R语言数据预处理

R语言数据预处理

一、日期时间、字符串的处理

日期

Date: 日期类，年与日

POSIXct: 日期时间类，精确到秒，用数字表示

POSIXlt: 日期时间类，精确到秒，用列表表示

Sys.date(), date(), difftime(), ISOdate(), ISOdatetime()

#得到当前日期时间

(d1=Sys.Date()) #日期 年月日

(d3=Sys.time()) #时间 年月日时分秒 通过format输出指定格式的时间

(d2=date()) #日期和时间 年月日时分秒 "Fri Aug 20 11:11:00 1999"

myDate=as.Date(\'2007-08-09\')

class(myDate) #Date

mode(myDate) #numeric

#日期转字符串

as.character(myDate)

birDay=c(\'01/05/1986\',\'08/11/1976\') #

dates=as.Date(birDay,\'%m/%d/%Y\') #向量化运算，对向量进行转换

dates

# %d 天 (01~31)

# %a 缩写星期(Mon)

# %A 星期(Monday)

# %m 月份(00~12)

# %b 缩写的月份(Jan)

# %B 月份(January)

# %y 年份(07)

# %Y 年份(2007)

# %H 时

# %M 分

# %S 秒

td=Sys.Date()

format(td,format=\'%B %d %Y %s\')

format(td,format=\'%A,%a \')

format(Sys.time(), \'%H %h %M %S %s\')

#日期转换成数字

as.integer(Sys.Date()) #自1970年1月1号至今的天数

as.integer(as.Date(\'1970-1-1\')) #0

as.integer(as.Date(\'1970-1-2\')) #1

sdate=as.Date(\'2004-10-01\')

edate=as.Date(\'2010-10-22\')

days=edate-sdate

days #时间类型相互减，结果显示相差的天数

ws=difftime(Sys.Date(),as.Date(\'1956-10-12\'),units=\'weeks\') #可以指定单位

#把年月日拼成日期

(d=ISOdate(2011,10,2));class(d) #ISOdate 的结果是POSIXct

as.Date(ISOdate(2011,10,2)) #将结果转换为Date

ISOdate(2011,2,30) #不存在的日期 结果为NA

#批量转换成日期

years=c(2010,2011,2012,2013,2014,2015)

months=1

days=c(15,20,21,19,30,3)

as.Date(ISOdate(years,months,days))

#提取日期时间的一部分

p=as.POSIXlt(Sys.Date())

p=as.POSIXlt(Sys.time())

Sys.Date()

Sys.time()

p$year 1900 #年份需要加1900

p$mon 1 #月份需要加1

p$mday

p$hour

p$min

p$sec

字符串处理

nchar() 、length()

paste()、outer()

substr()、strsplit()

sub()、gsub()、grep()、regexpr()、grepexpr()

#字符串

x=\'hello\rwold\n\'

cat(x) #woldo hello遇到\r光标移到头接着打印wold覆盖了之前的hell变成woldo

print(x) #

#字符串长度

nchar(x) #字符串长度

length(x) #1 向量中元素的个数

#字符串拼接

board=paste(\'b\',1:4,sep=\'-\') #"b-1" "b-2" "b-3" "b-4"

board

mm=paste(\'mm\',1:3,sep=\'-\') #"mm-1" "mm-2" "mm-3"

mm

outer(board,mm,paste,sep=\':\') #向量的外积

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

#[1,] "b-1:mm-1" "b-1:mm-2" "b-1:mm-3"

#[2,] "b-2:mm-1" "b-2:mm-2" "b-2:mm-3"

#[3,] "b-3:mm-1" "b-3:mm-2" "b-3:mm-3"

#[4,] "b-4:mm-1" "b-4:mm-2" "b-4:mm-3"

#拆分提取

board

substr(board,3,3) #子串

strsplit(board,\'-\',fixed=T) #拆分

#修改

sub(\'-\',\'.\',board,fixed=T) #修改指定字符

board

mm #"mm-1" "mm-2" "mm-3"

sub(\'m\',\'p\',mm) #替换第一个匹配项 "pm-1" "pm-2" "pm-3"

gsub(\'m\',\'p\',mm) #替换全部匹配项 "pp-1" "pp-2" "pp-3"

#查找

mm=c(mm, \'mm4\') #"mm-1" "mm-2" "mm-3" "mm4"

mm

grep(\'-\',mm) #1 2 3 向量中1,2,3包含\'-\'

regexpr(\'-\',mm) #匹配成功会返回位置信息，没有找到则返回-1

二、数据预处理

保证数据质量

准确性

完整性

一致性

冗余性

时效性

...

1、提取有效数据，需要业务人员配合（主观），及相关的技术手段保障

2、了解数据定义，统一对数据定义的理解

...

数据集成 : 对多数据源进行整合

数据转换 :

数据清洗 : 异常数据，缺失数据

数据约简 : 提炼，行，列

三、数据集成

通过merge对数据进行集成

#数据集成

#merge pylr::join (包::函数)

(customer = data.frame(北京",3),rep("上海",3))))

(ol = data.frame(IPhone\',\'Vixo\',\'mi\',\'Note2\')))

merge(customer,ol,by=(\'Id\')) #inner join

merge(customer,ol,by=(\'Id\'),all=T) # full join

merge(customer,ol,by=(\'Id\'),all.x=T) # left outer join 左链接，左边数据都在

merge(customer,ol,by=(\'Id\'),all.y=T) # right outer join 右链接，右边数据都在

#union 去重 在df1 和df2 有相同的列名称下

(df1=data.frame(Zhang\',seq(0,by=3,length=5))))

(df2=data.frame(Zhang\',seq(0,by=4,length=4))))

rbind(df1,df2)数据分析师培训

merge(df1,df2,all=T) #去重,不使用by

merge(df1,df2,by=(\'id\')) #重名的列会被更改显示

四、数据转换

构造属性

规范化（极差化、标准化）

离散化

改善分布