学R学初阶_02_R的主要数据结构

本讲简要介绍R中常见的数据结构，重在梳理，不求详尽，部分内容改编自Hadley Wickham的《Advanced R》一书。 欢迎转载，但请注明出处！

数据结构

当你在使用电脑时，各种五光十色的界面、操作、交互等等，究其本质来说，无非是一个你给电脑 数据 和 指令 ，电脑进行处理，再返回给你新数据的过程，而程序语言就类似你和电脑沟通的媒介，毕竟电脑不通人言啊！

说到各式各样的数据交互，通常量还蛮大，我们怎能忍心duang的一下，直接一股脑抛给电脑兄： “处理去吧！”，脑： “WTF？”，因为原本很多数据彼此之间预先存在联系、又或在接下来的处理过程中也是难解难分，所以为了 方便电脑读取和处理数据 ，我们得用一些人为的方法将数据 合理而高效 的安排及存放在电脑中，这就是数据结构的由来及含义。 数据结构不仅包含数据本身，还包括它们的内在关系，以及一系列操作处理数据的规范。

对于绝大多数高级编程语言，我们无需担心要自己弄数据结构，这些都必然是内置好的了。那么，在R中，我们主要使用的是哪些数据结构呢？

从上表我们可以看出，一维的两种向量结构向二维及多维拓展，进而形成了R的其他主要数据结构，向量之于R类似于基石之于广厦！

向量 (vector)：R之魂

我们最初接触这个概念，大都是在中学学习数学的时候，对于既有大小又有方向的量，我们称之向量，在坐标系中它意味的是一个点相对于另一个点的距离和方位，形象的表示为一个箭头。在n维坐标系中，一个点距离原点的向量就表示为 (X1, X2, ... , Xn) 。

而在程序语言中，向量最初只是用来描述装了一串数字的载体，比如 (1, 2, 3, 4, 5) 就是一个五维向量，装了1-5这五个数字，这和数学坐标系中的定义是一致的，而如今，其含义已经大为拓展，不再只是装数字，可以装anything！

当向量其中包含的元素类型为同一种基本类型 (逻辑，整型，浮点，字符等) 时，称其为原子向量；而类型不一致时，则称为递归向量，俗称列表 (List)。 所谓 原子 ，指的是向量中每个元素不可再分割成sub-vector，是最小实体；而list中的元素还可以是atomic vector或者list，甚至array和data frame，它们可以继续包含多个内部元素，一直循环下去，这种行为也就是 递归 的本义。

dbl.atom 1, 2, 3) # 浮点型，R中多称为numeric type。

int.atom 1L, 2L, 3L) # 只有加上大L，才会得到整型！

typeof(dbl.atom)

## [1] "double"

typeof(int.atom)

## [1] "integer"

alist 1:9, c("I", "LOVE", "U"), c(TRUE, FALSE), c(1.2, 3.4, 5.6))
str(alist)

## List of 4
##  $ : int [1:9] 1 2 3 4 5 6 7 8 9
##  $ : chr [1:3] "I" "LOVE" "U"
##  $ : logi [1:2] TRUE FALSE
##  $ : num [1:3] 1.2 3.4 5.6

向量作为一个 装载容器 ，它是 动态 的，即容量可变，可以随时插入或删除其中的元素；同时，它也是 有序 的，即其中的元素是有序号 (index)的。

R向量的三个特性

• 函数向量化 ：这是R语言中的 一大亮点 ，R虽然是一种混合式编程语言 (函数式+面向对象)，但几乎所有的操作都是以函数的形式来完成 (包括操作符，也是函数之一，大家可以猜猜用 a[i] 取向量的第i个值，使用的是什么函数？)。绝大多数函数可以直接通过作用于向量，而等同于遍历作用了其中每个元素，这样可以极大提高代码可读性和可维护性 ( 其实是因为用R做循环整体性能较差，而用向量化这一方法既可以隐藏背后在用底层语言 (比如C) 实现着高效循环，又显得有13格 )！

dbl.atom == int.atom

## [1] TRUE TRUE TRUE

"=="(dbl.atom, int.atom) # 奇妙不？

## [1] TRUE TRUE TRUE

identical(dbl.atom, int.atom) # 黑人不？

## [1] FALSE

注意：有朋友可能会联想到著名的apply家族函数，它们可以让代码更简洁和紧凑，可其实背后执行的是 R循环 ，所以效率方面并未有太大提升。然而大多数时候，简洁易懂的代码更有意义！详情请深入了解 Tidyverse R包集合 的 思想 。

• 循环性 ：当函数操作多个向量时，长度较短的向量会循环自己的元素，直到和最长的向量同长。 这也蕴含了R中的单数值变量 (标量) 本质上就是长度为1的原子向量。

c(1




    
, 2) + c(3, 4, 5, 6, 7) # c(1, 2) -> c(1, 2, 1, 2, 1)

## Warning in c(1, 2) + c(3, 4, 5, 6, 7): longer object length is not a
## multiple of shorter object length

## [1] 4 6 6 8 8

1 + 1:9 # 1其实是c(1)

## [1]  2  3  4  5  6  7  8  9 10

• 滤过性 ：我们可以通过设定条件，直接过滤向量，得到我们想要的子向量。

emotion "LOVE", "HATE")
my.emo.2u  "I"]
my.emo.2u

## [1] "LOVE"

因为其他主要数据结构也是来自于向量的拓展，所以上面三个特性基本普适！

矩阵和数组

没多少可讲的，概念比较简单，就是在原子向量的基础上加上了维度 (dim) 这个属性， 有行，有列，有维，就在这晒，晒足180天 。

my.matrix 1:9, nrow = 3)
my.matrix

##      [,1] [,2] [,3]
## [1,]    1    4    7
## [2,]    2    5    8
## [3,]    3    6    9

dim(my.matrix)

## [1] 3 3

my.array 1:12, c(2, 3, 2)) # 后面的向量装着维度

my.array

## , , 1
## 
##      [,1] [,2] [,3]
## [1,]    1    3    5
## [2,]    2    4    6
## 
## , , 2
## 
##      [,1] [,2] [,3]
## [1,]    7    9   11
## [2,]    8   10   12

dim(my.array)

## [1] 2 3 2

数据集

初看起来，数据集很像矩阵，一般都是有行和列两个维度，然而，数据集是异质性的，即其中的数值并不需要都是同一种类型，故而其本质上更像一个列表， 每一列就是列表中的一个元素 ，唯独的一点限制，就是每个元素 长度得相同 。

xiaochou "一", "杯", "敬", "明", "天"), y = c("一", "杯", "敬", "过", "往"))
xiaochou

##    x  y
## 1 一 一
## 2 杯 杯
## 3 敬 敬
## 4 明 过
## 5 天 往

str(xiaochou)

## 'data.frame':    5 obs. of  2 variables:
##  $ x: Factor w/ 5 levels "杯","敬","明",..: 5 1 2 3 4
##  $ y: Factor w/ 5 levels "杯","过","敬",..: 5 1 3 2 4

因子 (Factor)

最后，还要提一位重要的小朋友——因子，它从本质上来说是整数型 (integer) 原子向量，额外多了两个属性：类属性 factor 以及 levels 属性，后者用来定义向量中预先设定好的的值，换言之，因子是专门用来存放离散数据 (分类数据) 的，这在数据集的处理过程中有重要意义，以后会详解。

x 3, 4, 4, 3))
x

## [1] 3 4 4 3
## Levels: 3 4

class(x)

## [1] "factor"

levels(x)

## [1] "3" "4"

## 在后台x实际上是c(1L, 2L, 2L, 1L)，即level1 = 3，level2 = 4

as.double(x)

## [1] 1 2 2 1

结语

一切皆对象，运行靠向量！

阅读 蓝色链接 内容请点击 阅读原文 ！

阅读 蓝色链接 内容请点击 阅读原文 ！

阅读 蓝色链接 内容请点击 阅读原文 ！