2.7 DataFrames
DataFrame是具有标记列的数据结构，可以单独使用不同的数据类型。就像SQL表或电子表格一样，它有两个维度。DataFrame是统计分析推荐的数据结构。Julia提供了一个名为DataFrames的包，它具有使用DataFrames所需的所有功能。Julia的DataFrames包提供了三种数据类型。
• NA：Julia中的缺失值由特定数据类型NA表示。
• DataArray：标准Julia库中定义的数组类型。虽然它具有很多功能，但并未提供任何特定的数据分析功能。而DataFrames包中的DataArray类型提供了这些功能（例如，可以在数组中存储一些缺失值）。
• DataFrame：这是一个二维数据结构，其提供了很多功能来表示和分析数据。
2.7.1 DataFrames中的NA数据类型
在实际生活中，我们会遇到无值的数据。虽然Julia中的数组无法存储这种类型的值，但DataFrames包中提供了这种数据类型，即NA数据类型。假设有一个带有浮点数的数据集：
julia> x = [1.1, 2.2, 3.3, 4.4, 5.5, 6.6]
这将创建一个具有6个元素的数组{Float64,1}。
现在，假设此数据集在位置x[1]处有缺失值。这意味着该数据没有意义，而不是1.1。我们不能用Julia中的数组类型来表示。当尝试分配NA值时，将发生错误，我们无法将NA值添加到数组中。
01 julia> x[1] = NA 02 Error: UndefVarError: NA not defined 03 while loading In[2], in expression starting on line 1
如果要将数据加载到具有NA值的数组中，则需要使用DataArrays包下的DataArray类型。
【范例2-38】DataArrays的使用
01 julia> using DataArrays 02 julia> x = DataArray([1.1, 2.2, 3.3, 4.4, 5.5, 6.6])
这将创建一个具有6个元素的数组DataArrays.DataArray{Float64,1}。下面的代码将使用NA值进行测试。
【范例2-39】NA值测试
以下代码简单测试了NA的性质。
01 julia> x[1] = NA
02 NA
03 julia> x
04 6-element DataArrays.DataArray{Float64,1}:
05 NA
06 2.2
07 3.3
08 4.4
09 5.5
10 6.6
代码01行将NA赋值给x[1]，因此使用DataArray可以处理丢失的数据。NA并不总是影响应用于特定数据集的函数。因此，不涉及NA值或不受其影响的方法可以应用于数据集；如果涉及NA值，那么DataArray将给出NA作为结果。在下面的代码中，我们使用了mean()函数和true||x。mean()函数不起作用，因为它涉及NA值；而true||x则按预期工作。
01 julia> true || x 02 true 03 julia> true && x[1] 04 NA 05 julia> mean(x) 06 NA 07 julia> mean(x[2:6]) 08 4.4
可以看到，使用mean()函数时返回的值为NA。代码07行不涉及NA值，因此返回正常的数值。
除此之外，还有其他类似于Julia的Array类型的功能。比如，Vector（一维数组类型）和Matrix（二维数组类型），它们在DataArray中的类型别名分别为DataVector和DataMatrix。
创建一维DataArray与创建Array类型相似。
【范例2-40】DataArray测试
01 julia> using DataArrays
02 julia> dvector = data([10,20,30,40,50])
03 5-element DataArrays.DataArray{Int64,1}:
04 10
05 20
06 30
07 40
08 50
代码01行调用了DataArrays包，代码02行创建了一个DataArray。
同理，可以创建一个二维DataMatrix阵列：
01 julia> dmatrix = data([10 20 30; 40 50 60])
02 2×3 DataArrays.DataArray{Int64,2}:
03 10 20 30
04 40 50 60
05 julia> dmatrix[2,3]
06 60
在前面的范例中，为了计算平均值，将数组中的NA值分离出来。这不是一个将NA值移出计算范围的便利方法，更好的方法是使用dropna()函数。
01 julia> dropna(x)
02 5-element Array{Float64,1}:
03 2.2
04 3.3
05 4.4
06 5.5
07 6.6
上面代码使用了dropna()函数，该函数能够过滤掉NA值。
2.7.2 DataFrame表格
可以说，无论是R（data.frame）还是Python（Pandas）中的表格都是统计计算中最重要和最常用的数据类型。这是因为真实世界中的数据大多是表格式的，不能用简单的DataArray来表示。
要使用DataFrame，请从Julia的已注册包中添加DataFrames包，范例如下。
【范例2-41】使用表格
01 julia> Pkg.update()
02 julia> Pkg.add("DataFrames")
03 julia> using DataFrame
下面我们创建一个简单的数据表。
对于这种类型的数据，无法使用DataArray来表示。这种数据具有以下功能：
• 在不同列中具有不同类型的数据。不能使用矩阵表示不同列中的不同数据类型，因为矩阵只能包含一种类型的值。
• 它是一个表格数据结构，其记录与不同列的同一行中的其他记录有关系。因此，所有列必须具有相同的长度。无法使用向量，因为无法使用相同长度的列强制执行。因此，DataFrame中的列由DataArray表示。
• 首列是标记的表头。这种标记有助于我们熟悉数据并访问数据，而无须记住其确切位置。因此，可以使用数字索引以及它们的标记访问列。DataFrame包用于表示表格数据，并将DataArrays用作列。