xzy's blog

主要内容：

• 三种 subset 操作
• 六类 subset
• 不同对象的的重要区别

众所周知，R 语言里面有几种不同的 subset 方法：[]，[[]]，$，但是有时候会产生混淆。所以这篇笔记主要分析理清 R 语言里面的 subset 操作。

来让我们用 [] 来 subset！

对 atomic vector 进行 subset 操作时，通常使用 []，总共有 6 种形式：

• 正数：简单，就是返回这个位置上的数（注意 R 语言从 1 开始计数）

• 负数：忽略这个位置上的数

• 逻辑值：只选择那些值为 TRUE 的数，所以基于此可以在 [] 中放入某些逻辑判断条件

  x[c(TRUE, FALSE, TRUE)]
  x[x > 3]
  

• 什么也没有：返回原始的 vector

• 0：返回一个长度为 0 的 vector

• 字符：如果 vector 设置好了 name，就可以使用字符型进行 subset

  y <- setNames(x, letters[1:4])
  y[c("d", "c", "a")]
  

对于 list 来说，subset 可以有两种：使用 [] 往往会返回一个 list，使用 [[]] 和 $ 则会得到 list 的组成部分。

对于 data frame 来说，它兼具两种数据结构的特点：使用一个 vector 对其 subset，它就可以当做 list；使用两个 vector 对其 subset，它就可以当做 matrix。

df <- data.frame(
  x = 1:3,
  y = 3:1,
  z = letters[1:3]
)

df[1:2]
#   x y
# 1 1 3
# 2 2 2
# 3 3 1
df[1:2, ]
#   x y z
# 1 1 3 a
# 2 2 2 b

还有两种操作：[[]] 和 $

前面提到 [[]] 这种方式对于 list 来说，会从里面取出它的元素。这里可以引申出简化操作和保留操作的概念。

顾名思义，保留操作会保证输出和输入的数据结构类型是一样的，而简化操作会对输入进行不同程度的简化：

• Atomic vector：移除变量名字
• List：返回的是 list 里的元素，而不是 list
• Factor： 舍弃没有出现的 level
• Matrix：如果某个维度长度是 1，舍弃这个维度
• Data frame：如果输出一个单变量，把它变成一个 vector

$ 在某种方面上和 [[]] 一样，它经常被用来从一个 data frame 种提取变量，如 mtcars$cyl 等。

$ 和 [[]] 有一些区别：

• 不能这样使用 $（但 [[]] 可以）：

  var <- cyl
  mtcars$var
  

• $ 可以进行名字检索：

  mod <- lm(mpg ~ wt, data = mtcars)
  mod$df.r # 返回 mod$df.residual
  

应用

对字符缩写的转换（本质上是对分类变量设置了标签）：

x <- c("m", "f", "m", "m", "f", "u")
lookup <- c(m="Male", f="Female", u="Unknown")
lookup[x]
#         m         f         m         m         f         u
#    "Male"  "Female"    "Male"    "Male"  "Female" "Unknown"

info 是关于成绩的相关信息，我们可以使用 integer subset 进行信息的匹配和合并：

grades <- c(1, 2, 3, 3, 1)
info = data.frame(
  grade = 1:3,
  desc = c("Excellent", "Good", "Poor"),
  fail = c(F, F, T)
)

// 使用 match
id <- match(grades, info$grade)
info[id, ]

// 使用 rownames
rownames(info) <- info$grade
info[grades, ]

Data frame 对行进行随机抽样：

df <- data.frame(
  x = rep(1:3, each=2),
  y = 6:1,
  z = letters[1:6]
)

df[sample(nrow(df)), ]
df[sample(nrow(df), 8, rep = T), ]

n 列表示了每个观测重复几次，这里相当于把频数表转换为原始数据：

df <- data.frame(x = c(2, 4, 1), y = c(9, 11, 6), n = c(3, 5, 1))
df[rep(1:nrow(df), df$n), ]

使用布尔值的 subset 可以让我们在 data frame 中进行条件筛选：

• 注意和 if 中使用的 && 和 || 不同，这里使用的是 & 和 |
• 如果有很多条件，不想重复写 data frame 的名字，可以使用 subset

mtcars[mtcars$gear == 5 & mtcars$cyl == 4, ]
subset(mtcars, gear == 5 & cyl == 4)