R Cheat Sheet (12): Looking at Data

Author: nex3z 2015-05-10

当拿到一个新的数据集时，首先要做的是检查一下数据，数据的格式是怎样的？有几个维度？有哪些变量？变量是如何存储的？有哪些丢失的数据？数据中是否有瑕疵？本节主要内容是使用R的内建函数解答以上问题。

本节中使用的数据集来自United States Department of Agriculture’s PLANTS Database (http://plants.usda.gov/adv_search.html)。

读入plants，检查其类型：

> class(plants)
[1] "data.frame"

检查其维度尺寸：

> dim(plants)
[1] 5166   10

其中5166为行数（观测），10为列数（变量）。也可以使用nrow() 和ncol() 来单独查看行列数量：

> nrow(plants)
[1] 5166
> ncol(plants)
[1] 10

使用object.size() 可以查看参数对象所占用的内存空间：

> object.size(plants)
644232 bytes

使用names() 可以查看数据集中各个变量的名称：

> names(plants)
 [1] "Scientific_Name"      "Duration"            
 [3] "Active_Growth_Period" "Foliage_Color"       
 [5] "pH_Min"               "pH_Max"              
 [7] "Precip_Min"           "Precip_Max"          
 [9] "Shade_Tolerance"      "Temp_Min_F"

下一步应当查看一下具体的数据。整个数据集包含5000条以上的观测结果，我们不可能把这些数据一次看完。head() 函数可以给出数据集的开头几行以供预览：

> head(plants)
               Scientific_Name          Duration Active_Growth_Period Foliage_Color pH_Min pH_Max Precip_Min
1                  Abelmoschus              <NA>                 <NA>          <NA>     NA     NA         NA
2       Abelmoschus esculentus Annual, Perennial                 <NA>          <NA>     NA     NA         NA
3                        Abies              <NA>                 <NA>          <NA>     NA     NA         NA
4               Abies balsamea         Perennial    Spring and Summer         Green      4      6         13
5 Abies balsamea var. balsamea         Perennial                 <NA>          <NA>     NA     NA         NA
6                     Abutilon              <NA>                 <NA>          <NA>     NA     NA         NA
  Precip_Max Shade_Tolerance Temp_Min_F
1         NA            <NA>         NA
2         NA            <NA>         NA
3         NA            <NA>         NA
4         60        Tolerant        -43
5         NA            <NA>         NA
6         NA            <NA>         NA

head() 函数默认给出前6行数据，但也可以通过参数指定显示的行数，如使用head(plants, 10) 可以得到前10行数据。

与 head() 相对，tail() 函数可以显示数据集的末尾几行：

> tail(plants, 7)
      Scientific_Name  Duration Active_Growth_Period Foliage_Color pH_Min pH_Max Precip_Min Precip_Max
5160     Zizia aptera Perennial                 <NA>          <NA>     NA     NA         NA         NA
5161      Zizia aurea Perennial                 <NA>          <NA>     NA     NA         NA         NA
5162 Zizia trifoliata Perennial                 <NA>          <NA>     NA     NA         NA         NA
5163          Zostera      <NA>                 <NA>          <NA>     NA     NA         NA         NA
5164   Zostera marina Perennial                 <NA>          <NA>     NA     NA         NA         NA
5165           Zoysia      <NA>                 <NA>          <NA>     NA     NA         NA         NA
5166  Zoysia japonica Perennial                 <NA>          <NA>     NA     NA         NA         NA
     Shade_Tolerance Temp_Min_F
5160            <NA>         NA
5161            <NA>         NA
5162            <NA>         NA
5163            <NA>         NA
5164            <NA>         NA
5165            <NA>         NA
5166            <NA>         NA

使用summary() 可以得到数据集的概要信息：

> summary(plants)
                     Scientific_Name              Duration              Active_Growth_Period
 Abelmoschus                 :   1   Perennial        :3031   Spring and Summer   : 447     
 Abelmoschus esculentus      :   1   Annual           : 682   Spring              : 144     
 Abies                       :   1   Annual, Perennial: 179   Spring, Summer, Fall:  95     
 Abies balsamea              :   1   Annual, Biennial :  95   Summer              :  92     
 Abies balsamea var. balsamea:   1   Biennial         :  57   Summer and Fall     :  24     
 Abutilon                    :   1   (Other)          :  92   (Other)             :  30     
 (Other)                     :5160   NA's             :1030   NA's                :4334     
      Foliage_Color      pH_Min          pH_Max         Precip_Min      Precip_Max         Shade_Tolerance
 Dark Green  :  82   Min.   :3.000   Min.   : 5.100   Min.   : 4.00   Min.   : 16.00   Intermediate: 242  
 Gray-Green  :  25   1st Qu.:4.500   1st Qu.: 7.000   1st Qu.:16.75   1st Qu.: 55.00   Intolerant  : 349  
 Green       : 692   Median :5.000   Median : 7.300   Median :28.00   Median : 60.00   Tolerant    : 246  
 Red         :   4   Mean   :4.997   Mean   : 7.344   Mean   :25.57   Mean   : 58.73   NA's        :4329  
 White-Gray  :   9   3rd Qu.:5.500   3rd Qu.: 7.800   3rd Qu.:32.00   3rd Qu.: 60.00                      
 Yellow-Green:  20   Max.   :7.000   Max.   :10.000   Max.   :60.00   Max.   :200.00                      
 NA's        :4334   NA's   :4327    NA's   :4327     NA's   :4338    NA's   :4338                        
   Temp_Min_F    
 Min.   :-79.00  
 1st Qu.:-38.00  
 Median :-33.00  
 Mean   :-22.53  
 3rd Qu.:-18.00  
 Max.   : 52.00  
 NA's   :4328

对于不同的数据类型，summary() 会给出不同的结果。如对于Precip_Min 这样的数值型变量，summary() 给出了Min.（minimum）、1st Qu（1st quartile）、Median、Mean、3rd Qu（3rd Qu）和Max.（maximum）几项，便于我们了解数据的分布。对于factor，summary() 给出了每一种值出现的次数，如Scientific_Name 的每一种值均只出现了一次，因为科学名称其对于每一种特定植物是唯一的。注意有些变量的summary被截断了，因为它们太长了，未显示的数据都被放在(Other) 里面。

使用table() 可以查看某一变量的各种取值都出现了多少次：

> table(plants$Active_Growth_Period)

Fall, Winter and Spring                  Spring         Spring and Fall       Spring and Summer 
                     15                     144                      10                     447 
   Spring, Summer, Fall                  Summer         Summer and Fall              Year Round 
                     95                      92                      24                       5

str() 可能是查看数据集最有用和简明的方法了，它能够以简明可读的形式，给出数据集的诸多特征：

> str(plants)
'data.frame':   5166 obs. of  10 variables:
 $ Scientific_Name     : Factor w/ 5166 levels "Abelmoschus",..: 1 2 3 4 5 6 7 8 9 10 ...
 $ Duration            : Factor w/ 8 levels "Annual","Annual, Biennial",..: NA 4 NA 7 7 NA 1 NA 7 7 ...
 $ Active_Growth_Period: Factor w/ 8 levels "Fall, Winter and Spring",..: NA NA NA 4 NA NA NA NA 4 NA ...
 $ Foliage_Color       : Factor w/ 6 levels "Dark Green","Gray-Green",..: NA NA NA 3 NA NA NA NA 3 NA ...
 $ pH_Min              : num  NA NA NA 4 NA NA NA NA 7 NA ...
 $ pH_Max              : num  NA NA NA 6 NA NA NA NA 8.5 NA ...
 $ Precip_Min          : int  NA NA NA 13 NA NA NA NA 4 NA ...
 $ Precip_Max          : int  NA NA NA 60 NA NA NA NA 20 NA ...
 $ Shade_Tolerance     : Factor w/ 3 levels "Intermediate",..: NA NA NA 3 NA NA NA NA 2 NA ...
 $ Temp_Min_F          : int  NA NA NA -43 NA NA NA NA -13 NA ...