创建数据框
因为数据框的本质是由一堆向量或者因子构成的列表，其中的每一个向量或者因子代表了一列。因此，数据框可以包含不同类型的数据（数值型、布尔型或字符型），但是每一列的数据类型必须相同。
data.frame
我们可以通过data.frame()函数将相同长度的向量数据，构建一个数据框
name <- c("Jane","Maria","kangkang","Micheal",'Yukio',"sansa")
age <- c(15,14,15,15,16,14)
country <- c("Canada","Cuba","China","American","Japan","American")
info <- data.frame(name,age,country)as.data.frame
可以通过as.data.frame将列表数据转化成数据框
info <- list(name = name,age = age,country = country)
info <- as.data.frame(info)数据输入
通过read.csv()函数、read.table()函数读入的表格文件，以及从数据库读入的数据都会返回一个数据框
访问元素
通过行列的下标访问
# 查看第一列
info[,1]
# 查看第一行
info[1,]
# 查看第二行第三列
info[2,3]通过列名或列下标查看列
info[1:2] # 查看第一至第二列
info[c("name","age")] # 查看列名为name,age的列[[]]和$
若只查看数据的某一列还可以通过[[]]和$
info[[2]] # 查看数据的第二列，这和上面的列的下标查看很相似，但是返回的数据类型不同，上面返回的是数据框，这返回的是向量
info[["name"]] # 查看数据中中列名为name的列，和上面列名查看相似，但返回的数据类型不同
info$name # 查看数据中的name列增加和删除列
通过 $ 增加列
上面提到我们可以通过\(访问数据框某列，我们也可以通过\)向数据框添加某列
info$gender <- c("female","female","male","male","male","female") # 向info数据框中添加名为gender列，列的数据必须和其它列的长度一致，如果不一致将自动循环补齐，而循环过程中，长度必须为整数倍
info$grade <- c("class 1","class 2","class 3") # 其他列的长度为6，是该向量的2倍，向量循环2次。等价于info$class <- c("class 1","class 2","class 3"，"class 1","class 2","class 3")
info$grade <- c("class 1","class 2","class 3","class 4") # 非整数倍将出错可以通过下标删除行或列
info[1,] # 删除第一行
info[,1] # 删除第一列还可以通过将某一列赋值为NULL，来删除该列
info$name <- NULL另外还可以按照条件索引、匹配等来删除数据框的某行或者某列这部分见数据框匹配
重命名数据框列名
names()
names()函数可以获得/命名一个对象的名称。返回/设置的为一个字符向量
names(info) <- c("newname","newage","newcountry","newgender","newgrade")因为是字符操作，所以可以运用字符穿的匹配，替换等操作结合向量元素替换操作来重命名
names(info)[names(info) == "name"] <- c("rename") # 以及names(info) == "name"，获取列名并判断列名是否等同于name，然后names函数将与条件匹配的元素重新赋值为"rename"
names(info)[grep("name",names(info))] <- c("newname")
names(info)[grepl("name",names(info))] <- c("newname")
...数据框列重新排序
通过列的下标排序。其实这个就是和数据框通过列的提取，然后将提取的列重新构成一个数据框而已。所以，最好细心，因为不小心就会把数据只得到某几列。如下面info数据框有5列，想调整第二列和第三轮的顺序
info <- info[c(1,3,2)] # 此时相当于提取了原info数据框的第一列、第三列、第二列然后赋值给info。而第四列、第五列就删除了
info <- info[c(1,3,2,4,5)] #应该将整个数据都提取，只是顺序重新排列。这样比较麻烦另外可以把下标替换为列名，然后和下标一样的用法
info <- info[c("name","country","age","gender","grade")]匹配、提取
subset()
subset()函数根据条件返回向量或矩阵或数据框
## S3 method for class 'data.frame'
subset(x, subset, select, drop = FALSE, ...)- x:带匹配的数据框
- subset：表明要保留的行或者元素的逻辑表达式。（行）
- select：表明要从数据框中挑选的列（列）
- drop：布尔值，表示返回的是数据框还是向量。默认FALSE，即数据框
male <- subset(info,gender == "male") # gender == "male"，因为subset必须是逻辑值，所以行的提取还可以通过返回为逻辑的字符匹配操作，来筛选
male <- subset(info,grepl("a",info$name)) # 提取info数据框中name列中元素带字母a的行
male <- subset(info,gender == "male",select = c(gender,name,age)) # select 提取列，所以提取info 数据框中gender为male的行，然后提取了gender,name,age这三列
newInfo <- subset(info,select = grep("a",names(info))) # 提取列名中含有字母a的列
male <- subset(info,gender == "male"|country == "china") #另外还可以通过|（或）&（且）等进行跳进筛选
newInfo <- subset(info,age >= 15,select = grep("a",names(info))) #提取age中大于等于15的行，列名中含有字母a的列跟据下标匹配、提取或删除
subset是根据返回的逻辑值来匹配、提取。另外还可以根据字符串下标来提取，我们通过返回匹配值为下标，然后根据该下标来提取或删除。而我们知道匹配字符串返回下标的函数有which、grep、str_which
newInfo <- info[which(info$name == "Jane"),] #提取info数据框name列中为Jane的所有行。删除的话是直接就是直接加删除符号（-），行列都是一样以用的
newInfo <- info[grep("Maria",info$name),3] # 提取info数据框name列中为Maria的行，第三列。当然列也是可以根据条件筛选的，只需要匹配函数返回的是下标
newInfo <- info[str_which(info$name,"sansa"),grep("gender",names(info)] # 提取info数据框name列中为sansa的行，列名为gender的列所以其实都是这个都是可以自己灵活结合其它操作，来清洗数据
转化变量
分类变量转化为另一个分类变量
比如说数据框中有一个分类变量"female","male"。我们根据这两个变量，创建一个变量(drink)，"female"用来表示喝的饮料（"juice"），"male”表示喝的啤酒（"beer"）
oldvals <- c("female","male")
newvals <- factor(c("juice","beer")) # 此处顺序一一对应，即female对应juice,male对应beer。所以这一个顺序自己仔细点
info$drink <- newvals[match(info$gender,oldvals)] #match将info中gender列元素与oldvals匹配，元素与oldvas中第一个匹配返回1，与第二个匹配返回2。然后其实就是c("juice","beer")[c(1,1,2,2,2,1)]另外还有一种就是使用向量索引的方式
info$drink[info$gender == "female"] <- "juice"
info$drink[info$gender == "male"] <- "beer"
info$drink <- factor(info$drink)
#还可以通过|(或）、&（与）操作符，多个条件定义。如我们现在在性别为男性、年纪大于等于16的定义为喝白酒（liquor），将小于等于15的定义为喝啤酒
info$drink[info$gender == "male" &info$age >= 16] <- "liquor"
info$drink[info$gender == "male" & info$age <= 15] <- "beer"连续变量转化为分类变量
比如我们现在有一个变量年纪，其中包括3岁到80岁的数据记录，我们将年龄小于18岁的定义为未成年，将大于60岁的定义为老年，将大于18岁小于60岁的定义为中年。我们可以通过cut函数，先创建边界值，0到18岁，18到60岁，60岁到无穷大，这三个区间。同时cut函数会将每个年纪进行匹配，看这个年纪在什么区间。
cut(x, breaks, labels = NULL,
include.lowest = FALSE, right = TRUE, dig.lab = 3,
ordered_result = FALSE, ...)- x：待分区的连续数据
- breaks：边界值，定义区间
- labels：各个区间（类别）的结果标签
- right：区间闭合的位置，right = TRUE，表示区间右边闭合，即(18,60]
# 因为之前的年龄设置都太小，重新赋值
info$age <- c(13,15,25,35,60,65)
info$ageclass <- cut(info$age,breaks = c(0,18,60,Inf),labels = c("teenager","adult","aged")) # 定义年龄区间(0,18]，标签teenager。(18,60]，标签adult。(60,inf]，标签aged。然后一一定位，然后创建标签变量，即分类变量单个变量转换
单个变量转换即对数据框中的某一个变量进行公式计算，并重新赋值一个变量，这有三个方法，运用 $ 引用列、使用transform()函数、使用plyr包中的mutate()函数
transform(`_data`, ...)- _data：待转换的对象
- ...：生成标签 = 值 的参数
mutate(.data, ...)比如说我们现在他们有一门考试分数，满分一百的，我们将它转化为满分150。
info$score <- c(100,98,95,96,99,93) # 添加成绩
info$newscore <- info$score * 1.5 # 第一种通过 $ 引用列
info <- transform(info,newscore = score * 1.5) # 通过transform函数转化
library(plyr)
info <- mutate(info,newscore = score * 1.5) # 通过plyr包中的mutate函数转化分组转换
分组转换就是数据框中有分组变量（一个或多个），然后我们对各个分组进行统计分析，并将统计结果生成新列看可以使用plyr包中的ddply函数。
ddply(.data, .variables, .fun = NULL, ..., .progress = "none",
.inform = FALSE, .drop = TRUE, .parallel = FALSE, .paropts = NULL)举个例子，比如测脉搏，所有的脉搏数据在一列，有两个分组变量，性别和有没有服用某种药，这样我们就可以统计不同性别的脉搏情况，服用和不服用药的脉搏情况，以及不同性别在有服用和不用药情况下的脉搏情况。比如我们要分析男性各自脉搏和所有男性脉搏均数之间的差异，以及女性各自脉搏和所有女性脉搏均数之间的差异。
info$pulse <- c(58,60,59,56,61,63) # 添加脉搏数据
info <- ddply(info,"gender",transform,mpulse = pulse - mean(pulse)) # 首先会根据"gender"将数据分组分成两个数据框，然后对两个数据框调用transform函数，而transform函数定义为mpulse = pulse - mean(pulse)，最后赋值给info分类汇总数据
其实这个和上面原理是完全一样的，只是应用的函数不同而已，以及生成的数据框不同。另外这个其实我觉得应该放在统计篇。。
举例子，统计服药和不服药情况下的，男性和女性脉搏平均数，也就是男性服药脉搏，男性不服药脉搏，女性服药脉搏，女性不服药脉搏
ddply(info,c("gender","pill"),summarise,mean_pulse = mean(pulse)) # 根据gender（性别）和pill（是否服药），分组，然后计算各组pulse的平均数，并将该数赋值给变量mean_pulse。ddply返回的是一个数据框
分组转换之split
split函数可以将一个数据框根据分组变量转化为列表，列表中的元素为根据变量分组的数据框。有时候分组汇总用起来有点麻烦的时候可以用这个
处理缺失值
na.omit
na.omit(object, ...)- object：R对象，特别是数据框
DF <- data.frame(x = c(1, 2, 3), y = c(0, 10, NA))
na.omit(DF) # 移除数据框中包含NA的行维度转换
长变宽之dcast
dcast(data, formula, fun.aggregate = NULL, ..., margins = NULL,
subset = NULL, fill = NULL, drop = TRUE,
value.var = guess_value(data))- data：要变化的数据框
- formula：变化公式，一般包括标识变量（需要保留的列）和可变变量（转化生成新列的列），两个变量之间用 ~ ，~左边标识标识变量，~右边标识可变变量
- value.var：数据列名，即该数值会被填充到新列
以下列gcookbook包中的一个名为plum的数据框为例
library(reshape2)
dcast(plum,length + time ~ survival,value.var = "count")
长变宽之spread
spread(plum,survival,count)
长变宽之unstack
这个函数貌似比较麻烦一点，目前看到的都是只有值和可变变量，只有两个，其它数据会被清除。。
unstack(x, form, ...)- x：待转换的对象
- form：一个两边的公式，公式左边是值，右边是可变变量
unstack(plum,count ~ length)
然后其它变量被自动清除，试过以下都不行
unstack(plum)
unstack(plum,count ~ survival + length +time)宽变长之melt
melt(data, id.vars, measure.vars,
variable.name = "variable", ..., na.rm = FALSE, value.name = "value",
factorsAsStrings = TRUE)- data：待转变的数据框
- id.vars：标识变量，表明哪些值要汇集到一起。可以是整数（变量列的下标）或者是字符串（变量的名称）
- measure.vars：度量变量，默认是除标识变量以外的所有变量，这些度量变量的名称会被放到一个叫variable.name列，而它们对应的取值则放到一个名为value.name的列中
宽变长gather
gather(data, key = "key", value = "value", ..., na.rm = FALSE,
convert = FALSE, factor_key = FALSE)- data：要变化的数据框
- key：相当于melt函数中的variable.name
- value：相当于melt函数中的value.name
数据框合并
cbind和rbind
注意的点：cbind函数合并的数据框的变量长度（行数）要一致，因为是按列绑定。rbind函数合并的数据框变量数（列数）要一致并且列的名称要相同。
cbind(..., deparse.level = 1)
rbind(..., deparse.level = 1)
merge
merge(x, y, by = intersect(names(x), names(y)),
by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all,
sort = TRUE, suffixes = c(".x",".y"), no.dups = TRUE,
incomparables = NULL, ...)- x：数据框x
- y：数据框y
- by.x：x中的变量
- by.y：y中的变量
以例子说明，现在有两批样本的实验数据，样本是一样的，只是分实验批次，实验所用抗体相同
截图中都是只显示一小部分，但是两批样本是一样的，现在合并两个数据框。因为样本一样，抗体一样，所以根据样本和抗体合并。
dplyr包
dplyr包中的inner_join()、left_join()、right_join()、full_join()。他们的用法完全一样，只是返回的值稍微有点不同
- inner_join：返回两数据框中匹配的值，如果不匹配则不返回。如x有60行，y有60行，按匹配条件，x和y有50行匹配，则显示这50行匹配合并的数据
- left_join：返回x数据框中的所有行，以及数据框x和y中的所有列。如果x中的行在y中未匹配，则在新列中该数据为NA
- right_join：返回y数据框中的所有行，以及数据框x和y中的所有列。如果y中的行在x中未匹配，则在新列中该数据为NA
- full_join：返回x和y的所有行和列。不匹配的各自为NA
inner_join(x, y, by = NULL, copy = FALSE, suffix = c(".x", ".y"),
...)