在前一篇文章中，有稍微帶過了DataFrames這個package的功能，今天要更進一步介紹如何使用DataFrames來讀取和分析表格式的資料。

Kaggle上的Titanic問題是一個相當適合用來介紹DataFrames的資料集。Titanic問題也是kaggle上其中一個被歸類在101的問題。這個題目包含了一個training set和一個test set。training set包含了一些旅客的登錄資料以及他們是否生還，而題目要問的就是要根據這個training set找出登錄資料和生還者之間的關係，接著預測test set裡面的旅客是否生還。這組資料不大不小，欄位不多，但是包含了不同的資料型態，很適合拿來學習用。

這個資料集可以從這個頁面下載，下載了之後就開始分析這個資料集。

基本讀檔

第一件是當然是把資料讀進來。還沒安裝DataFrames這個套件的話可以在julia的環境底下用Pkg.add()來安裝

julia>Pkg.add("DataFrames")

接著就可以用readtable來把資料讀進來:

using DataFrames
df=readtable("train.csv")

readtable()會傳回一個資料結果DataFrame，我們可以用typeof來檢驗

julia> typeof(df)
DataFrame (constructor with 22 methods)

直接在julia環境底下鍵入df或是在julia檔案裡輸入println(df)就會出現以下的畫面，我的顯示器剛好可以裝下全部的欄位:

也可以用head(df)或是tail(df)來顯示前幾筆或是最後幾筆的資料。這幾個指令都是很常用來快速顯示資料片段的指令。

另一個很好用的指令是describe()，它類似R的summary，可以用來看看每個欄位(column)的資料型態和大致情況:

julia> describe(df)

PassengerId
Min      1.0
1st Qu.  223.5
Median   446.0
Mean     446.0
3rd Qu.  668.5
Max      891.0
NAs      0
NA%      0.0%

Survived
Min      0.0
1st Qu.  0.0
Median   0.0
Mean     0.3838383838383838
3rd Qu.  1.0
Max      1.0
NAs      0
NA%      0.0%

Pclass
Min      1.0
1st Qu.  2.0
Median   3.0
Mean     2.308641975308642
3rd Qu.  3.0
Max      3.0
NAs      0
NA%      0.0%

.......

NA 是一個型別(type)

NA是用來表示資料裡頭的「從缺」的值，作用和R或是Matlab裡的Nan是一樣的。但是julia有一個非常特殊的設計: NA在julia是一個資料型別，而且任何數字和NA做數值運算之後也會變成NA。例如:

julia> typeof(NA)
NAtype (constructor with 1 method)

julia> 1+NA
NA

julia> 1*NA
NA

也就是說，julia的NA具有會「擴散」的特性，舉個例子:我們先用@data來建立一個純數值的DataFrame:

julia> dm = @data([NA 0.0; 0.0 1.0])
2x2 DataArray{Float64,2}:
  NA  0.0
 0.0  1.0

把dm作矩陣相乘之後可以發現只要碰到NA的數字也都NA了。

julia> dm*dm
2x2 DataArray{Float64,2}:
 NA   NA
 NA  1.0

取出DataFrame中的元素

DataFrame完全可以當作julia的內建Array來使用。比方說我們可以取出任意一列:

julia> df[1,:]
1x12 DataFrame
| Row | PassengerId | Survived | Pclass | Name                      | Sex    | Age  | SibSp | Parch | Ticket      | Fare | Cabin | Embarked |
|-----|-------------|----------|--------|---------------------------|--------|------|-------|-------|-------------|------|-------|----------|
| 1   | 1           | 0        | 3      | "Braund, Mr. Owen Harris" | "male" | 22.0 | 1     | 0     | "A/5 21171" | 7.25 | NA    | "S"      |

或是是任意一行的資料

julia> df[:,4]
891-element DataArray{UTF8String,1}:
 "Braund, Mr. Owen Harris"                                  
 "Cumings, Mrs. John Bradley (Florence Briggs Thayer)"      
 "Heikkinen, Miss. Laina"                                   
 "Futrelle, Mrs. Jacques Heath (Lily May Peel)"             
 ⋮                                                                     
 "Behr, Mr. Karl Howell"                                    
 "Dooley, Mr. Patrick"

要注意的是，這會傳回一個型別為DataArray的值:

julia> typeof(df[:,4])
DataArray{UTF8String,1} (constructor with 1 method)

我們也可以直接用欄位的名稱來做這件事:

julia> df[:,"Name"]
891-element DataArray{UTF8String,1}:
 "Braund, Mr. Owen Harris"                                  
 "Cumings, Mrs. John Bradley (Florence Briggs Thayer)"      
 "Heikkinen, Miss. Laina"                                   
 "Futrelle, Mrs. Jacques Heath (Lily May Peel)"             
 ⋮                                                                     
 "Behr, Mr. Karl Howell"                                    
 "Dooley, Mr. Patrick"

或是

julia> df[:,:Name]

它們的作用都是一樣的，可以視情況選用適合的呼叫方法。

另外也可以過濾出符合條件的資料，例如

julia> newdf=df[df[:Sex].=="female",:]

newdf就會包含所有女性乘客的資料。

如果你有使用R或是pandas的經驗的話，就會覺得這些語法都似曾相識，很容易就可以上手。在下一篇我們會進一步分析這些個資料，同時介紹更多有關於DataFrame和julia的功能。