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(Id=c(1:6),State=c(rep("北京",3),rep("上海",3))))
(ol = data.frame(Id=c(1,4,6,7),Product=c('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(id=seq(0,by=3,length=5),name=paste('Zhang',seq(0,by=3,length=5))))
(df2=data.frame(id=seq(0,by=4,length=4),name=paste('Zhang',seq(0,by=4,length=4))))

rbind(df1,df2)

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