R的数据预处理之数据精简, 查看数据结构之View、head 和 tail函数

特征选择是借助选择最相关特征以降低数据维度的手段。常见的特征选择方法众多，像过滤法，它基于统计检验或相关性分析来挑选特征；包装法，利用机器学习算法进行特征的选择；嵌入法，则是在模型训练进程中自动完成特征的选择。

临床数据科学和人工智能兴趣组

1067人浏览 · 2025-05-07 09:54:45

临床数据科学和人工智能兴趣组 · 2025-05-07 09:54:45 发布

下面内容摘录自《用R探索医药数据科学》专栏文章的部分内容（原文6676字）。

2篇2章1节：全面了解 R 中的数据预处理，通过 R 基础函数实施数据查阅_r数据预处理-CSDN博客

二、数据预处理的主要步骤

1、数据查阅

2、数据清洗

3、数据变换

4、数据精简

数据精简是数据预处理的最后一步，其目的在于减少数据维度，从而提升模型的效率和性能。常见的数据精简方法包含特征选择和特征提取。

特征提取是把原始特征转变为新的低维特征以实现数据维度的降低。例如主成分分析（PCA），能将数据投影到全新的正交特征空间；线性判别分析（LDA），可以寻找能够最大化类别间差异的特征。

特征工程作为通过创建新特征来增强模型性能的过程，常见方法有特征组合，即把多个特征组合成一个新特征；特征分解，将一个特征分解为多个特征；此外，还包括删除完全相同的记录以及合并包含相同关键字段的记录。

以临床数据分析为例，假设我们在研究某种疾病的相关数据。比如分析患者的血液指标、症状表现、家族病史等众多特征。通过特征选择，我们可能发现某些血液指标与疾病的相关性极强，而一些症状表现的相关性较弱，从而只保留相关性强的特征。再通过特征提取，比如运用主成分分析，将众多复杂的血液指标转换为几个综合的主成分，降低数据维度。而在特征工程中，我们可以把不同的症状表现组合成一个新的综合症状特征，或者对某些复杂的家族病史特征进行分解，以便更清晰地分析其对疾病的影响。通过这些数据处理方法，能够更高效准确地建立疾病预测模型，为临床诊断和治疗提供有力支持。

下面内容摘录自《用R探索医药数据科学》专栏文章的部分内容（原文6676字）。

4章1节：全面了解 R 中的数据预处理，通过 R 基础函数实施数据查阅_r数据预处理-CSDN博客

数据预处理是数据科学工作流中的重要环节。通过数据清洗、数据集成、数据变换和数据规约等步骤，可以显著提高数据质量，为后续的分析和建模提供坚实基础。在实际应用中，结合具体数据的特点和分析目标，选择合适的数据预处理方法，可以有效提升模型的准确性和稳定性。

一、数据预处理

二、数据预处理的主要步骤

1、数据查阅

2、数据清洗

3、数据变换

4、数据精简

三、查看数据结构

在R中，有多种函数可以用于查看和探索数据结构，每种函数都有其独特的优势和适用场景。本文将详细介绍这些函数及其应用。

1、使用 `View()` 函数

View() 函数在RStudio中是一个非常直观的工具，它允许我们在一个类似于电子表格的窗口中查看整个数据集。这个窗口使我们能够滚动和浏览数据，就像在Excel中一样。

# 加载数据集
data(iris)

# 使用View()函数查看数据
View(iris)

Iris 数据集是R的内置数据集之一，也是数据分析和机器学习领域广泛使用的经典数据集。它共有 150 个鸢尾花样本，分属山鸢尾、变色鸢尾和维吉尼亚鸢尾三个品种，每个样本有花萼长度、花萼宽度、花瓣长度和花瓣宽度四个以厘米为单位测量的特征。其优点是数据规模适中、特征清晰且类别标签明确，适合数据探索及分类、聚类算法的演示和比较。

执行上述代码后，RStudio会弹出一个新窗口，显示iris数据集的所有行和列。这对于快速检查数据的外观和内容非常有用。

2、使用 `head()` 和 `tail()` 函数

head() 和 tail() 函数用于查看数据集的前几行和后几行，默认情况下，它们分别显示前6行和后6行。我们可以通过设置n参数来调整查看的行数。

例如，查看iris数据集的前2行：

head(iris, n = 5)

输出结果：

  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

查看iris数据集的后5行：

tail(iris, n = 5)

输出结果：

    Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
146          6.7         3.0          5.2         2.3 virginica
147          6.3         2.5          5.0         1.9 virginica
148          6.5         3.0          5.2         2.0 virginica
149          6.2         3.4          5.4         2.3 virginica
150          5.9         3.0          5.1         1.8 virginica

市面上的 R 语言培训班和书籍（包括网络上的文章或视频），由于受限于培训时间或书籍篇幅，往往难以深入探讨 R 语言在数据科学或人工智能中的具体应用场景，内容泛泛而谈和千篇一律，最终无法真正解决实际工作中的问题。同时，它们也缺乏针对医药领域的深度结合与讨论。为了解决这些痛点，我们推出了《用 R 探索医药数据科学》专栏。该专栏将持续更新，不仅为您提供系统化的学习内容，更致力于成为您掌握最新、最全医药数据科学技术的得力助手。

每篇文章篇幅在5000字至9000字之间。
内容涵盖试验统计、预测模型、科研绘图、数据库、机器学习等热点领域。

《用 R 探索医药数据科学》专栏的学习路径

重新整理《用 R 探索医药数据科学》专栏目录形成学习的目的是为读者梳理出一个清晰、系统的知识脉络。通过将内容划分为工具使用、常规技术、可视化、机器学习和人工智能等九大板块，能让读者快速定位到所需知识领域，直观把握不同章节间的逻辑关系与递进层次。这有助于初学者构建完整的知识体系，有步骤地开启学习之旅；也方便进阶者迅速检索特定技术内容，进行深入研究与实践，提升了专栏内容的可读性与实用性。