Skip to content

Data Science › R Foundations › 資料結構

資料結構 (Data Structures: Vector, Matrix, Data Frame, List) ​

R 的一切運算都建立在幾種容器上:vector 是向量化運算的基本單位,matrix 是同型別的二維陣列(表現量矩陣),data frame 是等長 vector 組成的表格,list 可以裝任何東西(模型結果、巢狀 JSON)。factor 見 類別資料。

結構維度元素型別典型用途Python 對應
atomic vector1同一型別一欄數值、一組基因名1-D np.ndarray / pd.Series
matrix / array2 / n同一型別counts 矩陣(基因 × 樣本)2-D np.ndarray
data frame / tibble2每欄可不同樣本 metadata、tidy 表pd.DataFrame
list1(可巢狀)任意模型物件、API 回應、多個結果打包list / dict
factor1整數碼 + levels分組、處理組別pd.Categorical

一個數字在 R 裡就是長度 1 的 vector,沒有獨立的 scalar 型別。

Vector ​

型別與強制轉換 (coercion) ​

型別例子typeof()缺值
logicalTRUE, FALSE"logical"NA
integer1L, 1:3"integer"NA_integer_
double1, 2.5, 1e-8"double"NA_real_;另有 NaN、Inf
character"TP53""character"NA_character_

c() 混合型別時會自動往「較通用」的方向轉:logical → integer → double → character。

r
c(1, "a", TRUE)            # "1" "a" "TRUE"   全變字串
c(1, TRUE, FALSE)          # 1 1 0
sum(c(TRUE, FALSE, TRUE))  # 2   logical 加總 = 計數
mean(x > 10)               # 大於 10 的比例

as.numeric(c("1.5", "abc"))  # 1.5 NA + warning:解析失敗變 NA,要檢查
is.numeric(1L); is.character("a"); class(1:3)   # "integer"

讀進來的數值欄若混入 "<0.01"、"N/A",整欄會變 character;as.numeric() 後一定要看多出幾個 NA。

建立、命名與取值 ​

r
expr <- c(TP53 = 8.2, BRCA1 = 5.1, MYC = 11.3)   # named vector
names(expr)                     # "TP53" "BRCA1" "MYC"
seq(0, 1, by = 0.25); rep(c("ctrl", "trt"), each = 3); seq_len(5)

expr[2]            # 依位置(R 從 1 開始)
expr[-1]           # 負號 = 排除,不是倒數
expr["MYC"]        # 依名稱
expr[expr > 6]     # 依 logical 遮罩
expr[c("MYC", "TP53")]
which(expr > 6)    # 回傳位置:TP53 1, MYC 3

向量化運算與 recycling ​

r
dan <- c(100, 200, 150); rob <- c(50, 75, 100)
dan + rob                  # 150 275 250   逐位置運算
dan * 2                    # 長度 1 的 2 被 recycle
1:6 + c(0, 10)             # 1 12 3 14 5 16   長度整除:靜默 recycle
1:5 + c(0, 10)             # 有 warning:長度不整除,但仍算出結果

linkedin <- c(16, 9, 13, 5, 2, 17, 14)
facebook <- c(17, 7, 5, 16, 8, 13, 14)
linkedin > 10              # TRUE FALSE TRUE FALSE FALSE TRUE TRUE
facebook <= linkedin       # FALSE TRUE TRUE FALSE FALSE TRUE TRUE
any(linkedin > 15); all(linkedin > 1)

recycling 是 R 最容易「看似成功但邏輯錯誤」的地方:只有長度 1 的 recycle 是安全的直覺用法,其他情況請先確認長度相同。

比較與相等 ​

想做寫法陷阱
浮點數相等isTRUE(all.equal(0.1 + 0.2, 0.3))0.1 + 0.2 == 0.3 是 FALSE
屬於集合x %in% c("A", "B")x == c("A", "B") 會 recycle 逐位比較
含 NA 的比較x > 5 & !is.na(x)NA > 5 是 NA,不是 FALSE
字串比較"Hello" > "Goodbye" → TRUE字典序依 locale,跨系統可能不同

Matrix 與 Array ​

matrix 是同一型別的二維 vector(帶 dim 屬性),計算比 data frame 快,是表現量資料的標準格式(列 = 基因、欄 = 樣本)。

r
m <- matrix(1:6, nrow = 2)            # 依欄填 (column-major):第一欄是 1 2
dim(m); nrow(m); ncol(m)              # 2 3
rownames(m) <- c("geneA", "geneB"); colnames(m) <- paste0("s", 1:3)

m["geneA", ]                          # 一列 → 掉成 named vector
m[, 2, drop = FALSE]                  # 保持 matrix
t(m); m %*% t(m)                      # 轉置、矩陣乘法(* 是逐元素)
rowMeans(m); colSums(m)               # 比 apply(m, 1, mean) 快
log2(m + 1)                           # 向量化,維度保留

as.matrix(df[, c("x", "y")])          # data frame → matrix:有字串欄會整個變 character

生資套件把 counts 矩陣、樣本 metadata、基因註解打包成 SummarizedExperiment;它的 assay() 就是 matrix,colData() 是 data frame。見 Bioconductor 入門。

Data Frame ​

data frame = 多個等長 vector 按欄綁在一起,每欄型別可不同;列是觀測、欄是變數。

r
debt <- data.frame(
  friend = c("Dan", "Dan", "Dan", "Rob", "Rob", "Rob"),
  money  = c(100, 200, 150, 50, 75, 100)
)
str(debt); head(debt); summary(debt)
names(debt) <- c("friend", "payment")      # 改欄名

debt[3:6, ]                    # 列
debt[1:3, 2]                   # 單欄 → 掉成 vector
debt[1:3, 2, drop = FALSE]     # 保持 data frame
debt$payment                   # 單欄 vector($ 會部分比對名稱,寫程式時改用 [["payment"]])
debt[debt$payment > 100, ]     # 條件篩選;欄位有 NA 時會產生全 NA 的列
subset(debt, payment > 100)    # 會丟掉 NA 列
debt$log_pay <- log(debt$payment)   # 新增欄

data.frame vs tibble ​

tidyverse 的 tibble 是較嚴格的 data frame,dplyr 輸出預設都是 tibble。

行為data.frametibble
df[, 1]掉成 vector永遠是 tibble
df$ab(只有 abc 欄)部分比對,回傳 abcNULL + warning
列名 (row names)支援不支援,用 rownames_to_column() 轉成欄
印出全部印只印前 10 列與欄型別
字串轉 factorR 4.0 以前預設會轉(stringsAsFactors)不轉

很多 Bioconductor 物件依賴 row names(基因 ID)。轉成 tibble 前先 rownames_to_column("gene_id"),否則 ID 會消失。

List ​

list 的每個元素可以是不同型別、不同長度;模型物件(lm() 結果)、jsonlite::fromJSON() 回應、split() 結果都是 list。

r
run <- list(
  name   = "batch_01",
  counts = data.frame(gene = c("A", "B"), n = c(10, 3)),
  params = list(min_count = 5, method = "TMM")
)

run["name"]          # 子 list(仍是 list)
run[["name"]]        # 元素本身:"batch_01"
run$params$method    # 巢狀取值:"TMM"
run[["params"]][["min_count"]]
str(run, max.level = 1)

run$note <- "rerun"  # 新增元素
run$note <- NULL     # 刪除元素
length(run); names(run)

fit <- lm(mpg ~ wt, data = mtcars)
is.list(fit); names(fit)          # coefficients、residuals...
by_cyl <- split(mtcars, mtcars$cyl)   # list of data frames,接 lapply / purrr::map
運算子回傳比喻
x[i]同型別的子集(list 還是 list)拿到裝著貨物的車廂
x[[i]]單一元素本身拿出車廂裡的貨物
x$name同 x[["name"]],但會部分比對方便互動使用

逐元素處理 list 見 函數式程式設計。

常見錯誤 ​

錯誤結果對策
混入不同型別整個 vector 變 characterstr() 檢查;匯入時指定 col_types
長度不一致卻運算recycle 出錯誤結果檢查 length();用 stopifnot(length(x) == length(y))
單欄 / 單列取值掉成 vector下游期待 data frame 而報錯drop = FALSE 或改用 tibble
用 [ 取 list 元素拿到 list 而不是值取值用 [[
$ 部分比對拿到錯的欄程式中用 [["col"]]
1:length(x) 遇到空 vector得到 1 0,迴圈跑兩次用 seq_along(x)