R语言 数据的整理与清洗（第二篇）

《Cookbook for R》 Manipulating Data ~ General

Recoding data 重新编码数据

示例数据框

data <- read.table(header=T, text='
 subject sex control cond1 cond2
       1   M     7.9  12.3  10.7
       2   F     6.3  10.6  11.1
       3   F     9.5  13.1  13.8
       4   M    11.5  13.4  12.9
')
1
2
3
4
5
6
7

想要重新编码数据
或从现有数据列计算新数据列

1、重新编码分类变量 categorical variable
最简单的方法是使用来自 plyr 包的 revalue() 或 mapvalues()
这将把 M 编码为 1 ，把 F 编码为 2 ，并把它放在一个新列中
Note：这些函数保留了数据类型：即输入是因子，则输出因子;输入是字符向量，则输出字符向量
第一种方法：用revalue() 或 mapvalues()

library(plyr)

# 下面两行代码输出的结果是一样的：
data$scode <- revalue(data$sex, c("M"="1", "F"="2"))
data$scode <- mapvalues(data$sex, from = c("M", "F"), to = c("1", "2"))
data
#>   subject sex control cond1 cond2 scode
#> 1       1   M     7.9  12.3  10.7     1
#> 2       2   F     6.3  10.6  11.1     2
#> 3       3   F     9.5  13.1  13.8     2
#> 4       4   M    11.5  13.4  12.9     1

# data$sex 是因子, 所以 data$scode 也是因子
1
2
3
4
5
6
7
8
9
10
11
12
13

第二种方法：用R内置函数来做

# 先新增一列
data$scode[data$sex=="M"] <- "1"
data$scode[data$sex=="F"] <- "2"

# 再把这一列转为因子
data$scode <- factor(data$scode)
data
#>   subject sex control cond1 cond2 scode
#> 1       1   M     7.9  12.3  10.7     1
#> 2       2   F     6.3  10.6  11.1     2
#> 3       3   F     9.5  13.1  13.8     2
#> 4       4   M    11.5  13.4  12.9     1
1
2
3
4
5
6
7
8
9
10
11
12

第三种方法：用match()函数

oldvalues <- c("M", "F")
newvalues <- factor(c("g1","g2"))  # 注意是生成因子

data$scode <- newvalues[ match(data$sex, oldvalues) ]
data
#>   subject sex control cond1 cond2 scode
#> 1       1   M     7.9  12.3  10.7    g1
#> 2       2   F     6.3  10.6  11.1    g2
#> 3       3   F     9.5  13.1  13.8    g2
#> 4       4   M    11.5  13.4  12.9    g1
1
2
3
4
5
6
7
8
9
10

Recoding a continuous variable into categorical variable 将连续变量转换为分类变量

将control测量值<7的标记为“低”，将>=7的标记为“高”

# 先新增一列
data$category[data$control< 7] <- "low"
data$category[data$control>=7] <- "high"

# 再把这一列转为因子
data$category <- factor(data$category)
data
#>   subject sex control cond1 cond2 scode category
#> 1       1   M     7.9  12.3  10.7    g1     high
#> 2       2   F     6.3  10.6  11.1    g2      low
#> 3       3   F     9.5  13.1  13.8    g2     high
#> 4       4   M    11.5  13.4  12.9    g1     high
1
2
3
4
5
6
7
8
9
10
11
12

使用 cut() 函数，可以指定边界和结果值：

data$category <- cut(data$control,
                     breaks=c(-Inf, 7, 9, Inf),
                     labels=c("low","medium","high"))
data
#>   subject sex control cond1 cond2 scode category
#> 1       1   M     7.9  12.3  10.7    g1   medium
#> 2       2   F     6.3  10.6  11.1    g2      low
#> 3       3   F     9.5  13.1  13.8    g2     high
#> 4       4   M    11.5  13.4  12.9    g1     high
1
2
3
4
5
6
7
8
9

边界默认是左开右闭，例如(7,9]；要设置范围为左闭右开，如[7，9），使用 right=FALSE

Calculating a new continuous variable 计算新的连续变量

假设要添加一个新列，其中包含三个度量值的总和

data$total <- data$control + data$cond1 + data$cond2
data
#>   subject sex control cond1 cond2 scode category total
#> 1       1   M     7.9  12.3  10.7    g1   medium  30.9
#> 2       2   F     6.3  10.6  11.1    g2      low  28.0
#> 3       3   F     9.5  13.1  13.8    g2     high  36.4
#> 4       4   M    11.5  13.4  12.9    g1     high  37.8
1
2
3
4
5
6
7

Mapping vector values 映射向量值

想在一个向量中将值 x 的所有实例更改为值 y

先创建一个例子

str <- c("alpha", "beta", "gamma")
num <- c(1, 2, 3)
1
2

最简单的方法是使用来自于 plyr包的 revalue() 或 mapvalues() ：

library(plyr)
revalue(str, c("beta"="two", "gamma"="three"))
#> [1] "alpha" "two"   "three"

mapvalues(str, from = c("beta", "gamma"), to = c("two", "three"))
#> [1] "alpha" "two"   "three"

# revalue() 不能用在数值型向量上，它只能修改字符型

# mapvalues() 可以:
mapvalues(num, from = c(2, 3), to = c(5, 6))
#> [1] 1 5 6
1
2
3
4
5
6
7
8
9
10
11
12

也可以用R的内置函数来
Note：这些方法将直接修改向量，即不必将结果保存回变量中

# 以重命名的方式
str[str=="beta"] <- "two"
str
#> [1] "alpha" "two"   "gamma"

num[num==2] <- 5
num
#> [1] 1 5 3
1
2
3
4
5
6
7
8

也可以使用R的字符串搜索和替换函数来重新映射字符向量中的值
alpha 周围的 ^ 和 $ 是为了确保整个字符串匹配。
如果没有它们，如果有一个名为 alphabet 的值，它也会匹配，而替换将是 onebet

str <- c("alpha", "beta", "gamma")

sub("^alpha$", "one", str)
#> [1] "one"   "beta"  "gamma"

# 将str中所有元素中的a换成X
gsub("a", "X", str)
#> [1] "XlphX" "betX"  "gXmmX"


# gsub() 替换数据中每一个元素对应的所有组分
# sub() 仅替换每一个元素中第一个对应上的组分
1
2
3
4
5
6
7
8
9
10
11
12