本节书摘来自异步社区《数据驱动的网络分析》一书中的第6章，第6.4节,作者： 【美】Michael Collins 更多章节内容可以访问云栖社区“异步社区”公众号查看。

6.4　数据帧

数据帧（Data Frame）是R的一种独特结构，从分析人员的角度说，它也是最重要的结构。数据帧是一个临时数据表，在这种表格结构中，每列代表一个变量。在其他语言中，数据帧通过使用数组或者散列表部分实现，但是R将数据帧作为一种基本结构，从一开始就提供了更为复杂的数据帧选择、过滤和操纵机制。

我们从创建一个简单的数据帧开始（如例6-1所示）。构造数据帧的最简单方法是在一组相同大小的矢量上使用data.frame操作。

例6-1　创建一个数据帧

> names<-c('Manny','Moe','Jack')
> ages<-c(25,35,90)
> states<-c('NJ','NE','NJ')
> summary.data <- data.frame(names, ages, states)
> summary.data
　names ages states
1 Manny　 25　　 NJ
2　 Moe　 35　　 NE
3　Jack　 90　　 NJ
> summary.data$names
[1] Manny Moe Jack
Levels: Jack Manny Moe

在此，data.frame将每个数组放入一列中，组成一个3列3行的表格。我们可以提取一列，注意，在使用summary.data$names引用的矢量名称时，使用了术语“Levels（级别）”。

因子

在创建表的过程中，R将数据中的字符串转换为因子（Factor），因子是类别的矢量，可以从字符串或者整数中创建，例如：

services<-c("http","bittorrent","smtp","http","http","bittorrent")
service.factors<-factor(services)
service.factors
[1] http　　　 bittorrent smtp　　　　http　　　 http　　　bittorrent
Levels: bittorrent http smtp
services
[1] "http"　　"bittorrent" "smtp"　　　　"http"　　"http"　　 "bittorrent"

因子的级别（Level）描述了不同的类别。

在许多函数中，R的默认行为是将字符串转换为因子。在read.table和 data.frame函数中都是如此，也可以通过stringsAsFactors参数和stringsAsFactors选项控制。
访问数据帧的命令是read.table，该命令有各种用于读取不同数据类型的参数。在例6-2中，传递了不同的选项，让其读取输入文件sample.txt中的rwcut输出。

例6-2　向read.table传递选项

$ cat sample.txt | cut -d '|' -f 1-4
　　　 sIP|　　　 dIP|sPort|dPort|
　10.0.0.1| 10.0.0.2|56968| 80|
　10.0.0.1| 10.0.0.2|56969| 80|
　10.0.0.3|...
$ R --silent
> s<-read.table(file='sample.txt',header=T,sep='|',strip.white=T)
> s
　　　　sIP　　　　　 dIP sPort dPort pro packets bytes flags
1 10.0.0.1　　　10.0.0.2 56968　　 80　 6　　　 4　 172 FS　A
2 10.0.0.1　　　10.0.0.2 56969　　 80　 6　　　 5　 402 FS PA
3 10.0.0.3 65.164.242.247 56690　　80　 6　　　 5　1247 FS PA
4 10.0.0.4　99.248.195.24 62904 19380　 6　　　 1　 407 F　PA
5 10.0.0.3　216.73.87.152 56691　　80　 6　　　 7　 868 FS PA
6 10.0.0.3　216.73.87.152 56692　　80　 6　　　 5　 760 FS PA
7 10.0.0.5　138.87.124.42 2871　 2304　 6　　　 7　 603 F　PA
8 10.0.0.3　216.73.87.152 56694　　80　 6　　　 5　 750 FS PA
9 10.0.0.1　72.32.153.176 56970　　80　 6　　　 6　 918 FS PA
　　　　　　　　　　sTime dur　　　　　　　　　　eTime sen X
1 2008/03/31T18:01:03.030　 0 2008/03/31T18:01:03.030　　0 NA
2 2008/03/31T18:01:03.040　 0 2008/03/31T18:01:03.040　　0 NA
3 2008/03/31T18:01:03.120　 0 2008/03/31T18:01:03.120　　0 NA
4 2008/03/31T18:01:03.160　 0 2008/03/31T18:01:03.160　　0 NA
5 2008/03/31T18:01:03.220　 0 2008/03/31T18:01:03.220　　0 NA
6 2008/03/31T18:01:03.220　 0 2008/03/31T18:01:03.220　　0 NA
7 2008/03/31T18:01:03.380　 0 2008/03/31T18:01:03.380　　0 NA
8 2008/03/31T18:01:03.430　 0 2008/03/31T18:01:03.430　　0 NA
9 2008/03/31T18:01:03.500　 0 2008/03/31T18:01:03.500　　0 NA

注意使用的参数。file参数不言自明。header参数指示R将文件的第一行作为结果数据帧的列名。Sep定义列分隔符，在本例中SiLK命令使用默认的/。strip.white命令指示R删除文件中的过多空格。结果是，每个值都被读入并自动转换为列格式。

有了数据，就可以过滤和操纵了，如例6-3所示。

例6-3　操纵和过滤数据

> #我可以从记录中创建布尔矢量，对其进行过滤，例如：
> s$dPort == 80
[1]　TRUE　TRUE　TRUE　FALSE　TRUE　TRUE　FALSE　TRUE　TRUE
> #然后，我可以使用该值滤除s$dPort == 80的行。注意其中的逗号，如果没有使用它，
> #我选择的就是列而不是行。
> s[s$dPort==80,]
　　　 sIP　　　　　　　dIP sPort dPort pro packets bytes flags
1 10.0.0.1　　　　10.0.0.2 56968　　80　　6　　　　4　　172 FS　A
2 10.0.0.1　　　　10.0.0.2 56969　　80　　6　　　　5　　402 FS PA
3 10.0.0.3 65.164.242.247 56690　　 80　　6　　　　5　 1247 FS PA
5 10.0.0.3　216.73.87.152 56691　　 80　　6　　　　7　　868 FS PA
6 10.0.0.3　216.73.87.152 56692　　 80　　6　　　　5　　760 FS PA
8 10.0.0.3　216.73.87.152 56694　　 80　　6　　　　5　　750 FS PA
9 10.0.0.1　72.32.153.176 56970　　 80　　6　　　　6　　918 FS PA
　　　　　　　　　　sTime dur　　　　　　　　　　　eTime sen　　X
1 2008/03/31T18:01:03.030　 0 2008/03/31T18:01:03.030　 0　 NA
2 2008/03/31T18:01:03.040　 0 2008/03/31T18:01:03.040　 0　 NA
3 2008/03/31T18:01:03.120　 0 2008/03/31T18:01:03.120　 0　 NA
5 2008/03/31T18:01:03.220　 0 2008/03/31T18:01:03.220　 0　 NA
6 2008/03/31T18:01:03.220　 0 2008/03/31T18:01:03.220　 0　 NA
8 2008/03/31T18:01:03.430　 0 2008/03/31T18:01:03.430　 0　 NA
9 2008/03/31T18:01:03.500　 0 2008/03/31T18:01:03.500　 0　 NA
> #我也可以合并规则，使用|表示“或”，&表示“与”
> s[s$dPort==80 & s$sIP=='10.0.0.3',]
　　　　sIP　　　　　　　 dIP sPort dPort pro packets bytes flags
3 10.0.0.3 65.164.242.247 56690　　  80　 6　　　 5　1247 FS PA
5 10.0.0.3　216.73.87.152 56691　　  80　 6　　　 7　 868 FS PA
6 10.0.0.3　216.73.87.152 56692　　  80　 6　　　 5　 760 FS PA
8 10.0.0.3　216.73.87.152 56694　　  80　 6　　　 5　 750 FS PA
　　　　　　　　　　sTime dur　　　　　　　　　　　 eTime sen　X
3 2008/03/31T18:01:03.120　 0 2008/03/31T18:01:03.120　　0　NA
5 2008/03/31T18:01:03.220　 0 2008/03/31T18:01:03.220　　0　NA
6 2008/03/31T18:01:03.220　 0 2008/03/31T18:01:03.220　　0　NA
8 2008/03/31T18:01:03.430　 0 2008/03/31T18:01:03.430　　0　NA
> #我可以使用名称访问列
> s[s$dPort==80 & s$sIP=='10.0.0.3',][c('sIP','dIP','sTime')]
　　　 sIP　　　　　　dIP　　　　　　　　　 sTime
3 10.0.0.3 65.164.242.247 2008/03/31T18:01:03.120
5 10.0.0.3　216.73.87.152 2008/03/31T18:01:03.220
6 10.0.0.3　216.73.87.152 2008/03/31T18:01:03.220
8 10.0.0.3　216.73.87.152 2008/03/31T18:01:03.430
> #我还可以访问单个行
> s[1,]
　　　 sIP　　　 dIP sPort dPort pro packets bytes flags　　　　　　　　　　　sTime
1 10.0.0.1 10.0.0.2 56968　　 80　 6　　　 4　 172 FS　A 2008/03/31T18:01:03.030
　dur　　　　　　　　　　　 eTime sen　X
1　 0 2008/03/31T18:01:03.030　 0 NA

R的数据帧提供了一个高效的临时单表数据库。除了前面的例子中所说明的行添加和选择之外，我们还可以用$运算符添加新列。

> #创建载荷字节数的新矢量
> payload_bytes <- s$bytes - (40 * s$packets)
> s$payload_bytes <- payload_bytes
> s[0:2,][c('sIP','dIP','bytes','packets','payload_bytes')]
　　　 sIP　　　 dIP bytes packets payload_bytes
1 10.0.0.1 10.0.0.2　　172　　　 4　　　　　　12