R語言數據分析實戰：數據結構（1）

一、數據集的概念

數據集通常是由數據構成的一個矩形數組，行表示觀測，列表示變量。表2-1提供了一個假想的病例數據集。

不同的行業對于數據集的行和列叫法不同。統計學家稱它們為觀測（observation）和變量（variable），數據庫分析師則稱其為記錄（record）和字段（field），數據挖掘/機器學習學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據集的結構（本例中是一個矩形數組）以及其中包含的內容和數據類型。在表2-1所示的數據集中，PatientID是行/實例標識符，AdmDate是日期型變量，Age是連續型變量，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數據的結構，包括標量、向量、數組、數據框和列表。表2-1實際上對應著R中的一個數據框。多樣化的數據結構賦予了R極其靈活的數據處理能力。

R可以處理的數據類型（模式）包括數值型、字符型、邏輯型（TRUE/FALSE）、復數型（虛數）和原生型（字節）。在R語言中，PatientID、AdmDate和Age將為數值型變量，而Diabetes和Status則為字符型變量。另外，你需要分別告訴R：PatientID是實例標識符，AdmDate含有日期數據，Diabetes和Status分別是名義型和有序型變量。R將實例標識符稱為rownames（行名），將類別型（包括名義型和有序型）變量稱為因子（factors）。我們會在下一節中講解這些內容，并在第3章中介紹日期型數據的處理。

二、數據結構

R擁有許多用于存儲數據的對象類型，包括標量、向量、矩陣、數組、數據框和列表。它們在存儲數據的類型、創建方式、結構復雜度，以及用于定位和訪問其中個別元素的標記等方面均有所不同。圖2-1給出了這些數據結構的一個示意圖。

讓我們從向量開始，逐個探究每一種數據結構。

一些定義

R語言中有一些術語較為獨特，可能會對新用戶造成困擾。在R中，對象（object）是指可以賦值給變量的任何事物，包括常量、數據結構、函數，甚至圖形。對象都擁有某種模式，描述了此對象是如何存儲的，以及某個類，像print這樣的泛型函數表明如何處理此對象。

與其他標準統計軟件（如SAS、SPSS和Stata）中的數據集類似，數據框（data frame）是R中用于存儲數據的一種結構：列表示變量，行表示觀測。在同一個數據框中可以存儲不同類型（如數值型、字符型）的變量。數據框將是你用來存儲數據集的主要數據結構。

因子（factor）是名義型變量或有序型變量。它們在R中被特殊地存儲和處理。

1、向量

向量是用于存儲數值型、字符型或邏輯型數據的一維數組。執行組合功能的函數c()可用來創建向量。各類向量如下例所示：

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

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

通過在方括號中給定元素所處位置的數值，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中的第二個和第四個元素。更多示例如下：

最后一個語句中使用的冒號用于生成一個數值序列。例如，a <- c(2:6)等價于a <- c(2,3, 4, 5, 6)。

2、矩陣

矩陣是一個二維數組，只是每個元素都擁有相同的模式（數值型、字符型或邏輯型）?？赏ㄟ^函數matrix創建矩陣。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，dimnames包含了可選的、以字符型向量表示的行名和列名。選項byrow則表明矩陣應當按行填充（byrow=TRUE）還是按列填充（byrow=FALSE），默認情況下按列填充。代碼清單2-1中的代碼演示了matrix函數的用法。

我們首先創建了一個5×4的矩陣①，接著創建了一個2×2的含列名標簽的矩陣，并按行進行填充②，最后創建了一個2×2的矩陣并按列進行了填充③。我們可以使用下標和方括號來選擇矩陣中的行、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 個元素。選擇多行或多列時，下標i 和j 可為數值型向量，如代碼清單2-2所示。

首先，我們創建了一個內容為數字1到10的2×5矩陣。默認情況下，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據類型。當維度超過2時，不妨使用數組。當有多種模式的數據時，不妨使用數據框。

3、數組

數組（array）與矩陣類似，但是維度可以大于2。數組可通過array函數創建，形式如下：其中vector包含了數組中的數據，dimensions是一個數值型向量，給出了各個維度下標的最大值，而dimnames是可選的、各維度名稱標簽的列表。代碼清單2-3給出了一個創建三維（2×3×4）數值型數組的示例。
 

如你所見，數組是矩陣的一個自然推廣。它們在編寫新的統計方法時可能很有用。像矩陣一樣，數組中的數據也只能擁有一種模式。

從數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。