本篇介紹如何在 R 環境中，管理與操作各種資料，在實際進行分析之前，做一些前置性的準備動作。

在統計分析的過程中，我們時常會需要對資料進行一些前置處理，例如刪除或萃取部分資料、以及資料的排序等，這些動作也可以在匯入 R 之前，使用 Excel 這類的軟體來先進行處理，不過使用 Excel 來處理的話，每次選擇資料時就需要將資料重新匯入 R，處理步驟比較繁雜，另外如果資料量太大，可能也會無法使用 Excel 來處理，因此學習如何在 R 環境中進行基本的資料處理是有必要的。

許多初學者可能會認為在 R 環境中處理資料是很困難的事情，但是一旦學會了這些技巧之後，許多在 Excel 中很惱人的資料處理動作，也都可以在 R 中完成，甚至更快速而且更輕鬆。

R 存取 Data Frame 的資料

首先將 squid.txt 這個檔案讀取進來：

setwd("C:/YOUR_PATH/")
Squid <- read.table(file = "squid.txt", header = TRUE)

由於大部份的 R 函數都是使用 data frame 來存取資料，所以一般建議是盡量使用 read.table 來讀取資料，而不要用 scan。

將資料讀取進來之後，我們可以使用 names 來查看資料的欄位：

names(Squid)

輸出會像這樣：

[1] "Sample"   "Year"     "Month"    "Location" "Sex"      "GSI"

str 函數

str 函數（structure）可以顯示 data frame 中所有欄位的資訊：

str(Squid)

輸出為：

'data.frame':	2644 obs. of  6 variables:
 $ Sample  : int  1 2 3 4 5 6 7 8 9 10 ...
 $ Year    : int  1 1 1 1 1 1 1 1 1 1 ...
 $ Month   : int  1 1 1 1 1 1 1 1 1 2 ...
 $ Location: int  1 3 1 1 1 1 1 3 3 1 ...
 $ Sex     : int  2 2 2 2 2 2 2 2 2 2 ...
 $ GSI     : num  10.44 9.83 9.74 9.31 8.99 ...

我們可以從這個輸出中看出來，Sample、Year、Month、Location 與 Sex 都是整數（int），而 GSI 則是數值（num）。假設我們不小心輸入錯誤指令：

Squid2 <- read.table(file = "squid.txt", dec = ",", header = TRUE)

雖然資料還是可以正常讀取進來，而且沒有錯誤訊息，但是用 str 檢查資料時，就會發現問題：

str(Squid2)

輸出為

'data.frame':	2644 obs. of  6 variables:
 $ Sample  : int  1 2 3 4 5 6 7 8 9 10 ...
 $ Year    : int  1 1 1 1 1 1 1 1 1 1 ...
 $ Month   : int  1 1 1 1 1 1 1 1 1 2 ...
 $ Location: int  1 3 1 1 1 1 1 3 3 1 ...
 $ Sex     : int  2 2 2 2 2 2 2 2 2 2 ...
 $ GSI     : Factor w/ 2472 levels "0.0064","0.007",..: 1533 2466 2462 2445 2428 2407 2379 2308 2288 2247 ...

這裡 GSI 變數現在被視為一個 factor，如果使用這樣的資料進行後續的分析時（例如畫 boxplot 或計算平均數），就會出現錯誤：

mean(Squid$GSI)

[1] 2.187034
mean(Squid2$GSI)

[1] NA
Warning message:
In mean.default(Squid2$GSI) :
  argument is not numeric or logical: returning NA

在使用 R 分析資料時，常常很容易發生類似的問題，所以建議在讀取資料之後，記得要使用 str 檢查一下資料是否正確。

這裡我們有興趣的變數是 GSI，接下來我們想要看看 GSI 與其他變數之間的關係，而在實際建立模型之前，通常會先畫一些簡單的圖（如 boxplot、dot plot、scatter plot 與 pair plot 等），大略看一下資料的狀況。

目前 GSI 是儲存在 Squid 這個 data frame 中，以下有幾種可以存取 data frame 資料的方式，請繼續閱讀下一頁。

R 函數的 data 參數

在 R 中有許多函數都可以透過 data 參數來指定 data frame，例如線性回歸的 lm：

M1 <- lm(GSI ~ factor(Location) + factor(Year), data = Squid)

第一個參數是指定線性回歸的模型，我們在這裡尚不討論這個部分，而第二個參數就是以 data 參數指定 data frame 為 Squid，告知 R 迴歸模型中的變數是存在於這個 data frame 中。這種方式可以讓所有的資料都放在一個 data frame 中，除了方便管理之外，在資料變數很多的時候，也可以避免變數名稱互相衝突。

不過不是每一個常見的函數都支援 data 參數，例如 mean 就不支援：

mean(GSI, data = Squid)

這樣執行之後，就會產生錯誤：

Error in mean(GSI, data = Squid) : 找不到物件 'GSI'

通常我們可以查詢函數的線上手冊（help），來確認該函數使否有支援 data 參數，有些函數甚至在某些用法有支援，有些則沒有，例如 boxplot 就是這樣：

boxplot(GSI ~ factor(Location), data = Squid)

上面這行指令可以正常執行，不過換另外一種寫法，就會有問題：

boxplot(GSI, data = Squid)

執行這行指令會出現這樣的錯誤訊息：

Error in boxplot(GSI, data = Squid) : 找不到物件 'GSI'

基本上在函數有支援 data 參數的狀況下，使用 data 參數是最好的選擇，這樣可以讓命名空間比較乾淨一些。

錢字號（$）

對於沒有支援 data 參數的函數，可以改用錢字號（$）的方式來取用 data frame 的變數：

Squid$GSI

輸出為

   [1] 10.4432  9.8331  9.7356  9.3107  8.9926
   [6]  8.7707  8.2576  7.4045  7.2156  6.8372
  [11]  6.3882  6.3672  6.2998  6.0726  5.8395
[略]

在錢字號與變數名稱之間可以允許空白：

Squid $ GSI

但是習慣上不建議這樣寫，這樣看起來很奇怪。

另外也可以用指定欄位編號的方式來存取 data frame 中的變數，例如要取得 Squid 的第 6 欄：

Squid[, 6]

在實際使用時，不管哪一種方式都可以：

mean(Squid$GSI)
mean(Squid[, 6])

不過建議是使用 Squid$GSI，因為這種寫法比較清楚，經過一段時間之後若我們再回來看這個程式，Squid[, 6] 很容易讓人搞不清楚他到底是什麼，而 Squid$GSI 則是一看就知道他是什麼資料。

另外，還有另外一種寫法：

Squid[, "GSI"]

當 Squid$GSI 這種寫法無法使用時，就可以改用這種。

R 的 attach 函數

如果您不想要在每次使用變數時，都輸入 Squid$GSI 這樣累贅的名稱，我們可以使用 attach 函數將 Squid 納入 R 的搜尋路徑，這樣我們就可以直接使用 Squid 裡面的所有變數：

attach(Squid)
GSI

這時候任何函數也都可以直接取用這些變數：

boxplot(GSI)
mean(GSI)

雖然 attach 看起來很方便，但是如果要 attach 的變數名稱已經事先存在於全域變數中的話，就會產生問題，或是同時 attach 兩個有同樣變數名稱的 data frame 的話也會出問題，另外 attach 的變數名稱亦不可以跟既有的 R 關鍵字或是函數名稱相同（例如變數名稱如果取為 time，就會與 time 函數衝突），如果發生名稱衝突的問題時，您會發現 R 可能不會如您預期的那樣存取指定的變數資料。

如果要將特定的 data frame 從搜尋路徑中移除，可以使用 detach：

detach(Squid)

如果您一次只需要使用一個 data frame，並且小心運用 attach 與 detach，它會是一個很方便的功能，不過只限於研究與測試的情況，若要撰寫指令稿、發展正式的程式專案時，建議還是盡量避免這樣使用，以免未來城市結構變複雜時，發生變數名稱衝突的問題。

以下是 attach 使用上需要注意的重點整理：

  1. 不要重複執行 attach(Squid)，以免變數名稱重複。
  2. 確保變數名稱都有一定的獨特性，盡量避免太過於一般性的名稱，例如 Month 或 Location。
  3. 如果需要 attach 多個 data frame，但是一次只使用到一個 data frame，那麼建議將沒有用到的 data frame 先行 detach。

Exercise 1

bird-flu.csv 這個檔案中記錄了數個國家 H5N1 禽流感的年度確診病例，這些資料是由各個國家回報給世界衛生組織（WHO）後所統計出來的，請依下列步驟分析這些資料：

  1. 將這些資料以 read.table 讀進 R 中。
  2. 使用 names 與 str 檢查資料。
  3. 列出 2003 年各國的確診病例數目。
  4. 計算 2003 年與 2005 年確診病例總數。
  5. 計算 China 與 Turkey 的確診病例總數。

R 資料的子集合（Subsets）

接下來我們要介紹如何從 Squid 這個 data frame 中萃取部分的資料出來，這個資料篩選的方式可以適用於任何的 data frame。

假設我們想要篩選出所有性別欄位（Sex）是男性或女性的資料，首先我們先看一下 Sex 裡面的資料：

Squid$Sex

資料大概是這個樣子：

   [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
  [20] 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2
  [39] 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2
[略]

由於資料筆數很多，很難看出到底有哪一些值，我們可以用 unique 來將重複的數值去掉：

unique(Squid$Sex)

輸出為

[1] 2 1

這裡的 1 代表男性，而 2 代表女性，若要篩選出男性的資料，可以執行：

Sel <- Squid$Sex == 1
SquidM <- Squid[Sel, ]
SquidM

輸出為

     Sample Year Month Location Sex    GSI
24       24    1     5        1   1 5.2970
48       48    1     5        3   1 4.2968
58       58    1     6        1   1 3.5008
60       60    1     6        1   1 3.2487
61       61    1     6        1   1 3.2304
[略]

這裡的第一行 Squid$Sex == 1 會檢查 Sex 的每一個值是否為 1，產生一個跟 Sex 一樣長度的向量，若 Sex 對應的值為 1，則產生 TRUE，若 Sex 的值不是 1，則產生 FALSE，而這樣的向量稱為布林向量（boolean vector），在篩選資料時通常都會透過這樣的方式來指定子集合，因此我們將這個向量名為 Sel。

第二行的 Squid[Sel, ] 是選擇所有 Sel 的值為 TRUE 的資料，並將這些資料儲存在 SquidM 中。

我們也可以將第一行與第二行合併，寫成：

SquidM <- Squid[Squid$Sex == 1, ]
SquidM

若要篩選出女性的資料，可以執行：

SquidF <- Squid[Squid$Sex == 2, ]
SquidF

這種透過布林向量篩選資料的方法可以用在非常多的地方，我們接下來想要根據 Location 這個欄位來篩選資料，首先看一下 unique 的結果：

unique(Squid$Location)

輸出為

[1] 1 3 4 2

如果我們想要篩選出 Location 是 1、2 或 3 的資料，可以有以下幾種方式：

Squid123 <- Squid[Squid$Location == 1 | Squid$Location == 2 | Squid$Location == 3, ]
Squid123 <- Squid[Squid$Location != 4, ]
Squid123 <- Squid[Squid$Location < 4, ]
Squid123 <- Squid[Squid$Location <= 3, ]
Squid123 <- Squid[Squid$Location >= 1 & Squid$Location <= 3, ]

第一行是利用 OR 運算子（|），將三個 == 的判斷結果結合起來，而第二行是直接判斷 Location 是否不等於（!=）4，第三行與第四行則是使用「小於」（<）以及「小於或等於」（<=）來判斷，最後一行則是將兩個判斷結果用 AND 運算子（&）結合，在這個例子中不管用哪一種寫法都可以獲得同樣的結果。

我們也可以同時使用多個欄位來產生布林向量，例如選擇 Sex 為 1 而且 Location 為 1 的資料：

SquidM.1 <- Squid[Squid$Sex == 1 & Squid$Location == 1,]

選擇 Sex 為 1 而且 Location 為 1 或 2 的資料：

SquidM.12 <- Squid[Squid$Sex == 1 & (Squid$Location == 1 | Squid$Location == 2), ]

有些初學者在產生布林向量時，很容易犯下這樣的錯誤：

SquidM <- Squid[Squid$Sex == 1, ]
SquidM1 <- SquidM[Squid$Location == 1, ]
SquidM1

輸出會像這樣：

        Sample Year Month Location Sex
24          24    1     5        1   1
58          58    1     6        1   1
[略]
NA          NA   NA    NA       NA  NA
NA.1        NA   NA    NA       NA  NA
NA.2        NA   NA    NA       NA  NA
[略]

這裡的第一行篩選出所有男性的資料，並儲存至 SquidM，因此 SquidM 的資料筆數會小於原來 Squid 的資料筆數（假設 Squid 中有女性的資料），因此在第二行中 Squid$Location==1 的長度會比 SquidM 的資料筆數還要多，多出來的部分就會以 NA 遞補，因此產生這樣奇怪的結果。若要修正這個錯誤，應該要改成這樣：

SquidM <- Squid[Squid$Sex == 1, ]
SquidM1 <- SquidM[SquidM$Location == 1, ]
SquidM1

另外如果沒有任何資料符合篩選的條件，狀況會類似這樣：

Squid[Squid$Location == 1 & Squid$Year == 4 & Squid$Month == 1, ]

輸出為

[1] Sample   Year     Month    Location
[5] Sex      GSI
 (or 0-length row.names)

R 資料的排序（Sorting）

除了資料的篩選之外，排序也是一個很常會使用到的功能，以 Squid 的資料為例，我若我們希望資料可以依據 Month 的數值大小由小到大排序，可以執行：

Ord1 <- order(Squid$Month)
Squid[Ord1, ]

這樣整個資料就會依照月份來排序：

     Sample Year Month Location Sex     GSI
1         1    1     1        1   2 10.4432
2         2    1     1        3   2  9.8331
3         3    1     1        1   2  9.7356
[略]

在重新排序資料列（rows）時，記得要將 Ord1 放在逗號的前面。除此之外，我們也可以只針對特定的資料欄位排序，例如：

Squid$GSI[Ord1]

輸出為：

   [1] 10.4432  9.8331  9.7356  9.3107
   [5]  8.9926  8.7707  8.2576  7.4045
   [9]  7.2156  6.3882  6.0726  5.7757
  [13]  1.2610  1.1997  0.8373  0.6716
[略]

Exercise 2

ISIT.txt 檔案中儲存一些關於生物發光（bioluminescent）的資料，請依下列步驟分析這些資料：

  1. 將 ISIT.txt 的資料讀進 R 中。
  2. 將 Station 為 1 的資料篩選出來，計算 Station 為 1 的資料筆數。
  3. 使用 Station 為 1 的資料計算 SampleDepth 的最小值、中位數、平均數與最大值。
  4. 分別計算 Station 為 2 與 3 的 SampleDepth 的最小值、中位數、平均數與最大值。
  5. 找出資料筆數相對比較少的 Station，將這些 Station 的資料拿掉後，建立一個新的 data frame。
  6. 篩選出 2002 年所有的資料。
  7. 篩選出所有四月份的資料。
  8. 篩選出所有 SampleDepth 大於 2000 的資料。
  9. 篩選出所有四月份且 SampleDepth 大於 2000 的資料。
  10. 將資料依照 SampleDepth 排序（由小到大）。

R 結合兩個資料表

目前為止我們看到的範例資料都是儲存在單一檔案中，但有些時候狀況可能沒有那麼單純，在實際的資料分析上，我們可能會遇到資料散佈在多個檔案中的狀況，而不同檔案中的資料有不同的欄位，靠著其中一個資料編號或 ID 的欄位互相連結，遇到這樣的資料時，我們就必須先把多張資料表合併，才能繼續後續的分析工作。

假設我們現在拿到兩個資料表，資料的欄位如下，第一個資料表有 Sample 與 GSI 兩個欄位。

Squid1 資料表

第二個資料表有 Sample、YEAR、MONTH、Location 與 Sex 這幾個欄位。

Squid2 資料表

兩個資料表同時都有 Sample 這個欄位，我們要做的事情就是依照 Sample 的編號，將兩個資料表合併整的表格，以利後續的分析。

在實務上這樣兩個資料表的資料筆數不一定相同，最常發生的狀況就是有一些資料不小心搞丟了，或是因為某些原因無法取得，我們故意將 Squid2 這個資料表的第 4 筆資料刪掉，以模擬這樣的狀況。

R 裡面的 merge 函數就是特別為了處理這樣的問題而設計的，首先將兩個資料表讀進 R 中：

Sq1 <- read.table(file = "squid1.txt", header = TRUE)
Sq2 <- read.table(file = "squid2.txt", header = TRUE)

接著使用 merge 合併：

SquidMerged <- merge(Sq1, Sq2, by = "Sample")
SquidMerged

輸出為：

     Sample     GSI YEAR MONTH Location Sex
1         1 10.4432    1     1        1   2
2         2  9.8331    1     1        3   2
3         3  9.7356    1     1        1   2
4         5  8.9926    1     1        1   2
5         6  8.7707    1     1        1   2
6         7  8.2576    1     1        1   2
[略]

merge 函數的第一、二個參數是指定要合併的資料表，而 by 參數則是指定資料辨識的依據欄位。預設的狀況下，merge 會將有缺失值的資料忽略，所以上面這樣產生的資料並不會包含 Sample 為 4 的那一筆資料。我們可以將 all 參數設定為 TRUE（預設為 FALSE），讓含有缺失值的資料也一併被保留。

SquidMerged <- merge(Sq1, Sq2, by = "Sample", all = TRUE)
SquidMerged

輸出為：

     Sample     GSI YEAR MONTH Location Sex
1         1 10.4432    1     1        1   2
2         2  9.8331    1     1        3   2
3         3  9.7356    1     1        1   2
4         4  9.3107   NA    NA       NA  NA
5         5  8.9926    1     1        1   2
6         6  8.7707    1     1        1   2
7         7  8.2576    1     1        1   2
[略]

第 4 筆資料的缺失值會以 NA 來表示。

R 匯出資料

R 所提供的 write.table 函數可以將 R 中的資料匯出至檔案，以 ASCII 的格式儲存，以利資料的交換或傳送。假設我們要將 Squid 的男性資料篩選出來，儲存成檔案，可以執行：

SquidM <- Squid[Squid$Sex == 1, ]
write.table(SquidM, file = "MaleSquid.txt", sep = " ", quote = FALSE, append = FALSE, na = "NA")

write.table 的第一個參數是指定要匯出的資料變數，file 參數是檔案名稱，sep 是指定欄位分隔字元（這裡是使用空白），quote = FALSE 是設定不要加入引號，na 則是指定缺失值的表示方法。如果要匯出的檔案已經存在時，加入 append = FALSE 可以把就的檔案內容直接覆蓋掉，如果將 append 指定為 TRUE，則會將資料附加在既有的檔案內容之後。

上面的指令執行之後，輸出的檔案內容為：

Sample Year Month Location Sex GSI
24 24 1 5 1 1 5.297
48 48 1 5 3 1 4.2968
58 58 1 6 1 1 3.5008
60 60 1 6 1 1 3.2487
61 61 1 6 1 1 3.2304
62 62 1 5 3 1 3.2263
63 63 1 6 1 1 3.1848
[略]

如果要讓資料可以直接給 Excel 讀取，可以使用逗號作為分隔字元來產生 CSV 檔：

write.table(SquidM, file = "MaleSquid.csv", sep = ",", quote = FALSE, append = FALSE, na = "NA")

quote 設定為 TRUE 可以讓欄位名稱與類別資料加上引號，有時候這樣可以避免特殊字元造成的解析錯誤。

write.table(SquidM, file = "MaleSquid.csv", sep = ",", quote = TRUE, append = FALSE, na = "NA")

加上 sep = "," 與 quote = TRUE 的檔案輸出內容會像這樣：

"Sample","Year","Month","Location","Sex","GSI"
"24",24,1,5,1,1,5.297
"48",48,1,5,3,1,4.2968
"58",58,1,6,1,1,3.5008
"60",60,1,6,1,1,3.2487
"61",61,1,6,1,1,3.2304
"62",62,1,5,3,1,3.2263
"63",63,1,6,1,1,3.1848
[略]

使用 write.table 所產生的 CSV 雖然可以用 Excel 直接開啟，不過在用 Excel 打開之後，第一列會少掉第一欄的名稱：

Excel 讀取 CSV 檔

這裡我們需要自己手動將第一列的名稱往右移動一格，修正欄位名稱的對應，才會得到正確的表格。

修正欄位名稱

Exercise 3

在 Exercise 2 中，我們已經將所有四月份且 SampleDepth 大於 2000 的資料篩選出來了，請繼續使用 write.table 函數，將這些檔案匯出至檔案中。

R 的類別資料

前面我們曾經使用 str 函數查看 Squid 的資料欄位資訊：

str(Squid)

'data.frame':	2644 obs. of  6 variables:
 $ Sample  : int  1 2 3 4 5 6 7 8 9 10 ...
 $ Year    : int  1 1 1 1 1 1 1 1 1 1 ...
 $ Month   : int  1 1 1 1 1 1 1 1 1 2 ...
 $ Location: int  1 3 1 1 1 1 1 3 3 1 ...
 $ Sex     : int  2 2 2 2 2 2 2 2 2 2 ...
 $ GSI     : num  10.44 9.83 9.74 9.31 8.99 ...

其中 Location 是以 1、2、3 或 4 來表示，而 Sex 則是使用 1 與 2 來表示，這樣的資料都是屬於典型的類別資料，若是在 Excel 中，我們可以很容易地將 Sex 寫成 male 與 female，這樣可以更容易辨識資料所代表的意義，在 R 中也可以做類似的處理，將類些資料轉為類別性資料：

Squid$fLocation <- factor(Squid$Location)
Squid$fSex <- factor(Squid$Sex)

R 的 factor 是專門用來儲存類別性資料的一種變數型態，我們利用 factor 函數來將 Location 與 Sex 轉為 factor，儲存在新的資料表欄位中，我們可以看一下 fSex 這個 factor 的資料：

Squid$fSex

輸出為

   [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
  [19] 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2
  [37] 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2
[略]
[2611] 1 2 1 1 2 1 1 2 1 2 2 1 1 1 1 1 1 1
[2629] 1 1 2 1 1 1 2 1 2 1 2 1 2 1 1 1
Levels: 1 2

最後一行的 Levels: 1 2 表示 fSex 有兩種類別，分別為 1 與 2，而 factor 內部的類別名稱是可以修改的：

Squid$fSex <- factor(Squid$Sex, levels = c(1, 2), labels = c("M", "F"))
Squid$fSex

輸出為：

   [1] F F F F F F F F F F F F F F F F F F
  [19] F F F F F M F F F F F F F F F F F F
  [37] F F F F F F F F F F F M F F F F F F
[略]
[2611] M F M M F M M F M F F M M M M M M M
[2629] M M F M M M F M F M F M F M M M
Levels: M F

如此一來，所有的 1 就會以 M 表示，而 2 就會以 F 表示。

前面我們介紹過用簡單的判斷式篩選資料的方法：

SquidM <- Squid[Squid$Sex == 1, ]

而如果要使用 factor 的欄位進行篩選，輸入類別名稱時，記得要加上引號：

SquidM <- Squid[Squid$fSex == "M", ]

在 R 中的許多函數都可以直接讀取 factor 的資料，例如畫 box plot：

boxplot(GSI ~ fSex, data = Squid)

回歸分析也可以使用 factor 的變數：

M1 <- lm(GSI ~ fSex + fLocation, data = Squid)
summary(M1)

輸出為：

Call:
lm(formula = GSI ~ fSex + fLocation, data = Squid)

Residuals:
    Min      1Q  Median      3Q     Max
-3.4137 -1.3195 -0.1593  1.2039 11.2159

Coefficients:
            Estimate Std. Error t value
(Intercept)  1.35926    0.07068  19.230
fSexF        2.02481    0.09427  21.479
fLocation2  -1.85525    0.20027  -9.264
fLocation3  -0.14248    0.12657  -1.126
fLocation4   0.58756    0.34934   1.682
            Pr(>|t|)
(Intercept)   <2e-16 ***
fSexF         <2e-16 ***
fLocation2    <2e-16 ***
fLocation3    0.2604
fLocation4    0.0927 .
---
Signif. codes:
  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05
  ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.415 on 2639 degrees of freedom
Multiple R-squared:  0.1759,    Adjusted R-squared:  0.1746
F-statistic: 140.8 on 4 and 2639 DF,  p-value: < 2.2e-16
M2 <- lm(GSI ~ factor(Sex) + factor(Location), data = Squid)
summary(M2)

輸出為：

Call:
lm(formula = GSI ~ factor(Sex) + factor(Location), data = Squid)

Residuals:
    Min      1Q  Median      3Q     Max
-3.4137 -1.3195 -0.1593  1.2039 11.2159

Coefficients:
                  Estimate Std. Error
(Intercept)        1.35926    0.07068
factor(Sex)2       2.02481    0.09427
factor(Location)2 -1.85525    0.20027
factor(Location)3 -0.14248    0.12657
factor(Location)4  0.58756    0.34934
                  t value Pr(>|t|)
(Intercept)        19.230   <2e-16 ***
factor(Sex)2       21.479   <2e-16 ***
factor(Location)2  -9.264   <2e-16 ***
factor(Location)3  -1.126   0.2604
factor(Location)4   1.682   0.0927 .
---
Signif. codes:
  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05
  ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.415 on 2639 degrees of freedom
Multiple R-squared:  0.1759,    Adjusted R-squared:  0.1746
F-statistic: 140.8 on 4 and 2639 DF,  p-value: < 2.2e-16

除了 factor 函數之外，我們也可以使用 as.factor 這個函數將資料轉為 factor，而如果要將 factor 轉為數值，可以使用 as.numeric 函數，這個在畫圖的時候，要將不同類別的資料以不同顏色表示時，會很好用。

fLocation 的內容也是類似：

Squid$fLocation

輸出為

   [1] 1 3 1 1 1 1 1 3 3 1 1 1 1 1 1 1 3 1
  [19] 3 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
  [37] 1 1 1 3 1 1 1 1 3 1 1 3 1 1 1 1 1 1
[略]
[2611] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[2629] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Levels: 1 2 3 4

fLocation 有四個 levels，順序是由小到大，許多繪圖函數在使用 factor 時，會受到這個順序的影響，例如 boxplot 畫出來的圖形就是依照這個順序來排列的，必要的時候我們可以自行指定這個順序：

Squid$fLocation <- factor(Squid$Location, levels = c(2, 3, 1, 4))
Squid$fLocation

輸出為：

[1] 1 3 1 1 1 1 1 3 3 1 1 1 1 1 1 1 3 1
  [19] 3 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
  [37] 1 1 1 3 1 1 1 1 3 1 1 3 1 1 1 1 1 1
[略]
[2611] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[2629] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Levels: 2 3 1 4

改變 levels 的順序並不會影響實際的資料，不過對於 boxplot 這類的繪圖函數就會有一些差別：

boxplot(GSI ~ fLocation, data = Squid)

這樣畫出來的圖就會依照我們指定的順序來排列。

Exercise 4

接續使用 Exercise 2 的資料，進行下列步驟：

  1. 將 Month 與 Year 轉為 factor 後建立兩個新的欄位 fMonth 與 fYear。
  2. 使用新的 fYear 欄位篩選出 2002 年所有的資料。

總覽

下面這張表是本篇所介紹過的 R 函數總覽。

函數說明範例
write.table將資料匯出至 ASCII 檔案。write.table(MyTable, file = "output.txt")
order計算資料的排序向量。order(x)
merge合併兩個資料表。merge(x, y, by = "ID")
attach將資料表內的變數加入搜尋路徑。attach(MyData)
str顯示資料的內部結構。str(MyData)
factor建立 factor 變數。factor(x)