chapter03.Rmd

---
title: ' Data Analysis Using R: Chapter03'
author: "罗智超(ROKIA.ORG)"
documentclass: ctexart
output:
  html_document:
    toc: no
  pdf_document:
    fig_caption: yes
    latex_engine: xelatex
    number_sections: yes
    template: C:/Users/roki/Documents/R/win-library/3.1/rticles/rmarkdown/templates/ctex/resources/default.latex
    toc: no
classoption: hyperref`r if (.Platform$OS.type != 'windows') ',nofonts'`
---

# 通过本章你将学会

- R的基本数据类型（向量、矩阵、数组、数据框、列表、因子）

- R的基本数据类型的创建

- R的基本数据类型之间的转换

#R的基本数据类型

![R的基本数据类型][01]

[01]: image/datastructure.png "Title"

- R的数据类型的多样性是把双刃剑，由于多样所以灵活，由于灵活，所以掌握难度较大

- 掌握好向量的基本功是掌握其他数据类型的基础，数据框(dataframe)是最常用的一种类型


#标量scalar

- 只包含一个元素的向量，用于保存常量

```{r,eval=FALSE,echo=TRUE}
a<-5
b<-"hello"
c<-TRUE
```

- NA与NULL的区别

-- 在R中NA表示为缺失值，NULL表示为不存在的值,NULL是特殊的对象，它没有模式mode

```{r,eval=FALSE,echo=TRUE}
x<-c(88,NA,12,178,13)
mean(x)
mean(x,na.rm=T)
length(x)

x<-c(88,NULL,12,178,13)
mean(x)
length(x)
```

-- NULL的一个用法是在循环中创建向量，其中每次迭代都在这个向量上增加一个元素

```{r,eval=FALSE,echo=FALSE}
z<-NULL
for(i in 1:10){if(i%%2==0)z<-c(z,i)}
z

z<-NA
for(i in 1:10){if(i%%2==0)z<-c(z,i)}
z

```

#向量vector

- 用于存储数值、字符或者逻辑数据的一维**数组**

- 向量的创建和索引是非常重要的基本功

- 正是R的向量运算功能使其效率极高

```{r,eval=FALSE,echo=TRUE}
# a numeric vector 
a <- c(1, 2, 5, 3, 6, -2, 4) 
# a character vector 
b <- c("one", "two", "three") 
# a logic vector 
c <- c(TRUE, TRUE, TRUE, FALSE, TRUE, FALSE) 
attributes(c)

```


#使用seq()、rep()创建向量
```{r,eval=FALSE,echo=TRUE}

x<-seq(from=12,to=30,by=3)
for (i in 1:length(x)){print(x[i])}

#重复常数
x <- rep(8,4)
rep(c(5,12,13),3)
rep(1:3,2)
rep(c(5,12,13),each=2)

paste("x",1:5,sep="")

```

# 增加或删除向量元素
```{r,eval=FALSE,echo=TRUE}
x <- c(88,5,12,13)
x <- c(x[1:3],168,x[4]) 
x <- c(x[-c(1,2)])

```

#获得向量长度
```{r,eval=FALSE,echo=TRUE}
x <- c(1,2,4)
length(x)
#遍历向量
for (i in 1:length(x)){
    x[i]    
}
```

#向量索引

```{r,eval=FALSE,echo=TRUE}

y <- c(1.2,3.9,0.4,0.12)
y[c(1,3)] # extract elements 1 and 3 of y
y[2:3]
v <- 3:4
y[v]

#Note that duplicates are allowed
x <- c(4,2,17,5)
y <- x[c(1,1,3)]

y[-1]-y[-length(y)]
```

#all()及any()的使用

```{r,eval=FALSE,echo=TRUE}
x <- 1:10
any(x > 8)
all(x > 88)
all(x > 0)
```

#扩展案例
```{r,eval=FALSE,echo=TRUE}
#Suppose that we are interested in finding runs of consecutive 1s
#in vectorsthat consist just of 1s and 0s. 
findruns1 <- function(x,k) {
   n <- length(x)
   runs <- vector(length=n)
   count <- 0
   for (i in 1:(n-k+1)) {
      if (all(x[i:(i+k-1)]==1)) {
         count <- count + 1
         runs[count] <- i
      }
   }
   if (count > 0) {
      runs <- runs[1:count]
   } else runs <- NULL
   return(runs)
}
y<- c(1,0,0,1,1,1,0,1,1)

findruns1(y,2)


```

#向量运算

```{r,eval=FALSE,echo=TRUE}
u<-c(5,2,8)
v<-c(1,3,9)
u>v

z <- c(5,2,-3,8)
w <- z[z*z > 8]

x <- c(1,3,8,2,20)
x[x > 3] <- 0
x
```

#向量过滤
```{r,eval=FALSE,echo=TRUE}
#subset(dataset,subset,select=c())
x <- c(6,1:3,NA,12)
x[x > 5]
y<-subset(x,x > 5)

```

#向量位置选择
```{r,eval=FALSE,echo=TRUE}
z <- c(5,2,-3,8)
which(z*z > 8)

```

```{r,eval=FALSE,echo=TRUE}
#寻找向量中第一个等于1的位置
first1 <- function(x) {
    for (i in 1:length(x)) 
        {if (x[i] == 1) break # break out of loop
         }
    return(i)
    }
#另外一种方法
first1a <- function(x) return(which(x == 1)[1])
```


# 使用ifelse() 函数

```{r,eval=FALSE,echo=TRUE}

x <- 1:10
y <- ifelse(x %% 2 == 0,5,12) # %% is the mod operator
```

#向量元素比较
```{r,eval=FALSE,echo=TRUE}
# Compare whether two datasets are same and 
# which array indics is different.
a1<-c(1,3,4,5,6)
a2<-c(1,3,7,8,7)
which(a1!=a2,arr.ind = TRUE)

#identical比较的是完全一样
identical(x,y)
# :产生的是整数，c()产生的是浮点数
x<-1:2
y<-c(1,2)
identical(x,y)


```

#向量元素命名

```{r,eval=FALSE,echo=TRUE}
x <- c(1,2,4)
names(x) <- c("a","b","ab")
x["b"]

```

#扩展案例

```{r,echo=TRUE,eval=FALSE}
#Kendall's 相关计算
#方法一
findud<-function(v){
  vud<-v[-1]-v[-length(v)]
  return(ifelse(vud>0,1,-1))
}
udcorr<-function(x,y)
  ud<-laply(list(x,y),findud)
return(mean(ud[[1]]==ud[[2]]))

#方法二
udcorr<-function(x,y) mean(sign(diff(x))==sign(diff(y)))

```

#扩展案例
- 对鲍鱼数据重新编码
```{r,echo=TRUE,eval=FALSE}
#ifelse可以嵌套使用
#for()循环可以对字符串向量进行循环，甚至文件名
g<-c("M","F","F","I","M","M","F")
ifelse(g=="M",1,ifelse(g=="F",2,3))
m<-which(g=="M")
f<-which(g=="M")
i<-which(g=="M")
grps<-list()
for(gen in c("M","F","I")) grps[[gen]]<-which(g==gen)

```


#矩阵matrix

- 矩阵是二维**数组**，每个元素具有相同模式(mode)

- 通过matrix()函数创建


```{r,eval=FALSE,echo=TRUE}
# create a 2 x 2 matrix with labels 
# fill in the matrix by rows 
cells <- c(1,26,24,68) 
rnames <- c("R1", "R2") 
cnames <- c("C1", "C2") 
mymatrix <- matrix(cells, nrow=2, ncol=2, 
                   byrow=TRUE,dimnames=list(rnames, cnames))  
mymatrix
```


#矩阵的存储

- 默认按列存储，即先存第一列，然后依次。

```{r,eval=FALSE,echo=TRUE}
m1 <- matrix(c(1,2,3,4,5,6),nrow=2)
m2 <- matrix(c(1,2,3,4,5,6),nrow=2,byrow=T)

```

#矩阵运算
```{r,eval=FALSE,echo=TRUE}
y<- matrix(c(1:4),nrow=2)
# mathematical matrix multiplication
y %*% y 
# mathematical multiplication of matrix by scalar
3*y 
# mathematical matrix addition
y+y 

```

#矩阵索引

- y[行,列]

- apply(m,dimcode,f,fargs)

- tapply()

- lapply()

- sapply()

# 练习

- 计算airquality各行、列的均值

```{r,echo=FALSE,eval=FALSE}
a1<-airquality
apply(a1[1:3],2,mean,na.rm=TRUE)
apply(a1[1:3],1,mean,na.rm=TRUE)
mean(a1[,1],na.rm=TRUE)
```


#数组array

-数组与矩阵类似，但维度可以大于2

- 由array(vetcor,dimensions,dimnames)创建


```{r,eval=FALSE,echo=TRUE}

dim1 <- c("A1", "A2") 
dim2 <- c("B1", "B2", "B3")
dim3 <- c("C1", "C2", "C3", "C4")
z <- array(1:24, c(2,3,4), dimnames=list(dim1,dim2,dim3)) 
z 

```

#数据框dataframe

- 数据框是最常用的数据类型，类似于SAS里面的dataset

- 数据框是特殊的List

- 不同的列可以包含不同的模式（数值、字符、逻辑、因子）

- 由data.frame(col1,col2,col3,...)创建


```{r,eval=FALSE,echo=TRUE}

patientID <- c(1, 2, 3, 4) 
age <- c(25, 34, 28, 52) 
diabetes <- c("Type1", "Type2", "Type1", "Type1")
status <- c("Poor", "Improved", "Excellent", "Poor")
patientdata <- data.frame(patientID, age, diabetes,
                          status,stringsAsFactors=FALSE)
patientdata 

```



- 数据框元素索引

```{r,eval=FALSE,echo=TRUE}

patientdata[[1]]
patientdata[,1]

patientdata$patientID

attach(patientdata)
patientID
detach(patientdata)

```

# 数据框元素提取

```{r,eval=FALSE,echo=TRUE}
examsquiz[2:5,]
examsquiz[2:5,2]
examsquiz[2:5,2,drop=FALSE]
examsquiz[examsquiz$Exam.1 >= 3.8,]
subset(examsquiz,Exam.1 >= 3.8)
```

#缺失值处理 complete.cases()

 
```{r,eval=FALSE,echo=TRUE}
library(mice) 
#mice :Multivariate Imputation by Chained Equations

d5 <- d4[complete.cases(d4),]
# na.rm=TRUE in function

```

#合并数据集
```{r,eval=FALSE,echo=TRUE}
merge(d1,d2,by.x="kids",by.y="pals")
#cbind
#rbind


```

#累加数据集


#使用apply系列
- lapply和sapply也可以用在apply上

#library(data.table)

- 来源于data.frame，但是运算速度更快

```{r,eval=FALSE,echo=TRUE}
library(data.table)
df<- data.table()

```
#扩展案例

```{r,eval=FALSE,echo=TRUE}
#应用Logistic模型
aba <- read.csv("data/abalone.data",header=T)  
abamf <- aba[aba$Gender != "I",]  # exclude infants from the analysis
lftn <- function(clmn) {
   glm(abamf$Gender ~ clmn, family=binomial)$coef  
}
loall <- sapply(abamf[,-1],lftn)  

```

#列表list
- list是最复杂的数据类型

- list可以包含之前提到的所有数据类型及list自己

- 由mylist <- list(object1, object2, ...) 创建

```{r,eval=FALSE,echo=TRUE}

g <- "My First List" 
h <- c(25, 26, 18, 39) 
j <- matrix(1:10, nrow=5)
k <- c("one", "two", "three") 
mylist <- list(title=g, ages=h, j, k) 
x<-(mylist[[2]])
(x)
#Sparse Matrix
#Return Parameters
```

# List 索引

```{r,eval=FALSE,echo=TRUE}
lst$c
lst[["c"]]
lst[[i]] #where i is the index of c within lst

```

#在list上应用函数

- lapply()返回结果也是list

- sapply() 返回结果是向量或者矩阵




#因子factor