[R语言系列] R中的数据类型
本讲主要介绍R语言中的数据类型,独家内含时间数据处理小偏方,让error不找你麻烦!
写在前面的话
前面三期我们介绍了R语言的概貌,想必大家已经摩拳擦掌,准备直接上手练一把了吧!别着急,正所谓不积跬步,无以至千里。虽然R语言是一个对于处理数据非常灵活的语言,但是如果不打好基础,恐怕难以施展拳脚。
所以,从这一期开始,我们将以一个简单的电影票房的实际数据为例,为大家介绍在实际数据处理中R语言中的基本类型、基本操作。你可别小看这里的“基本”,它的含义是“基本天天都要用”。
言归正传,下面我们就先来介绍一下这个有趣的数据集。
一
热门电影数据集简介
图1-1 《功夫熊猫》电影海报
想必你经常去看电影,对自己喜爱的电影类型、明星大腕如数家珍。在电影的宣传期,我们往往能看到其主演、导演频频现身各大头条,吸引看客眼球,其最后的落脚点往往是“祝***电影票房大卖”。
尽管观影习惯已经开始慢慢养成,电影的方方面面也成为人们茶余饭后的谈资,但是,你有想过通过数据的形式统计一下它们的基本信息吗?比如,本月上映了几部电影?它们是动作戏偏多,还是以喜剧为主?主演是不是当红花旦?这些信息,都可以通过简单的R语言操作来一一获得!
在这里,我们搜集了2016年1到5月间上映的19部热门电影共10个变量的基本信息,准备以此为例说明如何在R语言中进行相关操作。
数据来源于中国电影发行放映协会(http://www.chinafilm.org.cn)、豆瓣电影(https://movie.douban.com)、百度指数(http://index.baidu.com)等网站,示意图如下(以电影《火锅英雄》为例)
图1-2 中国电影发行放映协会电影月度上映数据
图1-3 电影《火锅英雄》豆瓣主页
图1-4 《火锅英雄》主角百度指数
详细的数据变量说明见下表:
表1-1 数据变量说明
部分数据示例如下所示:
表1-2 数据示例
当我们把这个数据集第一次读入R中时,它会以数据框(data.frame)的形式存储,此处我们把这个数据框命名为movie。至于数据框是个什么东东,且听下回分解,这里大家暂且可以理解为类似于excel里常见的表格一样的对象就好啦。下面我们就从这个有趣的数据集出发,依次介绍R中的各种数据类型。
二
基本数据类型介绍
1数值型(numeric)
数值型变量很简单,统计课本中的定量数据就是R中数值类型。比如数据集中的doubanscore、boxoffice等就是这类数据。通常,当你用符号“<-”者“=”给一个变量赋予数字时,就默认生成数值型数据。(注:函数class可以告诉你一个数据对象的数据类型哦)
这种数据类型虽然看似简单,但千万别大意,有时它们会悄悄的给我们出状况,稍有不慎就会warning\error满天飞。比如你觉得下面几个命令会输出什么结果呢?
看看下面的答案,你猜对了吗?你知道为什么嘛?
出现这种结果,其实是因为数值类型中还包含几种特殊情况: 正无穷(Inf), 负无穷(-Inf), 以及NaN即非数值(Not a Number)。R会把所有超过电脑存储限制的数字当作正无穷,一般来说这个限制大约为1.8*1038 ,一旦当算式中有正无穷或者负无穷的子项出现时,结果就一定是无穷或者NaN型的数了。比如最后一项,两个指数相除并不会给出你exp(10)的答案,而是NaN,这一点大家一定要多加留意哦!
2字符型(character)
字符型变量,你一听这个简单,从字面上就很好理解,就是储存文字的呗,比如数据集中的director、star1就是这种类型。然而真相并不完全如此。首先,你看到不是文字的也可能是字符型,比如下面:
其次,你看到的是文字也许并不是字符型。比如我们的电影数据集中,name、type等变量看起来都是文字呀,但如果你导入R的时候不加特别设置,很可能你就会得到这样的结果:
看,你以为是字符型的,其实它是因子(因子类型是个啥?稍后详细分解)
那绕了这么多圈子,字符型数据到底是个啥呀?首先,简单来说用单引号或双引号定义的就是字符型(别忘了是英文格式的引号喔!)。
所以,第一个例子中由于2上面加了双引号,所以它就被R识别为字符型,而不是数值;其次,大多数情况下,我们看到的文字就是字符类型,但是当一串文字被放在一个数据框中读进R时(数据框详细定义见下期,可先理解为一个数据表),它就极易被自动转换为因子型数据。
混淆数据类型会带来什么问题呢?它们的区别主要在于数据运算、字符存储上。感兴趣的看官不妨试试在R中 “1”+“1” 会得到什么结果,体会一下其中区别。
所以,看到这个大数据表(数据框)中的文字时,我们就要注意注意再注意,很可能,它默默的欺骗了你的眼睛。
3逻辑型(logical)
逻辑型的数据取值很有限,只有True和False两个,但它的作用可不能小觑。它常常出现在各种条件设定语句中,比如if条件语句中,比如在选取某些符合条件的数值时,都暗含着逻辑型数据的产生,。最简单的,当你进行一个条件判断时,就会产生逻辑型的数据结果.另外,逻辑型的结果还可以进行加减运算哦,原因就是True在R里对应数字1,False对应数字0,因此它俩便可类似数字进行加减计算。
4因子型 (factor)
(1)什么是因子型数据**?**
因子型数据通常可用命令factor()来定义。
这里,因子型转换字符型数据分成两步:第一步区分字符有几类,形成类型到整数的映射;第二步将原字符按照整数形式存储。具体过程如下所示:
善于联想的童鞋是不是会想,这个因子储存的不就是我们所学的名义型变量嘛?那举一反三,可不可以储存有序型变量呢?答案是肯定的,有序型变量就是带有顺序的名义型变量嘛,因此只需要把factor里面的ordered参数设置好就可以啦。
大家可以仔细观察有序型因子和普通因子类型的区别,即下面levels的显示等级有顺序了,这时候它内部的存储方式是1=Excellent, 2=Improved, 3=Poor, 有的童鞋会问电脑怎么知道我们想的排列逻辑是什么样的?没错,它并不知道,它只是能够按照默认的字母顺序创建,这里仅仅是因为首字母顺序恰好与我们的逻辑顺序相同了而已。
(2)如何改变因子型数据各水平的编码顺序?
那么问题来了,如果按照字母排的顺序不是我们想要的逻辑顺序怎么办呢?同样好解决,只要设置factor的level参数即可。(想想看,什么时候我们会用到因子但又不满意因子水平的排列顺序呢,没错!画分组箱线图的时候,你是不是总会发现几个箱子的排列顺序不对劲或者不满意呢?这其实就是因为因子的水平定义顺序不当,这时候你就可以通过levels参数改变因子水平编码方式,就可以让你的图听你的话排列好啦)
(3)如何将因子型和字符型数据互相转化?
前面提到,当我们读入一个数据表格(数据框)时,如果不作任何处理,软件会自动把字符型变量变成因子型变量。那大家有木有想过:如果我们需要自己操作,如何才能实现字符型和因子型变量的自由切换?切换后对象所需内存有何变化?又是在什么情况下我们需要把字符变成因子型呢?小妹这里就把这个问题给大家掰扯清楚。
首先,如何实现字符型和因子型数据的自由切换? 秘诀就是一类as.函数。as.factor可以把其他类型数据转换成因子型;as.character可以把其他类型数据转换成字符型。另外,is.类函数可以查看数据类型是否是你心中想要的那一个,仔细研读以下代码。
其次,切换后对象大小有无变化?
有的同学可能比较关心,这种切换倒是很简单,但切换之后对象占用内存的情况如何呢?一般来说,如果你的字符串包含的元素较少(比如:男、女),那么因子型数据会比字符本身更占空间;但如果你的字符串元素很多(比如电影名称),因子型就比字符型所占据的空间小很多,感兴趣的童鞋回去可以采用object.size 函数观察一番。
最后说说,我们一般什么时候需要把字符变成因子呢?
前面说到,R里面的“因子”实际对应的是定性和定序变量,因此如果你需要这两组类型的变量出现时,就可以考虑把字符变成因子类型了。比如,你在作图中需要对数据分组,那个用来分组的变量就应该变成因子;你需要做包含定性变量的回归模型,那个定性变量就要变成因子型进入模型;树模型包含分类树和回归树,你如果想做分类树就需要把因变量变成因子型等等。这些都是因子型数据的用武之地。
5时间类数据(Date/POSIXct/POSIXlt)
最后,我们再给大家放送一个福利:专门讲一下时间类型的数据。本质上,时间类数据并不是一种单独的数据类型,然而在很多实践项目中,时间数据曝光率极高,会让很多新手们一头雾水,摸不着头脑。这里小妹就给大家开个小灶,专门翻翻时间类数据的底。
通常,时间类数据是以字符串形式输入到R中的,因此第一步我们首先需要把这些字符转换成R可以识别的时间类型数据。R语言的基础包中提供了两种类型:一类是Date日期数据,它不包括时间和时区信息,另一类是POSIXct/POSIXlt类型数据,其中包括了日期、时间和时区信息。下面我们就分别说说这两类数据怎么从字符切换过来以及后续可进行的操作。
(1)如何把字符转化成Date日期格式?
所谓日期格式数据就是精确到日的时间形式。一般来说,用as.Date函数转换时需要通过参数format指定输入字符的格式(包括年月日排列的顺序及表达方式),该函数默认可自动识别以斜杠(2014/12/23)和短横线(2014-12-23)相连接的年月日格式,并统一转换为以短横线连接的输出形式,例如我们对数据集movie中的“showtime” 进行转换:
如果对于特殊形式不指定format或者指定错误,R软件就会报错,以下是format对应法则和一个小示例。
表2-1 日期格式示意图
举一反三小功课:想想如何一个数字变成日期型数据?可参阅help(as.Date())
(2) 如何把字符转化成POSIXct/POSIXlt时间格式
所谓POSIXct/POSIXlt时间格式其实就是精确到秒级的时间戳。当我们周围智能化设备、传感器越来越多的时候,很多数据都可以精确记录到秒级。一个典型的例子就是车载记录仪就会每秒实时记录你开车行驶的速度方向等信息,这样的数据就是每秒采集上传并记录的。那么对于这样的数据,我们该怎样转换呢?可以使用另一个类似的函数:as.POSIXct
这个函数的使用方法和as.Date很类似,同样需要定义好被转换字符的format才能被正确识别转化,与as.Date相同的是,默认可以转化的格式仍然是2014/12/23 01:20:34或者2014-12-23 01:20:34 这两种,其他的格式都需要自行对照前面的“符号对应表格”来具体指定格式,否则R语言也会罢工喔。
(3) 如何把时间数据摆弄成你想要的形式?
从上面所述可知,as.Date和as.POSIXct函数中的参数format并不能任意设置,你只能输入与你的字符显示相匹配的格式才能有效识别转化,不能乱来滴。这就让有的小伙伴心痒痒了:那如果我想要其他格式输出的时间数据该如何是好呀?
别着急,函数format就可以用来更改时间数据的输出格式,甚至还可以提取你想要的一个部分。比如说,如果想知道电影是什么月份哪一周,应该怎么提取呢?下面分别以数据集中的电影上映时间showtime、系统时间两种类型为例,让大家见证一下format的神奇力量。
(4) 一款处理时间数据的专用包: lubridate
以上介绍的都是base基础包里自带的函数,下面小妹要为大家介绍一款专门高效处理时间数据各种疑难杂症的包lubridate. 这是一个民间口碑极佳的数据预处理包包,曾屡次获得“能大幅提高数据预处理效率的精品”,“最让人感觉相见恨晚的包包”等美誉,足见它的群众基础多么深厚!
lubridate包主要有两类函数,一类是处理时点数据,另一类是处理时段数据,不仅功能强大,而且相应函数也很直观易懂,比如把字符转化成时间类型,根本不需要输入匹配的format,比如提取时间数据细节,也只是一个小函数即可完美搞定,不附带任何参数。各位看官请欣赏下例,更多惊喜可见lubridate的帮助文档。
(5)时间类数据的操作
当字符型数据被转换成“正统”的时间型时,便可以进行后续的操作和建模了。下面仅介绍两类常用的基本操作,其他更多的进阶内容可期待我们R语千寻后续的系列介绍。
- 做差
如果想看两个日期之间相差多久,可以直接把两个数据做减法,也可以用difftime函数提取。
- 排序
由于时间类数据本质上是用数值形式存储,因此它就可以按类似数值方式来进行排序。比如我们想看一下按照上映时间先后顺序排名的影片分别如何,可以参考以下对”单列时间数据“和”依照时间对整个数据表“进行排序的示范。
好啦,这期我们就讲到这里,下一期我们继续采用有趣的电影数据,来为大家梳理向量、矩阵、数据框、列表等数据结构概念。
你也许已经多多少少听过它们了,但你知道除了使用A%*%B,如何更快速的计算矩阵乘法吗?你知道如何对数据框毫无障碍的完成汇总、合并、排序、分组等花式变换吗?你知道如何把list的每一个元素用一个函数全部合并吗?R中的数据结构虽然掰着手指头就可以数完,但是它们组合无数,奥妙无穷。
欢迎继续关注下期内容!