迷你課程:R語言-13~數據資料再訪

Quick look

這堂課程參考劍橋大學的課程 (Introduction to R for Biologists)，主要會示範如何從原始 CSV 檔案下載、載入並檢查資料，以及如何操作 data.frame 結構，包括：索引、子集、類別變數（factor）處理等。強化資料探索的基本能力，為後續資料分析打下基礎

課程前置準備：下載資料

download.file(url = "https://ndownloader.figshare.com/files/2292169",
              destfile = "data/portal_data_joined.csv")

這邊的url給的網址可以讓我們從fishare上下載檔案，而destfile是你需要設定的檔案下載位置。 檔案下載完成後，可在 RStudio 的 Files 面板中點開 data/portal_data_joined.csv 並檢視內容。

初步理解資料格式與欄位

從上述 portal_data_joined.csv 檔案的前四行可以看出，這是一個逗號分隔值（CSV, Comma Separated Values）格式的檔案。這種格式非常常見，用來儲存表格資料，其中每個值之間用逗號隔開。

檔案的第一行是標題列（header），它為每一欄提供了名稱或描述。這份資料集的研究對象是：在實驗地區的不同樣區（plot）中捕捉到的動物，其物種分布與體重。

此資料集中，每一列代表一隻動物的資訊，包含以下欄位：

• record_id: 觀測紀錄編號
• month, day, year: 日期資訊
• plot_id: 取樣地點編號
• species_id: 物種代碼
• sex: 性別（M / F）
• hindfoot_length: 後足長（mm）
• weight: 體重（g）
• genus, species: 屬與種名
• taxa: 類別（如 Rodent, Bird 等）
• plot_type: 地點類型（Control / …）

載入資料至 R：read.csv()

接者我們來把這個CSV檔讀取進來：

surveys <- read.csv("data/portal_data_joined.csv")

檢視前幾列：

head(surveys)

也可以使用：

View(surveys)  # 開啟資料檢視器

read.csv 函數預設認為每一欄的資料是以逗號（,）分隔的。不過，在某些國家（例如法國、德國等），逗號常被用作小數點，因此他們習慣使用分號（;）來作為欄位分隔符號。

如果你要讀取這類使用分號作為欄位分隔的檔案，在 R 裡可以改用 read.csv2 函數。這個函數的用法和 read.csv 一樣，但它使用了不同的預設參數（小數點使用逗號、欄位分隔使用分號）。

如果你的資料格式與這些都不相同，你也可以自己指定欄位分隔符號（sep）和小數點符號（dec）。

你可以輸入 ?read.csv 來查看更多說明。

此外，如果你的資料是以Tab（製表符）作為欄位分隔的話，可以使用 read.delim() 函數來讀取。

這些函數其實都是 read.table() 函數的簡化包裝（wrapper functions），只是預先設定好了參數。例如，上述的 surveys 資料，也可以這樣載入：

surveys <- read.table(file="data/portal_data_joined.csv", sep=",", header=TRUE)

其中 header=TRUE 表示第一列是欄位名稱。這是必要的，因為 read.table() 的預設值是 header=FALSE，不會自動當成欄位名稱。

Data frames

在 R 語言中，資料框（data frame)是一種最常用、最重要的資料結構，因為現實生活中大多數資料都以表格（tabular）形式呈現。而在 R 裡，不論是畫圖還是統計分析，大多也都是以資料框作為輸入。

簡單來說，資料框就像是一個表格，每一欄是向量（vector），而所有欄位的長度必須相同。由於每欄是向量，因此每一欄裡的資料型態必須一致，例如：只能是字串（character）、整數（integer）或邏輯值（logical）等單一類型。

舉個例子，一個資料框可以包含：

• 第一欄是數字（numeric）
• 第二欄是文字（character）
• 第三欄是邏輯值（TRUE/FALSE） 這樣的結構就像一張資料表，每列代表一筆觀測值，每欄則是不同的變數。這讓 R 能夠有效處理和分析各種型態的資料。

檢視資料結構與摘要資訊

我們可以用str()來檢視資料框的結構：

str(surveys)

檢視 data.frame 物件的內容與結構

如同之前提到的，在進行資料分析前，先了解資料的結構與內容是非常重要的。此外，我們也必須確認資料是否已經正確地讀入 R 中。為了做到這些，我們可以使用幾個實用的函數來檢查和瀏覽 data.frame 物件。

我們已經看過 head()、View() 和str() 這些函數，它們能幫助我們快速查看資料表的內容與結構。下面列出更多常用的檢視函數，讓我們可以從不同角度理解資料。

尺寸資訊（Size）

• dim(surveys)：回傳一個向量，第1個元素是列數（rows），第2個是欄數（columns）。
• nrow(surveys)：取得資料的列數。
• ncol(surveys)：取得資料的欄數。

內容概覽（Content）

• head(surveys)：顯示前 6 筆資料。
• tail(surveys)：顯示後 6 筆資料。

欄位與列名稱（Names）

• names(surveys)：回傳所有欄位名稱（等同於 colnames()）。
• rownames(surveys)：回傳所有列的名稱（預設通常是數字編號）。

結構與摘要（Summary）

• str(surveys)：查看資料的結構，包括每一欄的資料型別、長度及前幾筆內容。
• summary(surveys)：針對每個欄位顯示簡單的統計摘要（例如最小值、最大值、平均數、缺失值數量等）。

補充說明

這些函數大多是泛型函數」（generic functions），不只能用於 data.frame，也可用於向量、清單（list）、矩陣等其他資料類型。學會這些函數，有助於你在分析前更快速、全面地掌握資料狀況。

數值索引（Numeric Indexing）

在 R 語言中，data frame 可以視為一個由列（rows）與欄（columns）組成的表格。 每一個元素的位置可透過「列與欄的編號」來定位，其語法格式為：[R, C]，其中：

• R 表示第幾列（row number）
• C 表示第幾欄（column number） 請注意：
• 方括號 [] 用於索引（indexing）
• 小括號 () 用於呼叫函數（function call）
• R 語言的索引從 1 開始（不是 0） 若想要從一個名為 surveys 的資料框中擷取特定資料，就必須指定欲擷取資料的「列與欄的位置」。

# get first element in the first column of the data frame
surveys[1, 1]   
# get first element in the 6th column
surveys[1, 6]   
# get first column of the data frame (as a vector)
surveys[, 1]    
# get first three elements in the 7th column (as a vector)
surveys[1:3, 7] 
# get the 3rd row of the data frame (as a data.frame)
surveys[3, ]    
# equivalent to head_surveys <- head(surveys)
head_surveys <- surveys[1:6, ] 

: 是 R 中的一個運算子，用來產生遞增或遞減的整數序列 這個運算子會建立一個從某個整數開始、到某個整數結束的連續整數向量。 語法：起始值 : 結束值 舉例：

• 1:10 → 產生從 1 到 10 的整數序列
• 10:1 → 產生從 10 到 1 的倒序整數序列 這個寫法其實等價於函數 seq(from, to)，例如：

1:10        # 結果為 1 2 3 4 5 6 7 8 9 10
seq(1, 10)  # 相同結果

使用 - 可以從資料框中排除特定的列或欄 在索引中加入負號可以告訴 R不要選這個位置，例如：

surveys[-1, ]   # 排除第1列（row）
surveys[, -2]   # 排除第2欄（column）

這讓你能夠在不修改原始資料的情況下，快速排除不需要的部分。 也可以搭配 :使用，例如：

surveys[-(1:3), ]   # 排除第1到第3列

名稱索引（Name indexing）

除了使用數字位置來提取資料，R 的資料框也可以透過欄位名稱或列名稱來進行索引，這種方式稱為名稱索引。以下是幾個常見的範例：

# 以向量形式取得 species_id 欄
surveys[, "species_id"]     

# 同上，使用 $ 符號也能直接取得欄位
surveys$species_id          

# 取得前 3 筆資料的 record_id 與 species 欄（混合數字與名稱索引）
surveys[1:3, c("record_id", "species")]

小技巧：在 RStudio 中，輸入 surveys$ 後會自動補齊欄位名稱，有助於避免拼錯。

邏輯索引（Logical indexing）

另一種強大且常用的資料擷取方式是邏輯索引，即利用邏輯條件從資料框中挑選出特定資料。

# 取得所有 species 欄為 "albigula" 的紀錄
surveys[surveys$species == "albigula",]

# 將這些紀錄儲存到 albigula_data 變數中
albigula_data <- surveys[surveys$species == "albigula",]

# 計算 albigula 的總筆數
nrow(albigula_data)

這種方式非常適合用來過濾資料，例如找出某物種的所有觀察記錄。

因子（Factors）：處理分類資料的利器

當我們使用 str(surveys) 檢視資料框結構時，可以發現大多數欄位是整數類型（integer），但像是 genus、species、sex、plot_type 等欄位則是字元型別（character）。其實，這些欄位的資料是屬於分類變數``（categorical data），也就是只能取有限種類的值。

為什麼要用 Factor？

R 語言提供了一種專門處理分類資料的資料型別，叫做 factor。它非常適合處理類別型資料，也是 R 擅長資料處理的原因之一。

一個 factor 只能包含預先定義的等級（levels），而且可以是有順序的（ordered）或無順序的（unordered）。雖然看起來像字串，實際上 factor 是以整數方式儲存的，所以在當作文字處理時需要特別注意。

建立 factor

我們可以透過 factor() 函數，把分類資料轉成 factor 類型，例如：

surveys$sex <- factor(surveys$sex)

轉換完成後，用 summary() 來快速檢視各個 level 的數量：

summary(surveys$sex)

Factor 的預設順序

R 在處理 factor 時，預設會依照字母順序排列 levels。例如：

sex <- factor(c(“male”, “female”, “female”, “male”)) 雖然第一個值是 “male”，R 還是會將 "female" 排在前面（因為 f < m），這可由下列方式確認：

levels(sex)    # 顯示 levels 名稱
nlevels(sex)   # 顯示 levels 數量

自訂 levels 順序

有時候你可能需要手動設定順序，例如資料是low, medium, high這種有意義的順序，或是為了改善圖像呈現，甚至是因為某些統計方法會考慮順序。

sex <- factor(sex, levels = c("male", "female"))

這樣就可以改變 level 的順序。

為何使用 factor 比單純的數字更好？

儘管 R 在內部是用數字（1, 2, 3, …）來儲存因子，但 factor 具備描述性，像 “female”、“male” 的表示比單純的 1、2 更直觀、更具可解釋性。

尤其當類別很多（像物種名稱）時，factor 就顯得格外有用，能幫助你更清楚地處理、呈現和分析分類資料。

因子轉換（Converting factors）

在某些情況下，我們需要將factor轉換為其他資料型別，如character或numeric：

轉為字元型別

要將因子轉為字元，可以使用 as.character()：

as.character(sex)

這在你想要保留文字本身、而非 factor 結構時很有用。

轉為數值型別的常見陷阱

若因子本身看起來是數字（例如年份、濃度），直接使用 as.numeric() 會出錯，因為這個函數其實會回傳因子的等級編號（也就是內部編碼的順序），而不是你眼睛看到的數字！

year_fct <- factor(c(1990, 1983, 1977, 1998, 1990))
as.numeric(year_fct)
# 錯誤！會回傳 3 2 1 4 3 這類順序，而不是年份本身

正確轉換方式

有兩種推薦的方式：

方法 1：先轉為字串再轉為數字

as.numeric(as.character(year_fct))

方法 2：推薦使用 levels() 配合因子的編碼

as.numeric(levels(year_fct))[year_fct]

這方法可以分為三個步驟理解：

• levels(year_fct) 取得所有等級值（會是字串）
• as.numeric(levels(year_fct)) 將等級轉為數字
• 用 year_fct 當作索引來選取正確的數值

這樣就可以準確保留原始數值資訊，避免錯誤的轉換結果。

再看一個例子：

df <- data.frame(
  a = c('A', 'B'),
  b = c('1998', '2004')
)

df$a <- factor(df$a)
df$b <- factor(df$b)
as.numeric(df$b)
as.numeric(levels(df$b))[df$b)]

現在 df$b 是一個因子，裡面的值看起來像是 “1998”、“2004”，但底層實際上是整數索引：

levels(df$b)
# [1] "1998" "2004"

as.numeric(df$b)
# [1] 1 2    ← 實際儲存的索引位置

另外因為 df$b 是一個因子，當你把它用作向量索引時，R 會自動取出它的底層整數值（即因子的 level 編號），讓你用來選擇正確的位置。

因子重新命名（Renaming Factors）

當資料中的某個欄位是factor型態時，我們可以用 plot() 來快速檢視各個因子層級（levels）下的樣本數：

plot(surveys$sex)

問題：有約 1700 筆資料的性別是缺失（NA），因此不會出現在圖中。

解法：我們可以把這些缺失值轉為新的因子層級，並加上名稱：

sex <- as.factor(surveys$sex)
levels(sex)[1] <- "undetermined"

現在 plot 時會顯示 “undetermined” 分類。

stringsAsFactors=TRUE 的意義？

當你用 read.csv() 或 read.table() 讀取資料時，若設定 stringsAsFactors=TRUE，R 會自動把字串轉為因子。這可以避免不必要的文字比對錯誤，也能用於分群、繪圖等操作。

surveys <- read.csv("data/portal_data_joined.csv", stringsAsFactors = TRUE)

相反地，若你希望保留文字原貌，可以使用：

surveys <- read.csv("data/portal_data_joined.csv", stringsAsFactors = FALSE)

課程小結

本次介紹了 R 中處理表格資料的核心技能，從 read.csv() 讀取資料，到認識 data.frame 結構，再深入至數值、名稱與邏輯索引，最後拓展到處理分類變數（factor）與其轉換與重命名技巧。透過實作與範例，課程幫助學員建立資料探索與清理的基本觀念，為後續的統計分析與視覺化奠定紮實的基礎，特別適合剛入門資料分析與生物資訊的學習者。