在实际分析数据之前，必须对数据进行清理和转化，使数据符合相应的格式，提高数据的质量。数据处理通常包括增加新的变量、处理缺失值、类型转换、数据排序、数据集的合并和获取子集等。
一，增加新的变量
通常需要根据数据框中的现有列，按照特定的公式、业务逻辑，向数据框中新增变量，常用的操作符是：
- 算术运算符是：+ - * /，求模（%%），整除（%/%），
- 比较运算符是：不等是 !=，相等是 ==，
- 逻辑运算符与（&）、或（|）和非（!）。
举个例子，有数据框mydata
mydata<-data.frame(x1=c(2,2,6,4),x2=c(3,4,2,8))
向数据框增加新的变量，通常的做法是：
attach(mydata) mydata$sumx<-x1+x2 mydata$meanx<-(x1+x2)/2 detach(mydata)
另外一个做法是使用transform()函数，该函数只用于数据框：
mydata<- transform(mydata ,sumx=x1+x2 ,meanx=(x1+x2)/2)
二，对现有变量重新编码
重新编码是根据一个变量或其他多个变量的现有值，对现有的变量重新赋值，常用于把错误的值替换为正确值。重编码语句是：
variable[condition] <- expression
该语句仅在condition的值为TRUE时，执行赋值操作：
mydata$x1[ mydata$x1<3 ]<- 1
也可以使用更为紧凑的写法
mydata<-within(mydata,{x1[x1<3]<- 1})
三，变量的重命名
查看数据框的变量名，函数names(df)返回变量名的向量：
names(mydata)
重命名现有的变量名，
names(df)[index] <- "new name" names(df)[start:end] <- c("new name"....)
plyr包中有一个rename()函数，可用于修改数据框的变量名，rename()函数的使用格式为：
rename(df,c(colname="newname",colname="newname",...))
四，数据框的变量存在缺失值
缺失值是指不可用值，以符号NA表示，缺失值是不可比较的，只能使用is.na()检查是否存在缺失值，通过函数na.omit()移除所有含有缺失值的观测。
dataset<-within(dataset,{var1<- ifelse(is.na(var1),0,var1)})
dataset<-na.omit(dataset)
举个例子，创建4行3列的矩阵m，并转换为数据框：
> d <-data.frame(matrix(sample(c(NA, 1:4), 12, replace = TRUE), 4)) > d X1 X2 X3 1 NA 4 1 2 1 2 NA 3 1 4 2 4 NA NA 4
1，把变量的缺失值替换为默认值
替换数据框中变量X1的缺失值，使用within()函数，不会修改数据框的数据，需要把函数返回的结果重新赋值给d对象：
> d <- within(d,{X1[is.na(X1)] <-0})
> d
X1 X2 X3
1 0 4 1
2 1 2 NA
3 1 4 2
4 0 NA 4
2，当变量出现缺失值时，移除观测
使用函数 na.omit()，用于把数据框中变量为NA的观测移除，处理的结果中不任意一个观测中都不包含NA的变量值
> d <- na.omit(d) > d X1 X2 X3 1 0 4 1 3 1 4 2
五，数据排序
对数据框进行排序，常用的函数是order()，默认的排序方向是升序，在排序变量前边加一个减号，按照降序方向排序。
该函数返回的结果是特定变量在数据框中的行序号序列，行序号按照升序或降序排列。
举个例子，创建一个数据框d：
> d <-data.frame(matrix(sample(c(1:6), 12, replace = TRUE), 4)) > d X1 X2 X3 1 2 1 4 2 4 4 6 3 2 4 2 4 2 2 5
按照数据框的变量X3，获取观测的升序排列，依次为：序号为3的观测、序号为1的观测、序号为4的观测和序号为2的观测
> order(d$X3) [1] 3 1 4 2
按照观测的序号的排列，从数据框中按照行序号重新获取数据，就得到按照变量X3升序的有序结果：
> d[order(d$X3),,] X1 X2 X3 3 2 4 2 1 2 1 4 4 2 2 5 2 4 4 6
可以把排序操作写的更紧凑点：
dataset = dataset[with(dataset, order(var1, -var2)), , ...]
六，数据集的合并
把两个数据集合并为一个，这涉及到向数据框中添加列，向数据框中添加行。
1，向数据框中添加列
向数据框中添加列，可以使用merge()函数，也可以使用cbind()函数，这两个函数的区别是：
- cbind()函数是根据列进行合并，合并的前提是每个对象拥有相同的行数，以相同的顺序排序。
- merge()函数是根据列进行合并，该函数的功能类型关系型数据库的Join命令，不同要求每个对象拥有相同的行数，使用灵活。
Merge函数的语法定义：
merge(x, y, by = intersect(names(x), names(y)), by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all, sort = TRUE, suffixes = c(".x",".y"), incomparables = NULL, ...)
参数注释：
- x,y：是进行合并的两个数据框对象；
- by：按照两个对象的名称相同的列进行合并；
- by.x，by.y：分别指定x对象和y对象匹配的列名；
- all：对于不满足匹配条件时，是否保留列值；如果设置为FALSE，那么相当于INNER JOIN命令，返回的结果集只保留匹配成功的数据行；如果设置为TRUE，那么相当于FULL JOIN，保留x和y中不匹配的数据行，并把不匹配的列值设置为NA；
- all.x，all.y：分别设置x和y是否保留列值；如果设置all.x=TRUE,all.y=FALSE，那么相当于LEFT JOIN命令，返回的结果集只保留x对象的数据行，不匹配的y对象的数据行行的列值设置为NA；如果设置为all.x=FALSE,all.y=TRUE，那么相当于RIGHT JOIN命令，返回的结果集只保留y对象的数据行，不匹配的x对象的数据行行的列值设置为NA。
- sort：返回的结果集是否排序，排序列是by参数的对象
- suffixes：后缀名，默认值是c(".x",".y")，当合并的两个对象拥有相同的列名时，R把相同的列名后面加上该后缀名，以唯一区分结果集的列名；
- incomparables：不能匹配的值
2，向数据框中添加行
使用rbind()函数，根据行进行合并，向数据框中添加数据行，相当于关系型数据库的求求并集。要求两个数据库必须拥有相同名称的变量，而变量的顺序可以不同。
七，选取子集
1，选择变量
从一个数据框中选择有限数量的变量，数据框中的元素是通过dataframe[rows_vector , colunms_vector]，如果不设置行的下标(,)，表示选择所有行，
mydata <- mydata[,c(col,,...)]
2，剔除变量
把特定的变量剔除，只选入剩余的变量。操作符 %in% 返回逻辑型向量，用法是：
- 用法 a %in% table
- a值是否包含于table中，为真时输出TURE，为假时输出FALSE
例如，mydata有四个变量c1,c2,c3,c4,myvars的结果是c(TRUE,FALSE,TRUE,FALSE),对该变量求非（!myvars）之后是 c(FALSE,TRUE,FALSE,TRUE)，在根据数据框的下标来选入特定的变量。
myvars <- names(mydata) %in% c("c1","c3") mydata <- mydata[!myvars]
3，选入观测
选入观测，可以根据观测的序号来选择，也可以根据特定的条件来选择：
mydata <- mydata[1:5,,...] mydata <- mydata[mydata$c1<=5 & mydata$c2>=20,,...]
还有一个函数which，也能用于选入观测：
which(x, arr.ind = FALSE, useNames = TRUE)
which函数返回的是逻辑值的向量，which()函数的用法是：用法which(test)，返回test为真值的位置（指针）。
4，根据条件选择子集
subset()函数是选择数据库的变量和观测最简单的方法，
mydata <- subset(mydata, c1<=5 & c2>=20, select=c("c1","c2",,,))
subset()函数的语法是：
subset(x, subset, select, drop = FALSE)
参数注释：
- x：数据框对象
- subset：该参数是逻辑表达式，对于数据框而言，该参数作用于数据行，用于选择数据行。
- select：要选择的变量构成的向量
- drop：逻辑值，要剔除的变量构成的向量
参考文档：
R语言实战
