R語言data manipulation學習筆記之subset data

taoyan：R語言中文社群特約作家，偽碼農，R語言愛好者，愛開源。

個人部落格: https://ytlogos.github.io/

公眾號：生信大講堂

往期回顧

R語言視覺化學習筆記之相關矩陣視覺化包ggcorrplot

R語言學習筆記之相關性矩陣分析及其視覺化

ggplot2學習筆記系列之利用ggplot2繪製誤差棒及顯著性標記

ggplot2學習筆記系列之主題（theme）設定

用circlize包繪製circos-plot

利用gganimate視覺化R-Ladies發展情況

一篇關於國旗與奧運會獎牌的視覺化筆記

利用ggseqlogo繪製seqlogo圖

R語言data manipulation學習筆記之建立變數、重新命名、資料融合

資料分析過程中我們常常需要從資料集中抽取部分資料，本文將介紹如何提取子資料集，主要利用R自帶的函式，以後會專門介紹data manipulation包dplyr。 提取子資料集主要分為select以及exclude，這裡主要介紹兩種方法，一是利用操作符[]進行選取，二是利用subset()進行抽取。

利用[]進行提取

#use the iris dataset

head(iris)

## Sepal.Length Sepal.Width Petal.Length Petal.Width Species

## 1   5.1          3.5          1.4        0.2       setosa

## 2   4.9          3.0          1.4        0.2       setosa

## 3   4.7          3.2          1.3        0.2       setosa

## 4   4.6          3.1          1.5        0.2       setosa

## 5   5.0          3.6          1.4        0.2       setosa

## 6   5.4          3.9          1.7        0.4       setosa

# check the column namenames(iris)

## [1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width"  "Species"

加入我們想要提取Sepal.Length、Sepal.Width兩列資料，可以使用如下程式碼：

dt1 <- iris[, c("Sepal.Length","Sepal.Width")]head(dt1)

##   Sepal.Length Sepal.Width

## 1      5.1         3.5

## 2      4.9         3.0

## 3      4.7         3.2

## 4      4.6         3.1

## 5      5.0         3.6

## 6      5.4         3.9

#也可以直接用列序號代替，比如這裡我們想要提要前兩列

dt2 <- iris[, c(1, 2)]head(dt2)

##   Sepal.Length Sepal.Width

## 1      5.1         3.5

## 2      4.9         3.0

## 3      4.7         3.2

## 4      4.6         3.1

## 5      5.0         3.6

## 6      5.4         3.9

如果我們需要刪除前兩列，只需在序號之前新增符號 - 就行

dt3 <- iris[, c(-1, -2)]head(dt3)

##   Petal.Length Petal.Width Species

## 1     1.4          0.2      setosa

## 2     1.4          0.2      setosa

## 3     1.3          0.2      setosa

## 4     1.5          0.2      setosa

## 5     1.4          0.2      setosa

## 6     1.7          0.4      setosa

可以看出十分簡單就可以提取子資料集，下面介紹subset()，subset()相比於[]主要是可以方便的根據條件提取子資料集。

利用subset()進行提取

#create a dataset

fy <- c(2010,2011,2012,2010,2011,2012,2010,2011,2012)

company <- c("Apple","Apple","Apple","Google","Google","Google","Microsoft","Microsoft","Microsoft")

revenue <- c(65225,108249,156508,29321,37905,50175,62484,69943,73723)

profit <- c(14013,25922,41733,8505,9737,10737,18760,23150,16978)

companiesData <- data.frame(fy, company, revenue, profit)

head(companiesData)

##    fy company revenue profit

## 1 2010 Apple   65225 14013

## 2 2011 Apple   108249 25922

## 3 2012 Apple   156508 41733

## 4 2010 Google   29321 8505

## 5 2011 Google   37905 9737

## 6 2012 Google   50175 10737

假如我們想要提取revenue超過十萬的公司

com1 <- subset(companiesData, revenue>100000)

head(com1)

##    fy company revenue profit

## 2 2011 Apple   108249 25922

## 3 2012 Apple   156508 41733

或者我們想要提取在2012年revenue超過6萬的公司

com2 <- subset(companiesData, fy=="2012"&revenue>60000)

head(com2)

##    fy  company  revenue profit

## 3 2012 Apple     156508 41733

## 9 2012 Microsoft  73723 16978

或者提取在2012年revenue超過6萬、profit超過4萬的公司

com3 <- subset(companiesData, fy=="2012"&revenue>60000&profit>40000)

com3

##    fy company revenue profit

## 3 2012 Apple 156508 41733

條件選擇也可以使用或，比如我們想要提取profit超過2萬或者revenue低於5萬的公司

com4 <- subset(companiesData, revenue<50000|profit>20000)

com4

##    fy company   revenue profit

## 2 2011 Apple     108249 25922

## 3 2012 Apple     156508 41733

## 4 2010 Google    29321 8505

## 5 2011 Google    37905 9737

## 8 2011 Microsoft 69943 23150

本文只是粗略的講解，其實subset()的用法很廣，有興趣的朋友可以自行探索。

SessionInfo

sessionInfo()

## R version 3.4.0 (2017-04-21)

## Platform: x86_64-pc-linux-gnu (64-bit)

## Running under: Ubuntu 16.04.2 LTS

##

## Matrix products: default

## BLAS: /usr/lib/atlas-base/atlas/libblas.so.3.0

## LAPACK: /usr/lib/atlas-base/atlas/liblapack.so.3.0

##

## locale:

## [1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C

## [3] LC_TIME=en_US.UTF-8 LC_COLLATE=en_US.UTF-8

## [5] LC_MONETARY=en_US.UTF-8 LC_MESSAGES=en_US.UTF-8

## [7] LC_PAPER=en_US.UTF-8 LC_NAME=C

## [9] LC_ADDRESS=C LC_TELEPHONE=C

## [11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C

##

## attached base packages:

## [1] stats graphics grDevices utils datasets methods base

##

## loaded via a namespace (and not attached):

## [1] compiler_3.4.0 backports_1.1.0 magrittr_1.5 rprojroot_1.2

## [5] tools_3.4.0 htmltools_0.3.6 yaml_2.1.14 Rcpp_0.12.11

## [9] stringi_1.1.5 rmarkdown_1.6 knitr_1.16 stringr_1.2.0

## [13] digest_0.6.12 evaluate_0.10.1

2017年R語言發展報告（國內）

R語言中文社群歷史文章整理（作者篇）

R語言中文社群歷史文章整理（型別篇）

公眾號後臺回覆關鍵字即可學習

回覆 R                  R語言快速入門及資料探勘 
回覆 Kaggle案例  Kaggle十大案例精講（連載中）
回覆 文字挖掘      手把手教你做文字挖掘
回覆 視覺化          R語言視覺化在商務場景中的應用 
回覆 大資料         大資料系列免費視訊教程 
回覆 量化投資      張丹教你如何用R語言量化投資 
回覆 使用者畫像      京東大資料，揭祕使用者畫像
回覆 資料探勘     常用資料探勘演算法原理解釋與應用
回覆 機器學習     人工智慧系列之機器學習與實踐
回覆 爬蟲            R語言爬蟲實戰案例分享