R的数据操作基础(二)——函数处理

对数据集的处理远不止上一篇提到的子集，重编码等操作，有些时候数据集本身是有缺陷的，有些时候我们不能直接由数据集得到我们想要的东西。这一篇中我们使用下面的字符和数值型的数据集。

我们希望对这些学生的成绩进行一个综合评定，并评出A,B,C这样的等级。在姓名上，我们希望按照字母排序。但是一方面，姓名的字段只有一个，需要拆分；更麻烦的是，三门科目的成绩显然不能直接比较，方差平均值都是没有意义的。所以我们需要另辟蹊径。在接下来的内容中，我们先介绍R中自带的数值、字符型处理函数，然后用这些函数对这个数据集进行处理。

处理函数

数学函数与统计函数

下表给出了常用的数学函数与统计函数，它们都是可以直接使用在向量和数据框上的。

abs(x);  sqrt(x);  ceiling(x);  floor(x);  trunc(x);  #绝对值、平方根、向上取整、向下取整、向0取整，比如trunc(0.9)=trunc(-0.9)=0
round(x,n);  signif(x,n);  #round(3.473,2)=3.47, signif(3.473,2)=3.5，不同的四舍五入规则。
sin(x); cos(x); tan(x);  #等等的一系列三角函数
log(x,n);  #以n为底的对数函数，默认n=e，此外有log10()是自然对数。
mean(x);  median(x);  sd(x);  var(x);  #平均数、中位数、标准差、方差
range(x); sum(x); min(x); max(x);  #值域、求和、最小值、最大值
diff(x,n)  #n阶滞后差分，默认n-=1。比如diff(x=c(1,4,9,16))=c(3,5,7)
scale(x,center=T,scale=T)  #标准化，当两个参数都为T的时候会将列变成均值为0标准差为1的标准化数据;只有center=T时则会按列中心化。

概率函数

概率函数比较繁琐，它的总体形式为：[dpqr]distribution(); 其中：

• d=求密度函数 (density)
• p=求分布函数 (distribution function)
• q=求分位数 (quantile function)
• r=随机生成概率函数 (random，随机误差）
  常用的概率函数如下表：

以标准正态分布为例，我们分别解决以下4个问题：
1）在[-3,3]区间上绘制分布曲线
2）求z=1.96左侧的曲线积分面积
3）均值为100，标准差为25的正态分布的0.9分位数是多少
4）生成25个均值为25，标准差为10的正态随机数
则代码分别为

x <- pretty(c(-3,3),100)  #在-3到3中等距取100个点
y <- dnorm(x)  #通过密度函数产生y
plot(x,y,type="l")

pnorm(1.96)
qnorm(0.9,mean=100,sd=25)
rnorm(25,mean=25,sd=10)

注意到在生成随机数的时候，我们会用到随机种子，随机种子的函数是set.seed()

字符函数

字符处理函数可以从字符串中抽取信息。

nchar(x)  #计算字符串x中的字符个数
substr(x,start,stop)  #求字符串子串；比如x="abcde"，则substr(x,2,4)="bcd"；substr(x,2,4) <- "dcb"则会令x变为"adcbe"
sub(p,r,x)  #在字符串x中**搜索**字段p并用字段r代替
strsplit(x,split)  #在spilt处将x分割成两个字符串，输出是一个列表。
paste(x,y...，sep="")  #将x,y...连接起来，连接符是sep，该例中为无缝连接。
toupper(x);  tolower(x);  #大写转换、小写转换

其它函数

length(x)  #求对象x的长度
sep(from,to,by)  #按要求生成一个序列，比如sep(1,10,2)=c(1,3,5,7,9)
rep(x,n)  #将x重复n次
cut(x,n)  #将x分割成有n个水平的因子
pretty(x,n)  #将连续型变量x分割成n个区间

最后依然要提及：大部分的函数都是可以运用在数据框和向量中的。

解决实际问题

我们现在来解决开始提到的实际问题。假设数据集已经在某个csv中，并且我们已经将其读入了data变量中，现在只需要对其进行一定的处理以达到理想效果。处理代码如下：

> data
                姓名 性别 数学 科学 英语
1        John Davis    M  502  95  25
2    Angela Williams    M  500  99  22
3    Bullinkle Moose    F  412  80  18
4        David Jones    M  358  82  15
5  Janice Markhammer    F  495  75  20
6    Cheryl Cushing    F  512  85  28
7    Reuven Ytzrhak    F  410  80  15
8          Greg Knox    M  625  95  30
9      Joel England    F  573  89  27
10      Mary Rayburn    F  522  86  18

z <- scale(data[,3:5])  #标准化后两列
score <- apply(z,1,mean)  #求平均数，apply函数可以将函数运用到数组的某个维度上
data <- cbind(data,score)  #列合并
y <- quantile(score,c(0.8,0.6,0.4,0.2))  #求分位数并标注成绩
data$grade[score>=y[1]] <- "A"
data$grade[score<y[1] & score>=y[2]] <- "B"
data$grade[score<y[2] & score>=y[3]] <- "C"
data$grade[score<y[3] & score>=y[4]] <- "D"
data$grade[score<y[4]] <- "F"

data$姓名 <- as.character(data$姓名)  #先将姓名转化成字符串型，再用strsplit分割
name <- strsplit((data$姓名)," ")
lname <- sapply(name,"[",2)  #sapply是apply的升级版，可以将函数运用在列表上（我们提到过strsplit()输出的是列表形式）
fname <- sapply(name,"[",1)
data <- cbind(fname,lname,data[,-1])  #列合并、排序、输出
data <- data[order(lname,fname),]

> data
      fname      lname 性别 数学 科学 英语      score grade
6    Cheryl    Cushing    F  512  85  28  0.3991003    C
1      John      Davis    M  502  95  25  0.6015507    B
9      Joel    England    F  573  89  27  0.7650623    A
4      David      Jones    M  358  82  15 -1.1701569    F
8      Greg      Knox    M  625  95  30  1.4233403    A
5    Janice Markhammer    F  495  75  20 -0.5890825    D
3  Bullinkle      Moose    F  412  80  18 -0.8457295    D
10      Mary    Rayburn    F  522  86  18 -0.1274604    C
2    Angela  Williams    M  500  99  22  0.5808886    B
7    Reuven    Ytzrhak    F  410  80  15 -1.0375130    F

本次笔记的内容只是中级数据操作中的基础部分，还有数据的整合和重铸，以及利用控制流来进行自编函数的内容会在下一次笔记中出现。这些内容单独抽成一次笔记显得单薄，但是却又是十分重要的。