R语言之数据结构
R语言拥有许多用于存储数据的对象类型，包括标量、向量、矩阵、数组、数据框、列表、因子。
1.标量：标量是只包含一个元素的向量
|
1
2
3
|
> a <- 1; # 数值型
> b <- "China"; # 字符型
> c <- TRUE; # 逻辑型
|
2.向量：向量用于存储数值型、字符型或逻辑型数据的一维数组。通过c()函数来创建向量
|
1
2
3
|
> d <- c(1,2,3);
> e <- c("China","USA");
> f <- c(T,F,F,T);
|
3.矩阵（matrix）：矩阵是一个二维数组，每个元素都拥有相同的模式（数值型、字符型、逻辑型），一般通过函数matrix()来创建矩阵
matrix(data = NA, nrow = 1, ncol = 1, byrow = FALSE, dimnames = NULL) data:包含了矩阵的元素; nrow 和 ncol:用于指定矩阵的行数和列数; byrow=F:默认创建的矩阵按照列进行排列; dimnames：创建矩阵时可以设置行和列的名称(必须为列表形式);
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
> m1 <- matrix(1:8,nrow=4)
#默认按列填充
> m1
[,1] [,2]
[1,] 1 5
[2,] 2 6
[3,] 3 7
[4,] 4 8
#设置byrow=T,将元素按照行进行填充
> m2 <- matrix(1:8,nrow=4,byrow=T)
> m2
[,1] [,2]
[1,] 1 2
[2,] 3 4
[3,] 5 6
[4,] 7 8
# 设置矩阵行和列的名称
> m3 <- matrix(1:8,nrow=4,byrow=T,dimnames=list(c("r1","r2","r3","r4"),c("c1","c2")))
> m3
c1 c2
r1 1 2
r2 3 4
r3 5 6
r4 7 8
|
4.数组（array）：与矩阵类型，但是维度可以大于2，数组可以通过array()函数进行创建；数组中的数据也只能拥有一种模式（数据类型），如果数组中的数据有其他的数据类型，R会自动将所有数据转换为同一模式
array(data = NA, dim = length(data), dimnames = NULL) data:包含了数组中的数据; dim:是一个数值型的向量,给出了各个维度下标的最大值; dimnames:各个维度名称标签的列表;
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
> arr <- array(1:24,dim=c(4,3,2))
> arr
, , 1
[,1] [,2] [,3]
[1,] 1 5 9
[2,] 2 6 10
[3,] 3 7 11
[4,] 4 8 12
, , 2
[,1] [,2] [,3]
[1,] 13 17 21
[2,] 14 18 22
[3,] 15 19 23
[4,] 16 20 24
|
5.数据框（data.frame）：数据框类似于二维表格，包含行和列，是R中最常处理的数据结构。不同的列可以包含不同的模式，每一列数据的模式必须唯一；数据框可以通过函数data.frame()进行创建data.frame(..., row.names = NULL, check.rows = FALSE, check.names = TRUE, stringsAsFactors = default.stringsAsFactors())row.names：设置数据框行的名称; check.rows:默认为FALSE，检查行的名称和数量是否一致; check.names：逻辑值，默认为TRUE,如果为TRUE，变量的名称不能够重复，如果重复，则R会自动进行转换以保证列名不同; stringsAsFactors :是否将字符串转换为因子（factor）类型，stringsAsFactors 默认为TRUE，即default.stringsAsFactors()的值为TRUE，将字符串转换为因子;
|
1
2
3
4
5
6
7
8
9
10
11
|
> g <- data.frame(a=c(1,2,3),a=c(4,5,6),row.names=c("n1","n2","n3"),check.names=T)
> g
a a.1
n1 1 4
n2 2 5
n3 3 6
> g["a.1"] #由于数据框g有重复列名a，因为设置了check.names=T,R内部会自动将第二列的列名a转换为a.1
a.1
n1 4
n2 5
n3 6
|
6.列表（list）：是一个有序对象的集合，列表允许整合若干对象到单个对象名下，可以通过list()函数进行创建
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
> k <- list(d=5:9,e="China") # 创建列表k，包括d和e两个对象
> l <- list(title="mylist",a=1:3,b=matrix(1:8,nrow=2),c=c("one","two"),k) #创建列表l,l列表中包含了列表k（列表中也可以包含列表对象）
> l
$title
[1] "mylist"
$a
[1] 1 2 3
$b
[,1] [,2] [,3] [,4]
[1,] 1 3 5 7
[2,] 2 4 6 8
$c
[1] "one" "two"
[[5]]
[[5]]$d
[1] 5 6 7 8 9
[[5]]$e
[1] "China"
|
7.因子（factor）:类别（名义型）变量和有序类别（有序型）变量在R中称为因子。因子型数据在计算机内部存储为整型数据，因子水平属性将每个整型数据映射到一个因子水平上。因为整型数据占的存储空间较少，因 此这种方式比字符串向量更节省存储空间。
factor(x = character(), levels, labels = levels, exclude = NA, ordered = is.ordered(x), nmax = NA) x:用于转换为因子的字符向量数据; levels：因子水平向量,因子型变量可以取得的所有值被称为因子水平; labels:字符型向量,labels与levels有相同的数量或者只有一个; excelude:生成水平时要去除的水平; ordered:默认为FALSE,设置为TRUE，表示有序型变量,用以确定levels 是否应该被视为有序的（按照给定的顺序）; nmax: 设定水平数量的上限值
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
> x <- factor(x=c("middle","small","big","large"),levels=c("small","middle","big","large"),ordered=T)
> x
[1] middle small big large
Levels: small < middle < big < large # R在输出有序因子时会显示因子水平的顺序
> y <- factor(x=c("middle","small","big","large"),levels=c("small","middle","big","large"),ordered=T,labels=c(1,2,3,4))
> y
[1] 2 1 3 4
Levels: 1 < 2 < 3 < 4
> z <- factor(x=c("middle","small","big","large"),levels=c("small","middle","big","large"),exclude=c("small","middle"))
> z
[1] <NA> <NA> big large # 由于去除了水平small和middle，所以原始数据中水平为small和middle的值输出为NA
Levels: big large
> x.integer <- unclass(x) # 通过移除因子x的类属性创建整型向量x.integer 注意此时因子x本身并没有发生变化
> x.integer
[1] 2 1 3 4
attr(,"levels")
[1] "small" "middle" "big" "large"
> class(x.integer)
[1] "integer"
|
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
在职场中，许多言辞并非表面意思那么简单，有时需要听懂背后的“潜台词”。尤其在数据分析的领域里，掌握常用术语就像掌握一门新 ...
2025-01-04在当今信息化社会，数据分析已成为各行各业的核心驱动力。它不仅仅是对数字进行整理与计算，而是在数据的海洋中探寻规律，从而指 ...
2025-01-03又到一年年终时，各位打工人也迎来了展示成果的关键时刻 —— 年终述职。一份出色的年终述职报告，不仅能全面呈现你的工作价值， ...
2025-01-03在竞争激烈的商业世界中，竞品分析对于企业的发展至关重要。今天，我们就来详细聊聊数据分析师写竞品分析的那些事儿。 一、明确 ...
2025-01-03在数据分析的江湖里，有两个阵营总是争论不休。一派信奉“大即是美”，认为数据越多越好；另一派坚守“小而精”，力挺质量胜于规 ...
2025-01-02数据分析是一个复杂且多维度的过程，从数据收集到分析结果应用，每一步都是对信息的提炼与升华。可视化分析结果，以图表的形式展 ...
2025-01-02在当今的数字化时代，数据分析师扮演着一个至关重要的角色。他们如同现代企业的“解密专家”，通过解析数据为企业提供决策支持。 ...
2025-01-02数据分析报告至关重要 一份高质量的数据分析报告不仅能够揭示数据背后的真相，还能为企业决策者提供有价值的洞察和建议。 年薪 ...
2024-12-31数据分析，听起来好像是技术大咖的专属技能，但其实是一项人人都能学会的职场硬核能力！今天，我们来聊聊数据分析的核心流程，拆 ...
2024-12-31提到数据分析，你脑海里可能会浮现出一群“数字控”抱着电脑，在海量数据里疯狂敲代码的画面。但事实是，数据分析并没有你想象的 ...
2024-12-31关于数据分析师是否会成为失业高危职业，近年来的讨论层出不穷。在这个快速变化的时代，技术进步让人既兴奋又不安。今天，我们从 ...
2024-12-30数据分析师在现代企业中扮演着关键角色，他们的工作内容不仅丰富多样，还对企业的决策和发展起着重要的作用。正如一个经验丰富的 ...
2024-12-29数据分析师的能力要求 在当今的数据主导时代，数据分析师的角色变得尤为重要。他们不仅需要具备深厚的技术背景，还需要拥有业务 ...
2024-12-29随着技术的飞速发展与行业的持续变革，不少人心中都存有疑问：到了 2025 年，数据分析师还有前途吗？给你分享一篇阿里P8大佬最近 ...
2024-12-29如何构建数据分析整体框架？ 要让数据分析发挥其最大效能，建立一个清晰、完善的整体框架至关重要。今天，就让我们一同深入探讨 ...
2024-12-27AI来了，数分人也可以很省力，今天给大家介绍7个AI+数据分析工具，建议收藏。 01酷表 EXCEL 网址：https://chatexcel.com/ 这是 ...
2024-12-26一个好的数据分析模型不仅能使分析具备条理性和逻辑性，而且还更具备结构化和体系化，并保证分析结果的有效性和准确性。好的数据 ...
2024-12-26当下，AI 的发展堪称狂飙猛进。从 ChatGPT 横空出世到各种大语言模型（LLM）接连上线，似乎每个人的朋友圈都在讨论 AI 会不会“ ...
2024-12-26数据分析师这个职业已经成为了职场中的“香饽饽”，无论是互联网公司还是传统行业，都离不开数据支持。想成为一名优秀的数据分析 ...
2024-12-26在数据驱动决策成为商业常态的今天，数据分析师这一职业正迎来前所未有的机遇与挑战。很多希望转行或初入职场的人士不禁询问：数 ...
2024-12-25
