r语言玩数据

我们会根据业务的要求做各种复杂的报表,包括了分组、排序、过滤、转置、差分、填充、移动、合并、分裂、分布、去重、找重、填充 等等的操作。

有时为了计算一个业务指标,你的SQL怎么写都不会少于10行时,另外你可能也会抱怨Excel功能不够强大,这个时候R语言绝对是不二的选择了。用R语言可以高效地、优雅地解决数据处理的问题,让R来帮你打开面向数据的思维模式。

目录

为什么要用R语言做数据处理?

数据处理基础

个性化的数据变换需求

我们要先了解一下R语言支持的数据类型,以及这些常用类型的特点。对于BI的数据处理的工作来说,可能有4种类型是最常用的,分别是向量、矩阵、数据框、时间序列。

向量 Vector : c()

矩阵 Matrix: matrix()

数据框 DataFrame: data.frame()

时间序列 XTS: xts()


我主要是用R语言来做量化投资,很多的时候,都是和时间序列类型数据打交道,所以我把时间序列,也定义为R语言最常用的数据处理的类型。时间序列类型,使用的是第三方包xts中定义的类型。

2. 数据处理基础

2.1 创建一个数据集

创建一个向量数据集。

> x<-1:20;x

[1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20

创建一个矩阵数据集。

> m<-matrix(1:40,ncol=5);m

    [,1] [,2] [,3] [,4] [,5]

[1,]    1    9  17  25  33

[2,]    2  10  18  26  34

[3,]    3  11  19  27  35

[4,]    4  12  20  28  36

[5,]    5  13  21  29  37

[6,]    6  14  22  30  38

[7,]    7  15  23  31  39

[8,]    8  16  24  32  40

创建一个数据框数据集

> df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df

  a b          c

1 1 A  1.1519118

2 2 A  0.9921604

3 3 B -0.4295131

4 4 B  1.2383041

5 5 A -0.2793463

创建一个时间序列数据集,时间序列使用的第三方的xts类型。关于xts类型的详细介绍,请参考文章 可扩展的时间序列xts。

> library(xts)

> xts(1:10,order.by=as.Date('2017-01-01')+1:10)

          [,1]

2017-01-02    1

2017-01-03    2

2017-01-04    3

2017-01-05    4

2017-01-06    5

2017-01-07    6

2017-01-08    7

2017-01-09    8

2017-01-10    9

2017-01-11  10

2.2 查看数据概况

通常进行数据分析的第一步是,查看一下数据的概况信息,在R语言里可以使用summary()函数来完成。

# 查看矩阵数据集的概况

> m<-matrix(1:40,ncol=5)

> summary(m)

      V1            V2              V3              V4              V5     

Min.  :1.00  Min.  : 9.00  Min.  :17.00  Min.  :25.00  Min.  :33.00 

1st Qu.:2.75  1st Qu.:10.75  1st Qu.:18.75  1st Qu.:26.75  1st Qu.:34.75 

Median :4.50  Median :12.50  Median :20.50  Median :28.50  Median :36.50 

Mean  :4.50  Mean  :12.50  Mean  :20.50  Mean  :28.50  Mean  :36.50 

3rd Qu.:6.25  3rd Qu.:14.25  3rd Qu.:22.25  3rd Qu.:30.25  3rd Qu.:38.25 

Max.  :8.00  Max.  :16.00  Max.  :24.00  Max.  :32.00  Max.  :40.00 

# 查看数据框数据集的概况信息

> df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5))

> summary(df)

      a    b          c         

Min.  :1  A:3  Min.  :-1.5638 

1st Qu.:2  B:2  1st Qu.:-1.0656 

Median :3        Median :-0.2273 

Mean  :3        Mean  :-0.1736 

3rd Qu.:4        3rd Qu.: 0.8320 

Max.  :5        Max.  : 1.1565 

通过查看概况,可以帮助我们简单了解数据的一些统计特征。

2.3 数据合并

我们经常需要对于数据集,进行合并操作,让数据集满足处理的需求。对于不同类型的数据集,有不同的处理方法。

向量类型

> x<-1:5

> y<-11:15

> c(x,y)

[1]  1  2  3  4  5 11 12 13 14 15

数据框类型的合并操作。

> df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df

  a b          c

1 1 A  1.1519118

2 2 A  0.9921604

3 3 B -0.4295131

4 4 B  1.2383041

5 5 A -0.2793463

# 合并新行

> rbind(df,c(11,'A',222))

  a b                  c

1  1 A    1.1519117540872

2  2 A  0.992160365445798

3  3 B -0.429513109491881

4  4 B  1.23830410085338

5  5 A -0.279346281854269

6 11 A                222

# 合并新列

> cbind(df,x=LETTERS[1:5])

  a b          c x

1 1 A  1.1519118 A

2 2 A  0.9921604 B

3 3 B -0.4295131 C

4 4 B  1.2383041 D

5 5 A -0.2793463 E

# 合并新列

> merge(df,LETTERS[3:5])

  a b          c y

1  1 A  1.1519118 C

2  2 A  0.9921604 C

3  3 B -0.4295131 C

4  4 B  1.2383041 C

5  5 A -0.2793463 C

6  1 A  1.1519118 D

7  2 A  0.9921604 D

8  3 B -0.4295131 D

9  4 B  1.2383041 D

10 5 A -0.2793463 D

11 1 A  1.1519118 E

12 2 A  0.9921604 E

13 3 B -0.4295131 E

14 4 B  1.2383041 E

15 5 A -0.2793463 E

2.4 累计计算

累计计算,是很常用的一种计算方法,就是把每个数值型的数据,累计求和或累计求积,从而反应数据的增长的一种特征。

向量x

> x<-1:10;x

[1]  1  2  3  4  5  6  7  8  9 10

# 累计求和

> cum_sum<-cumsum(x)

# 累计求积

> cum_prod<-cumprod(x)

# 拼接成data.frame

> data.frame(x,cum_sum,cum_prod)

    x cum_sum cum_prod

1  1      1        1

2  2      3        2

3  3      6        6

4  4      10      24

5  5      15      120

6  6      21      720

7  7      28    5040

8  8      36    40320

9  9      45  362880

10 10      55  3628800

我们通常用累计计算,记录中间每一步的过程,看到的数据处理过程的特征。

2.5 差分计算

差分计算,是用向量的后一项减去前一项,所获得的差值,差分的结果反映了离散量之间的一种变化。

> x<-1:10;x

[1]  1  2  3  4  5  6  7  8  9 10

# 计算1阶差分

> diff(x)

[1] 1 1 1 1 1 1 1 1 1

# 计算2阶差分

> diff(x,2)

[1] 2 2 2 2 2 2 2 2

# 计算2阶差分,迭代2次

> diff(x,2,2)

[1] 0 0 0 0 0 0

下面做一个稍微复杂一点的例子,通过差分来发现数据的规律。

# 对向量2次累积求和

> x <- cumsum(cumsum(1:10));x

[1]  1  4  10  20  35  56  84 120 165 220

# 计算2阶差分

> diff(x, lag = 2)

[1]  9  16  25  36  49  64  81 100

# 计算1阶差分,迭代2次

> diff(x, differences = 2)

[1]  3  4  5  6  7  8  9 10

# 同上

> diff(diff(x))

[1]  3  4  5  6  7  8  9 10

2.6 分组计算

分组是SQL中,支持的一种数据变换的操作,对应于group by的语法。

比如,我们写一个例子。创建一个数据框有a,b,c的3列,其中a,c列为数值型,b列为字符串,我们以b列分组,求出a列与c的均值。

# 创建数据框

> df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df

  a b          c

1 1 A  1.28505418

2 2 A -0.04687263

3 3 B  0.25383533

4 4 B  0.70145787

5 5 A -0.11470372

# 执行分组操作

> aggregate(. ~ b, data = df, mean)

  b        a        c

1 A 2.666667 0.3744926

2 B 3.500000 0.4776466

同样的数据集,以b列分组,对a列求和,对c列求均值。当对不同列,进行不同的操作时,我们同时也需要换其他函数来处理。

# 加载plyr库

> library(plyr)

# 执行分组操作

> ddply(df,.(b),summarise,

+      sum_a=sum(a),

+      mean_c=mean(c))

  b sum_a      mean_c

1 A    8 -0.05514761

2 B    7  0.82301276

生成的结果,就是按b列进行分组后,a列求和,c列求均值。

2.7 分裂计算

分裂计算,是把一个向量按照一列规则,拆分成多个向量的操作。

如果你想把1:10的向量,按照单双数,拆分成2个向量。

> split(1:10, 1:2)

$`1`

[1] 1 3 5 7 9

$`2`

[1]  2  4  6  8 10

另外,可以用因子类型来控制分裂。分成2步操作,第一步先分成与数据集同样长度的因子,第二步进行分裂,可以把一个大的向量拆分成多个小的向量。

# 生成因子规则

> n <- 3; size <- 5

> fat <- factor(round(n * runif(n * size)));fat

[1] 2 3 2 1 1 0 0 2 0 1 2 3 1 1 1

Levels: 0 1 2 3

# 生成数据向量

> x <- rnorm(n * size);x

[1]  0.68973936  0.02800216 -0.74327321  0.18879230 -1.80495863  1.46555486  0.15325334  2.17261167  0.47550953

[10] -0.70994643  0.61072635 -0.93409763 -1.25363340  0.29144624 -0.44329187

# 对向量以因子的规则进行拆分

> split(x, fat)

$`0`

[1] 1.4655549 0.1532533 0.4755095

$`1`

[1]  0.1887923 -1.8049586 -0.7099464 -1.2536334  0.2914462 -0.4432919

$`2`

[1]  0.6897394 -0.7432732  2.1726117  0.6107264

$`3`

[1]  0.02800216 -0.93409763

2.8 排序

排序是所有数据操作中,最常见一种需求了。在R语言中,你可以很方便的使用排序的功能,并不用考虑时间复杂度与空间复杂度的问题,除非你自己非要用for循环来实现。

对向量进行排序。

# 生成一个乱序的向量

> x<-sample(1:10);x

[1]  6  2  5  1  9 10  8  3  7  4

# 对向量排序

> x[order(x)]

[1]  1  2  3  4  5  6  7  8  9 10

以数据框某一列进行排序。

> df<-data.frame(a=1:5,b=c('A','A','B','B','A'),c=rnorm(5));df

  a b          c

1 1 A  1.1780870

2 2 A -1.5235668

3 3 B  0.5939462

4 4 B  0.3329504

5 5 A  1.0630998

# 自定义排序函数

> order_df<-function(df,col,decreasing=FALSE){

+    df[order(df[,c(col)],decreasing=decreasing),]

+ }

# 以c列倒序排序

> order_df(df,'c',decreasing=TRUE)

  a b          c

1 1 A  1.1780870

5 5 A  1.0630998

3 3 B  0.5939462

4 4 B  0.3329504

2 2 A -1.5235668

排序的操作,大多都是基于索引来完成的,用order()函数来生成索引,再匹配的数据的数值上面。

2.9 去重与找重

去重,是把向量中重复的元素过滤掉。找重,是把向量中重复的元素找出来。

> x<-c(3:6,5:8);x

[1] 3 4 5 6 5 6 7 8

# 去掉重复元素

> unique(x)

[1] 3 4 5 6 7 8

# 找到重复元素,索引位置

> duplicated(x)

[1] FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE

# 找到重复元素

> x[duplicated(x)]

[1] 5 6

2.10 转置

转置是一个数学名词,把行和列进行互换,一般用于对矩阵的操作。

# 创建一个3行5列的矩阵

> m<-matrix(1:15,ncol=5);m

    [,1] [,2] [,3] [,4] [,5]

[1,]    1    4    7  10  13

[2,]    2    5    8  11  14

[3,]    3    6    9  12  15

# 转置后,变成5行3列的矩阵

> t(m)

    [,1] [,2] [,3]

[1,]    1    2    3

[2,]    4    5    6

[3,]    7    8    9

[4,]  10  11  12

[5,]  13  14  15

2.11 过滤

过滤,是对数据集按照某种规则进行筛选,去掉不符合条件的数据,保留符合条件的数据。对于NA值的操作,主要都集中在了过滤操作和填充操作中,因此就不在单独介绍NA值的处理了。

# 生成数据框

> df<-data.frame(a=c(1,NA,NA,2,NA),

+    b=c('B','A','B','B',NA),

+    c=c(rnorm(2),NA,NA,NA));df

  a    b          c

1  1    B -0.3041839

2 NA    A  0.3700188

3 NA    B        NA

4  2    B        NA

5 NA         NA

# 过滤有NA行的数据

> na.omit(df)

  a b          c

1 1 B -0.3041839

# 过滤,保留b列值为B的数据

> df[which(df$b=='B'),]

  a b          c

1  1 B -0.3041839

3 NA B        NA

4  2 B        NA

过滤,类似与SQL语句中的 WHERE 条件语句,如果你用100个以上的过滤条件,那么你的程序就会比较复杂了,最好想办法用一些巧妙的函数或者设计模式,来替换这些过滤条件。

2.12 填充

填充,是一个比较有意思的操作,你的原始数据有可能会有缺失值NA,在做各种计算时,就会出现有问题。一种方法是,你把NA值都去掉;另外一种方法是,你把NA值进行填充后再计算。那么在填充值时,就有一些讲究了。

把NA值进行填充。

# 生成数据框

> df<-data.frame(a=c(1,NA,NA,2,NA),

+      b=c('B','A','B','B',NA),

+      c=c(rnorm(2),NA,NA,NA));df

  a    b          c

1  1    B  0.2670988

2 NA    A -0.5425200

3 NA    B        NA

4  2    B        NA

5 NA         NA

# 把数据框a列的NA,用9进行填充

> na.fill(df$a,9)

[1] 1 9 9 2 9

# 把数据框中的NA,用1进行填充

> na.fill(df,1)

    a      b      c         

[1,] " 1"  "B"    " 0.2670988"

[2,] "TRUE" "A"    "-0.5425200"

[3,] "TRUE" "B"    "TRUE"     

[4,] " 2"  "B"    "TRUE"     

[5,] "TRUE" "TRUE" "TRUE"   

填充时,有时并不是用某个固定的值,而是需要基于某种规则去填充。

# 生成一个zoo类型的数据

> z <- zoo(c(2, NA, 1, 4, 5, 2), c(1, 3, 4, 6, 7, 8));z

1  3  4  6  7  8

2 NA  1  4  5  2

# 对NA进行线性插值

> na.approx(z)

      1        3        4        6        7        8

2.000000 1.333333 1.000000 4.000000 5.000000 2.000000

# 对NA进行线性插值

> na.approx(z, 1:6)

  1  3  4  6  7  8

2.0 1.5 1.0 4.0 5.0 2.0

# 对NA进行样条插值

> na.spline(z)

        1        3        4        6        7        8

2.0000000 0.1535948 1.0000000 4.0000000 5.0000000 2.0000000

另外,我们可以针对NA的位置进行填充,比如用前值来填充或后值来填充。

> df

  a    b          c

1  1    B  0.2670988

2 NA    A -0.5425200

3 NA    B        NA

4  2    B        NA

5 NA         NA

# 用当前列中,NA的前值来填充

> na.locf(df)

  a b          c

1  1 B  0.2670988

2  1 A -0.5425200

3  1 B -0.5425200

4  2 B -0.5425200

5  2 B -0.5425200

# 用当前列中,NA的后值来填充

> na.locf(df,fromLast=TRUE)

  a b          c

1  1 B  0.2670988

2  2 A -0.5425200

3  2 B     

4  2 B     

2.13 计数

计数,是统计同一个值出现的次数。

# 生成30个随机数的向量

> set.seed(0)

> x<-round(rnorm(30)*5);x

[1]  6 -2  7  6  2 -8 -5 -1  0 12  4 -4 -6 -1 -1 -2  1 -4  2 -6 -1  2  1  4  0  3  5 -3 -6  0

# 统计每个值出现的次数

> table(x)

x

-8 -6 -5 -4 -3 -2 -1  0  1  2  3  4  5  6  7 12

1  3  1  2  1  2  4  3  2  3  1  2  1  2  1  1

用直方图画出。

> hist(x,xlim = c(-10,13),breaks=20)



2.14 统计分布

统计分布,是用来判断数据是否是满足某种统计学分布,如果能够验证了,那么我们就可以用到这种分布的特性来理解我们的数据集的情况了。常见的连续型的统计分布有9种,其中最常用的就是正态分布的假设

runif() :均匀分布

rnorm() :正态分布

rexp() :指数分布

rgamma() :伽马分布

rweibull() :韦伯分布

rchisq() :卡方分布

rf() :F分布

rt() :T分布

rbeta() :贝塔分布

统计模型定义的回归模型,就是基于正态分布的做的数据假设,如果残差满足正态分布,模型的指标再漂亮都是假的。

下面用正态分布,来举例说明一下。假设我们有一组数据,是人的身高信息,我们知道平均身高是170cm,然后我们算一下,这组身高数据是否满足正态分布。

# 生成身高数据

> set.seed(1)

> x<-round(rnorm(100,170,10))

> head(x,20)

[1] 164 172 162 186 173 162 175 177 176 167 185 174 164 148 181 170 170 179 178 176

# 画出散点图

> plot(x)



通过散点图来观察,发现数据是没有任何规律。接下来,我们进行正态分布的检验,Shapiro-Wilk进行正态分布检验。

> shapiro.test(x)

Shapiro-Wilk normality test

data:  x

W = 0.99409, p-value = 0.9444

该检验原假设为H0:数据集符合正态分布,统计量W为。统计量W的最大值是1,越接近1,表示样本与正态分布越匹配。p值,如果p-value小于显著性水平α(0.05),则拒绝H0。检验结论:

W接近1,p-value>0.05,不能拒绝原假设,所以数据集S符合正态分布!

同时,我们也可以用QQ图,来做正态分布的检验。


图中,散点均匀的分布在对角线,则说明这组数据符合正态分布。

为了,更直观地对正态分布的数据进行观察,我们可以用上文中计数操作时,使用的直方图进行观察

图中,散点均匀的分布在对角线,则说明这组数据符合正态分布。

为了,更直观地对正态分布的数据进行观察,我们可以用上文中计数操作时,使用的直方图进行观察。

> hist(x,breaks=10)


通过计数的方法,发现数据形状如钟型,中间高两边低,中间部分的数量占了95%,这就是正态的特征。当判断出,数据是符合正态分布后,那么才具备了可以使用一些的模型的基础。

2.15 数值分段

数值分段,就是把一个连续型的数值型数据,按区间分割为因子类型的离散型数据。

> x<-1:10;x

[1]  1  2  3  4  5  6  7  8  9 10

# 把向量转换为3段因子,分别列出每个值对应因子

> cut(x, 3)

[1] (0.991,4] (0.991,4] (0.991,4] (0.991,4] (4,7]    (4,7]    (4,7]    (7,10]    (7,10]    (7,10] 

Levels: (0.991,4] (4,7] (7,10]

# 对因子保留2位精度,并支持排序

> cut(x, 3, dig.lab = 2, ordered = TRUE)

[1] (0.99,4] (0.99,4] (0.99,4] (0.99,4] (4,7]    (4,7]    (4,7]    (7,10]  (7,10]  (7,10] 

Levels: (0.99,4] < (4,7] < (7,10]

2.16 集合操作

集合操作,是对2个向量的操作,处理2个向量之间的数值的关系,找到包含关系、取交集、并集、差集等。

# 定义2个向量x,y

> x<-c(3:8,NA);x

[1]  3  4  5  6  7  8 NA

> y<-c(NA,6:10,NA);y

[1] NA  6  7  8  9 10 NA

# 判断x与y重复的元素的位置

> is.element(x, y)

[1] FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE

# 判断y与x重复的元素的位置

> is.element(y, x)

[1]  TRUE  TRUE  TRUE  TRUE FALSE FALSE  TRUE

# 取并集

> union(x, y)

[1]  3  4  5  6  7  8 NA  9 10

# 取交集

> intersect(x, y)

[1]  6  7  8 NA

# 取x有,y没有元素

> setdiff(x, y)

[1] 3 4 5

# 取y有,x没有元素

> setdiff(y, x)

[1]  9 10

# 判断2个向量是否相等

> setequal(x, y)

[1] FALSE

2.17 移动窗口

移动窗口,是用来按时间周期观察数据的一种方法。移动平均,就是一种移动窗口的最常见的应用了。

在R语言的的TTR包中,支持多种的移动窗口的计算。

runMean(x) :移动均值

runSum(x) :移动求和

runSD(x) :移动标准差

runVar(x) :移动方差

runCor(x,y) :移动相关系数

runCov(x,y) :移动协方差

runMax(x) :移动最大值

runMin(x) :移动最小值

runMedian(x):移动中位数

下面我们用移动平均来举例说明一下,移动平均在股票交易使用的非常普遍,是最基础的趋势判断的根踪指标了。

# 生成50个随机数

> set.seed(0)

> x<-round(rnorm(50)*10);head(x,10)

[1]  13  -3  13  13  4 -15  -9  -3  0  24

# 加载TTR包

> library(TTR)

# 计算周期为3的移动平均值

> m3<-SMA(x,3);head(m3,10)

[1]        NA        NA  7.6666667  7.6666667 10.0000000  0.6666667 -6.6666667 -9.0000000 -4.0000000

[10]  7.0000000

# 计算周期为5的移动平均值

> m5<-SMA(x,5);head(m5,10)

[1]  NA  NA  NA  NA  8.0  2.4  1.2 -2.0 -4.6 -0.6

当计算周期为3的移动平均值时,结果的前2个值是NA,计算的算法是

(第一个值 + 第二个值 + 第三个值)  /3 = 第三个值的移动平均值

(13      +    -3  +    13)    /3 = 7.6666667

画出图形

> plot(x,type='l')

> lines(m3,col='blue')

> lines(m5,col='red')

图中黑色线是原始数据,蓝色线是周期为3的移动平均值,红色线是周期为5的移动平均值。这3个线中,周期越大的越平滑,红色线波动是最小的,趋势性是越明显的。如果你想更深入的了解移动平均线在股票中的使用情况,请参考文章二条均线打天下

2.18 时间对齐

时间对齐,是在处理时间序列类型时常用到的操作。我们在做金融量化分析时,经常遇到时间不齐的情况,比如某支股票交易很活跃,每一秒都有交易,而其他不太活跃的股票,可能1分钟才有一笔交易,当我们要同时分析这2只股票的时候,就需要把他们的交易时间进行对齐。

# 生成数据,每秒一个值

> a<-as.POSIXct("2017-01-01 10:00:00")+0:300

# 生成数据,每59秒一个值

> b<-as.POSIXct("2017-01-01 10:00")+seq(1,300,59)

# 打印a

> head(a,10)

[1] "2017-01-01 10:00:00 CST" "2017-01-01 10:00:01 CST" "2017-01-01 10:00:02 CST" "2017-01-01 10:00:03 CST"

[5] "2017-01-01 10:00:04 CST" "2017-01-01 10:00:05 CST" "2017-01-01 10:00:06 CST" "2017-01-01 10:00:07 CST"

[9] "2017-01-01 10:00:08 CST" "2017-01-01 10:00:09 CST"

# 打印b

> head(b,10)

[1] "2017-01-01 10:00:01 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:59 CST" "2017-01-01 10:02:58 CST"

[5] "2017-01-01 10:03:57 CST" "2017-01-01 10:04:56 CST"

按分钟进行对齐,把时间都对齐到分钟线上。

# 按分钟对齐

> a1<-align.time(a, 1*60)

> b1<-align.time(b, 1*60)

# 查看对齐后的结果

> head(a1,10)

[1] "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST"

[5] "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST"

[9] "2017-01-01 10:01:00 CST" "2017-01-01 10:01:00 CST"

> head(b1,10)

[1] "2017-01-01 10:01:00 CST" "2017-01-01 10:02:00 CST" "2017-01-01 10:02:00 CST" "2017-01-01 10:03:00 CST"

[5] "2017-01-01 10:04:00 CST" "2017-01-01 10:05:00 CST"

由于a1数据集,每分钟有多条数据,取每分钟的最后一条代表这分钟就行。

> a1[endpoints(a1,'minutes')]

[1] "2017-01-01 10:01:00 CST" "2017-01-01 10:02:00 CST" "2017-01-01 10:03:00 CST" "2017-01-01 10:04:00 CST"

[5] "2017-01-01 10:05:00 CST" "2017-01-01 10:06:00 CST"

这样子就完成了时间对齐,把不同时间的数据放到都一个维度中了。

3. 个性化的数据变换需求

我们上面已经介绍了,很多种的R语言数据处理的方法,大多都是基于R语言内置的函数或第三方包来完成的。在实际的工作中,实际还有再多的操作,完全是各性化的。

3.1 过滤数据框中,列数据全部为空的列

空值,通常都会给我们做数值计算,带来很多麻烦。有时候一列的数据都是空时,我们需要先把这一个过滤掉,再进行数据处理。

用R语言程序进行实现

# 判断哪列的值都是NA

na_col_del_df<-function(df){

  df[,which(!apply(df,2,function(x) all(is.na(x))))] 

}

# 生成一个数据集

> df<-data.frame(a=c(1,NA,2,4),b=rep(NA,4),c=1:4);df

  a  b c

1  1 NA 1

2 NA NA 2

3  2 NA 3

4  4 NA 4

# 保留非NA的列

> na_col_del_df(df)

  a c

1  1 1

2 NA 2

3  2 3

4  4 4

3.2 替换数据框中某个区域的数据

我们想替换数据框中某个区域的数据,那么应该怎么做呢?

找到第一个数据框中,与第二个数据框中匹配的行的值作为条件,然后替换这一行的其他指定列的值。

> replace_df<-function(df1,df2,keys,vals){

+    row1<-which(apply(mapply(match,df1[,keys],df2[,keys])>0,1,all))

+    row2<-which(apply(mapply(match,df2[,keys],df1[,keys])>0,1,all))

+    df1[row1,vals]<-df2[row2,vals]

+    return(df1)

+ }

# 第一个数据框

> df1<-data.frame(A=c(1,2,3,4),B=c('a','b','c','d'),C=c(0,4,0,4),D=1:4);df1

  A B C D

1 1 a 0 1

2 2 b 4 2

3 3 c 0 3

4 4 d 4 4

# 第二个数据框

> df2<-data.frame(A=c(1,3),B=c('a','c'),C=c(9,9),D=rep(8,2));df2

  A B C D

1 1 a 9 8

2 3 c 9 8

# 定义匹配条件列

> keys=c("A","B")

# 定义替换的列

> vals=c("C","D")

# 数据替换

> replace_df(df1,df2,keys,vals)

  A B C D

1 1 a 9 8

2 2 b 4 2

3 3 c 9 8

4 4 d 4 4

其实不管R语言中,各种内置的功能函数有多少,自己做在数据处理的时候,都要自己构建很多DIY的函数。

3.3 长表和宽表变换

长宽其实是一种类对于标准表格形状的描述,长表变宽表,是把一个行数很多的表,让其行数减少,列数增加,宽表变长表,是把一个表格列数减少行数增加。

长表变宽表,指定program列不动,用fun列的每一行,生成新的列,再用time列的每个值进行填充。

# 创建数据框

> df<-data.frame(

+    program=rep(c('R','Java','PHP','Python'),3),

+    fun=rep(c('fun1','fun2','fun3'),each = 4),

+    time=round(rnorm(12,10,3),2)

+ );df

  program  fun  time

1        R fun1 10.91

2    Java fun1  6.59

3      PHP fun1  9.26

4  Python fun1 11.17

5        R fun2 12.27

6    Java fun2  6.61

7      PHP fun2  7.28

8  Python fun2  9.39

9        R fun3  9.22

10    Java fun3 11.20

11    PHP fun3 13.40

12  Python fun3 10.67

# 加载reshape2库

> library(reshape2)

# 长表变宽表

> wide <- reshape(df,v.names="time",idvar="program",timevar="fun",direction = "wide");wide

  program time.fun1 time.fun2 time.fun3

1      R    10.91    12.27      9.22

2    Java      6.59      6.61    11.20

3    PHP      9.26      7.28    13.40

4  Python    11.17      9.39    10.67

接下来,进行反正操作,把宽表再转换为长表,还是使用reshape()函数。

# 宽表变为长表

> reshape(wide, direction = "long")

            program  fun  time

R.fun1            R fun1  8.31

Java.fun1      Java fun1  8.45

PHP.fun1        PHP fun1 10.49

Python.fun1  Python fun1 10.45

R.fun2            R fun2  8.72

Java.fun2      Java fun2  4.15

PHP.fun2        PHP fun2 11.47

Python.fun2  Python fun2 13.25

R.fun3            R fun3 10.10

Java.fun3      Java fun3 13.86

PHP.fun3        PHP fun3  9.96

Python.fun3  Python fun3 14.64

我们在宽表转换为长表时,可以指定想转换部分列,而不是所有列,这样就需要增加一个参数进行控制。比如,只变换time.fun2,time.fun3列到长表,而不变换time.fun1列。

> reshape(wide, direction = "long", varying =3:4)

      program time.fun1  time id

1.fun2      R      8.31  8.72  1

2.fun2    Java      8.45  4.15  2

3.fun2    PHP    10.49 11.47  3

4.fun2  Python    10.45 13.25  4

1.fun3      R      8.31 10.10  1

2.fun3    Java      8.45 13.86  2

3.fun3    PHP    10.49  9.96  3

4.fun3  Python    10.45 14.64  4

这样子的转换变形,是非常有利于我们从多角度来看数据的。

3.4 融化

融化,用于把以列进行分组的数据,转型为按行存储,对应数据表设计的概念为,属性表设计。

我们设计一下标准的二维表结构,然后按属性表的方式进行转换。

# 构建数据集

> df<-data.frame(

+  id=1:10,

+  x1=rnorm(10),

+  x2=runif(10,0,1)

+ );df

  id          x1          x2

1  1  1.78375335 0.639933473

2  2  0.26424700 0.250290845

3  3 -1.83138689 0.963861236

4  4 -1.77029220 0.451004465

5  5 -0.92149552 0.322621217

6  6  0.88499153 0.697954226

7  7  0.68905343 0.002045145

8  8  1.35269693 0.765777220

9  9  0.03673819 0.908817646

10 10  0.49682503 0.413977373

# 融合,以id列为固定列

> melt(df, id="id")

  id variable        value

1  1      x1  1.783753346

2  2      x1  0.264247003

3  3      x1 -1.831386887

4  4      x1 -1.770292202

5  5      x1 -0.921495517

6  6      x1  0.884991529

7  7      x1  0.689053430

8  8      x1  1.352696934

9  9      x1  0.036738187

10 10      x1  0.496825031

11  1      x2  0.639933473

12  2      x2  0.250290845

13  3      x2  0.963861236

14  4      x2  0.451004465

15  5      x2  0.322621217

16  6      x2  0.697954226

17  7      x2  0.002045145

18  8      x2  0.765777220

19  9      x2  0.908817646

20 10      x2  0.413977373

这个操作其实在使用ggplot2包画图时,会被经常用到。因为ggplot2做可视化时画多条曲线时,要求的输入的数据格式必须时属性表的格式。

3.5 周期分割

周期分割,是基于时间序列类型数据的处理。比如黄金的交易,你可以用1天为周期来观察,也可以用的1小时为周期来观察,也可以用1分钟为周期来看。

下面我们尝试先生成交易数据,再对交易数据进行周期的分割。本例仅为周期分割操作的示范,数据为随机生成的,请不要对数据的真实性较真。

# 加载xts包

> library(xts)

# 定义生成每日交易数据函数

> newTick<-function(date='2017-01-01',n=30){

+  newDate<-paste(date,'10:00:00')

+  xts(round(rnorm(n,10,2),2),order.by=as.POSIXct(newDate)+seq(0,(n-1)*60,60))

+ }

假设我们要生成1年的交易数据,先产生1年的日期向量,然后循环生成每日的数据。

# 设置交易日期

> dates<-as.Date("2017-01-01")+seq(0,360,1)

> head(dates)

[1] "2017-01-01" "2017-01-02" "2017-01-03" "2017-01-04" "2017-01-05" "2017-01-06"

# 生成交易数据

> xs<-lapply(dates,function(date){

+  newTick(date)

+ })

# 查看数据静态结构

> str(head(xs,2))

List of 2

$ :An ‘xts’ object on 2017-01-01 10:00:00/2017-01-01 10:29:00 containing:

  Data: num [1:30, 1] 9.98 9.2 10.21 9.08 7.82 ...

  Indexed by objects of class: [POSIXct,POSIXt] TZ:

  xts Attributes: 

NULL

$ :An ‘xts’ object on 2017-01-02 10:00:00/2017-01-02 10:29:00 containing:

  Data: num [1:30, 1] 9.41 13.15 6.07 10.12 10.37 ...

  Indexed by objects of class: [POSIXct,POSIXt] TZ:

  xts Attributes: 

NULL

# 转型为xts类型

> df<-do.call(rbind.data.frame, xs)

> xdf<-as.xts(df)

> head(xdf)

                      V1

2017-01-01 10:00:00  9.98

2017-01-01 10:01:00  9.20

2017-01-01 10:02:00 10.21

2017-01-01 10:03:00  9.08

2017-01-01 10:04:00  7.82

2017-01-01 10:05:00 10.47

现在有了数据,那么我们可以对数据日期,按周期的分割了,从而生成开盘价、最高价、最低价、收盘价。这里一样会用到xts包的函数。

# 按日进行分割,对应高开低收的价格

> d1<-to.period(xdf,period='days');head(d1)

                    xdf.Open xdf.High xdf.Low xdf.Close

2017-01-01 10:29:00    9.98    13.74    5.35    13.34

2017-01-02 10:29:00    9.41    13.54    6.07      9.76

2017-01-03 10:29:00    12.11    13.91    7.16    10.75

2017-01-04 10:29:00    10.43    14.02    6.31    12.10

2017-01-05 10:29:00    11.51    13.97    6.67    13.97

2017-01-06 10:29:00    10.57    12.81    4.30      5.16

# 按月进行分割

> m1<-to.period(xdf,period='months');m1

                    xdf.Open xdf.High xdf.Low xdf.Close

2017-01-31 10:29:00    9.98    16.40    3.85    10.14

2017-02-28 10:29:00    8.25    16.82    4.17    11.76

2017-03-31 10:29:00    10.55    15.54    2.77      9.61

2017-04-30 10:29:00    9.40    16.13    3.84    11.77

2017-05-31 10:29:00    13.79    16.74    3.97    10.25

2017-06-30 10:29:00    9.29    16.15    4.38      7.92

2017-07-31 10:29:00    5.39    16.09    4.55      9.88

2017-08-31 10:29:00    5.76    16.34    3.27    10.86

2017-09-30 10:29:00    9.56    16.40    3.58    10.09

2017-10-31 10:29:00    8.64    15.50    3.23    10.26

2017-11-30 10:29:00    9.20    15.38    3.00    10.92

2017-12-27 10:29:00    6.99    16.22    3.87      8.87

# 按7日进行分割

> d7<-to.period(xdf,period='days',k=7);head(d7)

                    xdf.Open xdf.High xdf.Low xdf.Close

2017-01-07 10:29:00    9.98    15.54    4.30    10.42

2017-01-14 10:29:00    11.38    14.76    5.74      9.17

2017-01-21 10:29:00    9.57    16.40    3.85    11.91

2017-01-28 10:29:00    10.51    14.08    4.66    10.97

2017-02-04 10:29:00    10.43    16.69    4.53      6.09

2017-02-11 10:29:00    11.98    15.23    5.04    11.57

最后,通过可视化把不同周期的收盘价,画到一个图中。

> plot(d1$xdf.Close)

> lines(d7$xdf.Close,col='red',lwd=2)

> lines(m1$xdf.Close,col='blue',lwd=2)

从图中,可以看出切换为不同的周期,看到的形状是完全不一样的。黑色线表示以日为周期的,红色线表示以7日为周期的,蓝色线表示以月为周期的。

从本文的介绍来看,要做好数据处理是相当不容易的。你要知道数据是什么样的,业务逻辑是什么,怎么写程序以及数据变形,最后怎么进行BI展示,表达出正确的分析维度。试试R语言,忘掉程序员的思维,换成数据的思维,也许繁琐的数据处理工作会让你开心起来。

本文所介绍的数据处理的方法,及个性化的功能函数,我已经发布为一个github的开源项目,项目地址为:https://github.com/bsspirit/RTransform欢迎大家试用,共同完善。

推荐阅读更多精彩内容