13.3　操作数据框

许多数据清理的任务涉及数据框的操作，要把它们转换成相应所需的形式。我们已知可用索引和subset函数来选择数据框的子集。其他常见任务，包括通过添加其他列（或替换现有列）来扩充数据框、处理缺失值，以及在数据框的宽和长格式之间的转换。以下有几个函数可用于在数据框中添加或替换列。

13.3.1　添加和替换列

假设要为english_monarchs数据框添加一列来表示统治者执政了多少年，我们可以使用标准的赋值操作符来完成：

  1. english_monarchs$length.of.reign.years <- 
  2.    english_monarchs$end.of.reign - english_monarchs$start.of.reign

这是可行的，但要反复输入数据框变量名无论是对于输入或阅读来说都太麻烦。with函数可以通过直接调用变量使之简化。它接受一个数据框2和要计算的表达式作为输入参数：

2或环境。

  1. english_monarchs$length.of.reign.years <- with( 
  2.    english_monarchs, 
  3.    end.of.reign - start.of.reign 
  4. )

within函数的工作方式类似，但它会返回整个数据框：

  1. english_monarchs <- within( 
  2.    english_monarchs, 
  3.    { 
  4.       length.of.reign.years <- end.of.reign - start.of.reign 
  5.    } 
  6. )

在此例中within还需输入更多。当要更改多个列时，它更有用：

  1. english_monarchs <- within( 
  2.    english_monarchs, 
  3.    { 
  4.       length.of.reign.years <- end.of.reign - start.of.reign 
  5.       reign.was.more.than.30.years <- length.of.reign.years > 30 
  6.    } 
  7. )

也就是说，如果你正在创建或改变某一列，就使用with；如果你想一次操作多个列，则用within。

在plyr包中的mutate函数采取了另一种方法，它接受新的和更改的列，并把它们当成“名称－值”对 3：

3R基本包中的transform函数是mutate函数的早期实现，现已过时。

  1. english_monarchs <- mutate( 
  2.    english_monarchs, 
  3.    length.of.reign.years        = end.of.reign - start.of.reign, 
  4.    reign.was.more.than.30.years = length.of.reign.years > 30 
  5. )

13.3.2　处理缺失值

在第12章，马鹿数据集显示了用四种不同方式测量得出每头鹿的颅容量。对其中某些而非所有的鹿，会进行第二次测量以测试该技术的可重复性。这意味着某些行会有缺失值。complete.cases函数告诉我们哪些行没有缺失值：

  1. data("deer_endocranial_volume", package = "learningr") 
  2. has_all_measurements <- complete.cases(deer_endocranial_volume)
  3. deer_endocranial_volume[has_all_measurements, ]
  5. ##    SkullID VolCT VolBead VolLWH VolFinarelli VolCT2 VolBead2 VolLWH2
  6. ## 7     C120   346     335   1250          289    346      330    1264
  7. ## 8      C25   302     295   1011          250    303      295    1009
  8. ## 9       F7   379     360   1621          347    375      365    1647
  9. ## 10     B12   410     400   1740          387    413      395    1728
  10. ## 11     B17   405     395   1652          356    408      395    1639
  11. ## 12     B18   391     370   1835          419    394      375    1825
  12. ## 13      J7   416     405   1834          408    417      405    1876
  13. ## 15      A4   336     330   1224          283    345      330    1192
  14. ## 20      K2   349     355   1239          286    354      365    1243

捷径为na.omit函数，它能删除数据框中所有带有缺失值的行4：

4na.exclude与na.omit的行为一样，两者同存为惯例。

  1. na.omit(deer_endocranial_volume)
  3. ##    SkullID VolCT VolBead VolLWH VolFinarelli VolCT2 VolBead2 VolLWH2
  4. ## 7     C120   346     335   1250          289    346      330    1264
  5. ## 8      C25   302     295   1011          250    303      295    1009
  6. ## 9       F7   379     360   1621          347    375      365    1647
  7. ## 10     B12   410     400   1740          387    413      395    1728
  8. ## 11     B17   405     395   1652          356    408      395    1639
  9. ## 12     B18   391     370   1835          419    394      375    1825
  10. ## 13      J7   416     405   1834          408    417      405    1876
  11. ## 15      A4   336     330   1224          283    345      330    1192
  12. ## 20      K2   349     355   1239          286    354      365    1243

相反地，如果你的数据框中包含任何缺失值，na.fail将抛出一个错误：

  1. na.fail(deer_endocranial_volume)

这两个函数也可以对向量进行缺失值删除或者抛出错误，就像在数据框中一样。

注

可以采取统计上可行的多次插补来填补缺失值。这已超出本书的范围，不过我们建议你从mice和mix包开始研究。

13.3.3　在宽和长表格之间进行转换

马鹿数据集包含了以四种不同方式获得的鹿头骨颅容量数据。它的每一列包含了对某种类型的鹿的测量结果。（为简单起见，我们忽略了重复测量的列。）这就是数据框的宽形式：

  1. deer_wide <- deer_endocranial_volume[, 1:5]

从另一个角度看，每一列中的头骨测量数据都是同一类型的东西（即测量值），只是测量的方式不同。因此，另一种表示该数据的方式是：每个鹿都有4行数据，每行有以下几列：一列是和之前一样颅骨的ID（所以每个值将被重复四次），一列为测量值，还有一列用于解释本行所在的测量类型的因子。这就是所谓的数据框的长格式。

R的基础包中reshape的函数能用于宽和长形式之间的转换。它的功能非常强大，但并不太直观。更好的选择是使用reshape2包中的功能。

在这个包中可用melt函数将宽形式转换成长形式5。我们选择SkullID作为ID列（与其他所有都被归为一次测量）：

5术语“melting”及其反义词“casting”均参考自钢铁行业。

  1. library(reshape2) 
  2. deer_long <- melt(deer_wide, id.vars = "SkullID") 
  3. head(deer_long)
  5. ##   SkullID variable value
  6. ## 1   DIC44    VolCT   389
  7. ## 2     B11    VolCT   389
  8. ## 3   DIC90    VolCT   352
  9. ## 4   DIC83    VolCT   388
  10. ## 5  DIC787    VolCT   375
  11. ## 6 DIC1573    VolCT   325

或者，使用measure.vars参数，它显示除了id.vars列之外的其他所有列。在这种情况下，工作量会变大，但当有很多的ID变量和极少测量变量时，它很有用：

  1. melt(deer_wide, measure.vars = c("VolCT", "VolBead", "VolLWH", "VolFinarelli"))

dcast函数能把长转换回宽形式，并将结果返回为一个数据框（相关函数acast返回一个向量、矩阵或数组）：

  1. deer_wide_again <- dcast(deer_long, SkullID ~ variable)

我们重构的数据集deer_wide_again与原来的deer_wide基本一样，除了它按SkullID中的字母顺序排序。

注意

电子表格的爱好者可能会注意到，acast和dcast能有效地创建数据透视表。

13.3.4　使用SQL

sqldf包提供了使用SQL操作数据框的方式。一般情况下，标准R里面的函数都比SQL代码要更简洁、可读性也更好。不过，当你原来的工作背景是数据库，这个包能帮你平滑过渡到R：

  1. install.packages("sqldf")

下例将比较标准R和sqldf版本的子集查询语句：

  1. library(sqldf)
  3. ## Loading required package: DBI
  5. ## Loading required package: gsubfn
  7. ## Loading required package: proto
  9. ## Loading required namespace: tcltk
  11. ## Loading required package: chron
  13. ## Loading required package: RSQLite
  15. ## Loading required package: RSQLite.extfuns
  17. subset( 
  18.    deer_endocranial_volume, 
  19.    VolCT > 400 | VolCT2 > 400, 
  20.    c(VolCT, VolCT2) 
  21. )
  23. ##    VolCT VolCT2
  24. ## 10   410    413
  25. ## 11   405    408
  26. ## 13   416    417
  27. ## 16   418     NA
  30. query <- 
  31.    "SELECT 
  32.       VolCT, 
  33.       VolCT2 
  34.    FROM 
  35.       deer_endocranial_volume 
  36.    WHERE 
  37.       VolCT > 400 OR 
  38.       VolCT2 > 400" 
  39. sqldf(query)
  41. ## Loading required package: tcltk
  43. ##   VolCT VolCT2 
  44. ## 1   410    413
  45. ## 2   405    408
  46. ## 3   416    417
  47. ## 4   418     NA