fLoc <- "https://cpcheng.neocities.org/Rbook/01/data/Quality_of_Life.txt"dta <- read.table(file = fLoc, header = TRUE)class(dta)## [1] "data.frame"#看看dta維度：多少行、多少欄
```r
dim(dta)## [1] 2077 7#利用names看看變項名稱
names(dta)## [1] "性別" "教育" "年齡" "視力" "聽力" "移動" "溝通"#看前六筆
head(dta)## 性別 教育 年齡 視力 聽力 移動 溝通
## 1 女 專科 56到60歲 1.00 1.33 1.2 1.0
## 2 女 大學 66到70歲 1.00 1.33 1.2 1.5
## 3 男 大學 76到80歲 1.00 1.33 1.0 1.0
## 4 女 專科 81歲以上 2.67 2.00 1.0 1.0
## 5 男 專科 71到75歲 1.67 2.33 1.0 1.0
## 6 女 大學 56到60歲 1.00 1.00 1.0 1.0#看後六筆
tail(dta)## 性別 教育 年齡 視力 聽力 移動 溝通
## 2072 女 大學 61到65歲 1.00 1.00 1.00 1.0
## 2073 女 高中 56到60歲 1.00 1.33 1.25 1.0
## 2074 女 高中 66到70歲 1.67 1.00 1.60 1.5
## 2075 女 專科 71到75歲 1.00 1.00 2.00 1.0
## 2076 男 初中 66到70歲 1.00 1.00 1.00 1.0
## 2077 女 初中 81歲以上 1.00 1.00 1.38 1.0#看前十筆
head(dta, 10)## 性別 教育 年齡 視力 聽力 移動 溝通
## 1 女 專科 56到60歲 1.00 1.33 1.20 1.0
## 2 女 大學 66到70歲 1.00 1.33 1.20 1.5
## 3 男 大學 76到80歲 1.00 1.33 1.00 1.0
## 4 女 專科 81歲以上 2.67 2.00 1.00 1.0
## 5 男 專科 71到75歲 1.67 2.33 1.00 1.0
## 6 女 大學 56到60歲 1.00 1.00 1.00 1.0
## 7 男 專科 76到80歲 1.00 1.33 1.00 1.0
## 8 女 專科 81歲以上 3.67 1.33 2.33 1.0
## 9 女 小學 56到60歲 1.33 1.00 1.20 1.0
## 10 女 專科 56到60歲 1.00 1.00 1.00 1.0#看看第一列第一欄對應資料
dta[1, 1]## [1] "女"這是類別資料
#看看第九列，這是資料框架
class(dta[9, ])## [1] "data.frame"#看看第一欄，這「不是」資料框架，是類別資料
class(dta[,1])## [1] "character"#前者是類別變項，後者是資料框架
class(dta[,'教育'])## [1] "character"class(dta['教育'])## [1] "data.frame"#還是資料框架
class(dta[5:7, c('視力','聽力')])## [1] "data.frame"檢視資料結構
str(dta)## 'data.frame': 2077 obs. of 7 variables:
## $ 性別: chr "女" "女" "男" "女" ...
## $ 教育: chr "專科" "大學" "大學" "專科" ...
## $ 年齡: chr "56到60歲" "66到70歲" "76到80歲" "81歲以上" ...
## $ 視力: num 1 1 1 2.67 1.67 1 1 3.67 1.33 1 ...
## $ 聽力: num 1.33 1.33 1.33 2 2.33 1 1.33 1.33 1 1 ...
## $ 移動: num 1.2 1.2 1 1 1 1 1 2.33 1.2 1 ...
## $ 溝通: num 1 1.5 1 1 1 1 1 1 1 1 ...看看類別變項的屬性，有五個level的categorical variable
attributes(dta[, "教育"])## NULL將變項的attribute改變
dta[,1:3] <- lapply(dta[, 1:3], factor)用table指令檢視類別變項分佈
table(dta[, "教育"])##
## 大學 小學 初中 高中 專科
## 466 107 163 188 1153將類別變項轉成數值變項，再利用table檢視之
table(as.numeric(dta[, '教育']))##
## 1 2 3 4 5
## 466 107 163 188 1153summary是常用指令(command)，使用在不同的物件(object)上，有不同的結果
當summary用在data frame
summary(dta['教育'])## 教育
## 大學: 466
## 小學: 107
## 初中: 163
## 高中: 188
## 專科:1153當summary出現在類別變項前
summary(dta[,'教育'])## 大學 小學 初中 高中 專科
## 466 107 163 188 1153還記得class這個指令嗎？
#這一個
class(dta[,'視力'])## [1] "numeric"#另一個
class(dta['視力'])## [1] "data.frame"#當class加上指令t(轉置矩陣)，於是資料框架被轉成矩陣了
class(t(dta['視力']))## [1] "matrix" "array"平均數的兩種寫法
#第一個很直接，只是如果有遺漏值就麻煩了
dta$功能 <- (dta$聽力 + dta$移動 + dta$溝通)/3;head(dta$功能)## [1] 1.176667 1.343333 1.110000 1.333333 1.443333 1.000000#第二個則可以警告是否有遺漏值
tail(dta$功能 <- rowMeans(dta[, 5:7]))## [1] 1.000000 1.193333 1.366667 1.333333 1.000000 1.126667#summary指令又出現了
summary(dta)## 性別 教育 年齡 視力 聽力
## 女:1201 大學: 466 56到60歲:393 Min. :1.000 Min. :1.000
## 男: 876 小學: 107 61到65歲:456 1st Qu.:1.000 1st Qu.:1.000
## 初中: 163 66到70歲:383 Median :1.000 Median :1.000
## 高中: 188 71到75歲:283 Mean :1.208 Mean :1.302
## 專科:1153 76到80歲:217 3rd Qu.:1.330 3rd Qu.:1.330
## 81歲以上:345 Max. :4.000 Max. :4.000
## 移動 溝通 功能
## Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000
## Median :1.000 Median :1.000 Median :1.133
## Mean :1.515 Mean :1.078 Mean :1.298
## 3rd Qu.:1.800 3rd Qu.:1.000 3rd Qu.:1.467
## Max. :4.000 Max. :4.000 Max. :4.000標準差的計算
sd(dta$功能)## [1] 0.3663786#再來認識一個新的指令－with
with(dta, sd(功能))## [1] 0.3663786安裝與載入
install.packages("moments", repos='https://cran.rstudio.com/')## 將程式套件安載入 'C:/Users/user/Documents/R/win-library/4.1'
## (因為 'lib' 沒有被指定)## package 'moments' successfully unpacked and MD5 sums checked
##
## The downloaded binary packages are in
## C:\Users\user\AppData\Local\Temp\RtmpiQ5d1K\downloaded_packageslibrary(moments)## Warning: 套件 'moments' 是用 R 版本 4.1.1 來建造的計算偏態
with(dta, skewness(功能))## [1] 1.710658一次計算所有變項的平均數
sapply(dta[, -c(1:3)], mean)## 視力 聽力 移動 溝通 功能
## 1.208199 1.301815 1.515315 1.077756 1.298296Conditional means
aggregate(cbind(視力, 聽力, 移動, 溝通) ~ 教育, data = dta, mean)## 教育 視力 聽力 移動 溝通
## 1 大學 1.141953 1.243047 1.262339 1.036481
## 2 小學 1.401402 1.294299 1.913178 1.172897
## 3 初中 1.355153 1.480061 1.890982 1.180982
## 4 高中 1.242660 1.423351 1.704096 1.103723
## 5 專科 1.190650 1.281249 1.496748 1.066782