从零开始学R数据分析，数据清洗

　　数据获取后不能直接对数据进行分析，＂脏数据＂会直接影响最终的数据结论，需要对数据进行初步的处理，本文主要讲解数据获取后数据清洗内容，主要包括缺失值处理、特殊字符处理、大小写转换、数据格式转化、重复值处理、数值替换，下面一起来学习。 示例工具：R x64 3.5.3、RStudio
　　本文讲解内容：数据清洗
　　适用范围：对于数据的初步清洗
　　案例演示需要创建一组数据表，生成数据表使用data.frame命令，与之前pandas生成数据表类似，生成的数据表如下，该数据包含空值、特殊字符、重复值等。 #手动创建数据表 data<-data.frame(ID=c(＂c001＂,＂c002＂,＂c003＂,＂c004＂,＂c005＂,＂c006＂,＂c007＂,＂c008＂,＂c009＂,＂c0010＂),                              NAME=c(＂Rmesh＂,＂Khilan＂,＂Kaushik＂,＂Chaitali＂,＂Hardik＂,＂Komal＂,＂Tom＂,＂Muffy＂,＂Susan＂,＂Kevin＂),                              AGE=c(23,20,23,25,27,24,26,31,26,30),                              ADDRESS=c(＂Ahmed＂,＂Delhi＂,＂Kota＂,＂Mumbai＂,＂Bhopal＂,＂MP-A＂,＂MP-B＂,＂Indore＂,＂JP-No.1＂,＂JP-No.2＂),                              SAL=c(2000,1500,2000,NA,8500,NA,5500,9500,NA,900))
　　一、缺失值处理
　　缺失值处理可以直接删除空值或者对空值进行填充，缺失值填充有用0填充或者用均值填充等方法，删除数据表中的空值使用na.omit()函数，数据结果如下所示。 #删除包含空值的行 data_NA<-na.omit(data)
　　除此之外也可以使用数字对空值进行填充，下面的代码使用0对空值字段进行填充。 #将空值填充为0 data[is.na(data)] <- 0
　　除了使用0填充外，还可以使用均值填充，首先，在要填充的数值中使用mean()函数先计算SAL列当前的均值，然后，使用这个均值对NA进行填充，计算出SAL列的平均值如下： mean(data_NA$SAL)
　　#将空值填充为均值 data[is.na(data)] <- mean(data_NA$SAL)
　　二、特殊字符处理
　　特殊字符处理如字符前无法察觉的空格，有时候也会产生不可避免的错误，需要数据清洗。
　　处理字符前的空格，首先需要安装raster和sp包，当界面出现sccessfully的字样时，表示已经安装成功，然后加载这两个包。 #安装raster和sp包 install.packages(＂raster＂) install.packages(＂sp＂) #加载raster和sp包 library(＂sp＂) library(＂raster＂)
　　去除字符前空格需要使用trim函数，如果对于trim函数的参数释义不熟悉的话，可以调用帮助文档，在函数前加个问号即可调用。 #调用trim函数的帮助文档 ?trim
　　加载完成后使用trim()函数完成对字符中空格的清洗。 #去SAL字段中的空格并替换原有字段 data_address=as.vector(data$ADDRESS) df_A=trim(data_address) data$SAL=df_A
　　三、大小写转换
　　R中使用tolower函数将大写转化为小写，将NAME列的所有字母大写转换为小写，得出结果如下。 #转化为小写字母 data$NAME=tolower(data$NAME)
　　四、数据格式转化
　　R中通过as.integer()函数或者as.character来修改数据格式，首先使用typeof函数查看数据类型，这里可以看到AGE这一列是数值类型。 #查看数据的格式 typeof(data$AGE)
　　as.integer()函数将数据格式转化为整型。 #更改数据格式 data$AGE=as.integer(data$AGE) #查看修改后的数据格式 typeof(data$AGE)
　　as.character()函数将数据格式转化为字符型。 #更改数据格式 data$AGE=as.character(data$AGE) #查看修改后的数据格式 typeof(data$AGE)
　　五、重复值处理
　　要查看重复值使用duplicated()函数，不仅可以查找数据表的重复值，而且也可以查找特定列中的重复值，返回值为TRUE表示有重复值 。 #查找数据表重复值 duplicated(data) #查找特定列的重复值 duplicated(data$SAL)
　　使用unique()函数删除重复值。 #查看数据表的唯一值（删除重复值） data_unique<-unique(data$SAL)
　　六、数值替换
　　要做数值替换，比如将NAME列的Tom替换为LIMING，可以使用gsub函数，替换的结果如下所示。 #字符替换 data$NAME<-gsub(＂Tom＂,＂LIMING＂,data$NAME)