R中的数据操作：什么是变量，使用dplyr包

介绍

除了员工和基础设施，数据是任何公司的新基石。 从大公司到小型行业，数据是推动其业务发展的燃料。 这些数据与他们的日常业务交易、客户购买数据、销售数据、财务图表、业务统计、营销活动等等相关联。 这就是为什么O'Reilly Media 的创始人 Tim O'Reilly 说我们正在进入一个数据比软件更重要的情况。

但是这么多数据怎么办？ 公司使用这些数据来获得对其业务绩效的宝贵见解。 他们聘请了在 R 中执行数据操作的数据科学家来理解这些数据。 例如，了解过去一年的销售和营销数据将使他们了解自己的立场。 最近的一项研究表明，到 2023 年，数据分析市场的价值预计将达到 776 亿美元。

聘请数据科学家通过称为数据操作的过程来理解这些数据。

什么是数据操作？

数据操作是组织数据以更好地阅读和理解它的过程。 例如，公司官员可能会从他们的系统和日志中获取客户数据。 大多数情况下，这些数据将存储在 CRM（客户关系管理）软件和 Excel 表中。 但它可能没有正确组织。 数据操作包括组织所有这些数据的方法，例如按照字母顺序。

可以根据日期、时间、序列号或任何其他字段对数据进行排序。 公司会计部门的人员使用这些数据来确定销售趋势、用户偏好、市场统计数据和产品价格。 金融分析师使用数据来了解股票市场的表现、趋势以及他们应该投资的最佳股票。

此外，Web 服务器数据可用于了解网站的流量。 在这个技术时代，物联网是数据来自连接到机器的传感器的技术示例。 该数据用于确定机器的性能，以及是否存在任何缺陷。 数据处理在物联网中至关重要，因为到 2025 年市场价值将达到 816.7 亿美元。

数据操作通常使用称为 R 的编程语言执行。让我们更好地了解该语言。

什么是R？

要了解R 中的数据操作，您必须了解 R 的基础知识。它是一种用于数据分析、统计计算和人工智能的现代编程语言。 该语言由Ross Ihaka 和 Robert Gentleman于 1993 年创建。 如今，研究人员、数据分析师、科学家和统计学家使用 R 来分析、清理和可视化数据。

R 有一个庞大的目录，由图形和统计方法组成，可以支持机器学习、线性回归、统计推断和时间序列。 根据 GNU 通用公共许可证，该语言可免费用于 Windows、Mac 和 Linux 等操作系统。 它是平台友好的，这意味着在一个平台上编写的 R 代码可以在另一个平台上轻松执行。

R 现在被认为是数据科学的主要编程语言。 但它是一种综合性语言，因为您可以将其用于软件开发以及统计建模等复杂任务。 您可以使用它的包 RShiny 开发 Web 应用程序。

它是如此强大的语言，以至于谷歌和 Facebook 等一些世界上最好的公司都在使用它。

让我们看看 R 的一些最重要的特性：

• 它有CRAN （综合 R 存档网络） ，它是一个包含 10,000 多个 R 包的存储库，具有处理数据所需的所有功能
• 它是一种开源编程语言。 这意味着您可以免费下载它，甚至可以为其开发做出贡献，更新其功能并自定义其现有功能
• 您可以从 R 有用的图形库（例如ggplot2和plotly ）中的手头数据创建高质量的可视化
• R 是一种速度非常快的语言。 由于它是一种解释型编程语言，因此无需编译器即可将 R 程序转换为可执行代码，因此 R 脚本运行速度更快
• R 可以快速执行各种复杂的计算，包括数组、数据帧和向量。 有许多运算符用于执行这些计算
• 它处理结构化和非结构化数据。 大数据和 SQL 扩展可用于处理所有类型的数据
• R 拥有一个不断发展的社区，拥有最聪明的头脑。 这些人通过开发 r 库和更新不断为编程语言做出贡献
• 您可以轻松地将 R 与 Python、Java 和 C++ 等其他编程语言集成。 您还可以将其与Hadoop结合起来进行分布式计算

现在您已经收集了 R 编程语言的基础知识，让我们深入了解令人兴奋的内容！

R中的变量

在 R 中编程或在 R 中执行任何数据操作时，您必须处理变量。 变量用于存储可能是字符串、整数、浮点整数或布尔值形式的数据。 这些变量在内存中为其内容保留一个空间。 与传统编程语言不同，R 中的变量与R 对象一起分配。

变量没有数据类型，但获取分配给它的 R 对象的类型。 最受欢迎的 R 对象是：

• 矢量图
• 列表
• 数组
• 矩阵
• 因素
• 数据框

这些数据结构对于R 中的数据操作和数据分析非常重要。 让我们更详细地看一下它们，以了解基本的数据操作：

矢量图

它们是最基本的数据结构，用于一维数据。 原子向量的类型有：

• 整数
• 逻辑的
• 数字
• 复杂的
• 特点

当您在 R 中创建值时，它变为长度为 1 的单元素向量。例如，

打印（“ABC”）； # 字符类型的单元素向量

print(10.5) # double 类型的单元素向量

使用它们的索引号访问向量中的元素。 向量中的索引位置从 1 开始。例如，

t <- c(“周一”、“周二”、“周三”、“周六”)

u <- t[c(1,2,3)]

打印(u)

结果将是“周一”“周二”“周三”

列表

这些是 R 中的对象，用于在其中保存不同类型的元素。 这些可以是整数、字符串甚至列表。 如果数据不能保存在数据框或数组中，这是最好的选择。 列表也可以包含一个矩阵。 您可以使用 list() 方法创建列表。

使用以下代码创建列表：

list_data <- list(“黑色”、“绿色”、c(11,4,14), TRUE, 31.22, 120.5)

打印（列表数据）

可以使用列表索引访问列表元素。

print(list_data[1]) #代码打印出列表的第一个元素

使用列表进行数据操作的示例：

list_data[4] <- NULL # 如果列表有 4 个元素，此代码将删除列表的最后一个元素

阅读：用于数据科学的 R 与 Python

数组

数组是只能用于存储单一数据类型的对象。 二维以上的数据可以存储在数组中。 为此，您必须使用将向量作为输入的 array() 函数。 它使用 dim 参数中的值来创建数组。

例如，看下面的代码：

vector_result <- array(c(vectorA,vectorB),dim = c(3,3,2))

打印（向量结果）

矩阵

在这些 R 对象中，元素以二维布局组织。 矩阵包含相似原子类型的元素。 当元素属于单个类时，这些是有益的。 为数学计算创建具有数字元素的矩阵。 您可以使用 matrix() 函数创建矩阵。

创建矩阵的基本语法如下：

矩阵（数据，nrow，ncol，byrow，dimnames）

• 数据——这是成为矩阵数据元素的输入向量
• Nrow – 这是您要创建的行数
• Ncol – 这是您要创建的列数
• Byrow——这是一个合乎逻辑的线索。 如果其值为 TRUE，则向量元素将按行排列
• Dimname – 列和行的名称

因素

这些 R 对象用于对数据进行分类并将它们存储为级别。 它们适用于统计建模和数据分析。 整数和字符串都可以存储在因子中。 您可以使用 factor() 函数通过提供向量作为方法的输入来创建因子。

数据框

它具有二维结构，例如具有行和列的数组。 在这里，每一行都有一组属于每一列的值。 这些列包含一个变量的值。 它们用于表示电子表格中的数据。 这些可用于存储因子、数字或字符类型的数据。

数据框具有以下特点：

• 行名必须是唯一的
• 列名必须为非空
• 每列的数据项数必须相同

R中的数据操作

在R 中进行数据操作期间，第一步是从庞大的数据集中创建小数据样本。 这样做是因为无法一次分析整个数据集。 通常，数据分析师会创建数据集的代表性子集。 这有助于他们识别更大数据集中的趋势和模式。 这种抽样过程也称为子集。

在 R 中创建子集的不同方法如下：

• $ -这会选择数据的单个元素，其结果始终是一个向量

• [[ -此子集运算符也返回单个元素，但您可以通过它们的位置来引用元素

• [ -此运算符用于返回数据的多个元素

R中数据操作的一些基本功能是：

样本（）函数

顾名思义， sample()方法用于从更大的数据集中创建数据样本。 除了这个命令，您还提到了您希望从数据集或向量中提取的样本数量。 基本语法如下：

样本（x，大小，替换 = FALSE，概率 = NULL）

x - 这可以是一个向量或多个元素的数据集，必须从中选择样本

size - 这是一个正整数，表示要选择的项目数

replace -这可以是 True 或 False，无论您想要有或没有替换的采样

prob - 它是用于提供权重向量的参数，用于获取正在采样的向量的元素

表（）函数

此函数创建一个频率表，用于计算特定变量的唯一值的数量。 例如，让我们使用 iris 数据集创建一个频率表：

表（鸢尾花$物种）

上面编写的代码创建了一个表格，描述了 iris 数据集中的物种类型。

重复的（）

duplicated() 方法用于识别和删除数据集中的重复值。 它将向量或数据框作为参数，并为重复的元素返回 True。 例如，

重复（c（1,1,3））

这将检查其中哪些元素是重复的并返回 True 或 False。

另请阅读：R 中的决策树

使用 dplyr 包在 R 中进行数据操作

R 提供了一个简单易用的包 dplyr 用于数据操作。 该软件包具有一些用于操作、数据探索和转换的内置方法。 让我们看看这个包的一些最重要的功能：

选择（）

select() 方法是R 中数据操作的基本功能之一。 此方法用于在 R 中选择列。使用此方法，您可以选择数据作为其列名。 可以根据特定条件选择列。 假设我们要选择名为 myData 的数据框的第 3列和第4列，代码将是：

选择（我的数据，3：4）

筛选（）

此方法用于过滤匹配特定条件的数据集行。 它可以像 select() 一样工作，首先传递数据帧，然后使用逗号分隔条件。

例如，如果要过滤掉数据集中汽车颜色为红色的列，则必须编写：

过滤器（汽车，颜色==“红色”）

结果，将显示匹配的行。

变异（）

您可以使用mutate() 方法在数据集中创建新列，同时保留旧列。 可以通过指定条件来创建这些列。 例如，

变异（mtcars，mtcars_new_col = mpg / cyl）

在此命令中，在 mtcars 数据集中，创建了一个新列mtcars_new_col ，其中包含 mpg 列除以 cyl 列的值。

安排（）

这用于使用一个或多个变量按升序或降序对行进行排序。 您可以在排序变量之前添加减号 (-)，而不是应用 desc() 方法。 这将指示排序的降序。 例如，

安排（我的数据集，-Sepal.Length）

通过...分组（）

group_by() 方法用于按一个或多个变量对数据集中的观察进行分组。

总结（）

summarise() 函数有助于确定数据洞察力，例如均值、中值和众数。 它与另一个方法 group_by 创建的分组数据一起使用。 summarise() 有助于将多个值减少为单个值。

合并（）

merge() 方法将数据集组合或合并在一起。 这对于将多个输入数据源组合在一起很有用。

该方法为您提供了 4种合并数据集的方法。 它们在下面提到：

• 自然连接-这用于将符合指定条件的行保留在数据框中
• 全外连接——合并并存储两个数据帧中的所有行
• 左外连接——存储数据框 A 的所有行，以及 B 中匹配的行
• 右外连接——存储数据框 B 的所有行，以及 A 中匹配的行

重命名_if()

此函数可用于在满足指定条件时重命名数据框的列。

重命名_all()

这用于在不指定任何条件的情况下重命名数据框的所有列。

从世界顶尖大学学习数据科学课程。 加入我们的行政 PG 课程、高级证书课程或硕士课程，以加快您的职业生涯。

管道操作员

管道运算符可用于magrittr 和 dplyr等包中，用于简化您的整体代码。 运算符可让您将多个功能组合在一起。 由 %>% 符号表示，它可以与流行的方法一起使用，例如 summarise()、filter()、select() 和 group_by()，同时在 R 中进行数据操作。

除了 dplyr，CRAN 中还有许多其他包用于R 中的数据操作。 事实上，你会发现超过 7000 个包可以减少你的编码和错误。 其中许多软件包是由专家开发人员创建的，因此您可以放心使用。 这些包括：

• 数据表
• 润滑
• ggplot2
• 读者
• 重塑2
• 蒂迪尔

结论

如果您是R 中数据操作的初学者，您可能会选择 R 中可用的内置基本函数。这些方法包括 with()、within()、duplicated()、cut()、table()、样本（）和排序（）。 但它们既耗时又重复。 这不是一个非常有效的选择。

因此，最好的方法是使用 CRAN 中的大量软件包，例如 dplyr。 这些非常有用，可以让你的程序更有效率。