干货分享 | R-数据处理基础篇-一篇概括总结R语言变量储存结构

目录

• 0.问题导入

• 1.示例数据及样本程序

• 2.R语言数据变量存储方式二之矩阵（matrix）

• 3.R语言数据变量存储方式三之数据框（data.frame）

• 4.R语言数据变量存储方式四之列表（list）

• 5.总结

• 6.致谢

0. 问题导入

当我们学习任何一门新的计算机语言的时候，开篇除了系统与语言环境配置，正式开始入门的就是该语言的变量储存方式与传递方式。但是，这部分真的总是整本书中最单调且朴实无华又有用的部分，而真正能够熟练掌握函数的唯一途径就是在实际过程中多用多练！！为了大家方便，我们将本篇的代码做成了一个R语言脚本，有需要的可以在【TheWhoOPs】公众号后边回复“基础数据处理”获取本篇代码哈～

为了缩短大家这块的学习时间，尽快入门，Jersey 特意将R语言变量储存结构进行了总结，大家看这篇基本可以开始实践啦

1.示例数据及样本程序

1.1 示例数据-R语言变量存储方式一：向量

如下例代码，本篇Jersey首先采用 runif()函数随机生成了一个长度(length)为20且取值范围在-10 ～10之间的随机实数组（runif(20,-10,10)），也引出了R语言第一种变量的储存方式：向量（vector）。

向量属性及对应查询方式：

• 1. 长度(length)：length(变量名)，i.e length(df)

• 2. 数据类型: class(变量名)，i.e. class(df)，数据类型常用的为numeric (数字), character（字符串）。

• 3. 判断方式: 判断其是否为向量函数 is.vector(变量名)，i.e., is.vector(df)。

df = runif(20,-10,10)
head(df)
[1] -8.812040 -4.816596 -9.746894
[4] 5.261308 1.101738 -7.904380
length(df)
[1] 20
class(df)
[1] "numeric"
is.vector(df)
[1] TRUE

1.2 样本程序

本篇入门篇示例函数不再是hello world，而是加油武汉！！

fighting_for_wuhan <-function(){
return("Fighting!! WUHAN")
}

R语言中函数的通常储存及调用方法:

2. R语言数据变量存储方式二之矩阵（matrix）

在第二节，我们基于示例数据df对R语言中的变量存储方式二：矩阵（matrix）进行具体介绍

2.1 基于向量的矩阵生成方法1

首先我们可以基于as.matrix()函数将向量型的数据转化为矩阵（matrix），不过如下代码所示，只能转为单列的矩阵。如果需要将其转为5行4列，或是4行5列，我们需要基于2.2 的方法。

mat1 = as.matrix(df)
mat1
[,1]
[1,] 1.51572303
[2,] -0.45631803
[3,] 0.92141092
[4,] -0.03206002
[5,] -9.00933680
[6,] -5.25229404
[7,] 3.95230102
[8,] 7.94604772
[9,] -8.06965130
[10,] -2.81624416
[11,] -3.64163339
[12,] 9.16364793
[13,] -6.33998803
[14,] -4.56757486
[15,] -2.48729855
[16,] 3.05898896
[17,] 2.51979639
[18,] 4.19247441
[19,] -9.92194021
[20,] 0.69833583
dim(mat1)
dim(mat1)
[1] 20 1

2.2 基于向量的矩阵生成方法2

基于向量的矩阵生成方法2 则是基于matrix函数，以向量为首项输入，行数为参数（nrow）进行生成。但是再生成的过程中有个重要的参数需要注意：byrow = T/Fbyrow这个布尔变量（其实就是是或否）到底是T（是）或F（否）默认状态下为F，则会逐列进行生成矩阵，如mat2_by_row；如果是T，则会逐行生成矩阵

mat2_by_col = matrix(df,nrow = 4)
mat2_by_row = matrix(df,nrow = 4,byrow = T)
mat2_by_col
[,1] [,2] [,3] [,4] [,5]
[1,] 1.51572303 -9.009337 -8.069651 -6.339988 2.5197964
[2,] -0.45631803 -5.252294 -2.816244 -4.567575 4.1924744
[3,] 0.92141092 3.952301 -3.641633 -2.487299 -9.9219402
[4,] -0.03206002 7.946048 9.163648 3.058989 0.6983358
mat2_by_row
[,1] [,2] [,3] [,4] [,5]
[1,] 1.515723 -0.456318 0.9214109 -0.03206002 -9.0093368
[2,] -5.252294 3.952301 7.9460477 -8.06965130 -2.8162442
[3,] -3.641633 9.163648 -6.3399880 -4.56757486 -2.4872986
[4,] 3.058989 2.519796 4.1924744 -9.92194021 0.6983358

2.3 类似于面包切片似的矩阵切片

有时候我们只需要矩阵中的一列、连续几列与特定几列，那么我们应该怎么做呢？这时我们就需要像切面包一样，对矩阵进行竖向切片。提取矩阵中的第一列，单列提取后mat_v1为向量

mat_v1 = mat2_by_col[,1]

提取矩阵中的第1-3列

mat_v123 = mat2_by_col[,1:3]

提取矩阵中的第2和第4列

mat_v24 = mat2_by_col[,c(2,4)]

以上是单纯提取列的提取方法，提取行的方法与其类似，只需要把相应的中括号逗号之后的内容移到逗号前就可以实现。那么新问题又出来了，如何同时提取行与列（图3）？提取矩阵中由a，b，c，d组成的2✖️2矩阵

mat_vh = mat2_by_col[2:3,2:3]

3. R语言数据变量存储方式三之数据框（data.frame）

3.1 data.frame的生成方式1-由矩阵进行转化

df1 = as.data.frame(mat2_by_col)
df1
V1 V2 V3 V4 V5
1 1.51572303 -9.009337 -8.069651 -6.339988 2.5197964
2 -0.45631803 -5.252294 -2.816244 -4.567575 4.1924744
3 0.92141092 3.952301 -3.641633 -2.487299 -9.9219402
4 -0.03206002 7.946048 9.163648 3.058989 0.6983358

3.2 data.frame的生成方式2-data.frame函数生成

df2 = data.frame(V1 = 1:4,
V2 = 5:8,
V3 = 9:12,
V4 = 13:16,
V5 = 17:20)
df2
V1 V2 V3 V4 V5
1 1 5 9 13 17
2 2 6 10 14 18
3 3 7 11 15 19
4 4 8 12 16 20

3.3 data.frame的切片与增加方式

data.frame 除了可以像矩阵matrix一样方式的切片之外，data.frame还有自己的一套索引方法，即根据列名进行索引。

V1 = df2$V1
V1
[1] 1 2 3 4

此外，data.frame 还可以通过“$”符号进行列的增加，注意必须与其他列的长度一样！

df2$V6 = 21:24
df2
V1 V2 V3 V4 V5 V6
1 1 5 9 13 17 21
2 2 6 10 14 18 22
3 3 7 11 15 19 23
4 4 8 12 16 20 24

4. R语言数据变量存储方式四之列表（list）

如果说矩阵（matrix）与数据框（data.frame）可以装字符，数字，数字与字符混装之外，列表（list）较其功能来讲来说就像多来A梦的兜子一样，什么都可以装，什么矩阵啊，数据框啊，函数啊，我们地理中经常用到的Raster 文件啊，都可以装！！而且不光可以装同类的，还可以混装不同类的数据，你就说厉不厉害！！

4.1 往list中装货

list1 = list(fighting_for_wuhan, mat2_by_col, df2)
list1
[[1]]
function ()
{
return("Fighting!! WUHAN")
}
<bytecode: 0x119344590>

[[2]]
[,1] [,2] [,3] [,4] [,5]
[1,] 1.51572303 -9.009337 -8.069651 -6.339988 2.5197964
[2,] -0.45631803 -5.252294 -2.816244 -4.567575 4.1924744
[3,] 0.92141092 3.952301 -3.641633 -2.487299 -9.9219402
[4,] -0.03206002 7.946048 9.163648 3.058989 0.6983358

[[3]]
V1 V2 V3 V4 V5 V6
1 1 5 9 13 17 21
2 2 6 10 14 18 22
3 3 7 11 15 19 23
4 4 8 12 16 20 24

4.2 从list中取货

list中取货需要用双中括号加变量在list中的编号。如：

list1_fun = list1[[1]]
list1_fun
function(){
return("Fighting!! WUHAN")
}
<bytecode: 0x119344590>
list1_mat = list1[[2]]
list1_mat
[,1] [,2] [,3] [,4] [,5]
[1,] 1.51572303 -9.009337 -8.069651 -6.339988 2.5197964
[2,] -0.45631803 -5.252294 -2.816244 -4.567575 4.1924744
[3,] 0.92141092 3.952301 -3.641633 -2.487299 -9.9219402
[4,] -0.03206002 7.946048 9.163648 3.058989 0.6983358
list1_df = list1[[3]]
list1_df
V1 V2 V3 V4 V5 V6
1 1 5 9 13 17 21
2 2 6 10 14 18 22
3 3 7 11 15 19 23
4 4 8 12 16 20 24

5. 总结

本篇主要解决了以下几个问题：

1. 如何正确创建，保存及链接程序到Rstudio？

2. 如何创建并切片Matrix？

3. 如何创建并切片Data.frame?

4. 如何往List中装货与卸货？

6. 致谢

首先，感谢大家的持续关注，小编会继续努力，持续更新下去的！

大家如果觉得有帮助啊，还麻烦大家关注点赞，也可以扩散到朋友圈，多多引导朋友加入咱们这个简书技术平台, 代码共享推动科研进程, 多谢大家啦～

大家如果在使用本代码的过程有遇到问题的，可以留言评论，也可以私信我哈~~

祝大家身体健康，多多保重！！

扫描二维码

获取Jersey

联系方式

转载自 The WhoOPs

经作者授权转载

文章仅代表作者观点，与本公众号无关，版权归原作者所有

原文标题：R-数据处理基础篇—一篇概括总结R语言变量存储结构

图文排版：焦悦

责任编辑：张英浩

 审核：王波涛

终审：顾伟男  田巍  梁龙武

猜你喜欢

扫描二维码，关注我们

都是成年人了，要记得告诉地小联你也“在看”哦~👇