R语言入门之创建数据集——向量、矩阵、数组、数据框和列表

码字不易，转发请注明出处：http://blog.csdn.net/qq_28945021/article/details/52100765

摘要

随着大数据的火爆发展，适合数据分析及生成图表的R语言也在“最受欢迎的编程语言”中上升到了17位。R语言的种种特性令其十分易于进行数据分析，并因其能通过简短的代码生成一目了然的图令众多数据分析师垂涎三尺。进行数据分析的第一步是先拿到数据，本文就简单描述一下R语言的各种数据集——向量、矩阵、数组、数据框和列表的创建及使用。

向量

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。值得注意的是，单个向量中的数据类型是固定的，比如数值型向量中的元素就必须全为向量。

#向量创建使用示例
> a <- c(1,2,5,3,6,-2,4)   #数值型向量
> a
[1]  1  2  5  3  6 -2  4

> b <- c("one","two","three")  #字符型向量
> b
[1] "one"   "two"   "three"

> c <- c(TRUE,TRUE,T,FALSE,TRUE,F)  #逻辑型向量
> c
[1]  TRUE  TRUE  TRUE FALSE  TRUE FALSE

注意这里的逻辑型向量中，TRUE/FALSE是R语言中自带的，是无法被用户所重写的。而T/F却不同，所以就算能将TRUE/FALSE简写为T/F。但建议还是不要这样做。这是一个好习惯。

通过在方括号中给定元素所处位置的数值，我们可以访问向量中的元素。例如：

> a[1]
[1] 1
> a[c(1,3)]
[1] 1 5
> b[1:3]
[1] "one"   "two"   "three"

最后一个语句中使用的冒号用于生成一个数值序列。例如，a <- c(1:3)等价于a <- c(1, 2, 3。

矩阵

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。一般使用格式为：

> mymatrix <- matrix(vector,nrow=number_of_rows,ncol=number_of_columns,

+ byrow=logical_value,dimnames=list(

+ char_vector_rowname,char_vector_colnames))

其中vector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。选项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。简单示例如下：

> y <- matrix(1:20,nrow=5,ncol=4)     #创建一个5*4的矩阵
> y
[,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

> #按行填充的2*2矩阵
> cells <- c(1,26,24,68)
> rnames <- c("R1","R2")
> cname <- c("C1","C2")
> > mymatrix <- matrix(cells,nrow=2,ncol=2,byrow=TRUE,
+ dimnames=list(rnames,cname))
> mymatrix
C1 C2
R1  1 26

> #按列填充的2*2矩阵
> mymatrix <- matrix(cells,nrow=2,ncol=2,byrow=FALSE,
+ dimnames=list(rnames,cname))
> mymatrix
C1 C2
R1  1 24
R2 26 68

我们可以使用下标和方括号来选择矩阵中的行、列或元素。X[i,]指矩阵X中的第i 行，X[,j] 指第j 列，X[i, j]指第i 行第j 个元素。选择多行或多列时，下标i 和j 可为数值型向量，如：

> x <- matrix(1:10,nrow=2)
> x
[,1] [,2] [,3] [,4] [,5]
[1,]    1    3    5    7    9
[2,]    2    4    6    8   10
> x[2,]
[1]  2  4  6  8 10
> x[,2]
[1] 3 4
> x[1,4]
[1] 7
> x[1,c(4,5)]
[1] 7 9

矩阵都是二维的，和向量类似，矩阵中也仅能包含一种数据类型。当维度超过2时，不妨使 用数组。当有多种模式的数据时，不妨使用数据框。

数组

数组（array）与矩阵类似，但是维度可以大于2。数组可通过array函数创建，形式如下：

> myarray <- array(vector,dimensions,dimnames)

其中vector包含了数组中的数据，dimensions是一个数值型向量，给出了各个维度下标的大 值，而dimnames是可选的、各维度名称标签的列表。

创建三维 （2×3×4）数值型数组:

> z <- array(1:24, c(2,3,4),dimnames=list(dim1,dim2,dim3))
> 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

如你所见，数组是矩阵的一个自然推广。它们在编写新的统计方法时可能很有用。像矩阵一 样，数组中的数据也只能拥有一种模式。 从数组中选取元素的方式与矩阵相同。上例中，元素z[1,2,3]为15

数据框

由于不同的列可以包含不同模式（数值型、字符型等）的数据，数据框的概念较矩阵来说更 为一般。数据框将是你在R中常处理的 数据结构。

数据框可通过函数data.frame()创建：

> mydata <- data.frame(col1,col2,col3,…)

其中的列向量col1, col2, col3,… 可为任何类型（如字符型、数值型或逻辑型）。每一列的 名称可由函数names指定。

用法：

> 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         1  25    Type1      Poor
2         2  34    Type2  Improved
3         3  28    Type1 Excellent
4         4  52    Type1      Poor

每一列数据的模式必须唯一，不过你却可以将多个模式的不同列放到一起组成数据框。

选取数据框中元素的方式有若干种。你可以使用前述（如矩阵中的）下标记号，亦可直接指 定列名。如：

> patientdata
patientID age diabetes    status
1         1  25    Type1      Poor
2         2  34    Type2  Improved
3         3  28    Type1 Excellent
4         4  52    Type1      Poor
> patientdata[1:2]
patientID age
1         1  25
2         2  34
3         3  28
4         4  52
> patientdata[c("diabetes","status")]
diabetes    status
1    Type1      Poor
2    Type2  Improved
3    Type1 Excellent
4    Type1      Poor
> patientdata$age
[1] 25 34 28 52

第三个例子中的记号$是新出现的 。它被用来选取一个给定数据框中的某个特定变量。例 如，如果你想生成糖尿病类型变量diabetes和病情变量status的列联表，使用以下代码即可：

> table(patientdata$diabetes,patientdata$status)

Excellent Improved Poor
Type1         1        0    2
Type2         0        1    0

在每个变量名前都键入一次patientdata$可能会让人生厌，所以不妨走一些捷径。可以联 合使用函数attach()和detach()或单独使用函数with()来简化代码。

attach()、detach()和with() 函数attach()可将数据框添加到R的搜索路径中。R在遇到一个变量名以后，将检查搜索路 径中的数据框，以定位到这个变量。

> summary(mtcars$mpg)
Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
10.40   15.42   19.20   20.09   22.80   33.90
> plot(mtcars$mpg,mtcars$disp)
> #也可写成：
>  attach(mtcars)
>  plot(mpg,disp)
>  detach(mtcars)

函数detach()将数据框从搜索路径中移除。

当名称相同的对象不止一个时，这种方法的局限性就很明显了。

> mpg <- c(25,36,47)
> attach(mtcars)
The following object is masked _by_ .GlobalEnv:  mpg
> plot(mpg,wt)
Error in xy.coords(x, y, xlabel, ylabel, log) :
'x' and 'y' lengths differ
> mpg
[1] 25 36 47

> plot(mtcars$mpg,wt)

这里，在数据框mtcars被绑定（attach）之前，我们的环境中已经有了一个名为mpg的对象。 在这种情况下，原始对象将取得优先权，故而报错，这个时候想使用mpg时，便要像最后一段代码示例那般。

除此之外，另一种方式是使用函数with()。你可以这样重写上例：

> with(mtcars,{
+ plot(mpg,disp)
+ })

在这种情况下，大括号{}之间的语句都针对数据框mtcars执行，这样就无须担心名称冲突 了。如果仅有一条语句（例如summary(mpg)），那么大括号{}可以省略。 函数with()的局限性在于，赋值仅在此函数的括号内生效。如：

> with(mtcars,{stats <-summary(mpg)
+ stats
+ })
Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
10.40   15.42   19.20   20.09   22.80   33.90
> stats
错误: 找不到对象'stats'

如果你需要创建在with()结构以外存在的对象，使用特殊赋值符<<-替代标准赋值符（<-） 即可，它可将对象保存到with()之外的全局环境中。如：

> with(mtcars,{
+ nokeepstats <- summary(mpg)
+ keepstats <<- summary(mpg)
+ })
> nokeepstats
错误: 找不到对象'nokeepstats'
> keepstats
Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
10.40   15.42   19.20   20.09   22.80   33.90

因子

如你所见，变量可归结为名义型、有序型或连续型变量。名义型变量是没有顺序之分的类别 变量。糖尿病类型Diabetes（Type1、Type2）是名义型变量的一例。即使在数据中Type1编码 为1而Type2编码为2，这也并不意味着二者是有序的。有序型变量表示一种顺序关系，而非数量 关系。病情Status（poor, improved, excellent）是顺序型变量的一个上佳示例。我们明白， 病情为poor（较差）病人的状态不如improved（病情好转）的病人，但并不知道相差多少。连续 型变量可以呈现为某个范围内的任意值，并同时表示了顺序和数量。年龄Age就是一个连续型变 量，它能够表示像14.5或22.8这样的值以及其间的其他任意值。很清楚，15岁的人比14岁的人年 长一岁。

类别（名义型）变量和有序类别（有序型）变量在R中称为因子（factor）。因子在R中非常重 要，因为它决定了数据的分析方式以及如何进行视觉呈现。你将在本书中通篇看到这样的例子。 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。

举例来说，假设有向量：

> diabetes <- c("Type1","Type2","Type1","Type1")

语句diabetes <- factor(diabetes)将此向量存储为(1, 2, 1, 1)，并在内部将其关联为 1=Type1和2=Type2（具体赋值根据字母顺序而定）。针对向量diabetes进行的任何分析都会将 其作为名义型变量对待，并自动选择适合这一测量尺度的统计方法。 要表示有序型变量，需要为函数factor()指定参数ordered=TRUE。给定向量:

> status <- c("Poor","Improved","Excellent","Poor")

语句status <- factor(status, ordered=TRUE)会将向量编码为(3, 2, 1, 3)，并在内部将这 些值关联为1=Excellent、2=Improved以及3=Poor。

对于字符型向量，因子的水平默认依字母顺序创建。这对于因子status是有意义的，因为 “Excellent”、“Improved”、“Poor”的排序方式恰好与逻辑顺序相一致。如果“Poor”被编码为 “Ailing”，会有问题，因为顺序将为“Ailing”、“Excellent”、“Improved”。如果理想中的顺序是 “Poor”、“Improved”、“Excellent”，则会出现类似的问题。按默认的字母顺序排序的因子很少能 够让人满意。 你可以通过指定levels选项来覆盖默认排序。例如：

> status <- factor(status,orde=TRUE,
+ levels=c("Poor","Improved","Excellent")
+ )

因子的使用：

> patientdata <-data.frame(patientID,age,diabetes,status)
> str(patientdata)
'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 "Poor"<"Improved"<..: 1 2 3 1

> summary(patientdata)
patientID         age         diabetes       status
Min.   :1.00   Min.   :25.00   Type1:3   Poor     :2
1st Qu.:1.75   1st Qu.:27.25   Type2:1   Improved :1
Median :2.50   Median :31.00             Excellent:1
Mean   :2.50   Mean   :34.75
3rd Qu.:3.25   3rd Qu.:38.50
Max.   :4.00   Max.   :52.00

此例子中使用的数据集都是前面例子中用到的，忘记的看客可以上去看看。

str(patientdata)清楚地显示diabetes是一个因子，而status是一个有序型因子， 以及此数据框在内部是如何进行编码的。注意，函数summary()会区别对待各个变量 。它显示 了连续型变量age的小值、大值、均值和各四分位数，并显示了类别型变量diabetes和 status（各水平）的频数值。

列表

列表（list）是R的数据类型中为复杂的一种。一般来说，列表就是一些对象（或成分， component）的有序集合。列表允许你整合若干（可能无关的）对象到单个对象名下。例如，某个 列表中可能是若干向量、矩阵、数据框，甚至其他列表的组合。可以使用函数list()创建列表

> mylist <- list(object1,object2,…)

其中的对象可以是目前为止讲到的任何结构。你还可以为列表中的对象命名：

> mylist <- list(name1=object1,name2=object2,…)

例如：

> 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)
> mylist
$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"

本例创建了一个列表，其中有四个成分：一个字符串、一个数值型向量、一个矩阵以及一个 字符型向量。可以组合任意多的对象，并将它们保存为一个列表。 你也可以通过在双重方括号中指明代表某个成分的数字或名称来访问列表中的元素。此例 中，mylist[[2]]和mylist[[“ages”]]均指那个含有四个元素的向量。由于两个原因，列表 成为了R中的重要数据结构。首先，列表允许以一种简单的方式组织和重新调用不相干的信息。 其次，许多R函数的运行结果都是以列表的形式返回的。需要取出其中哪些成分由分析人员决定。