先回忆一下之前用到的例子。
将其输入R语言中:
age <- c(25, 34, 59, 60, 20) #患者年龄
type <- c(1, 2, 2, 2, 1) #糖尿病类型
status <- c("poor", "improved", "excellent", "poor", "excellent") #病情
comorbidity<- c(TRUE, FALSE, FALSE, TRUE, FALSE) #出现并发症
mydata <- data.frame(age, type, status, comorbidity) #将数据框命名为mydata
查看mydata:
mydata
## age type status comorbidity
## 1 25 1 poor TRUE
## 2 34 2 improved FALSE
## 3 59 2 excellent FALSE
## 4 60 2 poor TRUE
## 5 20 1 excellent FALSE
接下来我们就以mydata为例,介绍一下如何对数据框进行简单的操作。
了解一个数据框
多重线性回归,一般是指有多个自变量X,只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍,两者的差距主要在于自变量X的数量,在只有一个X时,就称简单线性回归。
面对数据,第一步就是要了解它有多少条记录(或多少个case/ observation ),有多少个变量(variable)、分别是哪些。
## 获取数据框的维度(几行、几列)
dim(mydata)
[1] 5 4
## 查看数据框中的所有变量名(列名)
names(mydata)
[1] "age" "type" "status" "comorbidity"
## 查看数据框的整体结构(维度、变量名、数据类型、数据内容)
str(mydata)
'data.frame': 5 obs. of 4 variables:
$ age : num 25 34 59 60 20
$ type : num 1 2 2 2 1
$ status : Factor w/ 3 levels "excellent","improved",..: 3 2 1 3 1
$ comorbidity: logi TRUE FALSE FALSE TRUE FALSE
如何提取数据框中的行和列
多重线性回归,一般是指有多个自变量X,只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍,两者的差距主要在于自变量X的数量,在只有一个X时,就称简单线性回归。
2种方法:
1. 数据框后加[ , ]。逗号前是行,逗号后是列。如果没有指定是哪一行或哪一列,默认为所有行/列。
## 提取第一行
mydata[1,]
age type status comorbidity
1 25 1 poor TRUE
## 提取第一列
mydata[,1]
[1] 25 34 59 60 2
## 提取某几行或某几列
## 提取1~3行
mydata[1:3,]
age type status comorbidity
1 25 1 poor TRUE
2 34 2 improved FALSE
3 59 2 excellent FALSE
## 提取第1和第5行的1、2、4列
mydata[c(1,5),c(1,2,4)]
age type comorbidity
1 25 1 TRUE
5 20 1 FALSE
## 变量很多时,用列名来提取更方便
mydata[c(1,5),c('age','type','comorbidity')]
age type comorbidity
1 25 1 TRUE
5 20 1 FALSE
2. 另一种提取列的方法是,在数据框后加 $,然后再加要提取的列名。
## 提取age这一列
mydata$age
[1] 25 34 59 60 20
获取满足特定条件的数据
多重线性回归,一般是指有多个自变量X,只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍,两者的差距主要在于自变量X的数量,在只有一个X时,就称简单线性回归。
1.提取满足某一个条件的数据。
例如,在病情status这个变量中,有poor, improved 和 excellent这三类,现在想获取病情最稳定、恢复最好的患者信息。也就是说,我们希望获得status为excellent的病例,即选择满足mydata$status=='excellent'的行,以及被选中的行的每一列。
mydata[mydata$status=='excellent',]
age type status comorbidity
3 59 2 excellent FALSE
5 20 1 excellent FALSE
此外,还可进一步提取,例如,想获得病情status为excellent的患者中,并发症comorbidity的情况。换句话说,就是,想提取comorbidity的信息,但这些信息必须是病情最稳定的几位患者的。
## 具体操作如下:先提取comorbidity,再设置status的条件
输入语句:mydata$comorbidity[mydata$status=='excellent']
[1] FALSE FALSE
2.提取满足多个条件的数据。
例如,想提取年龄age大于等于20岁,且小于35岁的病例。在R中,用&这个符号表达『并且』。用一个小竖杠 | 表达『或者』。
mydata[mydata$age>=20 & mydata$age<35,]
age type status comorbidity
1 25 1 poor TRUE
2 34 2 improved FALSE
5 20 1 excellent FALSE
3.subset()函数,既可用来选择行,也可选择列,当然也可以用来提取满足特定条件的内容。
# 选择行/满足特定条件的行
subset(mydata, mydata$age>=20 & mydata$age<35)
age type status comorbidity
1 25 1 poor TRUE
2 34 2 improved FALSE
5 20 1 excellent FALSE
# 选择列
subset(mydata, select = c('age','status'))
age status
1 25 poor
2 34 improved
3 59 excellent
4 60 poor
5 20 excellent
有缺失数据怎么办
多重线性回归,一般是指有多个自变量X,只有一个因变量Y。前面我们主要是以简单线性回归为例在介绍,两者的差距主要在于自变量X的数量,在只有一个X时,就称简单线性回归。
由于原来的数据框中没有缺失数据,这里我们来构造一个新的记录(observation),让这个记录中全部都是缺失值。
mydata[6,] <- NA
mydata
age type status comorbidity
1 25 1 poor TRUE
2 34 2 improved FALSE
3 59 2 excellent FALSE
4 60 2 poor TRUE
5 20 1 excellent FALSE
6 <NA> <NA> <NA> <NA>
1. 只保留无缺失的observations。如果希望将无缺失版本的数据框保存起来,要记得把na.omit(mydata)的结果赋值给新的对象。
mydata_no_NA <- na.omit(mydata)
mydata_no_NA
age type status comorbidity
1 25 1 poor TRUE
2 34 2 improved FALSE
3 59 2 excellent FALSE
4 60 2 poor TRUE
5 20 1 excellent FALSE
2. 查看哪个数据为缺失值。需要用到2个函数,这里提醒大家,如果R的语句太复杂,那么可以先从最中心的部分读起,一层括号一层括号地向外扩展。
例如,下面的语句,可以先看最中间的is.na(mydata$age),意思是对age这列中的每个数据进行一次检验,返回『是否为缺失值』的逻辑型结果,即TRUE 或者 FALSE。再看which()这个函数,它返回的是前面这一串TRUE和FALSE中,出现TRUE的顺序号。
从下面的结果我们可以看到,只有第6个数据是TRUE。
which(is.na(mydata$age))
[1] 6
is.na(mydata$age)
[1] FALSE FALSE FALSE FALSE FALSE TRUE
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14