Файл: R_inferno.pdf

8.2. CHIMERAS

CIRCLE 8. BELIEVING IT DOES AS INTENDED

When the call to

data.frame

uses a tag (name) for an item, it is expected that

the corresponding column of the output will have that name. However, column
names that are already there take precedence.

Notice also that the data frames contain a factor column rather than char-

acter.

8.2.42

cbind favors matrices

If you

cbind

two matrices, you get a matrix. If you

cbind

two data frames, you

get a data frame. If you

cbind

two vectors, you get a matrix:

>

is.matrix(cbind(x=1:10, y=rnorm(10)))

[1] TRUE

If you want a data frame, then use the

data.frame

function:

>

dfxy <- data.frame(x=1:10, y=rnorm(10))

8.2.43

data frame equal number of rows

A data frame is implemented as a list. But not just any list will do—each
component must represent the same number of rows. If you work hard enough,
you might be able to produce a data frame that breaks the rule. More likely
your frustration will be that R stops you from getting to such an absurd result.

8.2.44

matrices in data frames

Let’s make two data frames:

>

ymat <- array(1:6, c(3,2))

>

xdf6 <- data.frame(X=101:103, Y=ymat)

>

xdf7 <- data.frame(X=101:103)

>

xdf7$Y <- ymat

>

xdf6

X Y.1 Y.2

1 101

1

4

2 102

2

5

3 103

3

6

>

xdf7

X Y.1 Y.2

1 101

1

4

2 102

2

5

3 103

3

6

>

dim(xdf6)

[1] 3 3
>

dim(xdf7)

[1] 3 2

100

8.3. DEVILS

CIRCLE 8. BELIEVING IT DOES AS INTENDED

They print exactly the same. But clearly they are not the same since they have
different dimensions.

>

xdf6[, ’Y.1’]

[1] 1 2 3
>

xdf7[, ’Y.1’]

Error in "[.data.frame"(xdf7, , "Y.1") :

undefined columns selected

>

xdf6[, ’Y’]

Error in "[.data.frame"(xdf6, , "Y") :

undefined columns selected

>

xdf7[, ’Y’]

[,1] [,2]

[1,]

1

4

[2,]

2

5

[3,]

3

6

xdf6

includes components

Y.1

and

Y.2

.

xdf7

does not have such components

(in spite of how it is printed)—it has a

Y

component that is a two-column matrix.

You will surely think that allowing a data frame to have components with

more than one column is an abomination. That will be your thinking unless,
of course, you’ve had occasion to see it being useful. The feature is worth the
possible confusion, but perhaps a change to printing could reduce confusion.

8.3

Devils

The most devilish problem is getting data from a file into R correctly.

8.3.1

read.table

The

read.table

function is the most common way of getting data into R.

Reading its help file three times is going to be very efficient time management if
you ever use

read.table

. In particular the

header

and

row.names

arguments

control what (if anything) in the file should be used as column and row names.

Another great time management tool is to inspect the result of the data you

have read before attempting to use it.

8.3.2

read a table

The

read.table

function does not create a table—it creates a data frame. You

don’t become a book just because you read a book. The

table

function returns

a table.

The idea of

read.table

and relatives is that they read data that are in a

rectangular format.

101

8.3. DEVILS

CIRCLE 8. BELIEVING IT DOES AS INTENDED

8.3.3

the missing, the whole missing and nothing but the
missing

Misreading missing values is an efficacious way of producing garbage. Missing
values can become non-missing, non-missing values can become missing, logi-
cally numeric columns can become factors.

The

na.strings

argument to

read.table

needs to be set properly. An

example might be:

na.strings=c(’.’, ’-999’)

8.3.4

misquoting

A quite common file format is to have a column of names followed by some
number of columns of data. If there are any apostrophes in those names, then
you are likely to get an error reading the file unless you have set the

quote

argument to

read.table

. A likely value for

quote

is:

quote=’’

This sounds like easy advise, but almost surely it is not going to be apparent
that quotes are the problem. You may get an error that says there was the
wrong number of items in a line. When you get such an error, it is often a
good idea to use

count.fields

to get a sense of what R thinks about your file.

Something along the lines of:

foo.cf <- count.fields(’foo.txt’, sep=’

\

t’)

table(foo.cf)

8.3.5

thymine is TRUE, female is FALSE

You are reading in DNA bases identified as A, T, G and C. The columns are
read as factors. Except for the column that is all T—that column is logical.

Similarly, a column for gender that is all F for female will be logical.

The solution is to use the

read.table

argument:

colClasses=’character’

or

colClasses=’factor’

as you like.

If there are columns of other sorts of data, then you need to give

colClasses

a vector of appropriate types for the columns in the file.

Using

colClasses

can also make the call much more efficient.

102

8.3. DEVILS

CIRCLE 8. BELIEVING IT DOES AS INTENDED

Figure 8.3: The treacherous to country and the treacherous to guests and hosts
by Sandro Botticelli.

103

8.3. DEVILS

CIRCLE 8. BELIEVING IT DOES AS INTENDED

8.3.6

whitespace is white

Whitespace is invisible, and we have a predilection to believe that invisible
means non-existent.

>

factor(c(’A ’, ’A’, ’B’))

[1] A

A

B

Levels: A A

B

It is extraordinarily easy to get factors like this when reading in data. Setting
the

strip.white

argument of

read.table

to

TRUE

can prevent this.

8.3.7

extraneous fields

When a file has been created in a spreadsheet, there are sometimes extraneous
empty fields in some of the lines of the file. In such a case you might get an
error similar to:

>

mydat <- read.table(’myfile’, header=TRUE, sep=’

\

t’)

Error in scan(file, what, nmax, sep, dec, quote, skip, :

line 10 did not have 55 elements

This, of course, is a perfect instance to use

count.fields

to see what is going

on. If extraneous empty fields do seem to be the problem, then one solution is:

>

mydat <- read.table(’myfile’, header=TRUE, sep=’

\

t’,

+

fill=TRUE)

>

mydat <- mydat[, 1:53]

At this point, it is wiser than usual to carefully inspect the results to see that
the data are properly read and aligned.

8.3.8

fill and extraneous fields

When the

fill

argument is

TRUE

(which is the default for

read.csv

and

read.delim

but not for

read.table

), there can be trouble if there is a variable

number of fields in the file.

>

writeLines(c("A,B,C,D",

+

"1,a,b,c",

+

"2,d,e,f",

+

"3,a,i,j",

+

"4,a,b,c",

+

"5,d,e,f",

+

"6,g,h,i,j,k,l,m,n"),

+

con=file("test.csv"))

>

read.csv("test.csv")

A B C D

104