对a向量与b向量进行遍历，看a 中的元素是否存在于b中，如果存在，则返回a中的该元素在b中的索引；如果不存在，则返回NULL：

> match(c,d)
 [1] NA NA  5 NA  4  1 NA  3 NA NA NA  2
> c
 [1]  9 10  1  8  4  5  6  2 12 11  7  3
> d
[1] 5 3 2 4 1

利用该特性，我们可以将某个向量的顺序（如数据框中的某列按照指定列进行重排序）：

> c
 [1]  9 10  1  8  4  5  6  2 12 11  7  3
> b
 [1]  9  3 11 10  6 12  5  1  8  4  7  2
> match(b,c)
 [1]  1 12 10  2  7  9  6  3  4  5 11  8
> c[match(b,c)]
 [1]  9  3 11 10  6 12  5  1  8  4  7  2

上面的c match排序，得到了和b 一样的向量：

> all(b == c[match(b,c)])
[1] TRUE

5）重排序

我们可以利用索引，直接对其内容进行相关的排序：

> b
 [1]  9  3 11 10  6 12  5  1  8  4  7  2
> b[c(4,3,2,1)]
[1] 10 11  3  9

值得注意的是，不同于python 等语言，R 的索引是从1 开始计算的，且其切片操作是包头也包尾的。