R 變數與資料的管理

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)

繼續閱讀： 123456789