《Advanced R》学习笔记 | Chapter3 Vectors
专注系列化、高质量的R语言教程
推文索引 | 联系小编 | 付费合集
本篇推文是学堂君学习第3章“Vectors”的笔记，原文链接是https://adv-r.hadley.nz/vectors-chap.html，可在文末“阅读原文”处直达。
通过本章的学习，我们可以更清晰地理解R语言中各种数据结构之间的关系。
3.1 Introduction
3.2 Atomic vectors
3.2.1 Scalars
3.2.2 Making longer vectors with c()
3.2.3 Missing values
3.2.4 Testing and coercion
3.3 Attributes
3.3.1 Getting and setting
3.3.2 Names
3.3.3 Dimensions
3.4 S3 atomic vectors
3.4.1 Factors
3.4.2 Dates
3.4.3 Date-times
3.4.4 Durations
3.5 Lists
3.5.1 Creating
3.5.3 Matrices and arrays
3.6 Data frames and tibbles
3.6.1 Creating
3.6.2 Row names
3.6.4 Subsetting
3.6.6 List columns
3.6.7 Matrix and data frame columns
3.7 NULL
3.1 Introduction
测试：如果读者能准确回答如下几个问题，就可以跳过本章的学习。
What are the four common types of atomic vectors? What are the two rare types?
What are attributes? How do you get them and set them?
How is a list different from an atomic vector? How is a matrix different from a data frame?
Can you have a list that is a matrix? Can a data frame have a column that is a matrix?
How do tibbles behave differently from data frames?
（答案见原文本章节末尾处。）
3.2 Atomic vectors
常见的4个原子向量类型是：逻辑类型、整型、双精度类型和文本类型（元素为字符串），整型和双精度合称数值型。
两种不常见的类型是复数型和原始型；复数在统计学中很少使用，原始型仅在处理二进制数据时使用，本章不会进一步讨论这两种类型。
学堂相关推文：R语言的原子类型和数据结构
3.2.1 Scalars
标度（scalar）可以用来指示元素的类型：
逻辑值只有两个：
TRUE和FALSE，分别简写为T和F；双精度值的形式可以小数点（
0.1234）、科学计数法（1.23e4）或十六进制（0xcafe）；此外还有三个特殊值：Inf、-Inf、NaN；整型的值是整数，也可以是科学计数法和十六进制，为了区别双精度值，数字后面要加上字母
L（1234L、1e4L、0xcafeL）；整型中不能包含分式；文本的标志是其两侧的双引号
"或单引号'。
3.2.2 Making longer vectors with c()
c()函数的名称是combine的缩写，通过合并单值或向量来创建更长的向量；多个原子向量使用c()函数合并后还是原子向量。
c(c(1, 2), c(3, 4))
## [1] 1 2 3 4typeof()函数用来查看向量类型，length()函数用来查看向量长度。
3.2.3 Missing values
NA（“not applicable”的缩写）表示缺失值或未知值。通常情况下，NA参与大小比较或计算，得到的结果也是NA：
NA > 5
## [1] NA
10 * NA
## [1] NA
!NA
## [1] NA也有例外：
NA ^ 0
## [1] 1
NA | TRUE
## [1] TRUE
NA & FALSE
## [1] FALSE无法通过x == NA的形式判断变量的元素是否为NA：
x <- c(NA, 5, NA, 10)
x == NA
## [1] NA NA NA NA正确方法是使用is.na()函数：
is.na(x)
## [1] TRUE FALSE TRUE FALSE在技术层面缺失值存在4种类型的：NA（逻辑型）、NA_integer_（整型）、NA_real_ （双精度型）、NA_character_（文本型）。R语言根据情况自动使用相应的类型。
3.2.4 Testing and coercion
is.*()系列的函数可以用来判断变量是否是给定类型的向量：is.logical()、is.integer()、is.double()和is.character()等函数可以分别来判断逻辑型、整型、双精度型和文本类型的向量。
但是，is.vector()、is.atomic()、is.numeric()等函数不能简单地认为是用来判断向量、原子向量和数值向量的，具体见相应函数文档。
原子向量的元素必须为同一类型。当合并不同类型的元素时，按文本——双精度——整型——逻辑的优先级顺序转换到同一类型。
类型转换有时会自动进行，例如大部分数学运算会将对象转为数值型。
用户可通过as.*()系列函数主动转换原子向量的类型。
3.3 Attributes
因子向量、时间和日期向量、矩阵和数组是在原子向量的基础上，添加属性而形成的更复杂的向量。
3.3.1 Getting and setting
attr()函数可以设置、查看和修改对象的单个属性：
x <- c(1:3)
attr(x, "attr1") <- "属性1"
attr(x, "attr2") <- "属性2"
attr(x, "attr1")
attr(x, "attr2")attributes()函数可以一次性查看对象的所有属性：
attributes(x)structure()函数可以同时设置对象的多个属性：
x <- structure(
c(1:3),
attr1 = "属性1",
attr2 = "属性2"
)
attributes(x)3.3.2 Names
names属性是由对象元素的名称组成的文本向量。设置该属性有3种方式：
# When creating it:
x <- c(a = 1, b = 2, c = 3)
# By assigning a character vector to names()
x <- 1:3
names(x) <- c("a", "b", "c")
# Inline, with setNames():
x <- setNames(1:3, c("a", "b", "c"))移除names属性有两种方式：
x <- unname(x)
names(x) <- NULL3.3.3 Dimensions
虽然向量是一维结构的，但是由于它默认情况下没有dim属性，因此该属性为NULL。给向量添加dim属性后可以得到2维矩阵或多维数组。
通常情况下，我们一般使用使用matrix()和array()函数分别创建矩阵和数组：
x <- matrix(1:6, nrow = 2, ncol = 3)
y <- array(1:12, c(2, 3, 2))也可以通过给原子向量添加dim属性来创建：
p <- 1:6
dim(p) <- c(3, 2)
q <- 1:12
dim(q) <- c(2, 3, 2)3.4 S3 atomic vectors
class属性是向量最重要的属性之一，具有class属性的对象都是S3对象。以下4种S3向量都是在原子向量的基础上构建的：
因子向量（factor vector），记录分类数据；
日期向量（Date vector），记录日期数据（精确到天）；
POSIXct向量，记录日期-时间（date-time）数据（精确到秒或亚秒）；
difftime向量，记录时长（durations）数据。
3.4.1 Factors
因子向量是在整型原子向量的基础上构建的，它有两个属性：
class属性是factor，这是区别于一般整型原子向量的特征；levels属性，定义分类数据所有可能出现的类别。
x <- factor(c("a", "b", "b", "a"))
x
## [1] a b b a
## Levels: a b
typeof(x)
## [1] "integer"
attributes(x)
## $levels
## [1] "a" "b"
##
## $class
## [1] "factor"当数据所有可能出现的值是已知的时，比较适合用因子向量来储存，且允许类别在数据中不全部出现。因子向量和文本向量的元素都可以使用table()函数分类计数：前者会把未出现的类别也列举处理，后者仅列举出现的字符串：
sex_char <- c("m", "m", "m")
sex_factor <- factor(sex_char, levels = c("m", "f"))
table(sex_char)
## sex_char
## m
## 3
table(sex_factor)
## sex_factor
## m f
## 3 0有序（ordered）因子向量又是特殊的因子向量，它的levels属性的元素顺序是有含义的。
基础包的一些函数，如read.csv()函数在加载数据时可能会默认将文本数据作为因子向量，设置参数stringsAsFactors = FALSE可以避免。
尽管因子向量与文本向量从外观上很相似，但它实际是整型向。一些文本分析的函数也可以用在因子向量上，如gsub()、grepl()函数会自动将其转为文本向量；而nchar()函数会报错。
3.4.2 Dates
日期向量是在双精度原子向量的基础上构建的。它有且仅有一个属性：class属性，值为Date。
today <- Sys.Date()
typeof(today)
## [1] "double"
attributes(today)
## $class
## [1] "Date"日期向量元素对应的双精度值是该日期与1970年1月1日的间隔天数：
date <- as.Date("1970-01-02")
unclass(date)
## [1] 13.4.3 Date-times
base R储存时间数据有两种方式：POSIXct和POSIXlt。POSIX是“Portable Operating System Interface”（可移植操作系统接口）的缩写。“ct”表示日历时间（calendar time），“lt”表示地方时（local time）。
POSIXct向量是在双精度型向量的基础上构建的，对应的双精度值是该时间与1970年1月1日0时0分0秒的间隔秒数。
now_ct <- as.POSIXct("1970-01-01 01:00", tz = "Etc/GMT-8")
now_ct
## [1] "1970-01-01 01:00:00 +08"
unclass(now_ct)
## [1] -25200tzone属性：
structure(now_ct, tzone = "Asia/Tokyo")
## [1] "2018-08-02 07:00:00 JST"
structure(now_ct, tzone = "America/New_York")
## [1] "2018-08-01 18:00:00 EDT"
structure(now_ct, tzone = "Australia/Lord_Howe")
## [1] "2018-08-02 08:30:00 +1030"
structure(now_ct, tzone = "Europe/Paris")
## [1] "2018-08-02 CEST"3.4.4 Durations
时长数据也是在双精度型向量的基础上构建的，具有属性units：
one_week_1 <- as.difftime(1, units = "weeks")
one_week_1
## Time difference of 1 weeks
typeof(one_week_1)
## [1] "double"
attributes(one_week_1)
## $class
## [1] "difftime"
##
## $units
## [1] "weeks"
one_week_2 <- as.difftime(7, units = "days")
one_week_2
## Time difference of 7 days
typeof(one_week_2)
## [1] "double"
attributes(one_week_2)
## $class
## [1] "difftime"
##
## $units
## [1] "days"3.5 Lists
列表是比原子向量更复杂的向量：它的每个元素可以是任意类型的。但从技术上将，列表元素实际上还是同一类型——“索引”。如2.3.3节介绍，列表元素只是其他对象的索引，而被引用的对象可以是任意类型的。
3.5.1 Creating
列表元素实际上只是索引，它不涉及将对象复制到列表的过程，因此很多情况下，它会比预想的要小：
lobstr::obj_size(mtcars)
## 7,208 B
l2 <- list(mtcars, mtcars, mtcars, mtcars)
lobstr::obj_size(l2)
## 7,288 B列表元素本身还可以是列表，因此列表也被称为递归向量（recursive vector）：
l3 <- list(list(list(1)))
str(l3)
## List of 1
## $ :List of 1
## ..$ :List of 1
## .. ..$ : num 1使用c()和list()函数合并原子向量和列表的结果是不一样的：
l4 <- list(list(1, 2), c(3, 4))
l5 <- c(list(1, 2), c(3, 4))
str(l4)
## List of 2
## $ :List of 2
## ..$ : num 1
## ..$ : num 2
## $ : num [1:2] 3 4
str(l5)
## List of 4
## $ : num 1
## $ : num 2
## $ : num 3
## $ : num 43.5.3 Matrices and arrays
普通的列表没有dim属性。给列表定义dim属性后，可以得到list-matrices或list-arrays：
l <- list(1:3, "a", TRUE, 1.0)
dim(l) <- c(2, 2)
l
## [,1] [,2]
## [1,] integer,3 TRUE
## [2,] "a" 1
l[[1, 1]]
## [1] 1 2 3作者特别提到这种数据结构对时空类型的数据分析特别有用。
3.6 Data frames and tibbles
数据框和tibble是在列表的基础上构建的更复杂的异质向量。
数据框是由向量组成的列表，并且每个向量的长度是一样的。这种矩形结构，使得它兼具列表和矩阵的特点。
tibble本身也是数据框，来自tibble工具包（本书作者是开发者之一），但在一些细节上的处理与普通数据框不同，下文会有所介绍。
3.6.1 Creating
data.frame()和tibble()函数可以分别定义数据框和tibble。下面列举两者的不同点。
如果变量名称为非法名称，数据框会自动转换为合法名称，tibble允许以反引号的形式：
names(data.frame(`1` = 1))
## [1] "X1"
library(tibble)
names(tibble(`1` = 1))
## [1] "1"如果变量长度不一致，二者会在某种情况下循环利用较短变量的元素使之与较长向量等长：数据框要求较长向量的长度必须是较短向量的整数倍，否则报错；tibble要求较短向量的长度为1，否则报错：
data.frame(x = 1:4, y = 1:2)
## x y
## 1 1 1
## 2 2 2
## 3 3 1
## 4 4 2
data.frame(x = 1:4, y = 1:3)
## Error in data.frame(x = 1:4, y = 1:3) : 参数值意味着不同的行数: 4, 3
tibble(x = 1:4, y = 1)
## # A tibble: 4 x 2
## x y
##
## 1 1 1
## 2 2 1
## 3 3 1
## 4 4 1
tibble(x = 1:4, y = 1:2)
## Error: Tibble columns must have compatible sizes.
## * Size 4: Existing data.
## * Size 2: Column `y`.
## ℹ Only values of size one are recycled. tibble的变量在创建时就可以引用，数据框无此功能：
tibble(
x = 1:3,
y = x * 2
)3.6.2 Row names
数据框可以设置行名，tibble不可以设置行名。当需要将前者转换为后者时，可以将行名作为变量：
as_tibble(df, rownames = "name")3.6.4 Subsetting
作者认为数据框的取子集操作时有两个麻烦的地方：
使用
df[, vars]提取的变量形式不是数据框，而是向量；df[, vars, drop = F]得到的变量形式才是数据框；使用
df$x的形式提取变量时，如果数据框中没有名称是x的变量，它会提取名称以x开头的列，如果还没有会返回NULL，这会让用户意识不到提取结果可能是错的或不存在的。
tibble对此做了改进：使用[可以直接提取到tibble形式的变量；只有当变量名称完全匹配时才能进行提取，否则报错。
3.6.6 List columns
数据框可以使用列表作为列，这样数据框一列内的元素也可以是不同类型的了。
类型为列表的列（下文简称“列表列”）在定义时需要使用I()函数：
data.frame(
x = 1:3,
y = I(list(1:2, 1:3, 1:4))
)
## x y
## 1 1 1, 2
## 2 2 1, 2, 3
## 3 3 1, 2, 3, 4或者是在数据框创建后，再添加列表列：
df <- data.frame(x = 1:3)
df$y <- list(1:2, 1:3, 1:4)
df
## x y
## 1 1 1, 2
## 2 2 1, 2, 3
## 3 3 1, 2, 3, 4tibble可以像创建普通列一样创建列表列：
tibble(
x = 1:3,
y = list(1:2, 1:3, 1:4)
)
## # A tibble: 3 × 2
## x y
##
## 1 1
## 2 2
## 3 3
3.6.7 Matrix and data frame columns
数据框也可以使用矩阵和数据框作为列，定义方式和上文类似：
dfm <- data.frame(
x = 1:3 * 10,
y = I(matrix(1:9, nrow = 3))
)
dfm$z <- data.frame(a = 3:1, b = letters[1:3])
str(dfm)
## 'data.frame': 3 obs. of 3 variables:
## $ x: num 10 20 30
## $ y: 'AsIs' int [1:3, 1:3] 1 2 3 4 5 6 7 8 9
## $ z:'data.frame': 3 obs. of 2 variables:
## ..$ a: int 3 2 1
## ..$ b: chr "a" "b" "c"3.7 NULL
NULL的长度恒为0，且没有任何属性。它主要有两个用途：
表示任意类型的空向量；
在定义函数时，作为非必须参数的默认值。