社會科學統計方法
匯入資料、資料匯出、常用指令(v1.1)
蔡佳泓
2019/3/19
1 課程目標
本週上課將介紹R的資料讀取、資料匯出、基本指令，也就是R可以讀取的外部資料，包括統計軟體、試算表軟體、編輯軟體、網路等等資料。例如：
df <- read.table("https://stats.idre.ucla.edu/stat/data/test.txt", header=T)
head(df)## prgtype gender id ses schtyp level
## 1 general 0 70 4 1 1
## 2 vocati 1 121 4 2 1
## 3 general 0 86 4 3 1
## 4 vocati 0 141 4 3 1
## 5 academic 0 172 4 2 1
## 6 academic 0 113 4 2 12 匯入資料
2.1 scan()
scan()這個函數類似read.table，它可以讀取外部資料轉成向量，但是無法讀取表格，是一個處理簡單資料的指令，首先以數值資料舉例：
read.table('voteshare')## V1
## 1 55.6
## 2 66.1
## 3 36.8
## 4 65.1
## 5 50.9
## 6 44.9
## 7 48.7
## 8 52.4
## 9 48.5
## 10 53.0
## 11 51.9scan('voteshare', comment.char = '#', dec='.')## [1] 55.6 66.1 36.8 65.1 50.9 44.9 48.7 52.4 48.5 53.0 51.9設定comment.char = ‘#’是告訴R把前面有’#’視為文字說明，不是資料。
再以字串與數值資料舉例：
scan('latticegraph', what=(""),comment.char = '#', sep=',')## [1] "barchart" "bwplot" "cloud" "contourplot" "densityplot"
## [6] "dotplot" "histogram" "levelplot" "parallel" "splom"
## [11] "stripplot" "xyplot" "wireframe" "1" "1"
## [16] "3" "3" "2" "1" "1"
## [21] "2" "4" "4" "2" "2"
## [26] "3"有時候我們在檔案的第一行或者是前兩行說明這筆資料，可以用設定跳過這些文字：
cat("Phone book", "May 1, 2019","47111222 90777666",
"25550000", "22266699",file="numbers.txt", sep="\n")請點一下numbers.txt這個檔案看看內容。接著我們讀取它：
scan("numbers.txt", skip=2)## [1] 47111222 90777666 25550000 22266699從以上例子可以看出，scan()的功能比較簡單，只能讀進向量資料。而以下介紹的read.csv()或是read.table()的功能比較完備。
2.2 CSV 資料
RStudio(1.1.423)可以從File–>Import Dataset開啟Text, Excel, SPSS, Stata, SAS等格式的資料。其中Text檔案又分為base以及rdr，前者比較容易，後者則需要用到套件，但是可以控制分隔符號，大致上效果一樣。
如果要用語法。首先，read.csv()可以讀取用csv格式儲存的資料，例如：
#setwd("~/Library/Mobile Documents/com~apple~CloudDocs/eastasia")
csv1<-read.csv("councilor.csv", header=TRUE, sep=",", fileEncoding = 'BIG5')
head(csv1)## Year budget unit contracter open
## 1 2015 676 水利處 台球 Yes
## 2 2016 673 新建工程處 茂盛 Yes
## 3 2016 270 新建工程處 冠君 Yes
## 4 2016 255 新建工程處 金煌 Yes
## 5 2016 235 新建工程處 聖鋒 Yes
## 6 2016 190 新建工程處 福呈 No這筆台北市中山區的陳炳甫議員的議員配合款部分資料來自於議員投票指南
指令中的header=TRUE表示第一列被認為是變數名稱，而sep規範分隔的符號，fileEncoding=BIG5則是將文字編碼為中文。 R讓使用者控制資料中的字串是否視為因素資料，也就是用stringAsFactors控制：
csv2<-read.csv("councilor.csv", header=TRUE, sep=",", fileEncoding = 'BIG5', stringsAsFactors = F)比較資料中的變數屬性，請輸入
class(csv1$unit); table(csv1$unit)## [1] "factor"##
## 公園處 水利處 新建工程處
## 1 1 8class(csv2$unit)## [1] "character"字串不能轉換成數字，但是因素可以轉換成數字。
因為資料裡面的中文常常無法顯示在圖形。請先輸入以下兩行指令列出目前可以使用的字體：
- install.packages(‘extrafont’); library(extrafont)
- font_import(); fonts()
如果系統內字型有限，請搜尋「王漢宗字型」，下載後自行安裝到字體簿或是控制台的字型。
然後選擇其中的中文字型，即可顯示中文字型於圖形中：
par(family='HanWangMingHeavy');
barplot(table(csv1$unit))
或者選擇其他中文字型，例如粗黑體，利用ggplot2的繪圖功能：
library(ggplot2)
p<-ggplot(data=csv1, aes(x=factor(unit))) +
geom_bar(stat="count") +
theme(text=element_text(family="HanWangYanKai", size=12)) +
labs(x='Unit')
p 
csv格式相當好用，但是變數無法兼顧標記以及數值，需要相關的資料對照。
2.3 文字資料(txt)
read.table()可以讀取用txt格式儲存的表格資料，該資料的欄位用空白區隔，例如：
students<-read.table("Studentsfull.txt", header=TRUE, sep="")
head(students)## ID Name Department Score Gender
## 1 10322011 Ariel Aerospace 78 F
## 2 10325023 Becky Physics 86 F
## 3 10430101 Carl Journalism 69 M
## 4 10401032 Dimitri English 83 M
## 5 10307120 Enrique Chemistry 80 M
## 6 10207005 Fernando Chemistry 66 M2.4 統計資料
2.4.1 Stata
Stata本身可以儲存資料為csv檔或其他檔案，R有套件可以直接讀取。Stata的12版以前資料可以用foreign這個套件其中的read.dta()。例如UCLA的Institue for Digital Research and Education（idre）的資料：
library(foreign)
udata1<-read.dta("https://stats.idre.ucla.edu/stat/data/test.dta")
head(udata1)## make model mpg weight price
## 1 AMC Concord 22 2930 4099
## 2 AMC Pacer 17 3350 4749
## 3 AMC Spirit 22 2640 3799
## 4 Buick Century 20 3250 4816
## 5 Buick Electra 15 4080 7827如果讀取Stata 的13版以後的資料需要readstata13這個套件：
library(readstata13)
udata2<-read.dta13("Mystata.dta")## Warning in read.dta13("Mystata.dta"):
## experience:
## Factor codes of type double or float detected - no labels assigned.
## Set option nonint.factors to TRUE to assign labels anyway.## Warning in read.dta13("Mystata.dta"):
## tondu3_new:
## Factor codes of type double or float detected - no labels assigned.
## Set option nonint.factors to TRUE to assign labels anyway.## Warning in read.dta13("Mystata.dta"):
## consensus:
## Factor codes of type double or float detected - no labels assigned.
## Set option nonint.factors to TRUE to assign labels anyway.str(udata2)## 'data.frame': 1244 obs. of 21 variables:
## $ Q1 : int 0 0 12 1 0 0 1 0 0 11 ...
## $ Q2 : int 1 1 2 2 2 2 2 2 2 1 ...
## $ Q3 : int 1 1 1 1 1 1 1 98 96 1 ...
## $ Q4 : int 2 2 1 3 1 4 4 98 3 3 ...
## $ Q5 : int 2 3 2 2 2 2 3 2 3 2 ...
## $ SEX : int 2 2 1 2 1 2 1 2 2 2 ...
## $ AGE : int 2 4 5 5 4 4 2 5 1 2 ...
## $ EDU : int 5 3 2 3 3 3 4 3 5 3 ...
## $ TOWNID : int 6305 6608 6302 911 904 6628 6304 6707 6303 6515 ...
## $ AREAR : int 1 4 1 5 5 4 1 5 1 2 ...
## $ SENGI : int 2 3 2 2 2 2 2 2 2 3 ...
## $ T_Cidentity: int 1 2 1 1 3 3 2 9 9 3 ...
## $ partyid : Factor w/ 8 levels "KMT","DPP","NP",..: 2 7 1 1 1 1 8 7 7 7 ...
## $ PARTY : int 5 99 2 3 2 2 99 99 99 99 ...
## $ tondu : int 3 4 2 4 4 2 3 9 3 4 ...
## $ tondu3 : int 2 2 1 2 2 1 2 9 2 2 ...
## $ peace : num 8 4 5 4 4 6 5 NA 7 8 ...
## $ visit : num 0 0 12 1 0 0 1 0 0 11 ...
## $ experience : num 1 1 0 0 0 0 0 0 0 1 ...
## $ tondu3_new : num 1 1 2 1 1 2 1 NA 1 1 ...
## $ consensus : num 2 4 4 3 4 3 2 NA 2 4 ...
## - attr(*, "datalabel")= chr ""
## - attr(*, "time.stamp")= chr " 7 Mar 2018 16:06"
## - attr(*, "formats")= chr "%10.0g" "%10.0g" "%10.0g" "%10.0g" ...
## - attr(*, "types")= int 65530 65530 65530 65530 65530 65530 65530 65530 65529 65530 ...
## - attr(*, "val.labels")= Named chr "" "" "" "" ...
## ..- attr(*, "names")= chr "" "" "" "" ...
## - attr(*, "var.labels")= chr "Q1" "Q2" "Q3" "Q4" ...
## - attr(*, "version")= int 118
## - attr(*, "label.table")=List of 4
## ..$ cat : Named int 1 2 3 4 5 6 7 9
## .. ..- attr(*, "names")= chr "KMT" "DPP" "NP" "PFP" ...
## ..$ yesno : Named int 0 1
## .. ..- attr(*, "names")= chr "No" "Yes"
## ..$ tondu3_new: Named int 1 2 3
## .. ..- attr(*, "names")= chr "Status quo" "Unification" "Independence"
## ..$ support : Named int 1 2 3 4
## .. ..- attr(*, "names")= chr "Strongly dissupport" "Dissupport" "Support" "Strongly support"
## - attr(*, "expansion.fields")= list()
## - attr(*, "byteorder")= chr "LSF"
## - attr(*, "orig.dim")= int 1244 21convert.factors這個參數控制是否將變數的值轉為因素，如果不轉為因素，則維持為整數或者數值。
udata3<-read.dta13("Mystata.dta", convert.factors=F)
class(udata2$partyid); class(udata3$partyid)## [1] "factor"## [1] "integer"table(udata2$partyid)##
## KMT DPP NP PFP TSU NPP
## 287 246 4 21 2 54
## Independent DK
## 557 732.4.2 SPSS
foreign的套件也可以讀取SPSS的資料，使用read.spss()：
library(foreign)
dv<-read.spss('PP0797B2.sav', use.value.labels=F, to.data.frame=TRUE)
table(dv$Q1)##
## 1 2 3 4 95 96 97 98
## 617 684 443 91 10 57 52 104- 設定use.value.labels=F表示讀取資料時並不會使用資料中原有的變數標記，例如低、中、高教育程度會變成 1、2、3。這樣做的好處是不必把類別變數轉換成數字，壞處則是需要對照原有的資料才能得知每一個值的意義。如果沒有設定 to.data.frame=T，讀取的資料會轉換成列表。請嘗試去掉use.value.labels=F，也就是
read.spss()的內建值。 - read.spss無法指定文字編碼方式。如果嘗試不同編碼得到的都是亂碼，請自行設定變數的標記。以Q1這個變數為例：
dv$Q1n <-c()
dv$Q1n[dv$Q1==1]<-'非常不同意'
dv$Q1n[dv$Q1==2]<-'不同意'
dv$Q1n[dv$Q1==3]<-'同意'
dv$Q1n[dv$Q1==4]<-'非常同意'
dv$Q1n=factor(dv$Q1n, levels=c('非常不同意','不同意','同意','非常同意'))
par(bg='lightblue', family='HanWangWCL07')
barplot(table(dv$Q1n), col='white')
另一個讀取 SPSS 資料的方法是先下載memisc這個套件：
library(memisc)
udata4<-as.data.set(spss.system.file('pp0797B2.sav'))
udata4[1:4, 1:5]##
## Data set with 4 observations and 5 variables
##
## q1 q2 q3 q4 q5
## 1 很難說 同意 不同意 同意 同意
## 2 非常不同意 非常同意 不同意 同意 很難說
## 3 非常不同意 非常同意 非常不同意 非常同意 同意
## 4 同意 同意 不同意 同意 不同意2.5 網路連結資料
Rread.table()可以讀取網路的連結資料，讓使用者方便下載分析。例如idre的資料：
test.missing <- read.table("https://stats.idre.ucla.edu/stat/data/test_missing_comma.txt",
header = TRUE, sep = ",")
head(test.missing)## prgtype gender id ses schtyp level
## 1 general 0 70 4 1 1
## 2 vocati 1 121 4 NA 1
## 3 general 0 86 NA NA 1
## 4 vocati 0 141 4 3 1
## 5 academic 0 172 4 2 1
## 6 academic 0 113 4 2 13 資料匯出
R讓使用者處理資料之後輸出資料，讓其他使用者在其他平台使用。 write.table()可以匯出資料成為txt或是csv格式到指定的目錄，例如載入一個現有的檔案：
vs<-scan('voteshare', comment.char = '#', dec='.')
vs## [1] 55.6 66.1 36.8 65.1 50.9 44.9 48.7 52.4 48.5 53.0 51.9增加新的觀察值在vs資料中，然後匯出資料成為txt檔：
scan('voteshare', comment.char = '#', dec='.')## [1] 55.6 66.1 36.8 65.1 50.9 44.9 48.7 52.4 48.5 53.0 51.9vsnew<-c(vs, 61.9, 31.8, 44.5)
vsnew## [1] 55.6 66.1 36.8 65.1 50.9 44.9 48.7 52.4 48.5 53.0 51.9 61.9 31.8 44.5write.table(vsnew,'vsnew.txt')
read.table('vsnew.txt')## x
## 1 55.6
## 2 66.1
## 3 36.8
## 4 65.1
## 5 50.9
## 6 44.9
## 7 48.7
## 8 52.4
## 9 48.5
## 10 53.0
## 11 51.9
## 12 61.9
## 13 31.8
## 14 44.5或者合併資料，並匯出資料為csv檔：
de<-data.frame(name=state.abb, region=state.region, area=state.area)
region.a<-substr(state.region, 1,1)
region.a## [1] "S" "W" "W" "S" "W" "W" "N" "S" "S" "S" "W" "W" "N" "N" "N" "N" "S"
## [18] "S" "N" "S" "N" "N" "N" "S" "N" "W" "N" "W" "N" "N" "W" "N" "S" "N"
## [35] "N" "S" "W" "N" "N" "S" "N" "S" "S" "W" "N" "S" "W" "S" "N" "W"de <- data.frame(de, region.short=as.factor(region.a))
head(de)## name region area region.short
## 1 AL South 51609 S
## 2 AK West 589757 W
## 3 AZ West 113909 W
## 4 AR South 53104 S
## 5 CA West 158693 W
## 6 CO West 104247 Wwrite.csv(de, 'state.csv', row.names = F)state<-read.csv('state.csv', header=TRUE)
head(state)## name region area region.short
## 1 AL South 51609 S
## 2 AK West 589757 W
## 3 AZ West 113909 W
## 4 AR South 53104 S
## 5 CA West 158693 W
## 6 CO West 104247 W在合併變數成為一個資料框時，最好給定每一個欄位一個變數名稱，以方便日後分析。而在執行write.csv()時，不需要指定分隔的符號，在重新讀取時，也不需要刻意指定，仍然可以匯入正確的資料。
4 常用指令
4.1 管理環境空間
R有 global 這個環境空間中儲存命令列中所建立的任何變數，若要了解 global 環境空間有哪些物件，可以使用globalenv() 這個函數，：
globalenv()## <environment: R_GlobalEnv>ls(envir = globalenv(),10)## [1] "csv1" "csv2" "de" "df"
## [5] "dv" "p" "region.a" "state"
## [9] "students" "test.missing" "udata1" "udata2"
## [13] "udata3" "udata4" "vs" "vsnew"ls()指令回傳在特定環境空間內的物件。
以下介紹與環境空間有關的指令：
attach()：在工作環境中，可以把資料框、向量附加到搜尋的路徑，使得變數對R是直接可見的。但是attach無法儲存更改後的資料，因此要記得匯出資料，或者是用語法紀錄。例如：
head(csv2)## Year budget unit contracter open
## 1 2015 676 水利處 台球 Yes
## 2 2016 673 新建工程處 茂盛 Yes
## 3 2016 270 新建工程處 冠君 Yes
## 4 2016 255 新建工程處 金煌 Yes
## 5 2016 235 新建工程處 聖鋒 Yes
## 6 2016 190 新建工程處 福呈 Noattach(csv2)
contracter## [1] "台球" "茂盛" "冠君" "金煌" "聖鋒" "福呈" "盛吉"
## [8] "茂盛" "冠君" "未發包"contracter[1]<-"未發包"
csv2$contracter[10]<-"台球"
csv2## Year budget unit contracter open
## 1 2015 676 水利處 台球 Yes
## 2 2016 673 新建工程處 茂盛 Yes
## 3 2016 270 新建工程處 冠君 Yes
## 4 2016 255 新建工程處 金煌 Yes
## 5 2016 235 新建工程處 聖鋒 Yes
## 6 2016 190 新建工程處 福呈 No
## 7 2015 155 公園處 盛吉 Yes
## 8 2016 154 新建工程處 茂盛 Yes
## 9 2016 142 新建工程處 冠君 Yes
## 10 2016 123 新建工程處 台球 Yesdetach(csv2)
csv2## Year budget unit contracter open
## 1 2015 676 水利處 台球 Yes
## 2 2016 673 新建工程處 茂盛 Yes
## 3 2016 270 新建工程處 冠君 Yes
## 4 2016 255 新建工程處 金煌 Yes
## 5 2016 235 新建工程處 聖鋒 Yes
## 6 2016 190 新建工程處 福呈 No
## 7 2015 155 公園處 盛吉 Yes
## 8 2016 154 新建工程處 茂盛 Yes
## 9 2016 142 新建工程處 冠君 Yes
## 10 2016 123 新建工程處 台球 Yes上面的例子顯示，如果只是更改向量的元素，而不是更改資料框加上向量的元素，那麼並不會真正改變資料框的內容，而一旦更動，即使detach()該資料集，也會維持其變動。
detach()：從工作環境移除已經附加的資料框、向量，以避免混淆。
rm(list=ls())：從工作環境移除所有的向量、列表、資料框等等。
rm()：刪除特定的向量、列表、資料框等等。
save.image()：儲存環境空間內所有的資料與結果。
load()：下載所有資料與結果。
rm(list=ls()) #remove all data
data(mtcars) #suppose we analyze mtcars
m1<-lm(mpg ~ cyl, data=mtcars) #regression
summary(m1) #results##
## Call:
## lm(formula = mpg ~ cyl, data = mtcars)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.9814 -2.1185 0.2217 1.0717 7.5186
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 37.8846 2.0738 18.27 < 2e-16 ***
## cyl -2.8758 0.3224 -8.92 6.11e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.206 on 30 degrees of freedom
## Multiple R-squared: 0.7262, Adjusted R-squared: 0.7171
## F-statistic: 79.56 on 1 and 30 DF, p-value: 6.113e-10mydata<-data.frame(date=as.Date(c("2018-03-13","2018-03-14","2018-03-15"), format='%Y-%m-%d'), workinghours=c(4, 3, 4)) #create your own data
save.image("test.Rdata") #save all results to Rdata
rm(list=ls()) #remove all data
load("test.Rdata") #load Rdata
ls(envir = globalenv(),10) #display objects in this environment## [1] "m1" "mtcars" "mydata"mydata #diplay your data## date workinghours
## 1 2018-03-13 4
## 2 2018-03-14 3
## 3 2018-03-15 4saveRds()：儲存成RDS
如果只有單一的物件，可以考慮saveRDS()。如果不想儲存原來的物件名稱，也可以考慮saveRDS()。
vs<-scan('voteshare', comment.char = '#', dec='.')
vs## [1] 55.6 66.1 36.8 65.1 50.9 44.9 48.7 52.4 48.5 53.0 51.9vs2<-vs/100
saveRDS(vs, "vs.rds")
saveRDS(vs2, 'vs2.rds')
rm(vs); rm(vs2)
vs<-readRDS('vs.rds')
vs2<-readRDS('vs2.rds')
vs; vs2## [1] 55.6 66.1 36.8 65.1 50.9 44.9 48.7 52.4 48.5 53.0 51.9## [1] 0.556 0.661 0.368 0.651 0.509 0.449 0.487 0.524 0.485 0.530 0.519saveRDS()的優點是雖然一次只儲存一個物件，但是藉由儲存，可以避免新的物件蓋過舊的物件，新舊物件可以並存。
4.2 程式相關
print()：顯示資料框、向量、列表等等，但是無法附加上文字。source()：R可以讀取既有指令的檔案，在不必開啟命令稿的情況下直接執行多行程式，可節省許多篇幅以及時間。例如我們寫一個自訂函數，語法很長，我們先存成一個語法檔，未來可以直接執行。sink("twohistograms.R") #define a new script file cat("set.seed(02138)") #input a function that sets starting number for random number cat("\n") #end of line cat("#write R script to a file without opening a document") cat("\n") #end of line cat("fnorm<-function(mu){ #create a function with a parameter: mu sample.o<-rnorm(20,mu,1/sqrt(mu)) #define the 1st vector that generates random numbers sample.i<-sample.o+runif(1,0,10) #define the 2nd vector that generates random numbers par(mfrow=c(1,2)) #set parameter of graphic for 1*2 graphics hist(sample.o, col=1, main='', #histogram with Basic R xlab='Original sample') hist(sample.i, col=4, main='', #another histogram xlab='Original sample + random number') }") cat("\n") #end of function sink() #save the script in the specified file file.show("twohistograms.R") #Opening an editor to show the script我們建立 fnorm()這個函數，並且存成一個語法檔(“twohistograms.R”)，並且用
file.show()顯示出來。以後就可以執行它。
使用source()函數，執行“twohistograms.R”此一語法檔，產生一個自訂函數，然後輸入參數便可顯示結果。請執行上面的指令之後，自行輸入以下兩行語法：
source("twohistograms.R")
fnorm(1)如果執行成功會看到以下圖形：
確定一下工作目錄的確多了“twohistograms.R”此一語法檔。
with()：當環境空間有一個以上的資料框，為了避免混淆，可以使用該指令進行分析：
library(car)
with(Duncan, histogram(income, col=2))
with(Salaries, histogram(salary, col=6))
注意，該指令不適用於矩陣，例如state.x77。
4.3 資料相關
names()：顯示資料框的變數名稱，例如：
names(mtcars)## [1] "mpg" "cyl" "disp" "hp" "drat" "wt" "qsec" "vs" "am" "gear"
## [11] "carb"注意，該指令不適用於矩陣，例如state.x77。
which()：顯示特定變數。例如，哪些樹的圓周符合條件：
which(Orange$circumference>100)## [1] 4 5 6 7 10 11 12 13 14 18 19 20 21 24 25 26 27 28 32 33 34 35看起來有相當多的樹木胸圍超過100公釐（10公分），但是到底有哪些樹符合這個條件？可應用which()函數加以篩選：
oc<-which(Orange$circumference>100) #create a vector of data that meets a condition
oc## [1] 4 5 6 7 10 11 12 13 14 18 19 20 21 24 25 26 27 28 32 33 34 35Orange[oc,] #match data with the vector## Tree age circumference
## 4 1 1004 115
## 5 1 1231 120
## 6 1 1372 142
## 7 1 1582 145
## 10 2 664 111
## 11 2 1004 156
## 12 2 1231 172
## 13 2 1372 203
## 14 2 1582 203
## 18 3 1004 108
## 19 3 1231 115
## 20 3 1372 139
## 21 3 1582 140
## 24 4 664 112
## 25 4 1004 167
## 26 4 1231 179
## 27 4 1372 209
## 28 4 1582 214
## 32 5 1004 125
## 33 5 1231 142
## 34 5 1372 174
## 35 5 1582 177oc是滿足樹的圓周超過100公釐的觀察值，而以該資料框配對這些觀察值，只留下可以配對的每一列觀察值。
rep(A, n)：重複A數值或者字串n次
rep(3, 5)## [1] 3 3 3 3 3c(rep("大", 3), rep("中", 1), rep("小",2))## [1] "大" "大" "大" "中" "小" "小"seq(i,j)：傳回i到j的連續數字
seq(1,10)## [1] 1 2 3 4 5 6 7 8 9 10seq(100,110, by=2)## [1] 100 102 104 106 108 110seq(i:j)：傳回i到j的順位數字
seq(5:10)## [1] 1 2 3 4 5 6seq(100:110)## [1] 1 2 3 4 5 6 7 8 9 10 114.3.1 字串相關
grep()：傳回字串向量或資料中符合條件的元素或所在的列。例如我們有一個字串是拉脫維亞的程式名稱，我們想知道哪幾個城市有pils這幾個字：
latvija<-c("Daugavpils","Jēkabpils","Jelgava","Liepāja","Rēzekne","Rīga","Valmiera","Ventspils")
grep("pils", latvija)## [1] 1 2 8latvija[grep("pils", latvija)]## [1] "Daugavpils" "Jēkabpils" "Ventspils"還記得之前使用的政府開放資料嗎？假設我們想篩選出「區」的資料：
dat<-read.csv("opendata106N0101.csv", header=T, stringsAsFactors = F)
district<-dat[grep("區", dat$code), ]
head(district, n=3)## code 年底人口數 土地面積 人口密度
## 1 新北市板橋區 551480 23.1373 23835
## 2 新北市三重區 387484 16.3170 23747
## 3 新北市中和區 413590 20.1440 20532可以應用在列表資料，假設我們有一筆資料是電視頻道的屬性：
L <- list(a<-c('lecture', 'movie'), b<-c('Movie channel'), c=c(1:10),
d<-c('movie','food', "news",'car','music'))
match.s<-grep('movie', L) ; match.s ## [1] 1 4 L[grep('movie', L)]## [[1]]
## [1] "lecture" "movie"
##
## [[2]]
## [1] "movie" "food" "news" "car" "music"gsup()：取代符合條件的字串。以上述為例，假設我們想把「臺」一律改為「台」，則可以這樣做：
library(tidyverse)
#dat2 <-dat[grep("臺", dat$code), ]
dat2 <- dat%>% mutate(code=gsub("臺", "台", dat$code))
dat2[grep('台北市', dat2$code), ] ## code 年底人口數 土地面積 人口密度
## 30 台北市松山區 206988 9.2878 22286
## 31 台北市信義區 225753 11.2077 20143
## 32 台北市大安區 309969 11.3614 27283
## 33 台北市中山區 230710 13.6821 16862
## 34 台北市中正區 159608 7.6071 20981
## 35 台北市大同區 129278 5.6815 22754
## 36 台北市萬華區 191850 8.8522 21673
## 37 台北市文山區 274424 31.5090 8709
## 38 台北市南港區 122155 21.8424 5593
## 39 台北市內湖區 287771 31.5787 9113
## 40 台北市士林區 288295 62.3682 4622
## 41 台北市北投區 256456 56.8216 4513substr()：擷取符合起始與結束字元的字串。例如在上述資料中，我們想建立一個縣市的類別變數：
dat<-read.csv("opendata106N0101.csv", header=T, stringsAsFactors = F)
dat2 <- dat%>% mutate(city=substr(dat$code, 1,3))
head(dat2, n=3)## code 年底人口數 土地面積 人口密度 city
## 1 新北市板橋區 551480 23.1373 23835 新北市
## 2 新北市三重區 387484 16.3170 23747 新北市
## 3 新北市中和區 413590 20.1440 20532 新北市sub()或gsub()：取代指定的字串，例如：
country<-c( "United States", "Republic of Kenya", "Republic of Korea")
sub('Republic of', '', country)## [1] "United States" " Kenya" " Korea"因為gsub()會替換所有符合條件的字串，所以比sub()好用，例如：
U<-matrix(c('文殊蘭花與蝴蝶蘭花','茶花','杜鵑花',
'玫瑰花','菊花','蘭花'), nrow=3, ncol=2)
U## [,1] [,2]
## [1,] "文殊蘭花與蝴蝶蘭花" "玫瑰花"
## [2,] "茶花" "菊花"
## [3,] "杜鵑花" "蘭花"sub('蘭花','蘭', U)## [,1] [,2]
## [1,] "文殊蘭與蝴蝶蘭花" "玫瑰花"
## [2,] "茶花" "菊花"
## [3,] "杜鵑花" "蘭"gsub('蘭花','蘭', U)## [,1] [,2]
## [1,] "文殊蘭與蝴蝶蘭" "玫瑰花"
## [2,] "茶花" "菊花"
## [3,] "杜鵑花" "蘭"有時候我們會遇到一些特殊符號，需要一點特殊技巧除去這些符號，例如：
zodiac<-c( "(mouse)", "(ox)", "(tiger)", "(rabbit)", "(dragon)")
zodiac<-sub("\\(","", zodiac)
sub("\\)","", zodiac)## [1] "mouse" "ox" "tiger" "rabbit" "dragon"回到剛剛國家名稱的例子：
country<-c( "United States", "Republic of Kenya", "Republic of Korea")如果我們增加了其他國家，而且要去掉特定的字串，例如去掉“Republic of”，上面的指令要加上^或是$在指定的字串前面或後面，確定我們不會選到有其他文字的字串，例如：
country<-c("People's Republic of China", "Democratic Republic of Congo", "United States",
"Republic of Kenya", "Republic of Korea", "Democratic People's Republic of Korea")
country[grep('^Republic of', country)]## [1] "Republic of Kenya" "Republic of Korea"如果我們想刪掉“Republic of”，可以這樣做：
gsub("^Republic of", "", country)## [1] "People's Republic of China"
## [2] "Democratic Republic of Congo"
## [3] "United States"
## [4] " Kenya"
## [5] " Korea"
## [6] "Democratic People's Republic of Korea"這個表示方式叫做正規表示式。對於其他設定有興趣的同學可參考Larry Lu的網頁。
strsplit()是能夠將一個文字切割成向量的函數，例如：
a <- c("Every day, Customs and Border Protection agents encounter thousands of illegal immigrants trying to enter our country. We are out of space to hold them, and we have no way to promptly return them back home to their country. America proudly welcomes millions of lawful immigrants who enrich our society and contribute to our nation, but all Americans are hurt by uncontrolled illegal migration.")
strsplit(a, split=" ")## [[1]]
## [1] "Every" "day," "Customs" "and"
## [5] "Border" "Protection" "agents" "encounter"
## [9] "thousands" "of" "illegal" "immigrants"
## [13] "trying" "to" "enter" "our"
## [17] "country." "We" "are" "out"
## [21] "of" "space" "to" "hold"
## [25] "them," "and" "we" "have"
## [29] "no" "way" "to" "promptly"
## [33] "return" "them" "back" "home"
## [37] "to" "their" "country." "America"
## [41] "proudly" "welcomes" "millions" "of"
## [45] "lawful" "immigrants" "who" "enrich"
## [49] "our" "society" "and" "contribute"
## [53] "to" "our" "nation," "but"
## [57] "all" "Americans" "are" "hurt"
## [61] "by" "uncontrolled" "illegal" "migration."分割文本為個別的字串後，就可以計算有興趣的文字出現幾次。
cat()：顯示向量以及運算結果，並可以加上文字，並且用“斜線n”參數換行：
x<-c(2,4,6)
cat(x, "\n");## 2 4 6cat("summation:", sum(x), "\n", "average:", mean(x))## summation: 12
## average: 45 作業
請匯入這筆ire的資料hsb2_small(“https://stats.idre.ucla.edu/stat/data/hsb2_small.csv”)，並且顯示該資料的變數名稱。
請使用site=“http://faculty.gvsu.edu/kilburnw/nes2008.RData” 以及load(file=url(site))。由以上指令讀取資料後，請先列出V083097的分佈。然後把這個變數重新編碼為「民主黨」(Democrat)、「共和黨」(Republican)、「獨立」(Independent)、「其他政黨」（Other party (SPECIFY)），然後列出這個變數的次數分配。
請匯出hsb2_small的資料為Text格式以及rds格式。
請匯入2008年的總統選舉資料(2008Election.csv)，並且找出國民黨得票率最高的town.id。（提示：最大值的函數為max()）
請嘗試匯入本週課程所使用的studentsfull檔案，但是這一次用
read.csv()。請列出政府開放資料中的大安區的資料。
請將Studentsfull.txt這筆資料中的Journalism改為Communication，並且顯示修改後屬於Communication的資料。
請問以下文字之中，有多少重複的字？ Now is the time for the Congress to show the world that America is committed to ending illegal immigration and putting the ruthless coyotes, cartels, drug dealers, and human traffickers out of business
某同學有如下的資料，
db <- tibble(salary=c('42,000','55,000','45,000','66,000', '65,000'), years=c(3,4,3,5,5), bonus=c(5000,4000,5000,6000,5000))
db## # A tibble: 5 x 3
## salary years bonus
## <chr> <dbl> <dbl>
## 1 42,000 3 5000
## 2 55,000 4 4000
## 3 45,000 3 5000
## 4 66,000 5 6000
## 5 65,000 5 5000請幫忙他去除第一個變數的千位符號。