R实战0-数据处理难题的一套解决方案

发表于 | 阅读次数:
字数统计: 935 | 阅读时长 ≈ 4

对数据的处理现在普遍就是两种方案，python 或者 R。

一组学生参加了数学 科学和英语的考试。考试完成之后，需要給学生确定一个成绩衡量指标。会把综合成绩的前20%评定为A，接着是B C D F。
数据原始集
可以看到数据处理的一个障碍，三科成绩无法比较，或者说比较没有意义。。
:) 当然有人认为可以这么处理，比如知道数学的总分是700，将成绩全部换为以100分为计量单位的。。
当然英语也是，，计总分为50分，换成对应100的来处理。。。

也许吧，可以试试 :)

在这我们使用R来进行处理。

  • 根据原始的学生花名册将数据采集进去，自然是选择数据框的格式。
1
2
3
4
5
6
7
8

options(digits = 2)
stduent <- c("John Davis", "Angela Willams", "Bully Moose", "David Jones", "Janice Markhammer", "Cherry Cushing", "Reuven Ytzrhak",  "Greg Knox", "Joel England", "Mary Rayburn")
Math <- c(502, 600, 412, 358, 495, 512, 410, 625, 573, 522)
Science <- c(95, 99, 80, 82, 75, 85, 80, 95, 89, 86)
English <- c(25, 22, 18, 15, 20, 28, 15, 30, 27, 18)
roster <- data.frame(stduent, Math, Science, English, stringsAsFactors = FALSE)
roster

we get 

1
2
3
4
5
6
7
8
9
10
11
12
13

> roster
             stduent Math Science English
1         John Davis  502      95      25
2     Angela Willams  600      99      22
3        Bully Moose  412      80      18
4        David Jones  358      82      15
5  Janice Markhammer  495      75      20
6     Cherry Cushing  512      85      28
7     Reuven Ytzrhak  410      80      15
8          Greg Knox  625      95      30
9       Joel England  573      89      27
10      Mary Rayburn  522      86      18

这里有两个细节没有注意。。
一个是刚好十个学生；另外一个是貌似student单词貌似拼写错了。。

  • 由于三科考试的分值不同，如何让它们变得可以进行比较。一种方式是将数据进行标准化，使用单位标准差来表示，这个过程使用scale（）函数来实现。 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

z <- scale(roster[,2:4])    
``` 
we get     

```R
z
        Math Science English
 [1,]  0.013   1.078   0.587
 [2,]  1.143   1.591   0.037
 [3,] -1.026  -0.847  -0.697
 [4,] -1.649  -0.590  -1.247
 [5,] -0.068  -1.489  -0.330
 [6,]  0.128  -0.205   1.137
 [7,] -1.049  -0.847  -1.247
 [8,]  1.432   1.078   1.504
 [9,]  0.832   0.308   0.954
[10,]  0.243  -0.077  -0.697
attr(,"scaled:center")
   Math Science English 
    501      87      22 
attr(,"scaled:scale")
   Math Science English 
   86.7     7.8     5.5 
   
   
``` 

- 使用mean（）函数计算各行的均值来获得综合得分，并且使用函数cbind（）函数将其添加到花名册当中。

```R

score <- apply(z, 1, mean)
roster <- cbind(roster, score)


``` 

计算均值之后，并把score分数加进去。  
 
- 函数quantile（）给出学生综合得分的百分位数。   
这个函数可以综合得分的百分位数  

```R

y <- quantile(score, c(.8, .6, .4, .2))

``` 
- 使用逻辑运算符，重编码为A B C D F。  

```R

roster$grade[score >= y[1]] <- "A"
roster$grade[score <= y[1] & score >=y[2]] <- "B"
roster$grade[score <= y[2] & score >=y[3]] <- "C"
roster$grade[score <= y[3] & score >=y[4]] <- "D"
roster$grade[score <= y[4]] <- "F"

```  
- 使用函数strsplit（）以空格为界，将学生姓名拆分为姓和名。

name <- strsplit((roster$stduent), “ “)

1
2
3
4
5

注意返回的是什么值，这里是列表！！

 
- 使用函数sapply（）提取列表元素。

lastname <- sapply(name, “[“, 2)
firstname <- sapply(name, “[“, 1)
roster <- cbind(firstname, lastname, roster[, -1])

1
2
3
将原来的student化成两列，一列是姓，一列是名，同时也将student列舍弃掉。
  
- 使用order（）函数依据姓氏和名字对数据集进行排序

roster <- roster[order(lastname, firstname),]
roster

1
2

finally we get

roster
firstname lastname Math Science English score grade
6 Cherry Cushing 512 85 28 0.35 C
1 John Davis 502 95 25 0.56 B
9 Joel England 573 89 27 0.70 B
4 David Jones 358 82 15 -1.16 F
8 Greg Knox 625 95 30 1.34 A
5 Janice Markhammer 495 75 20 -0.63 D
3 Bully Moose 412 80 18 -0.86 D
10 Mary Rayburn 522 86 18 -0.18 C
2 Angela Willams 600 99 22 0.92 A
7 Reuven Ytzrhak 410 80 15 -1.05 F

```

Done!!!!!!