R中的數據操作：什麼是變量，使用dplyr包

介紹

除了員工和基礎設施，數據是任何公司的新基石。 從大公司到小型行業，數據是推動其業務發展的燃料。 這些數據與他們的日常業務交易、客戶購買數據、銷售數據、財務圖表、業務統計、營銷活動等等相關聯。 這就是為什麼O'Reilly Media 的創始人 Tim O'Reilly 說我們正在進入一個數據比軟件更重要的情況。

但是這麼多數據怎麼辦？ 公司使用這些數據來獲得對其業務績效的寶貴見解。 他們聘請了在 R 中執行數據操作的數據科學家來理解這些數據。 例如，了解過去一年的銷售和營銷數據將使他們了解自己的立場。 最近的一項研究表明，到 2023 年，數據分析市場的價值預計將達到 776 億美元。

聘請數據科學家通過稱為數據操作的過程來理解這些數據。

什麼是數據操作？

數據操作是組織數據以更好地閱讀和理解它的過程。 例如，公司官員可能會從他們的系統和日誌中獲取客戶數據。 大多數情況下，這些數據將存儲在 CRM（客戶關係管理）軟件和 Excel 表中。 但它可能沒有正確組織。 數據操作包括組織所有這些數據的方法，例如按照字母順序。

可以根據日期、時間、序列號或任何其他字段對數據進行排序。 公司會計部門的人員使用這些數據來確定銷售趨勢、用戶偏好、市場統計數據和產品價格。 金融分析師使用數據來了解股票市場的表現、趨勢以及他們應該投資的最佳股票。

此外，Web 服務器數據可用於了解網站的流量。 在這個技術時代，物聯網是數據來自連接到機器的傳感器的技術示例。 該數據用於確定機器的性能，以及是否存在任何缺陷。 數據處理在物聯網中至關重要，因為到 2025 年市場價值將達到 816.7 億美元。

數據操作通常使用稱為 R 的編程語言執行。讓我們更好地了解該語言。

什麼是R？

要了解R 中的數據操作，您必須了解 R 的基礎知識。它是一種用於數據分析、統計計算和人工智能的現代編程語言。 該語言由Ross Ihaka 和 Robert Gentleman於 1993 年創建。 如今，研究人員、數據分析師、科學家和統計學家使用 R 來分析、清理和可視化數據。

R 有一個龐大的目錄，由圖形和統計方法組成，可以支持機器學習、線性回歸、統計推斷和時間序列。 根據 GNU 通用公共許可證，該語言可免費用於 Windows、Mac 和 Linux 等操作系統。 它是平台友好的，這意味著在一個平台上編寫的 R 代碼可以在另一個平台上輕鬆執行。

R 現在被認為是數據科學的主要編程語言。 但它是一種綜合性語言，因為您可以將其用於軟件開發以及統計建模等複雜任務。 您可以使用它的包 RShiny 開發 Web 應用程序。

它是如此強大的語言，以至於谷歌和 Facebook 等一些世界上最好的公司都在使用它。

讓我們看看 R 的一些最重要的特性：

• 它有CRAN （綜合 R 存檔網絡） ，它是一個包含 10,000 多個 R 包的存儲庫，具有處理數據所需的所有功能
• 它是一種開源編程語言。 這意味著您可以免費下載它，甚至可以為其開發做出貢獻，更新其功能並自定義其現有功能
• 您可以從 R 有用的圖形庫（例如ggplot2和plotly ）中的手頭數據創建高質量的可視化
• R 是一種速度非常快的語言。 由於它是一種解釋型編程語言，因此無需編譯器即可將 R 程序轉換為可執行代碼，因此 R 腳本運行速度更快
• R 可以快速執行各種複雜的計算，包括數組、數據幀和向量。 有許多運算符用於執行這些計算
• 它處理結構化和非結構化數據。 大數據和 SQL 擴展可用於處理所有類型的數據
• R 擁有一個不斷發展的社區，擁有最聰明的頭腦。 這些人通過開發 r 庫和更新不斷為編程語言做出貢獻
• 您可以輕鬆地將 R 與 Python、Java 和 C++ 等其他編程語言集成。 您還可以將其與Hadoop結合起來進行分佈式計算

現在您已經收集了 R 編程語言的基礎知識，讓我們深入了解令人興奮的內容！

R中的變量

在 R 中編程或在 R 中執行任何數據操作時，您必須處理變量。 變量用於存儲可能是字符串、整數、浮點整數或布爾值形式的數據。 這些變量在內存中為其內容保留一個空間。 與傳統編程語言不同，R 中的變量與 R 對像一起分配。

變量沒有數據類型，但獲取分配給它的 R 對象的類型。 最受歡迎的 R 對像是：

• 矢量圖
• 列表
• 數組
• 矩陣
• 因素
• 數據框

這些數據結構對於R 中的數據操作和數據分析非常重要。 讓我們更詳細地看一下它們，以了解基本的數據操作：

矢量圖

它們是最基本的數據結構，用於一維數據。 原子向量的類型有：

• 整數
• 邏輯的
• 數字
• 複雜的
• 特點

當您在 R 中創建值時，它變為長度為 1 的單元素向量。例如，

打印（“ABC”）； # 字符類型的單元素向量

print(10.5) # double 類型的單元素向量

使用它們的索引號訪問向量中的元素。 向量中的索引位置從 1 開始。例如，

t <- c(“週一”、“週二”、“週三”、“週六”)

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

打印(u)

結果將是“週一”“週二”“週三”

列表

這些是 R 中的對象，用於在其中保存不同類型的元素。 這些可以是整數、字符串甚至列表。 如果數據不能保存在數據框或數組中，這是最好的選擇。 列表也可以包含一個矩陣。 您可以使用 list() 方法創建列表。

使用以下代碼創建列表：

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

打印（列表數據）

可以使用列表索引訪問列表元素。

print(list_data[1]) #代碼打印出列表的第一個元素

使用列表進行數據操作的示例：

list_data[4] <- NULL # 如果列表有 4 個元素，此代碼將刪除列表的最後一個元素

閱讀：用於數據科學的 R 與 Python

數組

數組是只能用於存儲單一數據類型的對象。 二維以上的數據可以存儲在數組中。 為此，您必須使用將向量作為輸入的 array() 函數。 它使用 dim 參數中的值來創建數組。

例如，看下面的代碼：

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

打印（向量結果）

矩陣

在這些 R 對像中，元素以二維佈局組織。 矩陣包含相似原子類型的元素。 當元素屬於單個類時，這些是有益的。 為數學計算創建具有數字元素的矩陣。 您可以使用 matrix() 函數創建矩陣。

創建矩陣的基本語法如下：

矩陣（數據，nrow，ncol，byrow，dimnames）

• 數據——這是成為矩陣數據元素的輸入向量
• Nrow – 這是您要創建的行數
• Ncol – 這是您要創建的列數
• Byrow——這是一個合乎邏輯的線索。 如果其值為 TRUE，則向量元素將按行排列
• Dimname – 列和行的名稱

因素

這些 R 對像用於對數據進行分類並將它們存儲為級別。 它們適用於統計建模和數據分析。 整數和字符串都可以存儲在因子中。 您可以使用 factor() 函數通過提供向量作為方法的輸入來創建因子。

數據框

它具有二維結構，例如具有行和列的數組。 在這裡，每一行都有一組屬於每一列的值。 這些列包含一個變量的值。 它們用於表示電子表格中的數據。 這些可用於存儲因子、數字或字符類型的數據。

數據框具有以下特點：

• 行名必須是唯一的
• 列名必須為非空
• 每列的數據項數必須相同

R中的數據操作

在R 中進行數據操作期間，第一步是從龐大的數據集中創建小數據樣本。 這樣做是因為無法一次分析整個數據集。 通常，數據分析師會創建數據集的代表性子集。 這有助於他們識別更大數據集中的趨勢和模式。 這種抽樣過程也稱為子集。

在 R 中創建子集的不同方法如下：

• $ -這會選擇數據的單個元素，其結果始終是一個向量

• [[ -此子集運算符也返回單個元素，但您可以通過它們的位置來引用元素

• [ -此運算符用於返回數據的多個元素

R中數據操作的一些基本功能是：

樣本（）函數

顧名思義， sample()方法用於從更大的數據集中創建數據樣本。 除了這個命令，您還提到了您希望從數據集或向量中提取的樣本數量。 基本語法如下：

樣本（x，大小，替換 = FALSE，概率 = NULL）

x - 這可以是一個向量或多個元素的數據集，必須從中選擇樣本

size - 這是一個正整數，表示要選擇的項目數

replace -這可以是 True 或 False，無論您想要有或沒有替換的採樣

prob - 它是用於提供權重向量的參數，用於獲取正在採樣的向量​​的元素

表（）函數

此函數創建一個頻率表，用於計算特定變量的唯一值的數量。 例如，讓我們使用 iris 數據集創建一個頻率表：

表（鳶尾花$物種）

上面編寫的代碼創建了一個表格，描述了 iris 數據集中的物種類型。

重複的（）

duplicated() 方法用於識別和刪除數據集中的重複值。 它將向量或數據框作為參數，並為重複的元素返回 True。 例如，

重複（c（1,1,3））

這將檢查其中哪些元素是重複的並返回 True 或 False。

另請閱讀：R 中的決策樹

使用 dplyr 包在 R 中進行數據操作

R 提供了一個簡單易用的包 dplyr 用於數據操作。 該軟件包具有一些用於操作、數據探索和轉換的內置方法。 讓我們看看這個包的一些最重要的功能：

選擇（）

select() 方法是R 中數據操作的基本功能之一。 此方法用於在 R 中選擇列。使用此方法，您可以選擇數據作為其列名。 可以根據特定條件選擇列。 假設我們要選擇名為 myData 的數據框的第 3列和第4列，代碼將是：

選擇（我的數據，3：4）

篩選（）

此方法用於過濾匹配特定條件的數據集行。 它可以像 select() 一樣工作，首先傳遞數據幀，然後使用逗號分隔條件。

例如，如果要過濾掉數據集中汽車顏色為紅色的列，則必須編寫：

過濾器（汽車，顏色==“紅色”）

結果，將顯示匹配的行。

變異（）

您可以使用mutate() 方法在數據集中創建新列，同時保留舊列。 可以通過指定條件來創建這些列。 例如，

變異（mtcars，mtcars_new_col = mpg / cyl）

在此命令中，在 mtcars 數據集中，創建了一個新列mtcars_new_col ，其中包含 mpg 列除以 cyl 列的值。

安排（）

這用於使用一個或多個變量按升序或降序對行進行排序。 您可以在排序變量之前添加減號 (-)，而不是應用 desc() 方法。 這將指示排序的降序。 例如，

安排（我的數據集，-Sepal.Length）

通過...分組（）

group_by() 方法用於按一個或多個變量對數據集中的觀察進行分組。

總結（）

summarise() 函數有助於確定數據洞察力，例如均值、中值和眾數。 它與另一個方法 group_by 創建的分組數據一起使用。 summarise() 有助於將多個值減少為單個值。

合併（）

merge() 方法將數據集組合或合併在一起。 這對於將多個輸入數據源組合在一起很有用。

該方法為您提供了 4種合併數據集的方法。 它們在下面提到：

• 自然連接-這用於將符合指定條件的行保留在數據框中
• 全外連接——合併並存儲兩個數據幀中的所有行
• 左外連接——存儲數據框 A 的所有行，以及 B 中匹配的行
• 右外連接——存儲數據框 B 的所有行，以及 A 中匹配的行

重命名_if()

此函數可用於在滿足指定條件時重命名數據框的列。

重命名_all()

這用於在不指定任何條件的情況下重命名數據框的所有列。

從世界頂尖大學學習數據科學課程。 加入我們的行政 PG 課程、高級證書課程或碩士課程，以加快您的職業生涯。

管道操作員

管道運算符可用於magrittr 和 dplyr等包中，用於簡化您的整體代碼。 運算符可讓您將多個功能組合在一起。 由 %>% 符號表示，它可以與流行的方法一起使用，例如 summarise()、filter()、select() 和 group_by()，同時在 R 中進行數據操作。

除了 dplyr，CRAN 中還有許多其他包用於R 中的數據操作。 事實上，你會發現超過 7000 個包可以減少你的編碼和錯誤。 其中許多軟件包是由專家開發人員創建的，因此您可以放心使用。 這些包括：

• 數據表
• 潤滑
• ggplot2
• 讀者
• 重塑2
• 蒂迪爾

結論

如果您是R 中數據操作的初學者，您可能會選擇 R 中可用的內置基本函數。這些方法包括 with()、within()、duplicated()、cut()、table()、樣本（）和排序（）。 但它們既耗時又重複。 這不是一個非常有效的選擇。

因此，最好的方法是使用 CRAN 中的大量軟件包，例如 dplyr。 這些非常有用，可以讓你的程序更有效率。