數據分析過程中我們常常需要從數據集中抽取部分數據，本文將介紹如何提取子數據集，主要利用R自帶的函數，以后會專門介紹data manipulation包dplyr。 提取子數據集主要分為select以及exclude，這里主要介紹兩種方法，一是利用操作符[]進行選取，而是利用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兩列數據，可以使用如下代碼：
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，比如這里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，只需在序號之前添加符號 - 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數據集，下面介紹subset()
，subset()相比于[]主要是可以方便的根據條件提取子數據集。
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低于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
```