Skip to content

Latest commit

 

History

History
164 lines (112 loc) · 5.65 KB

Rworkshop2017GZ.md

File metadata and controls

164 lines (112 loc) · 5.65 KB

2017年11月18日 广州 R 语言工作坊

本文档用于第4界大数据传播论坛的 R 语言工作坊的相关说明。

软件安装

安装基础软件

安装 R ，安装 RStudio，安装 Rtools （Windows）或 XQuartz （Mac）。

软件及相关数据见以下链接：

链接：http://pan.baidu.com/s/1geV3FcJ

密码：4i7p

录屏已上传。

安装 R 包

install.packages("tidyverse")

安装完成后，加载该包。

library(tidyverse)

基本任务

  • R 中的数据结构
  • R 中的数据导入
  • R 的基础操作
  • 利用 dplyr 包进行数据管理
    • 新增变量
    • 选择变量
    • 筛选观测
    • 数据排序
    • 随机抽样
    • 分组统计
    • 管道操作
  • 利用 stringr 包进行文本数据分析
    • 基本字符串函数
    • 正则表达式基础

在线教程

  • 《定量群学》微信公众号的系列推文
  • 本人微信朋友圈的系列转载（微信号：nkluxk）
  • 详细内容点击此处的 GitHub 库

参考教材

相关展示代码

录屏已上传。将下列代码，拷至 R Script 或 RStudio 中，设定相关的工作目录后，即可察看效果。

# 总体说明：所有文件默认放置于当前工作夹中

# setwd() # 设定工作目录，例如setwd("C:\\xkdog")或setwd("C:/xkdog")
# getwd() # 查看当前工作目录


## Topic 1：修改文件名

# 如何修改文件名：单个文件夹修改

a <- list.files()  # 列示文件夹内的文件
b <- paste(2016, a, sep = "-") # 拼接向量 2016 与 a 
file.rename(a, b) # 重命名文件


# 如何修改文件名：多个文件夹修改

# 视自身文件夹路径而定，注意文件夹宜全为英文


x <- list.files() # 列示文件夹内的文件
y <- paste(getwd(), x, sep = "") # 拼接当前工作路径与 x 
rename = function(a, b) 
{
  for (i in 1:length(b))
  {
    setwd(b[i])
    c <- list.files()
    d <- paste(a[i], c, sep = "-")
    file.rename(c, d)
    print(list.files())
  }
}  # 定义重命名函数
rename(x, y) # 利用重命名函数进行重命名


# Topic 2：计算多道选择题的错误率

library(dplyr) # 载入 dplyr 包，以便进行数据框操纵
pci_rate_clean <- read.csv("pci_rate_clean.csv") # 读入数据
pci_rate_clean_TF <- pci_rate_clean == 1 # 取值为1定义为TRUE，否则为FALSE
TF <- function(x) { sum(x) / length(x) } # 定义正确率函数
error_rate_p <- apply(pci_rate_clean_TF, 1, TF) # 求个体正确率，长度同个体数
error_rate_q <- apply(pci_rate_clean_TF, 2, TF) # 求每道题的正确率，长度同题目数
result <- bind_cols(pci_rate_clean, 
                    error_rate_p = error_rate_p) # 把个体正确率并入数据框
TF(result$error_rate_p > 0) # 计算至少做错一道误的个体占总体的比率

# Topic 3：dplyr 与 stringr 文本数据处理

library(readxl) # 载入 readxl 包，以便读入 Excel 文件
library(dplyr) # 载入 dplyr 包，以便进行数据框操纵
library(stringr) # 载入 stringr 包，以便进行字符串操纵
x <- read_excel("PDSurveyBasic.xlsx") # 读入数据
mins <-
  str_extract(x$time2, "[:digit:]+") %>% as.numeric # 提取纯数字文本，并转为数值型向量
x_new <- mutate(x, mins = round(mins / 60)) %>%
  filter(mins <= 60,
         mins >= 10,
         relationship > 1,
         student > 1) # 生成新变量mins，并将其单位转为分；同时，根据提前设置的规则选定有效被试
round(nrow(x_new) / nrow(x), 2) # 计算有效样本量，并保留两位小数


## 以下用于提取 IP 地址呈现的地理位置信息

ip.location <-
  str_extract(x_new$ip, "(?<=\\().*(?=\\))") %>%
  str_split("-", n = 2, simplify = TRUE) %>%
  as_tibble %>% 
  transmute(province = .[[1]], city = .[[2]])
  

## 修改数据框，使之更为清洁

clean.data <-
  select(x_new,-ip) %>% 
  bind_cols(ip.location) %>%
  as_tibble

## 按先省份、再城市的方式，以各城市内的有效被试人数进行降序列表

y <-
  group_by(ip.location, province, city) %>%
  count() %>%
  arrange(desc(n))
y