下载掌阅APP，畅读海量书库
立即打开
数据框（Data Frame）是机器学习中用得最多的一种数据结构，数据框由多行多列组成，每列是同一种数据类型，但不同列的数据类型可以不同（与矩阵类型的区别），类似JDBC编程中数据集对象RecordSet。机器学习很多算法和数据预处理函数都是围绕Data Frame展开，R语言和Python Pandas有深入的支持，就如同MATLAB等科学计算软件以向量/矩阵为中心。在R语言中，既支持向量、矩阵、字符串、列表（List）等常见数据类型，也提供了因子（Factor）数据类型，解决名义变量（例如性别）和有序变量（例如报警等级）在机器学习中的特别处理要求，例如，因子量不能像连续变量那样参与四则运算，在存储效率上Factor比原始的变量类型（特别是字符串）更高。
数据框的基本操作包括：数据框创建、维度信息查看、排序、子集选择/查询、数据集修改、数据集统计/整合等单数据框操作，以及两个数据框的合并，见表2-1。详细的函数列表可以参阅R语言的dplyr包 [1] 和Python Pandas [2] 的备忘清单（Cheat Sheet）。
这些操作函数是数据分析的基础，需要熟练灵活掌握。关于R语言和Python Pandas，已经有很多优秀的图书，例如《R语言实战》 [3] 《R语言核心技术手册》 [4] 《R数据科学》 [5] 和《Python数据科学手册》 [6] ，对于一些高级用法，可以参阅《高级R语言编程指南》 [7] 和《R的极客理想：工具篇》 [8] 。
表2-1 数据框的基本操作
除了base、stats等基础包外，R还提供了dplyr、tidyr、tidyverse、magrittr等包方便数据框的处理。具体函数本节不做重复性的介绍。但有些常用函数需要特别注意，例如，is.na研判NA数值、complete.cases用来判断每行记录数据是否完整、pmax常用来在矩阵求每行的多列的最大值、cumsum是向量的累积求和（可以用来算累积时长）。另外，各种apply函数简洁表达一些循环计算。reshape2包的melt、各种cast函数在一些数据框的处理中经常采用（例如ggplot2包画图时不同类别用不同颜色，通常在数据框中做加工）。
画图是数据分析的一个重要部分。R的基础画图本身就比较丰富，语法结构与经典科学计算软件类似，是一种命令式（Imperative）方式，不同的函数对应不同的图形形式，图形的坐标数据向量作为参数传给函数。ggplot画图体系是一种语法声明式（Declarative）的形式，以数据框为数据源，将不同图形元素或表现与数据框的列关联，实现不同的可视化。Python里面的matplotlib、seaborn包也是命令式的，plotnine是最近发展的一个类似ggplot的包。
《R语言实战》 [3] 对R的基础图形做了详细的介绍，ggplot的介绍可参阅《R数据可视化手册 第2版》 [9] 。无论是基础图形系统还是ggplot2，都可以完成很多复杂或漂亮的图形，中间需要的是技巧、想象力和基础审美观。ggplot的很多配色在《R语言数据可视化之美：专业图表绘制指南》 [10] 中有很好的介绍，在线资源 [11] 有更多的例子。基础图形中有图形边距、坐标轴/坐标刻度显示形式等丰富的属性，巧妙组合可以实现很多可视化效果，唯一的限制只是我们的想象力。