R讲义：数据汇入/变量标签/频数分布

Author
Affiliation

刘念夏教授, PhD

School of Journalism and Communication, Minnan Normal University

Published

25 September 2025

1 分析前的环境设置

1.1 下载安装套件包

本章学习者須先下载安装相關套件包，方能正常運行。

#下载安装套件包
#如果之前有下载过，会跳过不下载；如果之前没有下载过，会下载安装套件包
if (!require("showtext")) install.packages("showtext")
载入需要的程序包：showtext
载入需要的程序包：sysfonts
载入需要的程序包：showtextdb
if (!require("knitr")) install.packages("knitr")
载入需要的程序包：knitr
if (!require("readxl")) install.packages("readxl")
载入需要的程序包：readxl
if (!require("sjlabelled")) install.packages("sjlabelled")
载入需要的程序包：sjlabelled
if (!require("sjmisc")) install.packages("sjmisc")
载入需要的程序包：sjmisc
if (!require("sjPlot")) install.packages("sjPlot")
载入需要的程序包：sjPlot
if (!require("rio")) install.packages("rio")
载入需要的程序包：rio

1.2 环境设置

我们通常会将R的工作环境先进行一些设置，这些设置包括了 “设定当前工作目录”、 “设定系統中文文字编码”、以及 “设定绘图物件中的中文文字” 等项。

#设置工作目录(你自己的工作目录)
setwd("/Users/simonfair/Desktop/量化研究数据分析/R Ch2 数据导入")
# 查看目前的工作目录
getwd() #
[1] "/Users/simonfair/Desktop/量化研究数据分析/R Ch2 数据导入"
#设置系統中文文字编码(简体中文)
Sys.setlocale(category = "LC_ALL", locale = "zh_CN.UTF-8") #
[1] "zh_CN.UTF-8/zh_CN.UTF-8/zh_CN.UTF-8/C/zh_CN.UTF-8/zh_CN.UTF-8"
#调用加载"showtext"套件包
library(showtext) 
#使绘图物件中的中文文字能正确呈现
showtext_auto(enable = TRUE)

在设置工作环境之后，现以一份简单的调查问卷为例，展示如何将问卷资料汇入到R环境，成为R数据档，以便进行后续的数据分析。

2 问卷例示

假设有一份问卷，包含下列一些题目，如图2-1。

图2-1 问卷题目

假如研究者将受访者的回答数据，分别以 “CSV”, “Excel”, “Stata”, “SPSS”, 等不同数据的格式加以录入，哪我们如何将这些不同格式的外部数据，加以读取并汇入到R呢？以下分别说明。

3 读取外部数据

3.1 CSV data ; read.csv( )

先看一下CSV数据(stfood2019.csv)的格式示例，如图2-2。

图2-2 CSV数据外观示例

接下来，我们将当前工作目录下的 “stfood2019.csv” 档案，透过 “read.csv( )” 函数，将数据汇入进R，将汇进来的档名命名为 “stfood2019CSV”，并使用 “head( )” 函数，呈现 “stfood2019CSV” 此一数据的前六笔资料。

#将CSV数据汇入到R
stfood2019CSV <- read.csv("stfood2019.csv") 
#看前六笔资料
head(stfood2019CSV)
  Q1 Q2 Q3 Q4 Q5
1  2  2  4  3  4
2  1  2  4  3  4
3  2  3  3  4  4
4  2  2  4  2  4
5  1  2  4  4  4
6  2  2  4  5  2

3.2 Excel data ; readxl::read_excel( )

Excel数据(stfood2019.xls)的外观如下，如图2-3。

图2-3 Excel数据外观示例

接下来，我们将当前工作目录下的 “stfood2019.xls” 档案，透过 “readxl” 套件包的 “read_excel( )” 函数，将数据汇入进R，将汇进来的档名命名为 “stfood2019XLS”，并使用 “head( )” 函数，呈现 “stfood2019XLS” 此一数据前六笔资料。

#加载"readx1" 套件包
library(readxl) 
#将excel数据汇入到R
stfood2019XLS <- read_excel("stfood2019.xls")
#看前六笔资料
head(stfood2019XLS)
# A tibble: 6 × 5
     Q1    Q2    Q3    Q4    Q5
  <dbl> <dbl> <dbl> <dbl> <dbl>
1     2     2     4     3     4
2     1     2     4     3     4
3     2     3     3     4     4
4     2     2     4     2     4
5     1     2     4     4     4
6     2     2     4     5     2

3.3 Stata data ; sjlabelled::read_stata( )

Stata数据(stfood2019.dta)的外观如下，如图2-4。

图2-4 Stata数据外观示例

接下来，我们将当前工作目录下的 “stfood2019.dta” 档案，透过 “sjlabelled” 套件包的 “read_stata( )” 函数，将数据汇入进R，将汇进来的档名命名为 “stfood2019DTA”，并使用 “head( )” 函数，呈现 “stfood2019DTA” 此一数据前六笔资料。

#加载"sjlabelled" 套件包
library(sjlabelled)
#将Stata数据汇入到R
stfood2019DTA <- read_stata("stfood2019.dta")
Converting atomic to factors. Please wait...
#看前六笔资料
head(stfood2019DTA)
  Q1 Q2 Q3 Q4 Q5
1  2  2  4  3  4
2  1  2  4  3  4
3  2  3  3  4  4
4  2  2  4  2  4
5  1  2  4  4  4
6  2  2  4  5  2

3.4 SPSS data ;sjlabelled::read_spss( )

SPSS数据(stfood2019.sav)的外观如下，如图2-5。

图2-5 SPSS数据外观示例

接下来，我们将当前工作目录下的 “stfood2019.sav” 档案，透过 “sjlabelled” 套件包的 “read_spss( )” 函数，将数据汇入进R，将汇进来的档名命名为 “stfood2019SAV”，并使用 “head( )” 函数，呈现stfood2019SAV此一数据前六笔资料。

#加载"sjlabelled" 套件包
library(sjlabelled)
#将SPSS数据汇入到R
stfood2019SAV <- read_spss("stfood2019.sav")
Converting atomic to factors. Please wait...
#看前六笔资料
head(stfood2019SAV)
  Q1 Q2 Q3 Q4 Q5
1  2  2  4  3  4
2  1  2  4  3  4
3  2  3  3  4  4
4  2  2  4  2  4
5  1  2  4  4  4
6  2  2  4  5  2

3.5 读取数据的瑞士万用刀 rio::import( )

另外，我们也可以透过 “rio” 套件包的 “import( )” 函数，将不同类型的数据档，汇入到R中。

library(rio) #加载"rio" 套件包
#汇入csv数据档
stfood2019CSV <- import("stfood2019.csv") 
#汇入excel数据档
stfood2019XLS <- import("stfood2019.xls") 
#汇入stata数据档
stfood2019DTA <- import("stfood2019.dta") 
#汇入spss数据档
stfood2019SAV <- import("stfood2019.sav")

4 存成R数据資料檔及其他類型檔案 save(,file=)

我们可以使用 “save( )” 函数，将从外部汇进来的档案，转存成R数据资料档(.rda 或 .RData)。

#将从外部汇进来的档案(例如Excel)，转存成R数据资料档(*.rda)
save(stfood2019XLS, file = "stfood2019XLS.rda")
#将从外部汇进来的档案(例如SPSS)，转存成R数据资料档(*.rda)
save(stfood2019SAV, file = "stfood2019SAV.rda")

5 载入R数据資料檔 load( )

可以使用 “load( )” 函数，将R数据资料档(.rda 或.RData)， 载入到RStudio的记忆体中。

#从目前工作目录中，把R数据资料档载入进来
load("stfood2019XLS.rda")

6 查看R数据资料档中的资料 head( ); tail( ); dim( ); names( ); View( ); kable( )

R数据档被载入后， 可以使用 “head( )” 函数，呈现使用中R数据资料档的前六笔资料; 或使用 “tail( )” 函数，呈现后六笔资料。使用 “dim( )” 函数，查看使用中的R数据资料档包含了几笔资料、几个变量。使用 “names( )” 函数，查看R数据料档中所有变量的变量名称。使用 “View( )” 函数，可以在RStudio开启另外一个小窗口，检视使用中数据所有的变量与个案。

#查看前六笔资料
head(stfood2019XLS)
  Q1 Q2 Q3 Q4 Q5
1  2  2  4  3  4
2  1  2  4  3  4
3  2  3  3  4  4
4  2  2  4  2  4
5  1  2  4  4  4
6  2  2  4  5  2
#查看后六笔资料
tail(stfood2019XLS)
     Q1 Q2 Q3 Q4 Q5
1053  2  3  1  2  4
1054  2  3  1  3  3
1055  2  3  1  3  4
1056  2  3  1  2  2
1057  1  4  5  5  4
1058  1  4  5  5  4
#查看R数据料档中包含了几笔资料(row)，几个变量(col)
dim(stfood2019XLS) #1058 row 5 col
[1] 1058    5
#查看R数据料档中所有变量的变量名称
names(stfood2019XLS)
[1] "Q1" "Q2" "Q3" "Q4" "Q5"
#将输出转化成有格式的表格
library(knitr) #加载Knitr套件包
kable(head(stfood2019XLS)) #将前六笔资料的输出转化成表格
Q1 Q2 Q3 Q4 Q5
2 2 4 3 4
1 2 4 3 4
2 3 3 4 4
2 2 4 2 4
1 2 4 4 4
2 2 4 5 2 
#开启新窗口，检视使用中数据所有的变量与个案。
View(stfood2019XLS)

图2-6 检视数据档

7 将变量设置为类别变量 sjlabelled::to_factor( )

变量(variable)一般可分为 “类别变量” (categorical variables)(定类变量、定序变量)与 “数字变量” (numeric variables)(定距变量、定比变量)两大属性。R对于变量的属性设置是很敏感的，关系到不同属性的变量会适用到各自不同的统计分析方法。因此，在进行数据分析之前，研究者需针对所欲分析的变量，进行变量属性的设置。

当数据被载入到R，如果没有做任何的设置，R会将数据中的各个变量默认为 “数字变量”。假如我们要将数据中的一些变量设置为 “类别变量”，则可加载 “sjlabelled” 套件的 “to_factor( )” 函数来完成这项工作。以stfood2019XLS此一数据而言，根据调查问卷的内容，我们可以知道，stfood2019XLS数据中的五个变量(Q1~Q5)都应该被当成 “类别变量” 来看待。具体语法例示如下：

#加载sjlabelled套件
library(sjlabelled)
#将变量设置为类别变量(to_factor)
stfood2019XLS$Q1 <- to_factor(stfood2019XLS$Q1)
stfood2019XLS$Q2 <- to_factor(stfood2019XLS$Q2)
stfood2019XLS$Q3 <- to_factor(stfood2019XLS$Q3)
stfood2019XLS$Q4 <- to_factor(stfood2019XLS$Q4)
stfood2019XLS$Q5 <- to_factor(stfood2019XLS$Q5)

8 查看变量的属性 class( ); str( )

可以透过 “class( )” 函数，查看变量的属性。如果显示 “factor” 代表该变量被设置为 “类别变量”，如果显示 “numeric” 代表该变量被设置为 “数字变量”。也可以使用 “str( )”函数，同时查看变量的属性(factor vs. numeric）、分成几类（levels)(如果是类别变量的话)、以及变量的前几笔资料。

#查看变量的属性
class(stfood2019XLS$Q1)
[1] "factor"
class(stfood2019XLS$Q2)
[1] "factor"
class(stfood2019XLS$Q3)
[1] "factor"
class(stfood2019XLS$Q4)
[1] "factor"
class(stfood2019XLS$Q5)
[1] "factor"
str(stfood2019XLS$Q5)
 Factor w/ 5 levels "1","2","3","4",..: 4 4 4 4 4 2 4 3 3 4 ...

9 设置变量标签与变量值标签 sjlabelled::set_label( ); set_labels( )

从外部数据汇进R的档案(如CSV档案,Excel档案等)大部分都只有变量的数值代码，但没有变量的标签说明(variable label)，也没有变量值的标签说明(value label)。 我们可以使用 “sjlabelled” 套件包的 “set_label( )” 函数，进行 “变量标签” 的设置；“set_labels( )”函数，进行 “变量值” 标签的设置。

#加载sjlabelled套件
library(sjlabelled)
#增加变量标签(set_label)与变量值标签(set_labels)
#Q1
stfood2019XLS$Q1 <- set_label(stfood2019XLS$Q1,
                   label = "Q1请问您的性别")
stfood2019XLS$Q1 <- set_labels(stfood2019XLS$Q1,
                   labels = c("男", "女"))
#Q1 (1:男 2:女)

#Q2
stfood2019XLS$Q2 <- set_label(stfood2019XLS$Q2,
       label = "Q2请问您是大几的学生")
stfood2019XLS$Q2 <- set_labels(stfood2019XLS$Q2,
       labels = c("大一", "大二", "大三", "大四"))
#Q2 (1:大一, 2:大二, 3:大三, 4:大四)

#Q3
stfood2019XLS$Q3 <- set_label(stfood2019XLS$Q3,
                    label = "Q3请问您目前就读的专业")
stfood2019XLS$Q3 <- set_labels(stfood2019XLS$Q3,
                    labels = c("新闻学", 
                               "编辑出版学", 
                               "传播学", 
                               "网络与新媒体",
                               "数字媒体艺术",
                               "数字媒体技术"))
#Q3 (1:新闻学, 2:编辑出版学, 3:传播学,4:网络与新媒体, 5:数字媒体艺术, 6:数字媒体技术) 

#Q4
stfood2019XLS$Q4 <- set_label(stfood2019XLS$Q4,
  label = "Q4平均来说，请问您一个月吃饭大概花多少钱")
stfood2019XLS$Q4 <- set_labels(stfood2019XLS$Q4,
    labels = c("500以下", 
              "501-1000", 
              "1001-1500", 
              "1501-2000",
              "2001以上"))
#Q4 (1:500以下, 2:501-1000, 3:1001-1500, 4:1501-2000, 5:2001以上)

#Q5      
stfood2019XLS$Q5 <- set_label(stfood2019XLS$Q5,
      label = "Q5总体来说，对于食堂所提供的餐食服务，您满不满意")
stfood2019XLS$Q5 <- set_labels(stfood2019XLS$Q5,
                labels = c("非常不满意", 
                           "不太满意", 
                           "一般/普通", 
                           "还算满意",
                           "非常满意"))
#Q5 (1:非常不满意, 2:不太满意, 3:一般/普通, 4:还算满意, 5:非常满意)

10 查看变量标签与变量值标签 sjlabelled::get_label( ); get_labels( )

可以透过 “sjlabelled” 套件包的 “get_label( )” 函数查看数据中每个 “变量” 的标签说明，“get_labels( )” 函数查看每个”变量值”的标签说明。

#加载sjlabelled套件
library(sjlabelled)
#查看变量标签(get_label)
get_label(stfood2019XLS)
                                                Q1 
                                  "Q1请问您的性别" 
                                                Q2 
                            "Q2请问您是大几的学生" 
                                                Q3 
                          "Q3请问您目前就读的专业" 
                                                Q4 
        "Q4平均来说，请问您一个月吃饭大概花多少钱" 
                                                Q5 
"Q5总体来说，对于食堂所提供的餐食服务，您满不满意" 
#查看变量值标签(get_labels)
get_labels(stfood2019XLS)
$Q1
[1] "男" "女"

$Q2
[1] "大一" "大二" "大三" "大四"

$Q3
[1] "新闻学"       "编辑出版学"   "传播学"       "网络与新媒体" "数字媒体艺术"
[6] "数字媒体技术"

$Q4
[1] "500以下"   "501-1000"  "1001-1500" "1501-2000" "2001以上" 

$Q5
[1] "非常不满意" "不太满意"   "一般/普通"  "还算满意"   "非常满意"

11 频数分布

11.1 R 内建函数: table( ), prop.table( )

在设置完成变量标签与变量值标签之后，我们就可以先做个变量的频数分布。在R的内建函数中，可以使用 “table( )” 函数，呈现变量的频数;使用 “prop.table(table( ))” 函数，呈现变量各个数值的比例(百分比)。

#呈现频数
table(stfood2019XLS$Q1) 

  1   2 
415 643 
#呈现比例
prop.table(table(stfood2019XLS$Q1)) 

        1         2 
0.3922495 0.6077505 
#呈现比例(百分比)
100*prop.table(table(stfood2019XLS$Q1))

       1        2 
39.22495 60.77505

11.2 sjmisc::frq( )

我们可以进一步使用 “sjmisc” 套件包的 “frq( )” 函数，以呈现比较精美且符合学术要求的频数分布表。“frq( )” 函数有个选项 “out”，如果都不设置，则频数分布结果会以纯文字形式(txt)呈现在RStudio的Console视窗； 如果将out选项设置为 out=“browser” or out= “b”，则频数分布结果会以使用者预设的浏览器开启； 如果将out选项设置为 out=“viewer” or out= “v”，则频数分布结果会呈现在RStudio的Viewer视窗

#加载sjmisc套件
library(sjmisc)
#频数分布(frq):以纯文字形式呈现
frq(stfood2019XLS$Q1)
Q1请问您的性别 (x) <categorical> 
# total N=1058 valid N=1058 mean=1.61 sd=0.49

Value | Label |   N | Raw % | Valid % | Cum. %
----------------------------------------------
    1 |    男 | 415 | 39.22 |   39.22 |  39.22
    2 |    女 | 643 | 60.78 |   60.78 | 100.00
 <NA> |  <NA> |   0 |  0.00 |    <NA> |   <NA>
#频数分布(frq)：以RStudio的Viewer视窗呈现
frq(stfood2019XLS$Q5, out = "viewer")
Q5总体来说，对于食堂所提供的餐食服务，您满不满意 (x) <categorical>
val label frq raw.prc valid.prc cum.prc
1 非常不满意 18 1.70 1.70 1.70
2 不太满意 103 9.74 9.74 11.44
3 一般/普通 411 38.85 38.85 50.28
4 还算满意 473 44.71 44.71 94.99
5 非常满意 53 5.01 5.01 100.00
NA NA 0 0.00 NA NA
total N=1058 · valid N=1058 · x̄=3.42 · σ=0.80

以frq(…,out=“viewer”)所产生的频数分布表为例，

  • “val” 是value的缩写，数值代码之意。

  • “label” 为变量标签之意。

  • “frq” 是frequencies的缩写，频数之意。

  • “raw.prc” 是raw percent的缩写，原始百分比之意(包含缺失值个案在内的百分比)。

  • “valid.prc” 是valid percent的缩写，有效百分比之意 (扣除缺失值个案后的百分比)。

  • “cum.prc” 是cumulative percent的缩写，累积有效百分比之意。

  • “NA” 是Not Available的缩写，遗漏值或缺失值之意。

在设置好变量标签与变量值标签后，我们就可以把数据资料档存档，以便日后直接提取时，就不需要再做一次变量标签与变量值标签设置的重复工作了。

#将已设置好标签的数据资料，存档(*.rda)
save(stfood2019XLS, file = "stfood2019XLS.rda")
#载入已设置好标签的数据资料档(*.rda)
load("stfood2019XLS.rda")
#加载"sjmisc"套件
library(sjmisc)
#频数分布
frq(stfood2019XLS$Q5)
Q5总体来说，对于食堂所提供的餐食服务，您满不满意 (x) <categorical> 
# total N=1058 valid N=1058 mean=3.42 sd=0.80

Value |      Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------
    1 | 非常不满意 |  18 |  1.70 |    1.70 |   1.70
    2 |   不太满意 | 103 |  9.74 |    9.74 |  11.44
    3 |  一般/普通 | 411 | 38.85 |   38.85 |  50.28
    4 |   还算满意 | 473 | 44.71 |   44.71 |  94.99
    5 |   非常满意 |  53 |  5.01 |    5.01 | 100.00
 <NA> |       <NA> |   0 |  0.00 |    <NA> |   <NA>

对于spss数据资料而言，一般来说研究者通常会在SPSS中将各个变量(值)的标签事先设置好，所以在汇入外部数据时，如果汇入的是SPSS数据，则通常可以不用再在R环境去设置各个变量(值)的标签，直接调用 “sjmisc” 套件包的 “frq( )” 函数，就可以呈现带有标签说明的频数分布表了。

SPSS数据档变量标签外观示例如下，如图2-7。

图2-7 SPSS数据档变量标签外观示例
#加载"sjlabelled" 套件
library(sjlabelled)
#将SPSS数据汇入到R
stfood2019SAV <- read_spss("stfood2019.sav")
Converting atomic to factors. Please wait...
#加载"sjmisc"套件
library(sjmisc)
#频数分布(一次呈现数据资料档中所有变量的频数分布)
frq(stfood2019SAV)
1.请问您的性别是？ (Q1) <categorical> 
# total N=1058 valid N=1058 mean=1.61 sd=0.49

Value | Label |   N | Raw % | Valid % | Cum. %
----------------------------------------------
    1 | 01.男 | 415 | 39.22 |   39.22 |  39.22
    2 | 02.女 | 643 | 60.78 |   60.78 | 100.00
 <NA> |  <NA> |   0 |  0.00 |    <NA> |   <NA>

2. 请问您是大几的学生？ (Q2) <categorical> 
# total N=1058 valid N=1058 mean=2.53 sd=1.12

Value | Label |   N | Raw % | Valid % | Cum. %
----------------------------------------------
    1 |  大一 | 243 | 22.97 |   22.97 |  22.97
    2 |  大二 | 299 | 28.26 |   28.26 |  51.23
    3 |  大三 | 227 | 21.46 |   21.46 |  72.68
    4 |  大四 | 289 | 27.32 |   27.32 | 100.00
 <NA> |  <NA> |   0 |  0.00 |    <NA> |   <NA>

3. 请问您目前就读的专业是什么？ (Q3) <categorical> 
# total N=1058 valid N=1058 mean=3.10 sd=1.43

Value |           Label |   N | Raw % | Valid % | Cum. %
--------------------------------------------------------
    1 |       01.新闻学 | 166 | 15.69 |   15.69 |  15.69
    2 |   02.编辑出版学 | 223 | 21.08 |   21.08 |  36.77
    3 |       03.传播学 | 288 | 27.22 |   27.22 |  63.99
    4 | 04.网络与新媒体 | 135 | 12.76 |   12.76 |  76.75
    5 | 05.数字媒体艺术 | 215 | 20.32 |   20.32 |  97.07
    6 | 06.数字媒体技术 |  31 |  2.93 |    2.93 | 100.00
 <NA> |            <NA> |   0 |  0.00 |    <NA> |   <NA>

5. 平均来说，请问您一个月吃饭大概花多少钱？ (Q4) <categorical> 
# total N=1058 valid N=1058 mean=3.45 sd=0.87

Value |        Label |   N | Raw % | Valid % | Cum. %
-----------------------------------------------------
    1 |   01.500以下 |  10 |  0.95 |    0.95 |   0.95
    2 |  02.501-1000 | 136 | 12.85 |   12.85 |  13.80
    3 | 03.1001-1500 | 387 | 36.58 |   36.58 |  50.38
    4 | 04.1501-2000 | 418 | 39.51 |   39.51 |  89.89
    5 |  05.2001以上 | 107 | 10.11 |   10.11 | 100.00
 <NA> |         <NA> |   0 |  0.00 |    <NA> |   <NA>

14.总体来说，对于食堂所提供的餐食服务，您满不满意？ (Q5) <categorical> 
# total N=1058 valid N=1058 mean=3.42 sd=0.80

Value |         Label |   N | Raw % | Valid % | Cum. %
------------------------------------------------------
    1 | 01.非常不满意 |  18 |  1.70 |    1.70 |   1.70
    2 |   02.不太满意 | 103 |  9.74 |    9.74 |  11.44
    3 |  03.一般‎/普通 | 411 | 38.85 |   38.85 |  50.28
    4 |   04.还算满意 | 473 | 44.71 |   44.71 |  94.99
    5 |   05.非常满意 |  53 |  5.01 |    5.01 | 100.00
 <NA> |          <NA> |   0 |  0.00 |    <NA> |   <NA>

12 编码簿 sjPlot::view_df( )

我们可以调用 “sjPlot” 套件包的 “view_df( )” 函数，一次清楚呈现各个变量的名称(Names)、变量类型(Type)、变量标签(Variable Labels)、 变量值(Values)、变量值标签(Value Labels)、 频数分布(Freq)以及百分比(%)等相关资讯。这些资讯构成了我们常说的 “编码簿” (coding book)。

#加载"sjPlot"套件
library(sjPlot)
#呈现编码簿
view_df(stfood2019SAV,   #指明R资料档的档案名称
        show.type = TRUE, #呈现变量类型
        show.na = TRUE,  #呈现缺失值
        show.frq = TRUE, #呈现频数分布
        show.prc = TRUE) #呈现百分比
Data frame: stfood2019SAV
ID Name Type Label missings Values Value Labels Freq. %
1 Q1 categorical 1.请问您的性别是？ 0 (0.00%) 1
2		 01.男
02.女		 415
643		 39.22
60.78
2 Q2 categorical 2. 请问您是大几的学生？ 0 (0.00%) 1
2
3
4		 大一
大二
大三
大四		 243
299
227
289		 22.97
28.26
21.46
27.32
3 Q3 categorical 3. 请问您目前就读的专业是什么？ 0 (0.00%) 1
2
3
4
5
6		 01.新闻学
02.编辑出版学
03.传播学
04.网络与新媒体
05.数字媒体艺术
06.数字媒体技术		 166
223
288
135
215
31		 15.69
21.08
27.22
12.76
20.32
2.93
4 Q4 categorical 5. 平均来说，请问您一个月吃饭大概花多少钱？ 0 (0.00%) 1
2
3
4
5		 01.500以下
02.501-1000
03.1001-1500
04.1501-2000
05.2001以上		 10
136
387
418
107		 0.95
12.85
36.58
39.51
10.11
5 Q5 categorical 14.总体来说，对于食堂所提供的餐食服务，您满不满意？ 0 (0.00%) 1
2
3
4
5		 01.非常不满意
02.不太满意
03.一般‎/普通
04.还算满意
05.非常满意		 18
103
411
473
53		 1.70
9.74
38.85
44.71
5.01

当我们的数据分析工作告一段落后，我们经常会使用 “rm(list =ls( ))” 这个函数，清除R记忆体中所有物件与资料，以便在进行下次数据分析时，R的工作环境有个全新的开始。

rm(list = ls()) #清除记忆体中所有物件与资料

本章小结

本章所使用到的R套件包与函数，摘录如下表。

套件包 函数 说明
内建 setwd ( ) 设置当前工作目錄
getwd ( ) 显示当前工作目錄
install.packages ( ) 安装套件包
library ( ) 加载套件包
read.csv ( ) 将CSV格式数据资料档汇入到R
save ( ) 将档案存成R数据资料档格式(*.rda)
load ( ) 载入R数据资料档(*.rda)
head ( ) 查看R数据的前六笔资料
tail ( ) 查看R数据的后六笔资料
dim ( ) 查看R数据中包含几笔资料，几个变量
names ( ) 查看变量的名称
View ( ) 在RStudio新开窗口,检视数据资料
class ( ) 查看变量的属性
str ( ) 查看变量的属性及分类数目
table ( ) 呈现变量的频数
prop.table ( ) 呈现变量的频数比例(百分比)
rm (list=ls( )) 去除R当前工作环境中所有的数据与物件
readxl read_excel ( ) 将Excel格式数据资料档(*.xls)汇入到R
sjlabelled read_spss ( ) 将SPSS格式数据资料档(*.sav)汇入到R
read_stata ( ) 将Stata格式数据资料档(*.dta)汇入到R
to_factor ( ) 将变量设置为类别变量
to_numeric ( ) 将变量设置为数字变量
set_label ( ) 设置变量标签(variable label)
set_labels ( ) 设置变量值标签(value label)
get_label ( ) 查看变量标签
get_labels ( ) 查看变量值标签
sjmisc frq ( ) 呈现频数分布表
sjPlot view_df ( ) 呈现R数据资料的编码簿
rio import ( ) 将不同类型的数据档(CSV,Escel,SPSS,
Stata,SAS…)汇入到R