第二节　数据管理

一、数据类型与结构

R中常用的数据类型（type）包括整数（integer）、浮点数（double）、缺失值（NA）、复数（complex）、字符串（character）、逻辑值（logical）、原生型（raw）等。直接输入单个整数，被视为浮点数，如需要其必须为整数型，须在整数后加大写L，如1L。在形如m：n的序列中的元素被直接视为整数型。R中整数用32-bit存储，其范围大致在+/-2e9之内，不存在普通整数型与长整数型（long）之间的区别。单引号或双引号括起来的内容为字符串，对单字符与字符串不进行区分。单引号与双引号没有区别，但需要对应。逻辑值包括TRUE和FALSE。查看对象x的类型，可用函数class（）/typeof（）/mode（），基本命令格式相同，为：

R中有5种基本数据结构，分别是向量（vector）、矩阵（matrix）、数组（array）、数据框（data frame）和列表（list）。下文简单介绍5种基本数据结构，见图2-3。

向量：向量中的元素必须是同一种数据类型，采用函数c（）进行创建，如：

矩阵：具有维度（dim）属性，是维度为2的向量。创建矩阵的语法为：

其中，data参数指定原始向量的数据，nrow参数指定行数，ncol参数指定列数，默认将原有向量按照纵向排成矩阵。如创建1-12的3×4的矩阵：

数组与矩阵类似，但是维度可以大于2。数组可通过array（）函数创建，形式如下：

如创建2×4×3的数组：

数据框由含不同模式（数值型、字符型等）数据的列组成，与SAS、SPSS和Stata中的数据集相类似。数据框可通过函数data.frame（）创建：

其中，列向量col1，col2，col3，…可为任何类型（如字符型、数值型或逻辑型）。每一列的名称可由函数names（）指定。

列表为R数据结构中最复杂的一种，是一些对象的有序集合。形象地讲可以理解为超市购物篮，可以放不同的物品。比如一个列表中可以是若干个向量、矩阵、数据框，甚至是其他列表的组合。用函数list（）创建：

二、数据管理

数据的管理主要包括数据的输入、修改及保存。本书不涉及大型数据库的管理，所以将以本书常用的数据管理为主进行阐述。当数据量较少时，可以在R中直接输入。多数情况下，需要从R外部读入数据，有不同的包及函数读入不同格式的数据，例如readr包、haven包、foreign包等。表2-1列出了常见文件格式的读取函数：

R语言中对数据处理的包及函数比较多，其中tidyverse包提供了非常优秀的数据清理、整合和可视化的“一站式服务”。Hadley Wickham将自己所写的包整理成了一套数据处理的方法，统一整合到tidyverse包里，包括ggplot2、dplyr、tidyr、readr、purrr、tibble、stringr、forcats。tidyverse包的数据处理流程大致分为以下三类：①数据导入；②数据整理；③数据探索（可视化、统计分析）。

下面以卡介苗预防结核病数据为例，进行演示。首先获得数据，并保存于本地磁盘，再进行数据的读取及转换，数据读取后进行数据的管理。

数据结果如下：

由上述结果可知，新读入的bcg数据为tibble格式，其中author、alloc类型为chr，即字符串变量；其余为dbl，即双精度浮点型变量或实数。tibble是dataframe的升级版，有如下优点：①生成的数据框数据每列可以保持原来的数据格式，不会被强制性改变，如字符串变成因子格式；②查看数据时，在一行内显示；③数据操作速度会更快。可由tibble（）函数构建。请注意，write.csv（）导出数据会默认增加一列序号，所以read_csv（）函数再读入R时会有一个“X1”列。

tidyverse包中的dplyr包数据处理功能强大，主要包括以下函数：①filter（）：据条件过滤数据；②arrange（）：根据某一列的数据对行排序；③select（）：只保留部分列的数据；④mutate（）：增加新的列；⑤summarise（）：数据的统计特征；⑥group_by（）：对数据分组。下面进行简单演示，选取bcg数据中trial、tpos、tneg、cpos、cneg变量，并生成新的变量or值，命令如下：

命令中的%>%为管道函数，可理解为变量的传递函数，管道前数据用于管道后面的函数。管道函数可明显减少中间变量的个数，简化编程。

运行上述命令后，R软件会出现如下结果：

由上述结果可知，mutate（）函数产生一个新的变量or，而bcg数据集并没有改变。tidyverse包功能强大，读者可参考帮助文件或R for Data Science图书。