R语言学习笔记之subset data

作者简介Introduction
taoyan：R语言中文社区特约作家，伪码农，R语言爱好者，爱开源。
个人博客: https://ytlogos.github.io/
公众号：生信大讲堂

数据分析过程中我们常常需要从数据集中抽取部分数据，本文将介绍如何提取子数据集，主要利用R自带的函数，以后会专门介绍data manipulation包dplyr。 提取子数据集主要分为select以及exclude，这里主要介绍两种方法，一是利用操作符[]进行选取，二是利用subset()进行抽取。

利用[]进行提取

#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"

加入我们想要提取Sepal.Length、Sepal.Width两列数据，可以使用如下代码：

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
#也可以直接用列序号代替，比如这里我们想要提要前两列
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

如果我们需要删除前两列，只需在序号之前添加符号 - 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

可以看出十分简单就可以提取子数据集，下面介绍subset()，subset()相比于[]主要是可以方便的根据条件提取子数据集。

利用subset()进行提取

#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

假如我们想要提取revenue超过十万的公司

com1 <- subset(companiesData, revenue>100000)
head(com1)
## fy company revenue profit
## 2 2011 Apple 108249 25922
## 3 2012 Apple 156508 41733

或者我们想要提取在2012年revenue超过6万的公司

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超过6万、profit超过4万的公司

com3 <- subset(companiesData, fy=="2012"&revenue>60000&profit>40000)
com3
## fy company revenue profit
## 3 2012 Apple 156508 41733

条件选择也可以使用或，比如我们想要提取profit超过2万或者revenue低于5万的公司

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

本文只是粗略的讲解，其实subset()的用法很广，有兴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