R语言编程艺术（2）R中的数据结构

本文对应《R语言编程艺术》第2章：向量；第3章：矩阵和数组；第4章：列表；第5章：数据框；第6章：因子和表

=========================================================================

R语言最基本的数据类型就是向量（vector），单个数值和矩阵都是向量的一种特例。

声明：R中不需要声明变量，但是注意函数式语言的特性，如果读写向量中的元素时，R事先不知道对象是向量的话，则函数没有执行的对象。如下代码是无法工作的：

y[1] <- 5
y[2] <- 12

　　

循环补齐：

在对两个向量使用运算符时，如果要求这两个向量具有相同的长度，R会自动循环补齐（recycle），即重复较短的向量，直到它与另一个向量长度相匹配。

需要注意的是，矩阵实际上是一个长向量，(1, 2, 3, 4, 5, 6)转成矩阵形式则是：

[   1   4

2   5

3   6    ]

常用的向量运算：

向量运算和逻辑运算：注意到R是函数式语言，每一个运算符都是函数，因此不管+-*/都是元素与元素逐一运算，特别注意*与线性代数中的矩阵运算不同，也是元素和元素逐一相乘。

向量索引：索引格式为：向量1[向量2]，返回的结果为向量1中索引为向量2的那些元素，注意元素允许重复。负数下标代表想把相应元素剔除。

用:运算符创建向量：生成指定范围内数值构成的向量。注意:运算符的优先级高于一般运算符，具体的优先级情况可以在命令窗口中输入?Syntax查看。

用seq()创建向量：生成等差序列

x <- c()
#比较下面两句代码
for(i in 1:length(x))
for(i in seq(x))
#第一句返回的i = c(0, 1)，显然与希望中的不同
#第二句返回的i为NULL

　　

使用rep()重复向量常数：通过调用rep(x, times)，即可创建times*length(x)个元素的向量，由x重复times次构成；或者通过调用rep(x, each)，可创建each*length(x)个元素的向量，由x交替重复each次构成。

> rep(c(5, 12, 13), 3)
> [1]  5  12  13  5  12  13  5  12  13
> rep(c(5, 12, 13), each = 2)
> [1]  5  5  12  12  13  13

　　

使用all()和any()

这两个函数分别报告其参数是否至少有一个或全部为TRUE

向量化运算符：

向量输入，向量输出：很多函数与运算符都是向量化的，注意灵活应用以提高代码效率。这种没有标量的语言（标量实际上是长度为1的向量）因此带来一些代码安全性问题：自定义的函数在需要输入为标量的时候，输入的是向量也会有返回值，但是却没有任何提示。这就需要在设计函数时考虑这个问题，进行输入是否非法的判断。

f <- function(x, c){
                    if (length(c) != 1) stop(“vector c not allowed”)
                    return((x + c) ^ 2)
}

　　

向量输入，矩阵输出：当使用的函数在输入一个值的返回值本身就是向量时，输入一个向量时返回的就应该是矩阵了。而直接使用函数进行运算，得到的只是一个一维向量，需要对结果使用matrix()函数进行重新整合。但是有另一种方法可以用，就是sapply()函数（simplify apply的缩写），调用格式为sapply(x, f)输入向量x对其中的每一个元素应用f()函数，并将结果转化为矩阵。

NA与NULL值：

NA存在但未知的值；NULL表示不存在的值，是R的一种特殊对象，没有模式。

筛选（filtering）：

生成筛选索引：条件，最终靠布尔值

使用subset()函数筛选：与靠条件生成筛选索引的区别在于处理NA值的方式，普通处理会保留NA值，subset()函数会移除NA值

选择函数which()：与subset()函数类似，但是返回值是符合条件值的位置（即索引编号）

向量化的ifelse()函数：

调用形式：ifelse(b, u, v)，其中b为布尔值向量，u, v为向量。函数返回值为向量，如果b[i]为真，则返回值的第i个元素为u[i]如果b[i]为假，则返回值的第i个元素为v[i]。

可以利用ifelse()函数对向量进行重编码，对于2种以上的编码方式，可以考虑嵌套：

#ifelse()函数的嵌套，将g中M, F, I分别重编码为1, 2, 3
g <- c(“M”, “F”, “F”, “I”, “M”, “M”, “F”)
ifelse(g == “M”, 1, ifelse(g == “F”, 2, 3))

　　

测试向量相等：

考虑如下代码：

x <- 1:2
y <- c(1, 2) 

x == y
#返回值：TRUE  TRUE  因为“==”是函数，返回向量化的结果
all(x == y)
#返回值：TRUE 因为all判断向量是否都为TRUE
identical(x, y)
#返回值：FALSE 因为identical()函数判断两个对象是否完全一样
typeof(x) #integer
typeof(y) #double

　　

向量元素的名称：

name()函数可以指定或查询向量元素的名称：

x <- c(1, 2, 4)
#命名
names(x) <- c(“a”, “b”, “ab”)
#查询
name(x)
#返回值 “a”  “b”  “ab”

　　

名称可以用于索引向量中的元素

关于c()函数的一些需要注意事项：

如果传递到c()函数中的参数有不同类型，则它们将被降级为同一类型，该类型最大限度地保留它们的共同特性；

c()函数对向量有扁平化的效果：

c(5, 2, c(1.5, 6))
# [1]  5.0  2.0  1.5  6.0

　　

=========================================================================

向量的特例：矩阵与数组

矩阵是一种特殊的向量，与向量相比，包含了两个附加的属性：行数和列数；而数组是更一般的矩阵，高维数组包含了不止行数和列数两个属性。

创建矩阵：

考虑以下代码：

> y <- matrix(c(1, 2, 3, 4), nrow = 2, ncol = 2)
> y

      [, 1] [, 2]

[1, ]    1     3

[2, ]    2     4

> m <- matrix(c(1, 2, 3, 4), nrow = 2, byrow = TRUE)
> m

      [, 1] [, 2]

[1, ]     1     2

[2, ]     3     4

　　

需要注意的是，在产生矩阵m的时候，数据按行填充（即数据输入顺序），而R在存储时仍然是按列存储。

一般矩阵运算：

线性代数运算：注意矩阵乘法使用”%*%”

矩阵索引：类似于向量索引用法，可以对子矩阵进行提取、赋值以及删除。

矩阵元素筛选：与向量的筛选类似，通过条件计算布尔值进行筛选，需要注意避免意外降维。

对矩阵的行和列调用函数：

使用apply()函数：调用一般格式：

apply(m, dimcode, f, fargs)

　　

apply()函数调用的函数返回的是一个包含k个元素的向量，那么默认返回的结果就有k行，必要时可以使用转置函数t()对结果进行处理。m是矩阵；dimcode是维度编号：1对行应用函数，2对列应用函数；f是应用的函数；fargs是f的可选参数集。

注意apply()函数不一定能使程序运行加快。其优点在于使程序紧凑，便于阅读和修改，并且避免产生使用循环语句时可能带来的bug。

增加或删除矩阵的行或列：

若要删除，将对应行或列赋值为NULL即可，或者使用”-”加索引（参考向量的用法）；若要增加行或列，使用rbind()函数或者cbind()函数。

注意不要在循环中使用rbind()函数或者cbind()函数，因为重复创建新矩阵会减低程序速度，所以这种做法不可取。较好的解决办法是在循环开始前创建一个大矩阵，循环过程中逐行逐列对矩阵进行赋值，这样就避免了循环过程中每次进行耗时的矩阵内存分配。

向量与矩阵的差异：

矩阵也是向量，因此可以用length()函数求长度。另一方面，从面向对象编程的角度来说，矩阵类（matrix class）是实际存在的。可以用dim()函数访问矩阵类的属性（行数和列数），可以用nrow()和ncol()函数分别访问矩阵的行数和列数（实际上都是对dim()函数的简单封装）。这两个函数一般用于写以矩阵为参数的通用库函数，可以不需额外参数输入矩阵的行数和列数。

避免意外降维：

两种方式：若使用索引方式提取子矩阵，设置参数drop = FALSE即可（注意”[”实际上也是函数，drop是这个函数的一个参数）；若选择先提取子矩阵再处理，可以使用as.matrix()函数将被降维成向量的对象转成矩阵对象。

z <- matrix(c(1, 2, 3, 4, 5, 6, 7, 8), nrow = 4)
#索引方式设置drop参数防止降维
r <- z[2, , drop = FALSE]
#使用as.matrix()函数
u <- z[2, ]
v <- as.matrix(u)

　　

矩阵的行和列的命名问题：

rownames()函数与colnames()函数

高维数组：

以一个简单的三维数组为例：

#先生成两个矩阵，作为数组的第一层和第二层
firsttest <- matrix(c(46, 21, 50, 30, 25, 50), nrow = 3)
secondtest <- matrix(c(46, 41, 50, 43, 35, 50), nrow = 3)
#生成一个三维数组，dim参数的三个数字分别代表行数、列数和层数
tests <- array(data = c(firsttest, secondtest), dim = c(3, 2, 2))

　　

=========================================================================

数据框与面向对象编程的基础：列表

R中的列表与Python中的字典、Perl中的哈希表、C中的结构体（struct）类型类似。

创建列表：

#创建一个简单的列表
j <- list(name = “Joe”, salary = 55000, union = TRUE)
#使用标签的时候，在不引起歧义的情况下，可以简写
j$sal
#列表实际也是向量，可以使用vector()函数创建
z <- vector(mode = “list”)
z[[“abc”]] <- 3

　　

列表的常规操作：

列表索引：注意以下代码：

#提取列表组件三种方法
j1 <- j$salary
j2 <- j[[“salary”]]
j3 <- j[[2]]
#以上方法效果相同，都是提取列表j中的第二个组件，返回值的类型是组件本身的类型

#提取子列表
j4 <- j[salary]
j5 <- j[2]
#以上两种方法效果相同，提取了列表j的一个子列表，返回值的类型是列表

　　

增加或删除列表元素：

增加列表元素：直接使用索引即可增加列表组件，具体有5种方式见上面代码，既可以添加单个组件，也可以添加子列表分别作为列表的多个组件。

删除列表元素：直接将待删除的组件赋值为NULL即可。注意删除中间组件的时候，后面的组件的索引全部减1

获取列表长度：

length()函数可以得到列表组件的个数。因为列表是向量。

访问列表元素和值：

函数names()可以获取列表各元素的标签；

函数unlist()可以获取列表的值，返回值是一个向量，类型最大程度保留所有元素的共同特性。一般来说，各种类型的优先级排序是NULL<raw<逻辑类型<整型<实数类型<复数类型<列表<表达式（把配对列表(pairlist)当作普通列表）

在列表上使用apply系列函数：

lapply()函数和sapply()函数的使用：

lapply()（代表list apply）函数与矩阵的apply()函数用法类似，对列表（或强制转换成列表的向量）的每个组件执行给定的函数，并返回另一个列表。

在某些情况下，lapply()函数返回的列表可以转化为矩阵或向量的形式。这时候可以选择使用sapply()（代表simplified [l]apply）

递归型列表：

列表是递归的（recursive），即列表的组件也可以是列表。

拼接函数c()有一个可选参数recursive，决定在拼接列表的时候，是否吧原列表“压平”，就是把所有组件的元素都提取出来，组合成一个向量。

> c(list(a = 1, b = 2, c = list(d = 5, e = 9)))
$a

[1]  1

$b

[1]  2

$c
$c$d

[1]  5 

$c$e

[1]  9

> c(list(a = 1, b = 2, c = list(d = 5, e = 9)), recursive = TRUE)
a   b  c.d   c.e

1   2    5    9

　　

=========================================================================

数据框

从直观上看，数据框类似矩阵，有行和列两个维度，然而数据框与矩阵不同的是，数据框的每一列可以是不同模式。就技术层面而言，数据框是每个组件长度都相等的列表。

创建数据框：

注意参数stringsAsFactors = FALSE的使用。

访问数据框：三种方式：

#类似列表的方式访问组件
d[[1]]
d$kids
#类似矩阵的方式按列访问
d[, 1]

　　

str()函数可以查看数据框的内部结构。注意以上三种方式的返回一致，都是对数据框的某列进行访问。

一般来说，采用名称索引的方式更加安全，但是在写R包时常常采用矩阵式记号。

其他矩阵式操作：

提取子数据框：数据框可以看做是行和列组成的，因此可以按行或列提取子数据框。同样的，如果需要避免意外降维，需要设定drop = FALSE

a <- examquiz[2:5, 2]
b <- examquiz[2:5, 2, drop = FALSE]
class(a)
# "numeric"
class(b)
# "data.frame"

　　

使用rbind()和cbind()等函数：添加新行的时候，添加的行可以是数据框也可以是列表，要求行数相同。添加新列，可以利用数据框的列表属性添加，注意如果新增列长度与数据框不同会自动循环补齐。缺失值的处理：有时需要显式地设置na.rm = TRUE明确处理缺失值，否则会使函数返回结果也是NA。灵活使用subset()函数进行条件筛选，默认na.rm = TRUE。另外如果只是删除缺失值，使用complete.cases()函数可以作为条件筛选完整观测。

使用apply()函数：如果数据框的每一列的数据类型相同，可以对数据框使用apply()函数（此时可以将数据框看作是矩阵）。

合并数据框：

merge()函数，可以将两张表根据某个共同变量的值组合到一起。

需要注意的是，选择匹配变量时要小心，当一个变量内有重复值的时候，很有可能产生错误的结果（相当于原本的一对一变成了一对多）。

应用于数据框的函数：

在数据框上应用lapply()和sapply()函数：数据框是列表的特例，数据框的列构成了列表的组件。在数据框上应用lapply()函数，指定的函数是f()。f()函数会作用于数据框的每一列，然后将返回值置于一个列表中。

=========================================================================

因子和表

因子（factor）的设计思想来源于统计学中的名义变量（nominal variables），或称之为分类变量（categorical variables），这种变量的值本质不是数字，而是对应为分类。

本章的表是频数表和列联表的总称，将探讨一些常用运算。

因子与水平：

R中，因子可以简单地看作一个附加了更多信息的向量。这额外的信息包括向量中不同值的记录，称为“水平”（level）。

因子的长度定义为数据的长度，而不是水平的个数。

如果预测到未来有其他水平，需要提前插入，否则后面通过插入新的数据来插入新的水平是行不通的。

因子的常用函数：

tapply()函数：调用方式：tapply(x, f, g)。其中x为因子向量；f为因子或因子列表；g为函数。tapply()函数执行的操作是：（暂时）将x分组，每组对应一个因子水平（或在多重因子的情况下对应一组因子水平的组合），得到x的子向量，然后这些子向量应用函数g()。

> #tapply()应用示例
> ages <- c(25, 26, 55, 37, 21, 42)
> affils <- c(“R”, “D”, “D”, “R”, “U”, “D”)
> tapply(ages, affils, mean)
 D    R    U

41   31   21

　　

以上是一种简单的形式，只靠一组因子进行分类。如果需要两种以上的因子组合作为控制条件，只需要把f替换成由因子组合成的列表：

#假设数据框d中含有三列，income, gender, over25，以后两者为控制条件对income应用mean函数
tapply(d$income, list(d$gender, d$over25), mean)

　　

split()函数：将向量分割为组，相当于tapply()函数的第一步，而省略了后续的应用函数操作。基本调用形式：split(x, f)，其中x可以是向量或数据框（tapply()函数中不可以是数据框），f为因子或因子列表。返回值是一个列表。

by()函数：与tapply()函数在某种程度上类似，都是先分组，再对每组调用函数。tapply()函数要求输入数据必须为向量，而by()函数可以是数据框或矩阵。

#以Gender为控制条件，分别对第2列和第3列进行回归分析
aba <- read.csv(“abalone.data”, header = TRUE)
by(aba, aba$Gender, function(m) lm(m[, 2] ~ m[, 3]))

　　

表的操作：通常使用table()函数创建表（频数表与列联表）

计算边界值：addmargins()函数

获得维度名称和水平值：dimnames()函数

表也可以采用数据框的形式表达，使用as.data.frame()函数即可

其他与因子和表有关的函数：

aggregate()函数：对分组中的每一个变量调用tapply()函数

cut()函数：是生成因子的一种常用方法，尤其是常用于表的操作。调用方式：cut(x, b, labels = FALSE)输入向量x，由向量b定义一组区间，返回x每个元素落入区间组成的向量。简单来说，就是重编码，这里区间b一般是左开右闭区间。