一.数据集的概念
数据集通常由数据构成的一个矩形数组，行表观测，列表变量。当然不同行业对数据集的行列叫法不同。
①统计学家称它们为观测和变量
②数据分析师称记录和字段
③机器学习算法工程师称其为实例和属性
2.2数据结构
R用于存储数据的对象类型，包括标量、向量、矩阵、数组、数据框和列表：
image.png
2.2.1 向量
向量是用于储存数值型，字符型，逻辑型数据的一维数组。函数c（）创建向量。
a <- c(1, 2, 5, 3, 6, -2, 4)
b <- c("one", "two", "three")
c <- c(TRUE, TRUE, TRUE, FALSE, TRUE, FALSE)
这里，a是数值型向量，b是字符型向量，而c是逻辑型向量。注意，单个向量中的数据必须拥有相同的类型或模式（数值型、字符型或逻辑型）。同一向量中无法混杂不同模式的数据。
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。
注意：标量是只含有一个元素的向量f<-7
a <- c("k", "j", "h", "a", "c", "m")
a[3]
"h"
a[c(1, 3, 5)]
"k" "h" "c"
a[2:6]
"j" "h" "a" "c" "m"
2.2.2 矩阵（二维数组）
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。使用格式：
myymatrix <- matrix(vector, nrow=number_of_rows, ncol=number_of_columns, byrow=logical_value, dimnames=list( char_vector_rownames, 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。
代码清单2-1：创建矩阵
y <- matrix(1:20, nrow=5, ncol=4) #创建一个5*4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
cells <- c(1,26,24,68)
rnames <- c("R1", "R2")
cnames <- c("C1", "C2")
mymatrix <- matrix(cells, nrow=2, ncol=2, byrow=TRUE, dimnames=list(rnames, cnames)) #按行填充的2*2矩阵
mymatrix
C1 C2
R1 1 26
R2 24 68
mymatrix <- matrix(cells, nrow=2, ncol=2, byrow=FALSE, dimnames=list(rnames, cnames)) #按列填充的2*2矩阵
mymatrix
| C1 | C2 | |
|---|---|---|
| R1 | 1 | 24 |
| R2 | 26 | 68 |
代码清单2-2： 矩阵下标的使用
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
In [8]:
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
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最大值，而dimnames是可选的、各维度名称标签的列表。
代码清单2-3： 创建一个数组
dim1 <- c("A1", "A2")
dim2 <- c("B1", "B2", "B3")
dim3 <- c("C1", "C2", "C3", "C4")
z <- array(1:24, c(2,3,4), dimnames=list(dim1, dim2, dim3))
print(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
数据框
代码清单2-4： 创建一个数据框
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等可为任何类型（如字符型、数值型或逻辑型）。每一列的名称可由函数names指定。
In [15]:
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 | 25 | Type1 | Poor |
| 2 | 34 | Type2 | Improved |
| 3 | 28 | Type1 | Excellent |
| 4 | 52 | Type1 | Poor |
代码清单2-5： 选取数据框中的元素
可以使用前述（如矩阵中的）下标记号，亦可直接指定列名
patientdata[1:2]
| patientID | age |
|---|---|
| 1 | 25 |
| 2 | 34 |
| 3 | 28 |
| 4 | 52 |
patientdata[c("diabetes","status")]
| diabetes | status |
|---|---|
| Type1 | Poor |
| Type2 | Improved |
| Type1 | Excellent |
| Type1 | Poor |
patientdata$age
25 34 28 52
table(patientdata$diabetes, patientdata$status)#生成diabetes和status的列联表
Excellent Improved Poor
Type1 1 0 2
Type2 0 1 0
因子
代码清单2-6 因子的使用
变量：名义型、有序型或连续型变量 。
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） 。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。
①名义型：diabetes<-factor(diabetes)
②有序型：status<-factor(status,order=T)#表示有序型变量，需要为函数factor()指定参数order=TRUE 。
代码清单2-6演示了普通因子和有序因子的不同是如何影响数据分析的。
# 以向量形式输入数据
patientID <- c(1, 2, 3, 4)
age <- c(25, 34, 28, 52)
diabetes <- c("Type1", "Type2", "Type1", "Type1")
status <- c("Poor", "Improved", "Excellent", "Poor")
diabetes <- factor(diabetes) #普通因子
status <- factor(status, order=TRUE) #有序型因子
patientdata <- data.frame(patientID, age, diabetes, status)
#显示对象的结构
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 "Excellent"<"Improved"<..: 3 2 1 3
# 显示对象的统计概要
summary(patientdata)
patientID age diabetes status
Min. :1.00 Min. :25.00 Type1:3 Excellent:1
1st Qu.:1.75 1st Qu.:27.25 Type2:1 Improved :1
Median :2.50 Median :31.00 Poor :2
Mean :2.50 Mean :34.75
3rd Qu.:3.25 3rd Qu.:38.50
Max. :4.00 Max. :52.00
列表
列表（list）是R的数据类型中最为复杂的一种。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。
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, ...)
代码清单2-7： 创建一个列表
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)
# 输出整个列表
print(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"
网友评论