《Advanced R》学习笔记 | Chapter3 Vectors

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。

typeof()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：

也有例外：

无法通过x == NA的形式判断变量的元素是否为NA：

正确方法是使用is.na()函数：

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：

attributes()函数可以一次性查看对象的所有属性：

structure()函数可以同时设置对象的多个属性：

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：

移除names属性有两种方式：

3.3.3 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：

也可以通过给原子向量添加dim属性来创建：

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。

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：

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。

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：

3.4.3 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。

tzone属性：

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：

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：

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）：

使用c()和list()函数合并原子向量和列表的结果是不一样的：

3.5.3 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：

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：

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：

tibble的变量在创建时就可以引用，数据框无此功能：

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：

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：

或者是在数据框创建后，再添加列表列：

tibble可以像创建普通列一样创建列表列：

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：

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。