R共有6种储存数据的对象类型
- 向量
- 列表
- 数组
- 数据框
- 矩阵
- 因子
数据结构示意.png
向量(Vectors)
向量是用于存储数值型、字符型或逻辑型数据的一维数组。执行组合功能的函数c()可用来创建向量。
# 创建一个向量
apple <- c('red','green',"yellow")
num <- c(12, 23, 34, 56, 78, 83)
print(apple)
print(num)
# 查看向量的类型.
print(class(apple))
[1] "red" "green" "yellow"
[1] 12 23 34 56 78 83
[1] "character"
** !!! 单个向量中，数据的类型必须是相同的**
# 向量元素的选取
# 与其他编程语言索引从0计数不同的是，R语言的索引从1开始计数
num[1]
# 选取多个元素
num[1:3]
# 索引前加 - 号代表除去这个元素的其他元素，可以看到结果中没有第二个元素
apple[-2]
# 选取除了第2个和第3个元素外的其他元素
num[-(2:3)]
12
12 23 34
'red' 'yellow'
12 56 78 83
矩阵(Matrix)
矩阵是一个二维数组，只是每个元素都拥有相同的模式（数值型、字符型或逻辑型）。可通过函数matrix创建矩阵。
# matrix(data = ,nrow = n,ncol = n,byrow = ,dimnames =list(row_vector,col_vector) )
# data包含了矩阵的元素
# nrow和ncol用以指定行和列的维数
# dimnames包含了可选的、以字符型向量表示的行名和列名
# byrow则表明矩阵应当按行填充（byrow=TRUE）还是按列填充（byrow=FALSE），默认情况下按列填充。
# Create a matrix.
M = matrix( num, nrow = 2, ncol = 3, byrow = TRUE, dimnames = list(c('人口','面积'),c('北京','广州', '上海')))
print(M)
北京 广州 上海
人口 12 23 34
面积 56 78 83
M1 <- matrix(1:20, nrow=5, ncol=4)
print(M1)
[,1] [,2] [,3] [,4]
[1,] 1 6 11 16
[2,] 2 7 12 17
[3,] 3 8 13 18
[4,] 4 9 14 19
[5,] 5 10 15 20
# 矩阵元素选取
# 选取列
M1[,2]
# 选取行
M1[1,]
# 选取单个元素
M1[3,4]
# 选取符合要求的元素
M1[M1>10]
6 7 8 9 10
1 6 11 16
18
11 12 13 14 15 16 17 18 19 20
数据框(data frame)
数据框是表格数据对象。与矩阵一样都是二维的，但是不同的是每列可以包含不同的数据模式。 第一列可以是数字，而第二列可以是字符，第三列可以是逻辑的。它是等长度的向量的列表。
df <- data.frame(
gender = c("Male", "Male","Female"),
height = c(152, 171.5, 165),
weight = c(81,93, 78),
Age = c(42,38,26)
)
df
gender height weight Age
Male 152.0 81 42
Male 171.5 93 38
Female 165.0 78 26
patientID <- c(1, 2, 3, 4)
age <- c(25, 34, 28, 52)
diabetes <- c("Type1", "Type2", "Type1", "Type1")
status <- c("Poor", "Improved", "Excellent", "Poor")
patientdata <- data.frame(patientID, age, diabetes, status)
patientdata
patientID age diabetes status
1 25 Type1 Poor
2 34 Type2 Improved
3 28 Type1 Excellent
4 52 Type1 Poor
# 索引列
print(df$gender)
print(df[,2])
print(df[1:2])
print(df[['Age']])
[1] Male Male Female
Levels: Female Male
[1] 152.0 171.5 165.0
gender height
1 Male 152.0
2 Male 171.5
3 Female 165.0
[1] 42 38 26
# 索引行
print(df[2:3,])
gender height weight Age
2 Male 171.5 93 38
3 Female 165.0 78 26
# 特定条件索引
df[df$Age > 30]
gender height Age
Male 152.0 42
Male 171.5 38
Female 165.0 26
# 索引元素
print(patientdata[1,3]) # 第一列第三行
print(df$Age[1]) # Age列第一行
print(df[[2]][1]) # 第二列第一行
print(df[['Age']][1]) # Age列第一行
[1] Type1
Levels: Type1 Type2
[1] 42
[1] 152
[1] 42
# 生成成糖尿病类型变量diabetes和病情变量status的列联表
table(patientdata$diabetes, patientdata$status)
Excellent Improved Poor
Type1 1 0 2
Type2 0 1 0
数组(Array)
虽然矩阵被限制为二维，但数组可以具有任何数量的维度。 数组函数使用一个dim属性创建所需的维数。 在下面的例子中，我们创建了一个包含两个元素的数组，每个元素为3x3个矩阵。
# Create an array.
a <- array(c('green','yellow'),dim = c(3,3,2))
print(a)
, , 1
[,1] [,2] [,3]
[1,] "green" "yellow" "green"
[2,] "yellow" "green" "yellow"
[3,] "green" "yellow" "green"
, , 2
[,1] [,2] [,3]
[1,] "yellow" "green" "yellow"
[2,] "green" "yellow" "green"
[3,] "yellow" "green" "yellow"
dim1 <- c("A1", "A2")
dim2 <- c("B1", "B2", "B3")
dim3 <- c("C1", "C2", "C3", "C4")
z <- array(1:24, c(2,3,4), dimnames=list(dim1, dim2, dim3))
print(z)
, , C1
B1 B2 B3
A1 1 3 5
A2 2 4 6
, , C2
B1 B2 B3
A1 7 9 11
A2 8 10 12
, , C3
B1 B2 B3
A1 13 15 17
A2 14 16 18
, , C4
B1 B2 B3
A1 19 21 23
A2 20 22 24
数组的索引同矩阵，只不过下标从2个变成了3个，数组同矩阵一样，数据类型必须一样
因子(Factors)
我们都知道，变量的类型可以分为如下几种
-
类别变量（定性变量）
- 无序类别变量（名义值）：类别无法排序，没有顺序关系，比如行业类别，性别
- 有序类别变量（顺序值）：类别之间有顺序关系，比如等级，评价‘差’，‘一般’，‘很好’
-
数值变量（定量变量）
- 离散变量（有限值）： 只能去有限个值的变量，可以一一列举。
- 连续变量（无限值）：在一个或多个区间内取任何值，连续不断不可一一列举，比如温度，身高。
类别变量在R中被称为因子，函数factor()以一个整数向量的形式存储类别值，整数的取值范围是[1-k ]（其中k 是名义型变量中唯一值的个数），同时一个由字符串（原始值）组成的内部向量将映射到这些整数上。这种做法类似于python特征分子中的将类别变量dummy化
对于有序变量，我们还可以指定变量对应的编码，使编码与逻辑顺序相一致，比如low,mid,high对应1,2,3
patientID <- c(1, 2, 3, 4)
age <- c(25, 34, 28, 52)
diabetes <- c("Type1", "Type2", "Type1", "Type1")
status <- c("Poor", "Improved", "Excellent", "Poor")
diabetes <- factor(diabetes)
status <- factor(status, order=TRUE) # order=TRUE R将此变量当做有序变量对待
patientdata <- data.frame(patientID, age, diabetes, status)
str(patientdata） # 数据的信息，相当于pandas中的info
summary(patientdata) # 描述性统计
# 可以看到，描述性统计中，R对数值型分析了最大最小值等，而对因子采用了频数统计。
'data.frame': 4 obs. of 4 variables:
$ patientID: num 1 2 3 4
$ age : num 25 34 28 52
$ diabetes : Factor w/ 2 levels "Type1","Type2": 1 2 1 1
$ status : Ord.factor w/ 3 levels "Excellent"<"Improved"<..: 3 2 1 3
patientID age diabetes status
Min. :1.00 Min. :25.00 Type1:3 Excellent:1
1st Qu.:1.75 1st Qu.:27.25 Type2:1 Improved :1
Median :2.50 Median :31.00 Poor :2
Mean :2.50 Mean :34.75
3rd Qu.:3.25 3rd Qu.:38.50
Max. :4.00 Max. :52.00
# 如果变量的默认顺序不是按照逻辑顺序排列的，比如status如果是按照improved,poor,excellent排列，
# 那么默认的顺序就无法代表真实逻辑顺序。
# 因此，可以添加levels变量
status <- factor(status,order=TRUE,levels = c("poor", "improved", "excellent"))
# 这样就相当于指定了顺序，任何在数据中出现而未在参数中列举的数据都将被设为缺失值
列表
R中的列表比较像python中的列表，列表中的元素可以是单个字符，数值，也可以是向量，矩阵，数组等
列表就是一些对象的有序集合
# Create a list.
list1 <- list(c(2,5,3),21.3,sin)
# Print the list.
print(list1)
[[1]]
[1] 2 5 3
[[2]]
[1] 21.3
[[3]]
function (x) .Primitive("sin")
g <- "My First List"
h <- c(25, 26, 18, 39)
j <- matrix(1:10, nrow=5)
k <- c("one", "two", "three")
mylist <- list(title=g, ages=h, j, k)
print(mylistlist)
$title
[1] "My First List"
$ages
[1] 25 26 18 39
[[3]]
[,1] [,2]
[1,] 1 6
[2,] 2 7
[3,] 3 8
[4,] 4 9
[5,] 5 10
[[4]]
[1] "one" "two" "three"
mylist[['ages']] # 输出ages
mylist[[2]] # 输出第二个元素
25 26 18 39
25 26 18 39