
R语言数据预处理
一、日期时间、字符串的处理
日期
Date: 日期类,年与日
POSIXct: 日期时间类,精确到秒,用数字表示
POSIXlt: 日期时间类,精确到秒,用列表表示
Sys.date(), date(), difftime(), ISOdate(), ISOdatetime()
#得到当前日期时间
(d1=Sys.Date()) #日期 年月日
(d3=Sys.time()) #时间 年月日时分秒 通过format输出指定格式的时间
(d2=date()) #日期和时间 年月日时分秒 "Fri Aug 20 11:11:00 1999"
myDate=as.Date('2007-08-09')
class(myDate) #Date
mode(myDate) #numeric
#日期转字符串
as.character(myDate)
birDay=c('01/05/1986','08/11/1976') #
dates=as.Date(birDay,'%m/%d/%Y') #向量化运算,对向量进行转换
dates
# %d 天 (01~31)
# %a 缩写星期(Mon)
# %A 星期(Monday)
# %m 月份(00~12)
# %b 缩写的月份(Jan)
# %B 月份(January)
# %y 年份(07)
# %Y 年份(2007)
# %H 时
# %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')
#日期转换成数字
as.integer(Sys.Date()) #自1970年1月1号至今的天数
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 #时间类型相互减,结果显示相差的天数
ws=difftime(Sys.Date(),as.Date('1956-10-12'),units='weeks') #可以指定单位
#把年月日拼成日期
(d=ISOdate(2011,10,2));class(d) #ISOdate 的结果是POSIXct
as.Date(ISOdate(2011,10,2)) #将结果转换为Date
ISOdate(2011,2,30) #不存在的日期 结果为NA
#批量转换成日期
years=c(2010,2011,2012,2013,2014,2015)
months=1
days=c(15,20,21,19,30,3)
as.Date(ISOdate(years,months,days))
#提取日期时间的一部分
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
字符串处理
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光标移到头接着打印wold覆盖了之前的hell变成woldo
print(x) #
#字符串长度
nchar(x) #字符串长度
length(x) #1 向量中元素的个数
#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=':') #向量的外积
#[,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) #替换第一个匹配项 "pm-1" "pm-2" "pm-3"
gsub('m','p',mm) #替换全部匹配项 "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) #匹配成功会返回位置信息,没有找到则返回-1
二、数据预处理
保证数据质量
准确性
完整性
一致性
冗余性
时效性
...
1、提取有效数据,需要业务人员配合(主观),及相关的技术手段保障
2、了解数据定义,统一对数据定义的理解
...
数据集成 : 对多数据源进行整合
数据转换 :
数据清洗 : 异常数据,缺失数据
数据约简 : 提炼,行,列
三、数据集成
通过merge对数据进行集成
#数据集成
#merge pylr::join (包::函数)
(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 左链接,左边数据都在
merge(customer,ol,by=('Id'),all.y=T) # right outer join 右链接,右边数据都在
#union 去重 在df1 和df2 有相同的列名称下
(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)数据分析师培训
merge(df1,df2,all=T) #去重,不使用by
merge(df1,df2,by=('id')) #重名的列会被更改显示
四、数据转换
构造属性
规范化(极差化、标准化)
离散化
改善分布
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18SPSS 赋值后数据不显示?原因排查与解决指南 在 SPSS( Statistical Package for the Social Sciences)数据分析过程中,变量 ...
2025-07-18在 DBeaver 中利用 MySQL 实现表数据同步操作指南 在数据库管理工作中,将一张表的数据同步到另一张表是常见需求,这有助于 ...
2025-07-18数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11