R语言Data Frame数据框常用操作

Data Frame一般被翻译为数据框，感觉就像是R中的表，由行和列组成，与Matrix不同的是，每个列可以是不同的数据类型，而Matrix是必须相同的。

Data Frame每一列有列名，每一行也可以指定行名。如果不指定行名，那么就是从1开始自增的Sequence来标识每一行。

初始化

使用data.frame函数就可以初始化一个Data Frame。比如我们要初始化一个student的Data Frame其中包含ID和Name还有Gender以及Birthdate，那么代码为：

student<-data.frame(ID=c(11,12,13),Name=c("Devin","Edward","Wenli"),Gender=c("M","M","F"),Birthdate=c("1984-12-29","1983-5-6","1986-8-8”))

另外也可以使用read.table() read.csv()读取一个文本文件，返回的也是一个Data Frame对象。读取数据库也是返回Data Frame对象。

查看student的内容为：

ID Name Gender Birthdate

1 11 Devin M 1984-12-29

2 12 Edward M 1983-5-6

3 13 Wenli F 1986-8-8

这里只指定了列名为ID，Name，Gender和Birthdate，使用names函数可以查看列名，如果要查看行名，需要用到row.names函数。这里我们希望将ID作为行名，那么可以这样写：

row.names(student)<-student$ID

更简单的办法是在初始化date.frame的时候，有参数row.names可以设置行名的向量。

访问元素

与Matrix一样，使用[行Index,列Index]的格式可以访问具体的元素。

比如访问第一行:

student[1,]

访问第二列：

student[,2]

使用列的Index或者列名可以选取要访问的哪些列。比如要ID和Name，那么代码为：

idname<-student[1:2]

或者是

idname<-student[c("ID","Name”)]

如果是只访问某一列，返回的是Vector类型的，那么可以使用[[或者$来访问。比如我们要所有student的Name，代码为：

name<-student[[2]]

或者

name<-student[[“Name”]]

或者

name<-student$Name

使用attach和detach函数可以使得访问列时不需要总是跟着变量名在前面。

比如要打印所有Name，那么可以写成：

attach(student)
print(Name)
detach(student)

还可以换一种简洁一点的写法就是用with函数：

with(student,{
n<-Name
print(n)
})

这里的n作用域只在大括号内，如果想在with函数中对全局的变量进行赋值，那么需要使用<<-这样一个运算符。

修改列数据类型

接下来我们查看该对象每列的类型，使用str(student)可以得到如下结果：

'data.frame':3 obs. of  4 variables:
$ ID       : num  1 2 3
$ Name     : Factor w/ 3 levels "Devin","Edward",..: 1 2 3
$ Gender   : Factor w/ 2 levels "F","M": 2 2 1
$ Birthdate: Factor w/ 3 levels "1983-5-6","1984-12-29",..: 2 1 3

默认情况下，字符串向量都会被自动识别成Factor，也就是说，ID是数字类型，其他的3个列都被定义为Factor类型了。显然这里Name应该是字符串类型，Birthdate应该是Date类型，我们需要对列的数据类型进行更改：

student$Name<-as.character(student$Name)
student$Birthdate<-as.Date(student$Birthdate)

下面我们再运行str(student)看看修改后的结果：

'data.frame':3 obs. of  4 variables:
$ ID       : num  11 12 13
$ Name     : chr  "Devin" "Edward" "Wenli"
$ Gender   : Factor w/ 2 levels "F","M": 2 2 1
$ Birthdate: Date, format: "1984-12-29" "1983-05-06" "1986-08-08”
4000

添加新列

对于以及存在的student对象，我们希望增加Age列，该列是根据Birthdate算出来的。首先需要知道怎么算年龄。我们可以使用日期函数Sys.Date()获得当前的日期，然后使用format函数获得年份，然后用两个年份相减就是年龄。好像R并没有提供几个能用的日期函数，我们只能使用format函数取出年份部分，然后转换为int类型相减。

student$Age<-as.integer(format(Sys.Date(),"%Y"))-as.integer(format(student$Birthdate,"%Y”))

这样写似乎太长了，我们可以用within函数，这个函数和之前提到过的with函数类似，可以省略变量名，不同的地方是within函数可以在其中修改变量，也就是我们这里增加Age列：

student<-within(student,{
Age<-as.integer(format(Sys.Date(),"%Y"))-as.integer(format(Birthdate,"%Y"))
})

查询/子集

查询一个Date Frame，返回一个满足条件的子集，这相当于数据库中的表查询，是非常常见的操作。使用行和列的Index来获取子集是最简单的方法，前面已经提到过。如果我们使用布尔向量，配合which函数，可以实现对行的过滤。比如我们要查询所有Gender为F的数据，那么我们首先对student$Gender==“F”，得到一个布尔向量:FALSE FALSE TRUE,然后使用which函数可以将布尔向量中TRUE的Index返回，所以我们的完整查询语句就是：

student[which(student$Gender=="F"),]

注意这里列Index并没有输入，如果我们只想知道所有女生的年龄，那么可以改为：

student[which(student$Gender=="F"),"Age”]

这样的查询写法还是复杂了点，可以直接使用subset函数，那么查询会简单些，比如我们把查询条件改为年龄<30的女性，查姓名和年龄，那么查询语句为：

subset(student,Gender=="F" & Age<30 ,select=c("Name","Age"))

使用SQL查询Data Frame

对于我这种使用了多年SQL的人来说，如果能够直接写SQL语句对Data Frame进行查询操作，那是多么方便美妙的啊，结果还真有这么一个包：sqldf。

同样是前面的需求，对应的语句就是：

library(sqldf)
result<-sqldf("select Name,Age from student where Gender='F' and Age<30")

连接/合并

对于数据库来说，对多表进行join查询是一个很正常的事情，那么在R中也可以对多个Data Frame进行连接，这就需要使用merge函数。

比如除了前面申明的student对象外，我们再申明一个score变量，记录了每个学生的科目和成绩：

score<-data.frame(SID=c(11,11,12,12,13),Course=c("Math","English","Math","Chinese","Math"),Score=c(90,80,80,95,96))

我们看看该表的内容：

SID  Course Score
1  11    Math    90
2  11 English    80
3  12    Math    80
4  12 Chinese    95
5  13    Math    96

这里的SID就是Student里面的ID，相当于一个外键，现在要用这个ID进行inner join操作，那么对应的R语句就是：

result<-merge(student,score,by.x="ID",by.y="SID")

我们看看merge以后的结果：

ID   Name Gender  Birthdate Age  Course Score
1 11  Devin      M 1984-12-29  31    Math    90
2 11  Devin      M 1984-12-29  31 English    80
3 12 Edward      M 1983-05-06  32    Math    80
4 12 Edward      M 1983-05-06  32 Chinese    95
5 13  Wenli      F 1986-08-08  29    Math    96

正如我们期望的一样join在了一起。

除了join，另外一个操作就是union，这也是数据库常用操作，那么在R中如何将两个列一样的Data Frame Union联接在一起呢？虽然R语言中有union函数，但是不是SQL的Union的意思，我们要实现Union功能，需要用到rbind函数。

rbind的两个Data Frame必须有相同的列，比如我们再申明一个student2，将两个变量rbind起来：

student2<-data.frame(ID=c(21,22),Name=c("Yan","Peng"),Gender=c("F","M"),Birthdate=c("1982-2-9","1983-1-16"),Age=c(32,31))
rbind(student,student2)