处理原始数据以整理R中的数据

从网络或其他资源下载的数据通常很难分析。通常需要对数据集进行一些处理或清理，以便为进一步的下游分析、预测建模等做准备。本文讨论了R中将原始数据集转换为整洁数据的几种方法。

原始数据

原始数据是从web（或任何其他来源）下载的尚未处理的数据集。原始数据尚未准备好用于统计。它需要各种处理工具为分析做好准备。

实例 ：下面是一幅原始图像 虹膜数据集 。它没有任何关于数据是什么或代表什么的信息。这将通过整理数据来实现。

整洁的数据

另一方面，整洁的数据集（也称为熟食数据）是具有以下特征的数据：

• 测量的每个变量应在一列中。
• 该变量的每个不同观察值应位于不同的行中。
• 每种“类型”的变量都应该有一个表。
• 如果有多个表，它们应该在表中包含一列，允许链接它们。

实例 ：下面是一个整洁的虹膜数据集的图像。它包含有价值的处理信息，比如列名。下文将解释该过程。

将原始数据集处理为整洁数据集的一般步骤，并附有示例

1. 在R中加载数据集
   • 最重要的第一步是获取要处理的数据。这里的数据来自 虹膜数据 .
   • 首先下载数据并将其放入R中的数据帧中。

     ##Provide the link of the dataset url < - " http:// archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data" ##download the data in a file iris.txt ##will be saved in the working directory download.file (url, "iris.txt" ) ##import the data in a dataframe d < - read.table ( "iris.txt" , sep = ", " ) ##Rename the columns colnames (d)< - c ( "s_len" , "s_width" , "p_len" , "p_width" , "variety" )

2. 子集行和列
   • 现在，如果分析只需要s_len（第1列）、p_len（第3列）和variety（第5列），则将这些列子集，并将新数据分配给新的数据帧。

     ##subsetting columns with column number d1 <- d[, c (1, 3, 5)]

   • 也可以使用列名进行子集设置。

     ##subsetting columns with column names d1 <- d[, c ( "s_len" , "p_len" , "variety" )]

   • 此外，如果需要知道观察到的是“刚毛鸢尾”品种或“萼片长度小于5”。

     ##Subsetting the rows d2 <- d[(d$s_len < 5 | d$variety == "Iris-setosa" ), ]

   注： “$”运算符用于子集列。

3. 按某个变量对数据帧进行排序

   使用Order命令按花瓣长度对数据帧进行排序。

   d3 < -d[ order (d$p_len), ]

4. 添加新行和列

   通过cbind（）添加新列，通过rbind（）添加新行。

   ##Extract the s_width column of d sepal_width <- d$s_width ##Add the column to d1 dataframe. d1 <- cbind (d1, sepal_width)

5. 一目了然地获得数据概览
   • 要获得已处理数据的概述，请致电 总结（） 数据帧上的命令。

     summary (d)

     输出 “:

        s_len          s_width          p_len          p_width                 variety  
      Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100   Iris-setosa    :50  
      1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300   Iris-versicolor:50  
      Median :5.800   Median :3.000   Median :4.350   Median :1.300   Iris-virginica :50  
      Mean   :5.843   Mean   :3.054   Mean   :3.759   Mean   :1.199                       
      3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800                       
      Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500                       
     

   • 获取每个变量的类型、观察总数及其前几个值等概述；使用 str（） 命令

     str (d)

     输出 :

     'data.frame':    150 obs. of  5 variables:
      $ s_len  : num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
      $ s_width: num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
      $ p_len  : num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
      $ p_width: num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
      $ variety: Factor w/ 3 levels "Iris-setosa", ..: 1 1 1 1 1 1 1 1 1 1 ...
     

使用Melt（）和Cast（）重塑数据

• 另一种重新组织数据的方法是使用melt和cast函数。他们现在在美国 重塑包装 .

  ## Create A Dummy Dataset d<- data.frame ( name= c ( "Arnab" , "Arnab" , "Soumik" , "Mukul" , "Soumik" ), year= c (2011, 2014, 2011, 2015, 2014), height= c (5, 6, 4, 3, 5), Weight= c (90, 89, 76, 85, 84)) ## View the dataset d

  输出 :

      name year height Weight
  1  Arnab 2011      5     90
  2  Arnab 2014      6     89
  3 Soumik 2011      4     76
  4  Mukul 2015      3     85
  5 Soumik 2014      5     84
  

• 这些数据的融合意味着将一些变量称为id变量（其他变量将被视为测量变量）。现在如果 名称 和 年 作为id变量 身高 和 重量 作为度量变量，新数据集中将有4列- 名称、年份、变量和值 .对于每个名称和年份，都会有要测量的变量及其值。

  ## Getting the reshape library install.packages ( "reshape2" ) library (reshape2) ## Configure the id variables, name and year melt (d, id= c ( "name" , "year" ))

  输出：

       name year variable value
  1   Arnab 2011   height     5
  2   Arnab 2014   height     6
  3  Soumik 2011   height     4
  4   Mukul 2015   height     3
  5  Soumik 2014   height     5
  6   Arnab 2011   Weight    90
  7   Aranb 2014   Weight    89
  8  Soumik 2011   Weight    76
  9   Mukul 2015   Weight    85
  10 Soumik 2014   Weight    84
  

• 现在，熔化的数据集可以通过 演员阵容 作用计算每个人的平均身高和体重。

  ##Save the molten dataset d1<- melt (d, id= c ( "name" , "year" )) ##Now cast the data d2 <- cast (d1, name~variable, mean) ## View the data d2

  输出：

  name height Weight
  1  Arnab    5.5   89.5
  2  Mukul    3.0   85.0
  3 Soumik    4.5   80.0
  

注： 还有其他一些软件包，比如 dplyr 和 蒂蒂尔 在R中，提供准备整洁数据的功能。