外觀
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 vector | 1 | 同一型別 | 一欄數值、一組基因名 | 1-D np.ndarray / pd.Series |
| matrix / array | 2 / n | 同一型別 | counts 矩陣(基因 × 樣本) | 2-D np.ndarray |
| data frame / tibble | 2 | 每欄可不同 | 樣本 metadata、tidy 表 | pd.DataFrame |
| list | 1(可巢狀) | 任意 | 模型物件、API 回應、多個結果打包 | list / dict |
| factor | 1 | 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 |
|---|---|---|---|
| logical | TRUE, FALSE | "logical" | NA |
| integer | 1L, 1:3 | "integer" | NA_integer_ |
| double | 1, 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$payment) # 新增欄data.frame vs tibble
tidyverse 的 tibble 是較嚴格的 data frame,dplyr 輸出預設都是 tibble。
| 行為 | data.frame | tibble |
|---|---|---|
df[, 1] | 掉成 vector | 永遠是 tibble |
df$ab(只有 abc 欄) | 部分比對,回傳 abc | NULL + 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 factor | R 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 character | str() 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) |