R語言--數據預處理

一、日期時間、字符串的處理

日期

Date: 日期類，年與日

POSIXct: 日期時間類，精確到秒，用數字表示

POSIXlt: 日期時間類，精確到秒，用列表表示

Sys.date(), date(), difftime(), ISOdate(), ISOdatetime()

#得到當前日期時間
(d1=Sys.Date())   #日期        年月日
(d3=Sys.time())   #時間        年月日時分秒  通過format輸出指定格式的時間
(d2=date())       #日期和時間  年月日時分秒  "Fri Aug 20 11:11:00 1999"

myDate=as.Date('2007-08-09')
class(myDate)     #Date
mode(myDate)      #numeric

#日期轉字符串
as.character(myDate)

birDay=c('01/05/1986','08/11/1976') #
dates=as.Date(birDay,'%m/%d/%Y')    #向量化運算，對向量進行轉換
dates

# %d    天 (01~31)
# %a    縮寫星期(Mon)
# %A    星期(Monday)
# %m    月份(00~12)
# %b    縮寫的月份(Jan)
# %B    月份(January)
# %y    年份(07)
# %Y    年份(2007) 
# %H    時
# %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')

#日期轉換成數字
as.integer(Sys.Date())  #自1970年1月1號至今的天數
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    #時間類型相互減，結果顯示相差的天數

ws=difftime(Sys.Date(),as.Date('1956-10-12'),units='weeks') #可以指定單位

#把年月日拼成日期
(d=ISOdate(2011,10,2));class(d)  #ISOdate 的結果是POSIXct
as.Date(ISOdate(2011,10,2))     #將結果轉換為Date

ISOdate(2011,2,30)             #不存在的日期 結果為NA

#批量轉換成日期
years=c(2010,2011,2012,2013,2014,2015)
months=1
days=c(15,20,21,19,30,3)

as.Date(ISOdate(years,months,days))

#提取日期時間的一部分
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

字符串處理

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光標移到頭接著打印wold覆蓋了之前的hell變成woldo
print(x)  #
#字符串長度
nchar(x)  #字符串長度
length(x) #1 向量中元素的個數

#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=':') #向量的外積 
  #[,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)    #替換第一個匹配項 "pm-1" "pm-2" "pm-3"
gsub('m','p',mm)   #替換全部匹配項 "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)   #匹配成功會返回位置信息，沒有找到則返回-1 

二、數據預處理

保證數據質量

准確性
完整性
一致性
冗余性
時效性

...

1、提取有效數據，需要業務人員配合（主觀），及相關的技術手段保障

2、了解數據定義，統一對數據定義的理解

...

數據集成 : 對多數據源進行整合
數據轉換 :
數據清洗 : 異常數據，缺失數據
數據約簡 : 提煉，行，列

三、數據集成

通過merge對數據進行集成

#數據集成
#merge pylr::join (包::函數)
(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 左鏈接，左邊數據都在
merge(customer,ol,by=('Id'),all.y=T)  # right outer join 右鏈接，右邊數據都在


#union 去重 在df1 和df2 有相同的列名稱下 
(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')) #重名的列會被更改顯示 

四、數據轉換

構造屬性
規范化（極差化、標准化）
離散化
改善分布