R语言笔记之数据类型3-数据框

参考R

数据框定义

数据框是一种矩阵形式的数据，但数据框中各列可以是不同类型的数据。数据框每列是一个变量，每行是一个观测。数据框可以看成是矩阵的推广，也可看作一种特殊的列表对象。

数据框的创建

data.frame()

通过data.frame函数来创建数据框，该函数包含的主要参数为:

data.frame(…, row.names = NULL, check.rows = FALSE, check.names = TRUE, stringsAsFactors = default.stringsAsFactors())

如下所示：

rats <- c(1:6)

group <- c("postive","postive","model","model","control","control")

sex <- c("F","M","F","M","F","M")

glu.d1 <- c(11.97,12.97,27.34,23.97,6.79,5.19)

glu.d7 <- c(12.97,13.97,25.56,23.97,5.79,6.19)

rat.data <- data.frame(rats,group,sex,glu.d1,glu.d7)

rat.data

rat.data
  
  rats   group sex glu.d1 glu.d7
1    1 postive   F  11.97  12.97
2    2 postive   M  12.97  13.97
3    3   model   F  27.34  25.56
4    4   model   M  23.97  23.97
5    5 control   F   6.79   5.79
6    6 control   M   5.19   6.19

expand.grid()

通过expand.grid()创建一个数据框，此函数可以创建元素所有可能的组合：

x<-expand.grid(h=c(60,80),w=c(100,300),sex=c("M","F"))
x

x    

   h   w sex
1 60 100   M
2 80 100   M
3 60 300   M
4 80 300   M
5 60 100   F
6 80 100   F
7 60 300   F
8 80 300   F

查看数据框信息

class(rat.data) # 查看类型

class(rat.data) # 查看类型 
[1] “data.frame”

class(rat.data$sex) # 查看某列的类型

 class(rat.data$sex) # 查看某列的类型
 [1] “factor”

length(rat.data) # 查看数据框长度

length(rat.data) # 查看数据框长度
 [1] 5

names(rat.data) # 数据框各项名称

names(rat.data) # 数据框各项名称
 [1] “rats”   “group”  “sex”    “glu.d1” “glu.d7”

summary获取描述性统计量，可以提供最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻辑型向量的频数统计等

summary(rat.data) 

summary数据框信息总结,对字符类/因子类数据，给出相应的频数统计；给数值型数据给出5个主要的指标：最大值（Max）、最小值（Min）、中值（Median）、平均值(Mean)、四分位数（Qu）。

summary(rat.data)
             rats          group   sex       glu.d1           glu.d7      
 Min.   :1.00   control:2   F:3   Min.   : 5.190   Min.   : 5.790  
 1st Qu.:2.25   model  :2   M:3   1st Qu.: 8.085   1st Qu.: 7.885  
 Median :3.50   postive:2         Median :12.470   Median :13.470  
 Mean   :3.50                     Mean   :14.705   Mean   :14.742  
 3rd Qu.:4.75                     3rd Qu.:21.220   3rd Qu.:21.470  
 Max.   :6.00                     Max.   :27.340   Max.   :25.560  

table(rat.data$group,rat.data$sex) 
# 将数据框中的group与sex关联为一个表
          F M
  control 1 1
  model   1 1
  postive 1 1

数据框的去重

rat.data2 <- rbind(rat.data,rat.data) 
# 创建一个新数据框rat.data2，内容是rat.data的2倍

unique(rat.data2) # 对数据框进行去重，即提取不重复的元素

unique(rat.data2) # 对数据框进行去重，即提取不重复的元素   
    rats   group sex glu.d1 glu.d7
1    1 postive   F  11.97  12.97
2    2 postive   M  12.97  13.97
3    3   model   F  27.34  25.56
4    4   model   M  23.97  23.97
5    5 control   F   6.79   5.79
6    6 control   M   5.19   6.19

去重函数unique()

查询数据中的唯一值只可以使用unique()函数，如下所示：

mtcars$cyl

unique(mtcars$cyl)

levels(as.factor(mtcars$cyl)) # 采用levles()这种方式只是核对一下，这种方式不推荐

结果如下所示：

mtcars$cyl

 [1] 6 6 4 6 8 6 8 4 4 6 6 8 8 8 8 8 8 4 4 4 4 8 8 8 8 4 4 4 8 6 8 4

unique(mtcars$cyl)

[1] 6 4 8

levels(as.factor(mtcars$cyl))

[1] "4" "6" "8"

取重复的行duplicated()

查找重复数据的函数是duplicated()，现在找出数据集iris中的一个重复值，如下所示：

x <- c(1, 2, 3, 3, 5, 4, 4, 5)

duplicated(x)

有重复的值就会标为TRUE，没有重复的值就标为FALSE

dupes <- duplicated(iris)#iris是一个数值型数据框

head(dupes)

which(dupes)

iris[dupes,]

计算结果如下所示：

x <- c(1, 2, 3, 3, 5, 4, 4, 5)

duplicated(x)

[1] FALSE FALSE FALSE  TRUE FALSE FALSE  TRUE  TRUE

# 有重复的值就会标为TRUE，没有重复的值就标为FALSE

dupes <- duplicated(iris)

head(dupes)
#[1] FALSE FALSE FALSE FALSE FALSE FALSE

which(dupes)
#[1] 143

iris[dupes,]
#    Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
#143          5.8         2.7          5.1         1.9 virginica

从上面结果可以看出来两个信息：

1. 当duplicated()遇到重复的值时（重复的值必然至少有2个），第1个重复的值返回的是FALSE，到第2个以及第2个往后重复的值才显示为TRUE；
2. duplicated()返回的是一个逻辑向量，因此可以将其当作索引去除重复行，如下所示：

head(iris[!dupes, ])

nrow(iris[!dupes, ])

计算结果如下所示：

head(iris[!dupes, ])

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

nrow(iris[!dupes, ])
[1] 149

再看一个案例：

rat.data2[duplicated(rat.data2),]# 取数据框中重复的行

rat.data2[duplicated(rat.data2),]# 取数据框中重复的行
     rats   group sex glu.d1 glu.d7
7     1 postive   F  11.97  12.97
8     2 postive   M  12.97  13.97
9     3   model   F  27.34  25.56
10    4   model   M  23.97  23.97
11    5 control   F   6.79   5.79
12    6 control   M   5.19   6.19

提取某个元素

rat.data[i,j]指第i行第j列的数据

rat.data[1,2] #取第1行第2列

rat.data[1,2] #取第1行第2列

提取某行

rat.data[2,] #取第2行

rat.data[c(1,4),] #取1，4行

rat.data[2,] #取第2行
rat.data[c(1,4),] #取1，4行  

提取某列——用列号提取

rat.data[,3] #取第3列

rat.data[,3] #取第3列

提取某列——用列名称提取

rat.data$rats #取rat.data数据框中的rats列

rat.data$rats #取rat.data数据框中的rats列

提取除掉某列的其余列

rat.data[,-3] #取除了第3列外的其余列

rat.data[,-3] #取除了第3列外的其余列
   rats   group glu.d1 glu.d7 
1 postive  11.97  12.97 2    
2 postive  12.97  13.97 3    
3   model  27.34  25.56 4    
4   model  23.97  23.97 5    
5 control   6.79   5.79 6    
6 control   5.19   6.19

取1到4行中的第4列

rat.data[1:4,4]

rat.data[1:4,4]

取1到4行中的第3列

rat.data[1:4,3]

rat.data[1:4,3][1] F M F M Levels: F M

取第1行，2到4列

rat.data[1,2:4] #取第1行，2到4列

rat.data[1,2:4] #取第1行，2到4列

提取满足某一条件的列==或match()

提取rat.data中所有control级别的观察值

Sel <- rat.data$group == "control"

rat.data.control <- rat.data[Sel,]

rat.data.control

rat.data.control

   rats   group sex glu.d1 glu.d7    
5 control   F   6.79   5.79   
6 control   M   5.19   6.19

使用match()函数，
在mtcars的行名称中检索Toyota Corolla元素，如下所示：

index <- match("Toyota Corolla", rownames(mtcars))

index

mtcars[index, 1:4]

计算结果如下所示：

index <- match("Toyota Corolla", rownames(mtcars))

index

[1] 20

mtcars[index, 1:4]

                mpg cyl disp hp

Toyota Corolla 33.9   4 71.1 65

使用with计算条件总和

案例：计算mtcars在不同马力段中油耗的平均值使用mean()函数，在阈值为150马力的情况下，计算过程如下所示：

with(mtcars, mean(mpg))

with(mtcars, mean(mpg[hp < 150]))

with(mtcars, mean(mpg[hp >= 150]))

结果如下所示：

with(mtcars, mean(mpg))
[1] 20.09062

with(mtcars, mean(mpg[hp < 150]))
[1] 24.22353

with(mtcars, mean(mpg[hp >= 150]))
[1] 15.40667

提取子集案例二

如下所示：

manager<-c(1,2,3,4,5)

date<-c("10/24/08","10/28/08","10/01/08","10/12/08","05/01/09")

country<-c("US","US","UK","China","UK")

gender<-c("M","F","F","M","F")

age<-c(32,45,25,23,99)

q1<-c(5,3,3,2,1)

q2<-c(4,5,4,4,5)

q3<-c(2,4,3,4,3)

q4<-c(5,3,3,NA,2)

q5<-c(5,5,3,3,NA)

leadership<-data.frame(manager,date,country,gender,age,q1,q2,q3,q4,q5,stringsAsFactors=FALSE)

leadership

  manager     date country gender age q1 q2 q3 q4 q5
1       1 10/24/08      US      M  32  5  4  2  5  5
2       2 10/28/08      US      F  45  3  5  4  3  5
3       3 10/01/08      UK      F  25  3  4  3  3  3
4       4 10/12/08   China      M  23  2  4  4 NA  3
5       5 05/01/09      UK      F  99  1  5  3  2 NA

newdata <- leadership[, c(6:10)] 
#从leadership数据框中取第6列到第10列的变量，并且将其保存在newdata中，将行下标留空(,），表示取所有行

newdata

  q1 q2 q3 q4 q5
1  5  4  2  5  5
2  3  5  4  3  5
3  3  4  3  3  3
4  2  4  4 NA  3
5  1  5  3  2 NA

再看一案例，如下所示：

leadership

  manager     date country gender age q1 q2 q3 q4 q5

1       1 10/24/08      US      M  32  5  4  2  5  5
2       2 10/28/08      US      F  45  3  5  4  3  5
3       3 10/01/08      UK      F  25  3  4  3  3  3
4       4 10/12/08   China      M  23  2  4  4 NA  3
5       5 05/01/09      UK      F  99  1  5  3  2 NA

newdata<- leadership[which(leadership$gender == "M" & leadership$age>30),] 
# 将leaderhip中30岁以上的男性选入newdata中

newdata

  manager     date country gender age q1 q2 q3 q4 q5

1       1 10/24/08      US      M  32  5  4  2  5  5

将某一数值转换为某一类别变量

创建数据框

manager<-c(1,2,3,4,5)

date<-c("10/24/08","10/28/08","10/1/08","10/12/08","5/1/09")

country<-c("US","US","UK","UK","UK")

gender<-c("M","F","F","M","F")

age<-c(32,45,25,39,99)

q1<-c(5,3,3,3,2)

q2<-c(4,5,5,3,2)

q3<-c(5,2,5,4,1)

q4<-c(5,5,5,NA,2)

q5<-c(5,5,2,NA,1)

leadership<-data.frame(manager,date,country,gender,age,q1,q2,q3,q4,q5,stringsAsFactor=FALSE)

#把字符转化为因子

leadership

leadership
   manager     date country gender age q1 q2 q3 q4 q5 stringsAsFactor
1       1 10/24/08      US      M  32  5  4  5  5  5           FALSE 
2       2 10/28/08      US      F  45  3  5  2  5  5           FALSE 
3       3  10/1/08      UK      F  25  3  5  5  5  2           FALSE 
4       4 10/12/08      UK      M  39  3  3  4 NA NA           FALSE 
5       5   5/1/09      UK      F  99  2  2  1  2  1           FALSE

转变变量(可转化为因子型变量)

要求：将大于99的转换为缺失，age大于75的为Elder，55到75之间的为Middle，55以下的为Young：

leadership$age[leadership$age == 99] <-NA # 年龄为99时，表示缺失

leadership$agecat[leadership$age >75] <- "Elder" # 当age大于75时，agecat为Elder

leadership$agecat[leadership$age >= 55 & leadership$age<= 75] <- "Middle" # 当55<= age <=75时，agecat为Middle

leadership$agecat[leadership$age < 55] <-"Young" #age<55时，agecat为Young

leadership

leadership   manager     date country gender age q1 q2 q3 q4 q5 stringsAsFactor agecat 

1       1 10/24/08      US      M  32  5  4  5  5  5          FALSE  Young 
2       2 10/28/08      US      F  45  3  5  2  5  5          FALSE  Young
3       3  10/1/08      UK      F  25  3  5  5  5  2          FALSE  Young
4       4 10/12/08      UK      M  39  3  3  4 NA NA          FALSE  Young 
5       5   5/1/09      UK      F  NA  2  2  1  2  1          FALSE

判断数据框各行是否完整complete.cases

所用函数为complete.cases

rat.data1<-rat.data

rat.data1$group[2]<-NA

complete.cases(rat.data1) #判断数据框是否完整

complete.cases(rat.data1) #判断数据框是否完整 [1]  TRUE FALSE  TRUE  TRUE  TRUE  TRUE

如果要删除某个数据集中的包含缺失值的行，那么就可以通过下面的代码实现：

rat.data1 <- rat.data1[complete.cases(rat.data1),]

# 或者是使用na.omit()函数

rat.data1 <- na.omit(rat.data1)

提取非缺失值

rat.data1[complete.cases(rat.data1),] #选择非缺失值的数据
rat.data1[complete.cases(rat.data1),] #选择非缺失值的数据    
     rats   group sex glu.d1 glu.d7 
1    1 postive   F  11.97  12.97 
3    3   model   F  27.34  25.56 
4    4   model   M  23.97  23.97
5    5  control  F  6.79   5.79
6    6  control  M  5.19   6.19

增加列

直接添加

rat.data$result<-c(rat.data$glu.d1-rat.data$glu.d7)
rat.data
rat.data

      rats   group sex glu.d1 glu.d7 result
1    1 postive   F  11.97  12.97  -1.00 
2    2 postive   M  12.97  13.97  -1.00
3    3   model   F  27.34  25.56   1.78
4    4   model   M  23.97  23.97   0.00
5    5 control   F   6.79   5.79   1.00
6    6 control   M   5.19   6.19  -1.00

cbind添加

格式为data.frame1 <- cbind(data.fram1,新的变量（可以由公式得到）)，例如下面的例子就是在rat.data1添加一个result变量，result的变量是由rat.data1中的glu.d1减去glu.d7得到的。

rat.data1<-cbind(rat.data1, result=c(rat.data1$glu.d1-rat.data1$glu.d7))
rat.data1
rat.data1<-cbind(rat.data1, result=c(rat.data1$glu.d1−rat.data1$glu.d7))

另外的方法为：

rat.data1$result <- rat.data1$glu.d1-rat.data1$glu.d7

# 或

rat.data1 <- transform(rat.data1,result=glu.d1-glu.d7)

merge()添加

用法为total <- merge(dataframeA, dataframeB, by = "ID")，它表示，将dataframeA与dataframeB按照ID进行合并，这种联结通常是横向的，即向数据框中添加变量。

删除列

使用NULL

rat.data1

rat.data1$result<-NULL # 删除result这一列，原数列有2列result

rat.data1

rat.data1
   rats   group sex glu.d1 glu.d7 result
1    1 postive   F  11.97  12.97  -1.00
2    2    <na>   M  12.97  13.97  -1.00 
3    3   model   F  27.34  25.56   1.78 
4    4   model   M  23.97  23.97   0.00 
5    5 control   F   6.79   5.79   1.00 
6    6 control   M   5.19   6.19  -1.00

rat.data1$result<-NULL # 删除result这一列

rat.data1
   rats   group sex glu.d1 glu.d7 
1    1 postive   F  11.97  12.97 
2    2    <na>   M  12.97  13.97 
3    3   model   F  27.34  25.56 
4    4   model   M  23.97  23.97 
5    5 control   F   6.79   5.79 
6    6 control   M   5.19   6.19

用subset()

rat.data1<-subset(rat.data1,select=c(-sex,-group)) #删除sex,group列

rat.data1

rat.data1<-subset(rat.data1,select=c(-sex,-group)) #删除sex,group列
rat.data1
   rats glu.d1 glu.d7 
1    1  11.97  12.97 
2    2  12.97  13.97 
3    3  27.34  25.56 
4    4  23.97  23.97 
5    5   6.79   5.79 
6    6   5.19   6.19

%in%

%in%是一种特殊类型的函数，被称为二元运算符。

使用%in%，如下所示：

先生成一个数据框，如下所示：

manager<-c(1,2,3,4,5)

date<-c("10/24/08","10/28/08","10/01/08","10/12/08","05/01/09")

country<-c("US","US","UK","China","UK")

gender<-c("M","F","F","M","F")

age<-c(32,45,25,23,99)

q1<-c(5,3,3,2,1)

q2<-c(4,5,4,4,5)

q3<-c(2,4,3,4,3)

q4<-c(5,3,3,NA,2)

q5<-c(5,5,3,3,NA)

leadership<-data.frame(manager,date,country,gender,age,q1,q2,q3,q4,q5,stringsAsFactors=FALSE)

leadership

  manager     date country gender age q1 q2 q3 q4 q5

1       1 10/24/08      US      M  32  5  4  2  5  5
2       2 10/28/08      US      F  45  3  5  4  3  5
3       3 10/01/08      UK      F  25  3  4  3  3  3
4       4 10/12/08   China      M  23  2  4  4 NA  3
5       5 05/01/09      UK      F  99  1  5  3  2 NA

现在删除q3与q4，如下所示：

myvars <-names(leadership)%in%c("q3","q4")

newdata<-leadership[!myvars]

newdata

  manager     date country gender age q1 q2 q5

1       1 10/24/08      US      M  32  5  4  5
2       2 10/28/08      US      F  45  3  5  5
3       3 10/01/08      UK      F  25  3  4  3
4       4 10/12/08   China      M  23  2  4  3
5       5 05/01/09      UK      F  99  1  5 NA

>names(leadership)生成了一个包含所有变量名的字符型微量，即
c("manager","date","country"，"gender"，"age"，"q1"，"q2"，"q3","q4","q5","stringsAsFactor")，names(leadership)%in%c("item3","item4")返回了一个逻辑型向量，names(leadership)``中每个匹配item3或item4的元素值为TRUE，反之为FALSE，c(FALSE, FALSE, FALSE, FALSE,FALSE, FALSE, FALSE, TRUE, TRUE, FALSE)，运算符非（!）将逻辑值反转：c(TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, FALSE,FALSE, TRUE),leadership[c(TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, FALSE, FALSE,TRUE)]`选择了逻辑值为TRUE的列，于是q3和q4被剔除了。

或者直接使用-号，如下所示：

newdata <- leadership[c(-8,-9) ] #直接在变量前加减号
newdata

  manager     date country gender age q1 q2 q5

1       1 10/24/08      US      M  32  5  4  5
2       2 10/28/08      US      F  45  3  5  5
3       3 10/01/08      UK      F  25  3  4  3
4       4 10/12/08   China      M  23  2  4  3
5       5 05/01/09      UK      F  99  1  5 NA

增加行

rat.data1<-rbind(rat.data1,rat.data1)

rat.data1

rat.data1<-rbind(rat.data1,rat.data1)  
rat.data1    
rats glu.d1 glu.d7 
1     1  11.97  12.97 
2     2  12.97  13.97 
3     3  27.34  25.56 
4     4  23.97  23.97 
5     5   6.79   5.79 
6     6   5.19   6.19 
7     1  11.97  12.97 
8     2  12.97  13.97 
9     3  27.34  25.56 
10    4  23.97  23.97 
11    5   6.79   5.79 
12    6   5.19   6.19

删除行

rat.data1<-rat.data1[-8,] #删除第8行

rat.data1[-c(1,2),] #删除1，2行

rat.data1<-rat.data1[-8,] #删除第8行  
rat.data1[-c(1,2),] #删除1，2行
    rats glu.d1 glu.d7 
3     3  27.34  25.56 
4     4  23.97  23.97 
5     5   6.79   5.79 
6     6   5.19   6.19 
7     1  11.97  12.97 
9     3  27.34  25.56 
10    4  23.97  23.97 
11    5   6.79   5.79 
12    6   5.19   6.19

数据框的排序

基于单列进行排序

排序所用的函数为sort()和order(),sort()是对元素直接进行排序，而order()则是反回排序后的元素在原来列中的位置，现在以内置的CO2数据为例说明，只取CO2的前10行：

raw_data <- CO2[1:10,]

raw_data

sort(raw_data$uptake) #对uptake进行排序，默认为升序

sort(raw_data$uptake,decreasing = TRUE) # decreasing为T时，为降序

order.raw_data <- order(raw_data$uptake);order.raw_data

# order的结果是说，在排序后的数据中，第1个元素位于原来的第8个位置

# 排序后的第1个数据是13.6，而13.6在原来uptake中位于第8

raw_data$uptake[order.raw_data] #这个结果与sort(raw_data$uptake)是一样的

raw_data[order.raw_data,] #按照uptake的升序对数据框进行排序

raw_data <- CO2[1:10,]  
raw_data
    Plant   Type  Treatment conc uptake 
1    Qn1 Quebec nonchilled   95   16.0 
2    Qn1 Quebec nonchilled  175   30.4 
3    Qn1 Quebec nonchilled  250   34.8 
4    Qn1 Quebec nonchilled  350   37.2 
5    Qn1 Quebec nonchilled  500   35.3 
6    Qn1 Quebec nonchilled  675   39.2 
7    Qn1 Quebec nonchilled 1000   39.7 
8    Qn2 Quebec nonchilled   95   13.6 
9    Qn2 Quebec nonchilled  175   27.3 
10   Qn2 Quebec nonchilled  250   37.1

sort(raw_data uptake) #对uptake进行排序，默认为升序 对

sort(raw_data uptake,decreasing = TRUE) # decreasing为T时，为降序  

order.raw_data <- order(raw_data$uptake);order.raw_data 

order的结果是说，在排序后的数据中，第1个元素位于原来的第8个位置

排序后的第1个数据是13.6，而13.6在原来uptake中位于第8

raw_datauptake[order.raw_data] 
#这个结果与sort(raw_datauptake)是一样的
sort(raw_datauptake) 
[1] 13.6 16.0 27.3 30.4 34.8 35.3 37.1 37.2 39.2 39.7 
raw_data[order.raw_data,] #按照uptake的升序对数据框进行排序
    Plant   Type  Treatment conc uptake 
8    Qn2 Quebec nonchilled   95   13.6 
1    Qn1 Quebec nonchilled   95   16.0 
9    Qn2 Quebec nonchilled  175   27.3 
2    Qn1 Quebec nonchilled  175   30.4 
3    Qn1 Quebec nonchilled  250   34.8 
5    Qn1 Quebec nonchilled  500   35.3 
10   Qn2 Quebec nonchilled  250   37.1 
4    Qn1 Quebec nonchilled  350   37.2 
6    Qn1 Quebec nonchilled  675   39.2 
7    Qn1 Quebec nonchilled 1000   39.7

基于多列的排序

还以前述的数据为例说明：

order.raw_data2 <- with(raw_data,order(conc,uptake))

raw_data[order.raw_data2,]

order.raw_data3 <- with(raw_data,order(uptake,conc))

raw_data[order.raw_data3,]

order.raw_data2 <- with(raw_data,order(conc,uptake)) 
raw_data[order.raw_data2,]
       Plant   Type  Treatment conc uptake 
8    Qn2 Quebec nonchilled   95   13.6 
1    Qn1 Quebec nonchilled   95   16.0 
9    Qn2 Quebec nonchilled  175   27.3 
2    Qn1 Quebec nonchilled  175   30.4 
3    Qn1 Quebec nonchilled  250   34.8 
10   Qn2 Quebec nonchilled  250   37.1 
4    Qn1 Quebec nonchilled  350   37.2 
5    Qn1 Quebec nonchilled  500   35.3 
6    Qn1 Quebec nonchilled  675   39.2 
7    Qn1 Quebec nonchilled 1000   39.7
 
order.raw_data3 <- with(raw_data,order(uptake,conc)) 
raw_data[order.raw_data3,]    

Plant   Type  Treatment conc uptake 
8    Qn2 Quebec nonchilled   95   13.6 
1    Qn1 Quebec nonchilled   95   16.0 
9    Qn2 Quebec nonchilled  175   27.3 
2    Qn1 Quebec nonchilled  175   30.4 
3    Qn1 Quebec nonchilled  250   34.8 
5    Qn1 Quebec nonchilled  500   35.3 
10   Qn2 Quebec nonchilled  250   37.1 
4    Qn1 Quebec nonchilled  350   37.2 
6    Qn1 Quebec nonchilled  675   39.2 
7    Qn1 Quebec nonchilled 1000   39.7

可以看出来，在第1种排序中， with(raw_data,order(conc,uptake))，先以order进行排序，如果order相同，则按照uptake进行排序；在第2种排序中，with(raw_data,order(uptake,conc))，先以uptake进行排序，如果uptake相同，则按conc进行排序。

混合排序

混合排序是指某一列是升序，某一列为降序，所用到的函数是xtfrm()，其中在需要降序的列前加上铅，在升序的列前加正号，现在以raw_data数据为例说明，以conc的降序，uptake的升序进行排序，用法如下：

order.raw_data4 <- order(-xtfrm(raw_data$conc),+raw_data$uptake)
raw_data[order.raw_data4,]

order.raw_data4 <- order(-xtfrm(raw_dataconc),+rawdatauptake) 
raw_data[order.raw_data4,] 
     Plant   Type  Treatment conc uptake 
7    Qn1 Quebec nonchilled 1000   39.7 
6    Qn1 Quebec nonchilled  675   39.2 
5    Qn1 Quebec nonchilled  500   35.3 
4    Qn1 Quebec nonchilled  350   37.2 
3    Qn1 Quebec nonchilled  250   34.8 
10   Qn2 Quebec nonchilled  250   37.1 
9    Qn2 Quebec nonchilled  175   27.3 
2    Qn1 Quebec nonchilled  175   30.4 
8    Qn2 Quebec nonchilled   95   13.6 
1    Qn1 Quebec nonchilled   95   16.0