学习笔记|R语言入门学习笔记1——5种数据模式（vector,matrix, factor, list, data frame）基础|入门|数据模式|R语言

0. 开篇这一系列是我学习R基础的笔记，它的特点是容易查找，当然也不太严谨。如果是想快速上手，或者喜欢通过多试代码而不是阅读的朋友，可以参考我的笔记。
这里是第一部分，关于R当中5种基础的数据模式 (mode)：vector,matrix, factor, list, data frame.
1. 基础数据模式的操作记录向量(vector)、矩阵（matrix）、因素(factor)、列表(list)和数据框架(data frame)的创建、获取子集以及基本运算。
1.1 向量(vector) 1.1.1 创建

# 创建一个数值向量和一个文本向量 c(1,2,3,4) c("a","b","c") # 会自动将向量内数据强制转换为同一类型 > c(1,"a",2,3) [1] "1" "a" "2" "3"

1.1.2 命名（标签）

# 利用names() suits <- c("hearts","spades","diamonds","clubs") remain <- c(11,12,11,13) names(remain) <- suits # 创建时命名 remain <- c(hearts = 11, spades = 12, diamonds = 11, clubs = 13)

1.1.3 取子集

# 序列 remain[c(1,4)] # 反取 remain[-c(1,4)] # 名称 remain[c("spades","clubs")] # 逻辑（会循环取） remain[c(TRUE,FALSE)]

【学习笔记|R语言入门学习笔记1——5种数据模式（vector,matrix, factor, list, data frame）】在接下来的其它数据模式中，都可以取以上4种方式取子集，举一反三，不再赘述。
1.1.4 运算
对向量进行加减乘除、逻辑等基本运算，都会对其中每个元素进行运算(element-wide)，返回一个向量。这一原则同样适用于接下来提到的其它数据模式。
另外一些基本的运算函数：

#平均值 mean(remain) # 求和 sum(remain) # 标准差 sd(remain)

1.2 矩阵(matrix) 1.2.1 创建

# 四种结果一致 mtrx <- matrix(1:6, nrow=2) mtrx <- matrix(1:6, ncol=3) mtrx <- cbind(1:2,3:4,5:6) mtrx <- rbind(seq(1, 5, by = 2),seq(2, 6, by = 2)) # 默认按列放置元素，可以用byrow改变 mtrx <- matrix(1:6,nrow = 2, byrow = TRUE)

1.2.2 命名（标签）

# 利用rownames和colnames rownames(mtrx) <- c("row1","row2") colnames(mtrx) <- c("col1","col2","col3") # 创建时命名 mtrx<-matrix(1:6,nrow=2, dimnames = list(c("row1","row2"), c("col1","col2","col3")))

1.2.3 取子集

# 取第2行第2列的元素 mtrx[2,2] # 取按列数第4个元素，返回值同上一行 mtrx[4] # 取1、2行和1、3列得新矩阵 mtrx[c(1,2),c(1,3)] # 以上方法使用名称和逻辑量同理

1.2.4 运算

# 每行求和得向量，列同理使用户colSums()，rowMeans同理 sum_of_rows_vector <- rowSums(mtrx)

1.3 因素(factor) factor用于容纳一系列的类别数据(categorical)，可以是无序的（血型），或是有序的（衣服尺码）。
1.3.1 创建

# 先准备一个向量 blood <- c("B","AB","O","A","O","O","A","B") # 创建factor，默认levels按字母顺序 blood_factor <- factor(blood) # 自定义levels的顺序 blood_factor2 <- factor(blood,levels<-c("O","A","B","AB"))

1.3.2 命名（标签）

# 给levels命名 levels(blood_factor2) <- c("BT_O","BT_A","BT_B","BT_AB") # 创建时命名 factor(blood, levels <- c("O","A","B","AB"), labels = c("BT_O","BT_A","BT_B","BT_AB"))

1.3.3 排序

# 设置排序 tshirt <- c("M","L","S","S","L") tshirt_factor <- factor(tshirt,ordered = TRUE, levels = c("S","M","L"), labels = c("Small","Medium","Large")) # 取子集比较 > tshirt[1] > tshirt[5] [1] TRUE

1.4 列表(list) 1.4.1 创建、命名及扩展

# 两种创建并命名方式 song <- list("Rsome time",190,5, list(title = "R you on time",duration = 9)) names(song) <- c("title","duration","track","similar") song <- list(title = "Rsome times", duration = 190, track = 5, similar = list(title = "R you on time",duration = 9)) # 扩展列表，以下两种操作结果不同 c(song, similar = list(title = "R you on time",duration = 9), singer = c("M","J")) c(song, similar = list(title = "R you on time",duration = 9), singer = list(c("M","J")))

1.4.2 取子集
1.4.2.0 准备

# 以以上创立的列表song为例，其结构为 > str(song) List of 4 $ title: chr "Rsome times" $ duration: num 190 $ track: num 5 $ similar :List of 2 ..$ title: chr "R you on time" ..$ duration: num 9

1.4.2.1 取子列表

# 取一个子列表（一个包含一个列表的列表） song[4] # 即与下式结果相同 list(similar = list(title = "R you on time",duration = 9)) # 取两行（一个向量和一个列表）构成的子列表 song[c(1,4)]

1.4.2.2 取元素

# 取一个元素 song[[4]] song$similar # 与下式结果相同 list(title = "R you on time",duration = 9) # 取第4元素（列表）中的第一元素（文本） song[[c(4,1)]] song[[4]][[1]]

1.5 数据框架(data.frame) 1.5.1 创建和扩展
1.5.1.0 准备

# 准备向量 name <- c("A","B","C") age <- c(28,30,21) child <- c(FALSE,TRUE,TRUE)

1.5.1.1 创建

# 两种方法创建 df <- data.frame(name,age,child) names(df) <- c("Names","Age","Child") df <- data.frame(Name = name,Age = age,Child = child)

1.5.1.2 扩展

# 三种扩展方法 height <- c(180,175,177) df$Height <- height df[["Height"]] <- height df <- cbind(df, Height = height)

1.5.2 取子集
一个data.frame既可以看做matrix，也可以看做list，所以可以用两者的一些方法取子集。接下来以上面创立的df为例：
1.5.2.1 用matrix的方法

# 取单个元素 df[2,3] # 取一个子data.frame df[c(1,3),c(FALSE,TRUE)] # 单独取一行会返回list df[-c(1,3),] # 取一列会返回vector或者factor (对于text) df[,c(TRUE,FALSE,FALSE,FALSE)]

1.5.2.2 用list的方法

# 取一个子data.frame df["Age"] df[2] # 取一个vector或者factor df[["Age"]] df[[2]]

1.5.2.3 其它取子集方法

# 运用subset函数 subset(df,subset = Child == TRUE) subset(df,subset = Child == TRUE & Age > 25) # Alternatively，实际用到了逻辑取子集的方法 df[df$Child == TRUE,] df[df$Child == TRUE & df$Age > 25,]

1.5.3 排序

# 将年龄升序排序 sort(df$Age) # 得每一行的升序/降序排名构成的向量 ranks1 <- order(df$Age) ranks2 <- order(df$Age,decreasing = TRUE) # 将list重新排列 df[ranks1,] df[ranks2,]

1.6 查看、转换mode和一点其它

# 查看mode，单个是数值也是向量 is.anymode() > is.vector(3) [1] TRUE # 查看长度 length(c(1:6)) # 查看维度 > dim(as.matrix(c(1:3))) [1] 3 1 # 查看结构 str() # 转换mode as.anymode() as.matrix(c(1:5))