R的資料形態

• 名目資料(nomial)
• 順序資料(ordinal)
• 區間資料(interval)
• 比例資料(ratio)

	資料衡量尺度	變數形態	特性
1	名目資料	質化	類別
2	順序資料	質化	優先順序
3	區間資料	量化	大小距離
4	比例資料	量化	比值

• 性別
• Domain
• Cookie

男生	女生
0	1

男生	女生
1	2

• 硬度表
• 名次
• 排序表

硬度	礦物	化學式	絕對硬度	圖片
1	滑石	Mg3Si4O10(OH)2	1
2	石膏	CaSO4·2H2O	2
3	方解石	CaCO3	9

• 溫度
• 時間

溫度

• 華氏 0 度 = 攝氏 -17.78 度
• 攝氏 0 度 = 華氏 32.00 度

---

時間

• POSIX time 的 0: 1970-01-01 08:00:00 +0800
• 西元
• 民國

• 營收
• 股價

• 請再舉出四種資料形態的範例
• 眾數、中位數、四分位差和算數平均數能用於哪些資料形態？
• 對於區間資料，成長率有沒有意義？
• 在應用Machine Learning的演算法時，不同的資料形態的值能直接使用嗎？
  • Regression
  • Decision Tree
• 以下資料，各又是怎樣的資料形態呢？
  • 140.118.1.1
  • #R,Text Mining Series,Taiwan R User Group

	資料衡量尺度	變數形態	特性
1	名目資料	質化	類別
2	順序資料	質化	優先順序
3	區間資料	量化	大小距離
4	比例資料	量化	比值

所有的資料都是透過Atomic Type組合而成

• 最廣泛的資料結構，可用於處理文字相關的工作，如：設定圖片的標題
• 輸入的時候利用"或'來包覆要輸入的文字
  • 可以直接用\"來輸入"或\'

plot(cars, main = "\"hello world\"")

字串的剪接：paste

x <- "abc"
y <- "bbb"
paste(x, y, sep = ",")

## [1] "abc,bbb"

字串的切割：strsplit

strsplit(x, "b")

## [[1]]
## [1] "a" "c"

字串的長度：nchar

nchar(x)

## [1] 3

截取子字串：substring

substring(x, 1, 2)

## [1] "ab"

• 產生自比較，或是使用T、TRUE、F或FALSE輸入

x <- 1
x < 2

## [1] TRUE

x <= 1

## [1] TRUE

• 常用來做流程控制

if (T) {
    print("This is TRUE")
} else {
    print("This is FALSE")
}

## [1] "This is TRUE"

NOT

!TRUE

## [1] FALSE

AND

T & T

## [1] TRUE

OR

T | F

## [1] TRUE

+

1 + 2

## [1] 3

-

1 - 2

## [1] -1

*

1 * 2

## [1] 2

/

1L/2L

## [1] 0.5

所有Atomic Type都有長度

length(0L)

## [1] 1

加上dim就變成矩陣、陣列

x <- 1L
dim(x) <- c(1, 1)
x

##      [,1]
## [1,]    1

可以利用:或c()快速建立Vector

1:3

## [1] 1 2 3

c(1L, 2L, 3L)

## [1] 1 2 3

幾乎內建的Operations、Functions都是Vectorize

1:3 + 2:4

## [1] 3 5 7

1:2 + 1:3

## Warning: 較長的物件長度並非較短物件長度的倍數

## [1] 2 4 4

長度不同會自動延伸，無法對齊就噴警告

1:2 + 1:3

## Warning: 較長的物件長度並非較短物件長度的倍數

## [1] 2 4 4

1 2 1 2
1 2 3

---

2 4 4

Vectorized的效能都好很多

f1 <- function() 1:1000 + 1
f2 <- function() {
    r <- integer(1000)
    for (i in 1:1000) r[i] <- i + 1
    r
}

	expr	median(nano seconds)
1	f2()	1215099.00
2	f1()	3589.50

Character > Numeric > Integer > Logical

x <- c(1L, 2, "3")
class(x)

## [1] "character"

x

## [1] "1" "2" "3"

改一個，全部就都變了

x <- matrix(1:4, 2, 2)
class(x)

## [1] "matrix"

x[2]

## [1] 2

x[2] <- as.character(x[2])
x

##      [,1] [,2]
## [1,] "1"  "3" 
## [2,] "2"  "4"

List 的異質性

x <- list(1L, 2, "3")
x

## [[1]]
## [1] 1
## 
## [[2]]
## [1] 2
## 
## [[3]]
## [1] "3"

連函數都吃

x <- list(1L, 2, "3", mean)
x[[4]]

## function (x, ...) 
## UseMethod("mean")
## <bytecode: 0x1067098e0>
## <environment: namespace:base>

每行的長度要一致

length(iris$Sepal.Length)

## [1] 150

length(iris$Species)

## [1] 150

是一種list

class(iris)

## [1] "data.frame"

is.list(iris)

## [1] TRUE

data.frame(a = 1L, b = "2")

##   a b
## 1 1 2

as

• as.character
• as.logical
• as.integer
• as.numeric

as.numeric("2")

## [1] 2

as.integer("a")

## Warning: 強制變更過程中產生了 NA

## [1] NA

NA代表MISSING VALUE

注意用Operator處理NA，通常會噴NA

z <- c(1:3, NA)
is.na(z)

## [1] FALSE FALSE FALSE  TRUE

z == NA

## [1] NA NA NA NA

levels

x <- c(2, 1, 2, 2)
x

## [1] 2 1 2 2

x <- factor(c(2, 1, 2, 2), levels = 2:1)
x

## [1] 2 1 2 2
## Levels: 2 1

levels(x)

## [1] "2" "1"

factor其實是integer

這些integer其實代表index

x <- factor(c(2, 1, 2, 2), levels = 2:1)
as.integer(x)

## [1] 1 2 1 1

levels(x)

## [1] "2" "1"

levels(x)[as.integer(x)]

## [1] "2" "1" "2" "2"

利用format、as.POSIXct和字串轉換

as.POSIXct("2014-01-01 23:50:34")

## [1] "2014-01-01 23:50:34 CST"

format(Sys.time())

## [1] "2014-02-24 10:37:15"

format(Sys.time(), "%Y%m%d %H%M%S")

## [1] "20140224 103715"

本質是8bytes的整數

• 單位是秒數
• 0是格林威治時間的1970-01-01 00:00:00

as.integer(Sys.time())

## [1] 1393209435

x <- as.POSIXct("1-01-01 00:00:00")
as.integer(x)

## Warning: 強制變更過程中產生了 NA

## [1] NA

• 把資料整理成相同長度的Atomic Type
• 整合成data.frame(表格式資料)
• 套用進階的工具做資料分析

age <- c("18", "17", "10")
name <- c("Wush", "c3h3", "+1")
tool <- c("R", "R,Python", "Python")
df <- data.frame(age = age, name = name, tool = tool)
df

##   age name     tool
## 1  18 Wush        R
## 2  17 c3h3 R,Python
## 3  10   +1   Python

[ + logical

x <- 1:10
x

##  [1]  1  2  3  4  5  6  7  8  9 10

head(1:10 < 3)

## [1]  TRUE  TRUE FALSE FALSE FALSE FALSE

x[1:10 < 3]

## [1] 1 2

[ + integer/numeric

x[1:3]

## [1] 1 2 3

[ + character

names(x) <- letters[1:10]
x

##  a  b  c  d  e  f  g  h  i  j 
##  1  2  3  4  5  6  7  8  9 10

x[c("a", "c")]

## a c 
## 1 3

x <- matrix(1:4, 2, 2)
x

##      [,1] [,2]
## [1,]    1    3
## [2,]    2    4

x[1, 2]

## [1] 3

x[1:2, 1]

## [1] 1 2

x <- array(1:8, c(2, 2, 2))
x

## , , 1
## 
##      [,1] [,2]
## [1,]    1    3
## [2,]    2    4
## 
## , , 2
## 
##      [,1] [,2]
## [1,]    5    7
## [2,]    6    8

x[1, 2, 1]

## [1] 3

維持矩陣和陣列的資料結構

x <- matrix(1:4, 2, 2)
2

## [1] 2

x[1:2, 1]

## [1] 1 2

x[1:2, 1, drop = FALSE]

##      [,1]
## [1,]    1
## [2,]    2

data.frame 也類似

iris[1:2, 1:2]

##   Sepal.Length Sepal.Width
## 1          5.1         3.5
## 2          4.9         3.0

head(iris[, 3])

## [1] 1.4 1.4 1.3 1.5 1.4 1.7

(x <- list(a = 1L, b = "2"))

## $a
## [1] 1
## 
## $b
## [1] "2"

x[2]

## $b
## [1] "2"

x[[2]]

## [1] "2"

x[["a"]]

## [1] 1

x$a

## [1] 1

(x <- matrix(1:4, 2, 2))

##      [,1] [,2]
## [1,]    1    3
## [2,]    2    4

(x[1, 2] <- 100)

## [1] 100

x

##      [,1] [,2]
## [1,]    1  100
## [2,]    2    4

(x <- list(a = 1, b = "2"))

## $a
## [1] 1
## 
## $b
## [1] "2"

x$b <- pi
x

## $a
## [1] 1
## 
## $b
## [1] 3.142

增加向量長度

c(1:4, 5)

## [1] 1 2 3 4 5

x <- 1:4
x[5] <- 5
x

## [1] 1 2 3 4 5

length(x) <- 6
x

## [1]  1  2  3  4  5 NA

縮減向量長度

x <- 1:4
length(x) <- 3
x

## [1] 1 2 3