R語言數(shù)據(jù)分析實(shí)戰(zhàn)：數(shù)據(jù)結(jié)構(gòu)（1）

一、數(shù)據(jù)集的概念

數(shù)據(jù)集通常是由數(shù)據(jù)構(gòu)成的一個(gè)矩形數(shù)組，行表示觀測(cè)，列表示變量。表2-1提供了一個(gè)假想的病例數(shù)據(jù)集。

不同的行業(yè)對(duì)于數(shù)據(jù)集的行和列叫法不同。統(tǒng)計(jì)學(xué)家稱它們?yōu)橛^測(cè)（observation）和變量（variable），數(shù)據(jù)庫分析師則稱其為記錄（record）和字段（field），數(shù)據(jù)挖掘/機(jī)器學(xué)習(xí)學(xué)科的研究者則把它們叫做示例（example）和屬性（attribute）。

你可以清楚地看到此數(shù)據(jù)集的結(jié)構(gòu)（本例中是一個(gè)矩形數(shù)組）以及其中包含的內(nèi)容和數(shù)據(jù)類型。在表2-1所示的數(shù)據(jù)集中，PatientID是行/實(shí)例標(biāo)識(shí)符，AdmDate是日期型變量，Age是連續(xù)型變量，Diabetes是名義型變量，Status是有序型變量。

R語言中有許多用于存儲(chǔ)數(shù)據(jù)的結(jié)構(gòu)，包括標(biāo)量、向量、數(shù)組、數(shù)據(jù)框和列表。表2-1實(shí)際上對(duì)應(yīng)著R中的一個(gè)數(shù)據(jù)框。多樣化的數(shù)據(jù)結(jié)構(gòu)賦予了R極其靈活的數(shù)據(jù)處理能力。

R可以處理的數(shù)據(jù)類型（模式）包括數(shù)值型、字符型、邏輯型（TRUE/FALSE）、復(fù)數(shù)型（虛數(shù)）和原生型（字節(jié)）。在R語言中，PatientID、AdmDate和Age將為數(shù)值型變量，而Diabetes和Status則為字符型變量。另外，你需要分別告訴R：PatientID是實(shí)例標(biāo)識(shí)符，AdmDate含有日期數(shù)據(jù)，Diabetes和Status分別是名義型和有序型變量。R將實(shí)例標(biāo)識(shí)符稱為rownames（行名），將類別型（包括名義型和有序型）變量稱為因子（factors）。我們會(huì)在下一節(jié)中講解這些內(nèi)容，并在第3章中介紹日期型數(shù)據(jù)的處理。

二、數(shù)據(jù)結(jié)構(gòu)

R擁有許多用于存儲(chǔ)數(shù)據(jù)的對(duì)象類型，包括標(biāo)量、向量、矩陣、數(shù)組、數(shù)據(jù)框和列表。它們?cè)诖鎯?chǔ)數(shù)據(jù)的類型、創(chuàng)建方式、結(jié)構(gòu)復(fù)雜度，以及用于定位和訪問其中個(gè)別元素的標(biāo)記等方面均有所不同。圖2-1給出了這些數(shù)據(jù)結(jié)構(gòu)的一個(gè)示意圖。

讓我們從向量開始，逐個(gè)探究每一種數(shù)據(jù)結(jié)構(gòu)。

一些定義

R語言中有一些術(shù)語較為獨(dú)特，可能會(huì)對(duì)新用戶造成困擾。在R中，對(duì)象（object）是指可以賦值給變量的任何事物，包括常量、數(shù)據(jù)結(jié)構(gòu)、函數(shù)，甚至圖形。對(duì)象都擁有某種模式，描述了此對(duì)象是如何存儲(chǔ)的，以及某個(gè)類，像print這樣的泛型函數(shù)表明如何處理此對(duì)象。

與其他標(biāo)準(zhǔn)統(tǒng)計(jì)軟件（如SAS、SPSS和Stata）中的數(shù)據(jù)集類似，數(shù)據(jù)框（data frame）是R中用于存儲(chǔ)數(shù)據(jù)的一種結(jié)構(gòu)：列表示變量，行表示觀測(cè)。在同一個(gè)數(shù)據(jù)框中可以存儲(chǔ)不同類型（如數(shù)值型、字符型）的變量。數(shù)據(jù)框?qū)⑹悄阌脕泶鎯?chǔ)數(shù)據(jù)集的主要數(shù)據(jù)結(jié)構(gòu)。

因子（factor）是名義型變量或有序型變量。它們?cè)赗中被特殊地存儲(chǔ)和處理。

1、向量

向量是用于存儲(chǔ)數(shù)值型、字符型或邏輯型數(shù)據(jù)的一維數(shù)組。執(zhí)行組合功能的函數(shù)c()可用來創(chuàng)建向量。各類向量如下例所示：

這里，a是數(shù)值型向量，b是字符型向量，而c是邏輯型向量。注意，單個(gè)向量中的數(shù)據(jù)必須擁有相同的類型或模式（數(shù)值型、字符型或邏輯型）。同一向量中無法混雜不同模式的數(shù)據(jù)。

注意：標(biāo)量是只含一個(gè)元素的向量，例如f <- 3、g <- "US"和h <- TRUE。它們用于保存常量。

通過在方括號(hào)中給定元素所處位置的數(shù)值，我們可以訪問向量中的元素。例如，a[c(2, 4)]用于訪問向量a中的第二個(gè)和第四個(gè)元素。更多示例如下：

最后一個(gè)語句中使用的冒號(hào)用于生成一個(gè)數(shù)值序列。例如，a <- c(2:6)等價(jià)于a <- c(2,3, 4, 5, 6)。

2、矩陣

矩陣是一個(gè)二維數(shù)組，只是每個(gè)元素都擁有相同的模式（數(shù)值型、字符型或邏輯型）?？赏ㄟ^函數(shù)matrix創(chuàng)建矩陣。一般使用格式為：

其中vector包含了矩陣的元素，nrow和ncol用以指定行和列的維數(shù)，dimnames包含了可選的、以字符型向量表示的行名和列名。選項(xiàng)byrow則表明矩陣應(yīng)當(dāng)按行填充（byrow=TRUE）還是按列填充（byrow=FALSE），默認(rèn)情況下按列填充。代碼清單2-1中的代碼演示了matrix函數(shù)的用法。

我們首先創(chuàng)建了一個(gè)5×4的矩陣①，接著創(chuàng)建了一個(gè)2×2的含列名標(biāo)簽的矩陣，并按行進(jìn)行填充②，最后創(chuàng)建了一個(gè)2×2的矩陣并按列進(jìn)行了填充③。我們可以使用下標(biāo)和方括號(hào)來選擇矩陣中的行、列或元素。X[i,]指矩陣X中的第i 行，X[,j]指第j 列，X[i, j]指第i 行第j 個(gè)元素。選擇多行或多列時(shí)，下標(biāo)i 和j 可為數(shù)值型向量，如代碼清單2-2所示。

首先，我們創(chuàng)建了一個(gè)內(nèi)容為數(shù)字1到10的2×5矩陣。默認(rèn)情況下，矩陣按列填充。然后，我們分別選擇了第二行和第二列的元素。接著，又選擇了第一行第四列的元素。最后選擇了位于第一行第四、第五列的元素。

矩陣都是二維的，和向量類似，矩陣中也僅能包含一種數(shù)據(jù)類型。當(dāng)維度超過2時(shí)，不妨使用數(shù)組。當(dāng)有多種模式的數(shù)據(jù)時(shí)，不妨使用數(shù)據(jù)框。

3、數(shù)組

數(shù)組（array）與矩陣類似，但是維度可以大于2。數(shù)組可通過array函數(shù)創(chuàng)建，形式如下：其中vector包含了數(shù)組中的數(shù)據(jù)，dimensions是一個(gè)數(shù)值型向量，給出了各個(gè)維度下標(biāo)的最大值，而dimnames是可選的、各維度名稱標(biāo)簽的列表。代碼清單2-3給出了一個(gè)創(chuàng)建三維（2×3×4）數(shù)值型數(shù)組的示例。
 

如你所見，數(shù)組是矩陣的一個(gè)自然推廣。它們?cè)诰帉懶碌慕y(tǒng)計(jì)方法時(shí)可能很有用。像矩陣一樣，數(shù)組中的數(shù)據(jù)也只能擁有一種模式。

從數(shù)組中選取元素的方式與矩陣相同。上例中，元素z[1,2,3]為15。