数据处理要点总结-基于ggplot的政经数据可视化

请读者在学习可视化之前理解并掌握以下代码。

# install.packages(c("truncnorm", "plothelper", "reshape2"))

## 生成呈正态分布且在特定范围内（即截断正态分布）的随机数，需使用truncnorm包

library(truncnorm)

set.seed(1); x=rtruncnorm(30, a=0, b=Inf, mean=0.1, sd=3) # 用a和b指定数值范围。由于指定最小值为0，所以结果不包含小于0的数值

## 将各项等长的列表转化成矩阵

L=list(1: 5, 11: 15, 21: 25)

do.call(rbind, L)

do.call(cbind, L) # list2DF(L)可生成数据框

## 将列表中的矩阵或数据框进行合并

m1=data.frame(x=1: 5, y=6: 10)

m2=matrix(21: 28, ncol=2)

colnames(m2)=c("x", "y") # 当把一个数据框跟其他数据框或矩阵合并时，应确保二者有相同的列标题

L=list(m1, m2)

do.call(rbind, L)

## 将矩阵或数据框转化成列表

m=matrix(1: 12, nrow=3)

asplit(m, 1) # 按行转化

asplit(m, 2) # 按列转化

dat=data.frame(m, character=letters[1: 3]) # 注意当各列的类型不同时的结果

asplit(dat, 2)

## 获得所有可能组合并组成数据框

y=expand.grid(1: 3, 1: 5) # 注意列标题

y=expand.grid(m=1: 3, n=c("a", "b"), strings As Factors=FALSE)

## 交叉表（matrix对象或table对象）转化成数据框

mat=matrix(c(20, 50, 0, 100, 0, 7), nrow=3, dimnames=list(c("r1","r2", "r3"), c("c1", "c2")))

dat=as.data.frame(as.table(mat)) # 如果mat已经是table对象，则直接使用as.data.frame

dat2=dat[dat$Freq != 0, ] # 有时需要去掉有0值的行

## 数据框转化成交叉表

dat=expand.grid(subject=letters[1: 4], object=letters[24: 26])

dat=data.frame(dat, freq=101: 112)

dat=dat[-10, ] # 假设第10行所代表的组合不存在

tapply(dat$freq, INDEX=list(dat$subject, dat$object), FUN=

function(x) x) # 不存在的组合的频数以NA表示

## tibble包生成的数据框

# ggplot系统既可使用data.frame数据框，又可使用由tibble包生成的数据框。后者在各列的对象类型等方面提供了更多灵活性

library(tibble)

x1=1: 3

x2="abc"

x3=list(e1=1: 5, e2=letters[1: 4], e3=matrix(1: 10)) # 第3列是一个列表(www.xing528.com)

x4=list(matrix(1: 8)) # 第4列是一个重复单一值的列表

dat=tibble(x1, x2, x3, x4)

class(dat) # "tbl_df" "tbl" "data.frame"

## 数据框合并

# 以下两个数据框，记录了若干国家的两个随机生成的指标值，我们需要把它们整合成一个表格。要注意的问题是：第一，两个数据框中，国家的排列顺序不一样;第二，有的国家只出现在一个数据框中；第三，有的指标包含缺失值。不过以上问题并不影响我们用merge函数进行合并

dat1=read.csv("index1.csv"); dat2=read.csv("index2.csv") # 课件中的文件

res=merge(dat1, dat2, by="country", all.x=TRUE, all.y=TRUE) # by为合并所依据的变量，在本例中就是国家名。all.x和all.y表示是否要求最终结果包含那些只出现在了一个数据框中的个案

## 数据框变形

# 本例使用的随机生成数据wide1.csv包含3列，第1列是月份，第2列是受访者各月食品支出，第3列是各月交通支出。由于ggplot系统只接受特定形式的数据,我们现在需要重构这个数据框，并要求，新的数据框的第1列仍然是月份，第2列是支出类别，第3列是具体的数值。我们用reshape2包中的melt完成这个操作。

library(reshape2)

dat=read.csv("wide1.csv", row.names=1) # 课件中的文件

# melt的第1个参数是待处理的数据框。id.vars相当于为采样所作的编号，本例中的数据是按月采样的，所以数据中的"month"一列记录的就是这个编号；假如数据框本身不包含这样的列，可手动用1: nrow(dat)生成一列。measure.vars则是所有记录具体数值的列

long=melt(data=dat, id.vars="month", measure.vars=c("food","transportation"))

# dcast的功能刚好相反：假如我们手中的数据是上边的long数据框，但却需要把它变成食品支出占一列，交通支出占一列的形式，就需要用dcast。value.var用于指定存放具体数值的那一列。formula参数（赋值时不要加引号）的设置方法是：波浪线左边是采样编号，在本例中就是"month"一列，波浪线右边是数值的类别,在本例中就是"variable"一项。

wide=dcast(data=long, formula=month~variable, value.var="value")

# 当数据包含两个采样编号时，我们仍可使用melt和dcast。数据wide2.csv用"subject"一列注明了数据来自哪个受访者，因此这个数据的采样编号来自"month"和"subject"这两列

dat=read.csv("wide2.csv", row.names=1) # 课件中的文件

long=melt(data=dat, id.vars=c("month", "subject"), measure. vars=c("food", "transportation"))

wide=dcast(data=long, formula=month+subject~variable, value. var="value")

## 显示大数值

x=c(1234567, 123456, 123)

format(x, big.mark=", ")

# [1] "1, 234, 567" " 123, 456" " 123"

## 自动换行：对于单词中间有空格的文字，每当字符达到一定数量时，自动插入换行符（对字间无空格的中文无效）

library(scales)

f=wrap_format(width=15) # 这个函数生成的结果是另一个函数，width参数用来指定每行的长度

mytext="You must use more lines to display a very long label."

f(mytext)

# [1] "You must use\nmore lines to\ndisplay a very\nlong label."

## 将整数变为序数字符

library(scales)

scales::ordinal(1: 30)

# [1] "1st" "2nd" "3rd" "4th" ...

## 保留特定位数的小数，并把结果转化为字符

library(plothelper)

x=c(12, 12.3, 12.34, 12.345, 12.3456)

round_text(x, 2)

# [1] "12.00" "12.30" "12.34" "12.35" "12.35"