R语言中数据清洗、整理的方法

用R语言做数据清理（详细教程）

数据的清理

如同列夫托尔斯泰所说的那样：“幸福的家庭都是相似的，不幸的家庭各有各的不幸”，糟糕的恶心的数据各有各的糟糕之处，好的数据集都是相似的。一份好的，干净而整洁的数据至少包括以下几个要素：

1、每一个观测变量构成一列
2、每一个观测对象构成一行
3、每一个类型的观测单元构成一个表
就像我们最常接触的鸢尾花数据：

##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species## 1          5.1         3.5          1.4         0.2  setosa## 2          4.9         3.0          1.4         0.2  setosa## 3          4.7         3.2          1.3         0.2  setosa## 4          4.6         3.1          1.5         0.2  setosa## 5          5.0         3.6          1.4         0.2  setosa

每一列就是观测的指标：花瓣长度，花瓣宽度，萼片长度，萼片宽度，种类；每一行就是一株鸢尾花的观测值，构成整张表的元素就是四个数值变量，一个分类分类变量。

然而出于排版的考虑我们抓下来的数据往往不是那么的友好，比如说我们可以看到的数据通常是这样的：

##   religion <10k 10k-50k 50k-100k## 1 Agnostic   12      31       23## 2 Buddhist   58      43       43## 3 Catholic   79      56       23

而不是：

##   religion   income freq## 1 Agnostic     <10k   12## 2 Agnostic  10k-50k   58## 3 Agnostic 50k-100k   79## 4 Buddhist     <10k   31

当然，除了这种把列表每一列代表一些数值这种情况外，还有多个变量储存为一列(比如列表不仅以"<10k","10k-50k","50k-100k"做表头，甚至还加上性别信息"m<10k","m10k-50k","m50k-100k"，"f<10k","f10k-50k","f50k-100k",其中m代表男性，f代表女性)，还有更过分的将列表的变量不仅储存在列中，行中也有统计变量。

面对这些不好的table，我们首先要做的就是数据管理，将数据整理为一个干净的数据集。

数据管理

按照en:DAMA的定义：“数据资源管理，致力于发展处理企业数据生命周期的适当的建构、策略、实践和程序”。这是一个高层而包含广泛的定义，而并不一定直接涉及数据管理的具体操作（如关系数据库的技术层次上的管理）。我们这里主要讲述对于数据的变量命名与数据的合并，旨在方便数据共享。

数据管理首先要做的就是大致上了解你的数据，比如有什么样的变量，每一行大致长成什么样，最常用的就是head(),tail().
我们要做的基本上就是这么几项工作：

• 给每一个变量命名，而不是V1，V2，如果有必要可以给出code book。

• 每个变量名最好具有可读性，除非过长，否则不要用缩写，例如AgeAtDiagnosis这个命名远好于AgeDx。

• 通常来说，最好将数据放在一张表里面，如果因为数据过多，项目过杂，分成了几张表。那么一定需要有一列使得这些表之间能够连接起来，但尽量避免这样做。
  

• 
  

我们以UCI的Human Activity Recognition Using Smartphones Data Set 为例来看看数据是如何变成一个基本符合要求的数据。这个数据我们已经下载下来了，其中关于数据的详细信息可以参阅read me文档，由于UCI的数据通常都是一个基本合乎规范的数据集（主要是指它的数据集的变量名都是以V1，V2来命名的）加上一个code book。那么我们看看各个数据的名称（在feature文件里）

> setwd("C:/R/UCI HAR Dataset")> name<-read.table("./features.txt",stringsAsFactors = F)> head(name)  V1                V21  1 tBodyAcc-mean()-X2  2 tBodyAcc-mean()-Y3  3 tBodyAcc-mean()-Z4  4  tBodyAcc-std()-X5  5  tBodyAcc-std()-Y6  6  tBodyAcc-std()-Z

我们可以看到各个特征的名称直接标在数据上是非常不友善的，我们为了让他具有可读性，我们以展示在我们眼前的6个数据为例：

variablename <- head(name)# 将标签中的大写字母转为小写，我们这里没有所以不再赋值，如果需要全变为大写，可以使用touppertolower(variablename$V2)

## [1] "tbodyacc-mean()-x" "tbodyacc-mean()-y" "tbodyacc-mean()-z"## [4] "tbodyacc-std()-x"  "tbodyacc-std()-y"  "tbodyacc-std()-z"

# 将变量名分离成3部分splitNames <- strsplit(variablename$V2, "-")splitNames[[1]]

## [1] "tBodyAcc" "mean()"   "X"

# 将变量名合成有意的名称named <- function(x) {    rr <- paste(x[2], x[1], "-", x[3], sep = "")    chartr("()", "of", rr)}sapply(splitNames, named)

## [1] "meanoftBodyAcc-X" "meanoftBodyAcc-Y" "meanoftBodyAcc-Z"## [4] "stdoftBodyAcc-X"  "stdoftBodyAcc-Y"  "stdoftBodyAcc-Z"

用这样的名字给数据集命名就感觉舒服多了，我们将一些R中对字符串常用的操作函数总结如下，方便我们对数据名称的修改：

• sub：替换字符串中的第一个模式为设定模式(pattern).

• gsub:全局替换字符串中的相应模式

• grep,grepl:这两个函数返回向量水平的匹配结果，grep仅返回匹配项的下标，而grepl返回所有的查询结果，并用逻辑向量表示有没有找到匹配。

• nchar:统计字符串单字数目

• substr:取子串

• paste:将字符串链接起来，sep参数可以设置连接符

• str_trim:去掉字符串空格

变量的名称建议满足如下要求：

• 英文变量名尽可能用小写

• 尽可能的描述清楚变量特征 (Diagnosis versus Dx)

• 不要太复杂

• 不要有下划线、点、空格
  

字符型变量应该满足：

• 是因子类型的应该转化为factor

• 因子尽可能具有一定的描述性 (例如：如果0/1表示真假，那么用TRUE/FALSE代替0/1；在表示性别时用Male/Female代替M/F)

接下来我们讨论数据集的合并，主要使用函数merge。
我们以下面两个数据集的合并为例：

df1 <- data.frame(id = sample(1:10), reviewer_id = sample(5:14), time_left = sample(1321:1330),     x = rnorm(10))df2 <- data.frame(id = sample(1:10), answer = rep("B", 10), time_left = sample(321:330),     y = rnorm(10))head(df1, n = 3)

##   id reviewer_id time_left       x## 1  3           9      1326 -0.9232## 2 10           5      1322  2.5069## 3  1          14      1330  2.2478

head(df2, n = 3)

##   id answer time_left      y## 1  1      B       329 0.8180## 2 10      B       327 1.4639## 3  9      B       323 0.8141

merge函数调用格式为：

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"),      incomparables = NULL, ...)

参数说明：

• x,y:两个数据框

• by, by.x, by.y:指定用于合并的列的名称。

• all,all.x,all.y:默认的all = FALSE相当于自然连接, 或者说是内部链接. all.x = TRUE是一个左连接, all.y = TRUE是一个又连接, all = TRUE 相当于一个外部链接.

仔细观察下面3个例子你就会发现其中的奥秘：

mergedData <- merge(df1,df2,by.x="reviewer_id",by.y="id",all=TRUE)head(mergedData)

##   reviewer_id id time_left.x      x answer time_left.y       y## 1           1 NA          NA     NA      B         329  0.8180## 2           2 NA          NA     NA      B         330 -0.7706## 3           3 NA          NA     NA      B         325 -0.4851

mergedData <- merge(df1,df2,by.x="id",by.y="id",all=TRUE)head(mergedData)

##   id reviewer_id time_left.x        x answer time_left.y       y## 1  1          14        1330  2.24783      B         329  0.8180## 2  2          12        1324  1.03181      B         330 -0.7706## 3  3           9        1326 -0.92317      B         325 -0.4851## 4  4           7        1321 -0.07841      B         322  0.1801

mergedData2 <- merge(df1,df2,all=TRUE)head(mergedData2)

##   id time_left reviewer_id       x answer       y## 1  1       329          NA      NA      B  0.8180## 2  1      1330          14  2.2478   <NA>      NA## 3  2       330          NA      NA      B -0.7706

在plyr包中还提供了join，join_all，arrange等函数来实现表的连接，但我想merge这个函数已经足够用了，所以我们不在多说。当然，在极少数特别好的情况下（比如列的变量是一致的，或者行的观测个体是一致的时候）rbind,cbind也是有用的。

有些时候我们会遇到一些特殊的字符串：日期。R中提供了各式各样的函数来处理时间：

Sys.setlocale("LC_TIME", "C")

## [1] "C"

x <- c("1jan1960", "2jan1960", "31mar1960", "30jul1960")z <- as.Date(x, "%d%b%Y")format(z, "%a %b %d")

## [1] "Fri Jan 01" "Sat Jan 02" "Thu Mar 31" "Sat Jul 30"

weekdays(z)

## [1] "Friday"   "Saturday" "Thursday" "Saturday"

julian(z)

## [1] -3653 -3652 -3563 -3442## attr(,"origin")## [1] "1970-01-01"

transform(z, weekend = as.POSIXlt(z, format = "%Y/%m/%d")$wday %in% c(0, 6))

##       X_data weekend## 1 1960-01-01   FALSE## 2 1960-01-02    TRUE## 3 1960-03-31   FALSE## 4 1960-07-30    TRUE

数据操作与整合

说到数据操作，这也是一个十分宽泛的话题，在这里我们就以下4个方面进行介绍：

• 数据的筛选，过滤：根据一些特定条件选出或者删除一些观测

• 数据的变换：增加或者修改变量

• 数据的汇总：分组计算数据的和或者均值

• 数据的排序：改变观测的排列顺序
  

然而在进行这一切之前首先要做的就是了解你的数据，我们以世界银行的数据Millennium Development Goals为例，来一步步演示如何进行数据操作：

if (!file.exists("C:/Users/yujun/Documents/MDG_Data.csv")) {  download.file("http://databank.worldbank.org/data/download/MDG_csv.zip","F:/MDG.zip")  unzip("F:/MDG.zip")}MDstats<-read.csv("C:/Users/yujun/Documents/MDG_Data.csv")

首先先来看一部分数据：

head(MDstats)

##   Country.Name Country.Code## 1  Afghanistan          AFG## 2  Afghanistan          AFG## 3  Afghanistan          AFG

tail(MDstats)

##       Country.Name Country.Code## 33093     Zimbabwe          ZWE## 33094     Zimbabwe          ZWE## 33095     Zimbabwe          ZWE## 33096     Zimbabwe          ZWE

我们显然发现了这不是一个tidy data，那么我们先将其变换为我们喜欢的tidy data，之后再看看数据摘要及数据集各单元的属性：

##   countryname countrycode## 1 Afghanistan         AFG## 2 Afghanistan         AFG## 3 Afghanistan         AFG## 4 Afghanistan         AFG## 5 Afghanistan         AFG## 6 Afghanistan         AFG##                                                               indicatorname## 1             Adolescent fertility rate (births per 1,000 women ages 15-19)## 2                                  Agricultural support estimate (% of GDP)

我们可以看看各个数值数据的分位数：

quantile(MDstatsMelt$value,na.rm=TRUE)

##         0%        25%        50%        75%       100% ## -9.431e+08  1.054e+01  5.060e+01  9.843e+01  7.526e+13

看看各个国家的统计数据有多少：

table(MDstatsMelt$countrycode)

## ##  ABW  ADO  AFG  AGO  ALB  ARB  ARE  ARG  ARM  ASM  ATG  AUS  AUT  AZE  BDI ## 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 3216 ##  BEL  BEN  BFA  BGD  BGR  BHR  BHS  BIH  BLR  BLZ  BMU  BOL  BRA  BRB  BRN 

看看缺失值：

sum(is.na(MDstatsMelt$value))  #总的缺失值

## [1] 495519

colSums(is.na(MDstatsMelt))  #每一列的缺失值

##   countryname   countrycode indicatorname indicatorcode          year ##             0             0             0             0             0 ##         value ##        495519

# 如果我们用回tidy前的数据集，那么这个函数会显得比较有用colSums(is.na(MDstats))

##   Country.Name   Country.Code Indicator.Name Indicator.Code          X1990 ##              0              0              0              0          23059 ##          X1991          X1992          X1993          X1994          X1995 ##          22293          21672          21753          21491          20970 ##          X1996          X1997          X1998          X1999          X2000 ##          20680          20448          20419          19933          18822 

# 等价的处理方式stat <- function(x) {    sum(is.na(x))}tapply(MDstatsMelt$value, MDstatsMelt$year, stat)

## X1990 X1991 X1992 X1993 X1994 X1995 X1996 X1997 X1998 X1999 X2000 X2001 ## 23059 22293 21672 21753 21491 20970 20680 20448 20419 19933 18822 19598 ## X2002 X2003 X2004 X2005 X2006 X2007 X2008 X2009 X2010 X2011 X2012 X2013 ## 19119 19478 19269 18704 19044 18641 19256 19162 18756 20360 21967 30625

统计某个国家的统计数据占总统计数目的多少

table(MDstatsMelt$countryname %in% c("China"))

## ##  FALSE   TRUE ## 791136   3216

prop <- table(MDstatsMelt$countryname %in% c("China"))[2]/sum(table(MDstatsMelt$countryname %in% c("China")))prop

##     TRUE ## 0.004049

看看数据集的大小：

object.size(MDstatsMelt)

## 22301832 bytes

print(object.size(MDstatsMelt),units="Mb")

## 21.3 Mb

至此，我们可以说我们对数据有了一定的了解。另外值得一提的是，对于某些特定的数据，也许xtabs，ftable是有用的。

数据的筛选

要提取相应内容的数据，最为常用的就是提取相应元素，比如提取某个元素，提取某一行，某一列。我们通过下面下面的例子来学习：

data<-data.frame(a=sample(1:10),b=rep(c("a","b"),each=5),cdf=rnorm(10))data

##     a b     cdf## 1   1 a  0.5755## 2  10 a  0.8087## 3   2 a  0.9810## 4   7 a -0.4635## 5   4 a  0.5094

#提取相应元素data[2,1]

## [1] 10

data[[1]][[2]]

## [1] 10

data[[c(1,2)]]

## [1] 10

data$a[2]

## [1] 10

#提取某一列data[[3]]

##  [1]  0.5755  0.8087  0.9810 -0.4635  0.5094  1.0514 -1.5338  1.0047##  [9]  1.0004 -1.3566

data$cdf

##  [1]  0.5755  0.8087  0.9810 -0.4635  0.5094  1.0514 -1.5338  1.0047##  [9]  1.0004 -1.3566

data$c

##  [1]  0.5755  0.8087  0.9810 -0.4635  0.5094  1.0514 -1.5338  1.0047##  [9]  1.0004 -1.3566

data[["c"]]

## NULL

data[["c", exact = FALSE]]

##  [1]  0.5755  0.8087  0.9810 -0.4635  0.5094  1.0514 -1.5338  1.0047##  [9]  1.0004 -1.3566

数据的筛选还有一个最为常用的的就是移除缺失值：

data<-data.frame(a=c(sample(1:5),NA,NA,sample(6:10)),b=c(rep(c("a","b"),each=5),NA,NA),cdf=rnorm(12))data

##     a    b       cdf## 1   5    a -0.276400## 2   1    a -1.861240

good <- complete.cases(data)data[good, ]

##    a b     cdf## 1  5 a -0.2764## 2  1 a -1.8612## 3  3 a -2.0280

bad <- as.data.frame(is.na(data))data[!(bad$a|bad$b|bad$c),]

##    a b     cdf## 1  5 a -0.2764## 2  1 a -1.8612

数据筛选有时是为了获得符合条件的数据：

X <- data.frame("var1"=sample(1:5),"var2"=sample(6:10),"var3"=sample(11:15))X <- X[sample(1:5),]; X$var2[c(1,3)] = NAX

##   var1 var2 var3## 2    5   NA   13## 5    3    6   15## 1    2   NA   12## 3    1    8   11## 4    4    9   14

X[(X$var1 <= 3 & X$var3 > 11),]

##   var1 var2 var3## 5    3    6   15## 1    2   NA   12

subset(X,(X$var1 <= 3 & X$var3 > 11))

##   var1 var2 var3## 5    3    6   15## 1    2   NA   12

X[(X$var1 <= 3 | X$var3 > 15),]

##   var1 var2 var3## 5    3    6   15## 1    2   NA   12## 3    1    8   11

X[which(X$var1 <= 3 | X$var3 > 15),]

##   var1 var2 var3## 5    3    6   15## 1    2   NA   12## 3    1    8   11

对于取子集的函数subset，在帮助文档中有一段warning是值得我们注意的：“This is a convenience function intended for use interactively. For programming it is better to use the standard subsetting functions like [, and in particular the non-standard evaluation of argument subset can have unanticipated consequences."

数据的变换

常见的数据变换函数有：

• abs(x) 绝对值

• sqrt(x) 开根号

• ceiling(x) 求上线，例：ceiling(3.475) = 4

• floor(x) 求下线，例：floor(3.475) = 3

• round(x,digits=n) 四舍五入，例：round(3.475,digits=2) = 3.48

• signif(x,digits=n) 四舍五入，例：signif(3.475,digits=2) = 3.5

• cos(x), sin(x) etc.三角变换

• log(x) 对数变换

• log2(x), log10(x) 以2、10为底的对数变换

• exp(x) 指数变换
  

除此以外，我们还经常对数据加标签，以期在回归中测量其效应。我们以MASS包的shuttle数据集为例,想知道不同类型的风(wind)是否需要使用不同的装载机(use)，这里我们希望将head wind标记为1，auto use也记为1，我们可以按照如下办法设置虚拟变量：

library(MASS)data(shuttle)head(shuttle)

##   stability error sign wind   magn vis  use## 1     xstab    LX   pp head  Light  no auto## 2     xstab    LX   pp head Medium  no auto## 3     xstab    LX   pp head Strong  no auto## 4     xstab    LX   pp tail  Light  no auto## 5     xstab    LX   pp tail Medium  no auto## 6     xstab    LX   pp tail Strong  no auto

## Make our own variables just for illustrationshuttle$auto <- 1 * (shuttle$use == "auto")shuttle$headwind <- 1 * (shuttle$wind == "head")head(shuttle)

##   stability error sign wind   magn vis  use auto headwind## 1     xstab    LX   pp head  Light  no auto    1        1## 2     xstab    LX   pp head Medium  no auto    1        1

当然对于因子类型变量，relevel函数在线性模型的分析中也是能取得等价效果的。

有些时候，我们还常常将连续数据离散化，这时我们需要用到函数cut：

data <- rnorm(1000)table(cut(data, breaks = quantile(data)))

## ##  (-3.28,-0.637] (-0.637,0.0321]  (0.0321,0.672]    (0.672,3.37] ##             249             250             250             250

library(Hmisc)table(cut2(data, g = 4))

## ## [-3.2847,-0.6372) [-0.6372, 0.0334) [ 0.0334, 0.6829) [ 0.6829, 3.3704] ##               250               250               250               250

detach("package:Hmisc", unload = TRUE)

获得分组区间后，我们只需要将区间的因子重命名就成功的实现了数据的离散化。

数据的汇总

对数据进行汇总，分类汇总是我们也比较常用的，比如对行或列求和，求均值，求分位数：

data <- matrix(1:16, 4, 4)data

##      [,1] [,2] [,3] [,4]## [1,]    1    5    9   13## [2,]    2    6   10   14## [3,]    3    7   11   15## [4,]    4    8   12   16

apply(data, 2, mean)

## [1]  2.5  6.5 10.5 14.5

apply(data, 1, sum)

## [1] 28 32 36 40

apply(data, 1, quantile, probs = c(0.25, 0.75))

##     [,1] [,2] [,3] [,4]## 25%    4    5    6    7## 75%   10   11   12   13

apply(data, 2, quantile, probs = c(0.25, 0.75))

##     [,1] [,2]  [,3]  [,4]## 25% 1.75 5.75  9.75 13.75## 75% 3.25 7.25 11.25 15.25

有时候，为了更快些，我们会用一些函数替代apply：

• rowSums = apply(x, 1, sum)

• rowMeans = apply(x, 1, mean)

• colSums = apply(x, 2, sum)

• colMeans = apply(x, 2, mean)

我们有时也会处理一些列表，对列表的分类汇总我们会用到sapply,lapply，不同的是前者返回一个向量或矩阵，后者返回一个列表，例：

x <- list(a = 1:10, beta = exp(-3:3), logic = c(TRUE,FALSE,FALSE,TRUE))lapply(x, mean)

## $a## [1] 5.5## ## $beta## [1] 4.535## ## $logic## [1] 0.5

sapply(x, mean)

##     a  beta logic ## 5.500 4.535 0.500

# median and quartiles for each list elementlapply(x, quantile, probs = 1:3/4)

## $a##  25%  50%  75% ## 3.25 5.50 7.75 ## ## $beta##    25%    50%    75% ## 0.2516 1.0000 5.0537 ## ## $logic## 25% 50% 75% ## 0.0 0.5 1.0

sapply(x, quantile)

##          a     beta logic## 0%    1.00  0.04979   0.0## 25%   3.25  0.25161   0.0## 50%   5.50  1.00000   0.5## 75%   7.75  5.05367   1.0## 100% 10.00 20.08554   1.0

有时候我们还会进行分类汇总，如统计男女工资均值,这时你可以用tapply：

group <- (rbinom(32, n = 20, prob = 0.4))groups <- factor(rep(1:2,10))tapply(group, groups, length) 

##  1  2 ## 10 10

tapply(group, groups, sum)

##   1   2 ## 135 122

tapply(group, groups, mean)

##    1    2 ## 13.5 12.2

数据的排序

数据的排序需要用到的函数常见的有sort和order，其中sort返回排序的结果，order返回对应数据的排名。例：

X <- data.frame("var1"=sample(1:5),"var2"=sample(6:10),"var3"=sample(11:15))X <- X[sample(1:5),]X$var2[c(1,3)] <- NAsort(X$var2,decreasing=TRUE)

## [1] 9 8 6

sort(X$var2,decreasing=TRUE,na.last=TRUE)

## [1]  9  8  6 NA NA

order(X$var2,decreasing=TRUE)

## [1] 2 5 4 1 3

order(X$var2,decreasing=TRUE,na.last=TRUE)

## [1] 2 5 4 1 3

X[order(X$var2),]

##   var1 var2 var3## 2    1    6   13## 5    5    8   15## 4    4    9   11## 1    2   NA   14## 3    3   NA   12

#deal with the linkX$var2[c(1)] <- sample(na.omit(X$var2),1)X[order(X$var2,X$var3),]

##   var1 var2 var3## 2    1    6   13## 5    5    8   15## 4    4    9   11## 1    2    9   14## 3    3   NA   12

有些时候，更为强大的aggregate函数是我们需要的，我们以R的内置数据集state.x77为例：

aggregate(state.x77,          list(Region = state.region,               Cold = state.x77[,"Frost"] > 130),          mean)

##          Region  Cold Population Income Illiteracy Life Exp Murder HS Grad## 1     Northeast FALSE     8802.8   4780     1.1800    71.13  5.580   52.06## 2         South FALSE     4208.1   4012     1.7375    69.71 10.581   44.34## 3 North Central FALSE     7233.8   4633     0.7833    70.96  8.283   53.37## 4          West FALSE     4582.6   4550     1.2571    71.70  6.829   60.11## 5     Northeast  TRUE     1360.5   4308     0.7750    71.44  3.650   56.35## 6 North Central  TRUE     2372.2   4589     0.6167    72.58  2.267   55.67

当然，这里还有一个更为基本与灵活的函数，split，可以帮助你将数据分为若干张满足分类条件的表，你可以一张一张的处理它们：

library(datasets)head(airquality)

##   Ozone Solar.R Wind Temp Month Day## 1    41     190  7.4   67     5   1## 2    36     118  8.0   72     5   2## 3    12     149 12.6   74     5   3## 4    18     313 11.5   62     5   4## 5    NA      NA 14.3   56     5   5

---

请回复此公众号“数据清理”可获取以上word文字版资料。更多资料加微信：hai299014

---

戳“阅读原文”找数据挖掘学习资料！

↓↓↓

阅读原文

众号