基于R语言的统计分析基础：数据结构

R语言是一种用于统计分析和图形表示的编程语言和软件环境，它提供了多种数据结构以存储和操作数据。这些数据结构包括向量、矩阵、数组、数据框、列表、因子、Tibble、环境、公式、调用以及表达式。

向量（Vector）

向量是R中最基本的数据结构，是用于存储相同类型数据元素的一维数组。向量可以使可以是数值型、字符型或逻辑型等，但是同一向量无法混杂不同类型或模式的数据

# 数值型向量
a <- c(1,2,3,4,5)
# 字符型向量
b <- c("猪猪侠","菲菲猪","超人强")
# 逻辑型向量
c <- c(TRUE, FALSE, FALSE)# 只包含一个元素的向量叫做 标量（scalar）
d <- 1 # 数值型标量
f <- "GGBond"  # 字符型标量
g <- TRUE  # 逻辑型标量

在RStudio的环境窗口中可以清楚地看到这些向量和它们的类型

矩阵（Matrix）

矩阵是二维的矩形数据集，其中每个元素都具有相同的数据类型。矩阵在R中可以使用matrix()函数创建，用于存储和操作数学矩阵。
以下代码是matrix()函数的最基础用法，在函数中1:20表示创建从1~20的向量，nrow = 5表示矩阵为5行，ncol = 4表示矩阵为4列：

my_matrix <- matrix(1:20, nrow = 5, ncol = 4)

在R语言中也可以使用向量来组成矩阵，在以下代码中byrow = FALSE参数指定了矩阵的填充方式。当byrow = FALSE时，矩阵将按列填充，即先填充第一列，然后是第二列，如果设置为byrow = TRUE，则矩阵将按行填充。
dimnames = list(rnames, cnames)参数用于给矩阵的行和列命名。rnames向量作为行名；cnames向量作为列名。这两个向量被组合成一个列表，成为dimnames的参数值。

cells <- c(1, 3, 5, 7)
rnames <- c("r1", "r2")
cnames <- c("c1", "c2")
my_matrix2 <- matrix(cells, nrow = 2, ncol = 2,byrow = TRUE, dimnames = list(rnames, cnames))
my_matrix3 <- matrix(cells, nrow = 2, ncol = 2,byrow = FALSE, dimnames = list(rnames, cnames))

如果是在RStudio中查看矩阵，可以使用View()函数，RStudio会弹出数据框显示矩阵

查看或修改矩阵中参数也很方便，比如查询矩阵第二行第三列的数值，随后将数值更改为12：

R语言中的矩阵操作方法表格如下：

数组（Array）

在R语言中可以存储多维数据，每个元素具有相同的数据类型。数组可以是二维矩阵，也可以是更高维度的，数组可以使用array()函数创建数组。
以下代码创建了一个从1~9，三行三列的二维数组：

my_array <- array(1:9, dim = c(3, 3))

以下代码为建立从1~24，三行四列的3维数组：

my_3d_array <- array(1:24, dim = c(3, 4, 2))

R语言中的数组操作方法表格如下：

数据框（Data Frame）

数据框 用于存储表格型数据，其中每列可以包含不同类型的数据（数值、字符、逻辑等），数据框通常使用data.frame()函数创建。
以下代码创建了一个GGBond年龄、姓名、性别数据框：

df <- data.frame(  id = 1:5,  name = c("小猪猪", "菲菲", "迷糊老师", "小呆呆", "超人强"),  age = c(15, 13, 55, 30, 14),  gender = c("Male", "Female", "Male", "Male", "Male")  ) 

可以使用str()函数查看数据框

> str(df) 
'data.frame':	5 obs. of  4 variables:$ id    : int  1 2 3 4 5$ name  : chr  "小猪猪" "菲菲" "迷糊老师" "小呆呆" ...$ age   : num  15 13 55 30 14$ gender: chr  "Male" "Female" "Male" "Male" ...

使用$符号可以访问并操作数据框中的列

> print(df$name)
[1] "小猪猪"   "菲菲"     "迷糊老师" "小呆呆"   "超人强"  
> df$score <- c(85, 90, 88, 95, 92)  # 添加一列名为 score 的列
> df$score <- NULL # 删除一列名为 score 的列

R语言中的数据框操作方法表格如下：

列表（List）

在R语言中列表（List）是一种复杂的数据结构。列表是一种递归的数据结构，可以包含不同类型的元素，如数值、字符串、向量、矩阵、数据框，甚至其他列表，列表允许用户组合多个对象，并对其进行操作。
以下代码使用list()函数创建了一个GGBoy的成绩表

student <- list(  name = "GGBoy",  age = 15,  courses = c("Math", "Stats", "Computer"),  grades = c(9, 12, 3),  gender = "Male"  
) 

添加新的元素到列表中 :

student$major <- "Data Science" 

使用lapply()函数对列表中的每个元素应用函数计算每个元素的长度

lapply_result <- lapply(student_info, length)  
print(lapply_result)  

输出如下：

$name
[1] 1$age
[1] 1$courses
[1] 3$grades
[1] 3$gender
[1] 1$major
[1] 1

R语言中的列表操作方法表格如下：

因子（Factor）：

因子用于表示分类数据，因子在统计建模和图形表示中非常有用，因为可以表示具有有限数量可能值的变量，在语言中使用factor()函数对数据进行因子化。

my_factor <- factor(c("北京", "上海", "天津", "北京", "上海")) 

在查看因子结构时即可看到 “北京”, “上海”, “天津” 被进行了因子化变成了 1， 2， 3

# 查看因子结构  
str(gender_factor)  
# 查看因子的水平  
levels(gender_factor)  

R语言中的因子操作方法表格如下：

日期和时间（Date and Time）

R语言提供了处理和操作日期和时间的特殊数据类型，这些类型包括“Date”（日期）、“POSIXct”（日期和时间）和“POSIXlt”（日期和时间的列表表示）。

这里我使用了lubridate包来进行操作：

library(lubridate)  # 创建日期对象  
date1 <- as.Date("2023-04-01")  
date2 <- as.Date("2023/04/02")  # 创建时间对象  
time1 <- as.POSIXct("2023-04-01 12:00:00")  
time2 <- as.POSIXct("2023-04-02 15:30:00", tz = "UTC")  # 格式化日期和时间  
formatted_date <- format(date1, "%Y-%m-%d")  
formatted_time <- format(time1, "%Y-%m-%d %H:%M:%S")  # 提取日期和时间的组成部分  
year_of_date <- year(date1)  
month_of_date <- month(date1)  
day_of_date <- mday(date1)  
hour_of_time <- hour(time1)  
minute_of_time <- minute(time1)  
second_of_time <- second(time1)  # 日期时间计算  
date_diff <- difftime(date2, date1, units = "days")  
time_diff <- difftime(time2, time1, units = "hours")  # 使用lubridate包进行日期时间操作  
today_date <- today()  
now_time <- now()  # 解析不同格式的日期时间字符串  
parsed_date1 <- ymd("20230401")  
parsed_date2 <- mdy("04/02/2023")  
parsed_time <- ymd_hms("2023-04-01 12:00:00")  # 提取和设置日期时间的年、月、日等  
extracted_year <- year(parsed_date1)  
parsed_date1_updated <- update(parsed_date1, year = 2024)  # 日期时间的舍入  
rounded_date <- floor_date(parsed_date1, "month")  
rounded_time <- round_date(parsed_time, "hour")  # 打印结果
cat("格式化日期:", formatted_date, "\n")  
cat("格式化时间:", formatted_time, "\n")  
cat("日期中的年份:", year_of_date, "\n")  
cat("日期差:", date_diff, "天\n")  
cat("时间差:", time_diff, "小时\n")  
cat("今天的日期:", today_date, "\n")  
cat("当前时间:", now_time, "\n")  
cat("解析的日期1:", parsed_date1, "\n")  
cat("解析的日期2:", parsed_date2, "\n")  
cat("解析的时间:", parsed_time, "\n")  
cat("提取的年份:", extracted_year, "\n")  
cat("更新的日期:", parsed_date1_updated, "\n")  
cat("四舍五入的日期:", rounded_date, "\n")  
cat("四舍五入的时间:", rounded_time, "\n")

脚本输出：

R语言中的日期和时间操作方法表格如下：

Tibble

Tibble是tibble包提供的一种现代化的数据框，可以将tibble是一种优化的数据框（data.frame），提供了许多便捷的操作方法，具有更严格的子集操作。

library(tidyverse)# 创建一个tibble  
my_tibble <- tibble(  name = c("Alice", "Bob", "Charlie"),  age = c(25, 30, 35),  height = c(165, 175, 180)  
)  # 打印tibble  
print(my_tibble)  # 访问tibble中的name列  
print(my_tibble$name)  # 使用dplyr包中的函数来操作tibble，筛选出年龄大于30的记录  
filtered_tibble <- my_tibble %>% filter(age > 30)  
print(filtered_tibble)  # 在tibble中添加一列  
my_tibble <- my_tibble %>% mutate(weight = c(60, 70, 80))  
print(my_tibble)  # 对tibble进行排序  
sorted_tibble <- my_tibble %>% arrange(desc(age))  
print(sorted_tibble)

初始创建的tibble如下：

经过操作后的tibble如下：

在有些情况下在导包的时候会产生报的兼容警报：

> library(tidyverse)
── Attaching core tidyverse packages ─────────────────────────────────────── tidyverse 2.0.0 ──
✔ dplyr   1.1.4     ✔ readr   2.1.5
✔ forcats 1.0.0     ✔ stringr 1.5.1
✔ ggplot2 3.5.1     ✔ tibble  3.2.1
✔ purrr   1.0.2     ✔ tidyr   1.3.1
── Conflicts ───────────────────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package to force all conflicts to become errors

这时使用conflicted包来管理冲突即可：

library(conflicted)
conflict_prefer("filter", "dplyr")
conflict_prefer("lag", "dplyr")

R语言中的tibble操作方法表格如下：