y
<-
c
(
"a"
=
11
,
"b"
=
12
,
"c"
=
13
,
"d"
=
14
)
## a b c d
## 11 12 13 14
我们可以用命名向量，返回其对应位置的向量
y
[
c
(
"d"
,
"c"
,
"a"
)
]
## d c a
## 14 13 11
列表
对列表取子集，和向量的方法一样。向量的子集仍然是向量，使用
[
提取列表的子集，总是返回列表
l
<-
list
(
"one"
=
c
(
"a"
,
"b"
,
"c"
)
,
"two"
=
c
(
1
:
5
)
,
"three"
=
c
(
TRUE
,
FALSE
)
## $one
## [1] "a" "b" "c"
## $two
## [1] 1 2 3 4 5
## $three
## [1] TRUE FALSE
使用位置索引
l
[
1
]
## $one
## [1] "a" "b" "c"
也可以使用元素名
l
[
"one"
]
## $one
## [1] "a" "b" "c"
如果想提取列表某个元素的值，需要使用
[[
l
[[
1
]
]
## [1] "a" "b" "c"
也可以使用其中的元素名，比如
[["one"]]
，
l
[[
"one"
]
]
## [1] "a" "b" "c"
取出
one
位置上的元素，需要写
[["one"]]
，程序员觉得要写太多的字符了，太麻烦了，所以用
$
来简写
l
$
one
## [1] "a" "b" "c"
所以请记住
[
和
[[
的区别
x$y
是
x[["y"]]
的简写
## [2,] 2 5 8
## [3,] 3 6 9
我们取第1行到第2行的2-3列，
[1:2, 2:3]
，中间以逗号分隔，于是得到一个新的矩阵
a
[
1
:
2
,
2
:
3
]
## [,1] [,2]
## [1,] 4 7
## [2,] 5 8
默认情况下,
[
会将获取的数据，以尽可能低的维度形式呈现。比如
a
[
1
,
1
:
2
]
## [1] 1 4
表示第1行的第1、2列，此时不是
\(1 \times 2\)
矩阵，而是包含了两个元素的向量。
以尽可能低的维度形式呈现
，换句话说，这个1, 4长的像个矩阵，又有点像向量，向量的维度比矩阵低，那就是向量吧。
有些时候，我们想保留所有的行或者列，比如
行方向，只选取第 1 行到第 2 行
列方向，选取所有列
可以这样简写
a
[
1
:
2
,
]
## [,1] [,2] [,3]
## [1,] 1 4 7
## [2,] 2 5 8
对于下面这种情况，想想，会输出什么
a
[
,
]
## [,1] [,2] [,3]
## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9
可以再简化点？
a
[
]
## [,1] [,2] [,3]
## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9
是不是可以再简化点？
## [,1] [,2] [,3]
## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9
数据框
数据框具有list和matrix的双重属性，因此
当选取数据框的某几列的时候，可以和list一样，指定元素位置索引，比如
df[1:2]
选取前两列
也可以像矩阵一样，按照行和列的标识选取，比如
df[1:3, ]
选取前三行的所有列
df
<-
data.frame
(
x
=
1
:
4
,
y
=
4
:
1
,
z
=
c
(
"a"
,
"b"
,
"c"
,
"d"
)
## x y z
## 1 1 4 a
## 2 2 3 b
## 3 3 2 c
## 4 4 1 d
Like a list
df
[
1
:
2
]
## x y
## 1 1 4
## 2 2 3
## 3 3 2
## 4 4 1
df
[
c
(
"x"
,
"z"
)
]
## x z
## 1 1 a
## 2 2 b
## 3 3 c
## 4 4 d
df
[[
"x"
]
]
## [1] 1 2 3 4
df
$
x
## [1] 1 2 3 4
Like a matrix
df
[
,
c
(
"x"
,
"z"
)
]
## x z
## 1 1 a
## 2 2 b
## 3 3 c
## 4 4 d
也可以通过行和列的位置
df
[
1
:
3
,
]
## x y z
## 1 1 4 a
## 2 2 3 b
## 3 3 2 c
当遇到单行或单列的时候，也和矩阵一样，数据会降维
df
[
,
"x"
]
## [1] 1 2 3 4
如果想避免降维，需要多写一句话
df
[
,
"x"
, drop
=
FALSE
]
## x
## 1 1
## 2 2
## 3 3
## 4 4
这样输出的还是矩阵形式，但程序员总是偷懒的，有时候我们也容易忘记写
drop = FALSE
，
所以我比较喜欢下面的
tibble
.
增强型数据框
tibble是增强型的data.frame，选取tibble的行或者列，即使遇到单行或者单列的时候，数据也不会降维，总是返回tibble，即仍然是数据框的形式。
tb
<-
tibble
::
tibble
(
x
=
1
:
4
,
y
=
4
:
1
,
z
=
c
(
"a"
,
"b"
,
"c"
,
"d"
)
## # A tibble: 4 × 3
## x y z
## <int> <int> <chr>
## 1 1 4 a
## 2 2 3 b
## 3 3 2 c
## 4 4 1 d
tb
[
"x"
]
## # A tibble: 4 × 1
## x
## <int>
## 1 1
## 2 2
## 3 3
## 4 4
tb
[
,
"x"
]
## # A tibble: 4 × 1
## x
## <int>
## 1 1
## 2 2
## 3 3
## 4 4
除此以外，
tibble
还有很多优良的
特性
，我们会在第
19
章专门讲
作业
如何获取
matrix(1:9, nrow = 3)
上对角元? 对角元？
对数据框，思考
df["x"]
，
df[["x"]]
，
df$x
三者的区别?
如果
x
是一个矩阵，请问
x[] <- 0
和
x <- 0
有什么区别？
不添加参数
na.rm = TRUE
的前提下，用
sum()
计算向量
x
的元素之和
x
<-
c
(
3
,
5
,
NA
,
2
,
NA
)
使用
is.na(x)
检查向量元素是否为缺失值，并保存为新的对象x_missing
将所有缺失值赋值为0
然后
sum()
计算
找出
x
向量中的偶数
x
<-
1
:
10
## [1] 1 2 3 4 5 6 7 8 9 10
