02-shujujiegou.Rmd

# 数据结构

## Vector(向量)

Vector是R中的一种基础数据结构，它包含相同类型的元素。数据类型可以是逻辑、整数、双精度、字符、复杂或原始。

举个例子，现在我们有1到5，5个整数，想要把他们组成一个向量应该怎么操作呢？
```{r}
x <- c(1,2,3,4,5)
x
```
这里我们用`c()`函数来把1，2，3，4，5组合起来，然后通过`<-`这个符号把这个值赋给`x`，这样就把一个简单的向量给构建完成了。请仔细体会这句话的涵义，先把第一要做的事情`组合1，2，3，4，5`完成，然后再赋值给一个变量`x`，请牢记这里的思路，这对后续R的运算是十分有帮助的。
当然了，大家刚接触R心里肯定会有疑问，这个`c()`到底是干啥的，这个函数除了这么简单的组合起一个向量，还能做点别的不？这里就讲到一个非常重要的点，即查阅！学东西得会学，不能说是看了这本书讲了这样做，你能模仿下来，换本书举了个不一样的例子你就懵了，那相当于啥也没学，净看作者耍贫嘴去了。所以当对一个函数不了解或者想要刨根问底时，`??`小问号就排上用场了，我们在`Console`中输入`??c()`，右侧的Help页面就会弹出来关于该函数的帮助文档，请记住任何人都不会比函数开发者更加了解自己的函数是干啥的，同理以后若遇到新的函数你就知道该怎么做了。

当然了，R也是一门语言，和其他语言一样，也是各种符号骚操作满天飞，不过不必惊慌，常用的也就那么几个，大神们也只是用的多了，脑子里记得的比我们更多一些，你与大神的差距真的就只是练的用的太少了（其实大神也是需要google的）。那这里就介绍本书的第一个符号`:`,中文里我们用作冒号，在R中我们可以理解为`到`，打个样给你看看，还是以上面的构造向量为例，
```{r}
x <- c(1:5)
x
```

开头我们讲了，vector有很多不同的类型，那么我们在看到一个向量时怎么去看看它到底是啥类型呢？这时候需要用到`typeof()`这个函数，
```{r}
typeof(x)
```
除了类型之外，向量还有另外一个十分重要的特征就是长度（length）,`length()`可以用来查看向量长度，
```{r}
length(x)
```
自己动手输入数值还是挺麻烦的，R中的`seq()`可以帮助我们更快的创造一个向量，打个样，
```{r}
seq(1, 9, 0.5)
```
很神奇有没有，爱心算的你很快就知道了这行代码的意思是从1到9每间隔0.5输出一个值，但是为啥要这3个数字这么排列呢？这时候就得小问号`??`上场了，在Console中输入  
`??seq`  
此时看到右侧`Help`界面的你心里默默念了一句什么鬼，能理解，换谁谁也蒙圈，啥呀都是，乱七八糟的这，莫慌，仔细看是不是这些蓝色的都有一个规律，就是里面都有一个`::`这个符号，两个小冒号连在一起，啥意思呢？`包::函数`，`package::function`，第一个就是cli这个包里的ansi_regex函数的意思，第二个就是cli这个包里的ansi_strip函数的意思。所以我们要找的应该是`base::seq`这个函数，为啥呢，看后面那句解释啊，sequence generation，这不写的生成随机数嘛。  
点击进去以后一看还是有点懵，莫慌，一步步来，首先看`Description`知道这个函数是用来构造随机数的。然后`Usage`,`seq(...)`这个的意思就是告诉你，你要用我生成随机数，格式就是这样的`seq`开头，跟着个`()`,括号里呢就要开始放条件了，都有啥条件呢，咱们来看下面的`Arguments`,`from`说白了就是从几开始，`to`就是到哪个数结束，`by`就是前面俩数的间隔是多少，就这么简单。看到这之后心里就有个初步印象了，然后蹦过中间段直接到最后的`Example`，直接贴心的给你放上几个例子，每个开发者都是生怕你不会用我的包啊，就差现场给你讲咋用了，于我而言也是一样的，把例子每一个都运行一遍，看看每一步都产生了啥结果，运行几次然后再回头对照上面的解释文档，也就差不多掌握了这个函数的基本用法了。

看到这我们再来放上其他几个数据类型的vector，
```{r}
# Vector of logical values
log_values <- c(TRUE, FALSE, TRUE, FALSE)

log_values
```
忘了讲，`#`井号键这个小符号挺好用，干啥的呢，注释掉一句话，说人话就是我这句话写在这了，但R你别给我运行，这句话就是提醒自己下面的代码是要干啥的，防止自己以后再回来看到自己写的东西一整个懵住，现在我也一直保持这个习惯，因为每天看的东西很多，回看过去的东西时经常会忘记当时为啥要这么写，还是挺有用处的，好记性不如烂笔头嘛！
回到正文，上面的就是所谓的逻辑型向量，同理我们再构造一个字符型的，
```{r}
fruits <- c("beijing", "shanghai", "guangzhou", "shenzhen", "xianggang", "50")
fruits
```
字符型的呢就要注意要给每一个单词或者数字加上英文双引号。

在实际应用中，有时候我们只想用一个向量中的某个或某几个元素，这时候该咋办呢？这里介绍一种方法，`[]`，中括号，英文`brackets`,比如我要把fruits中的`"beijing"`和`"shenzhen"`拿出来，
```{r}
fruits[c(1,4)]
```
前四个：
```{r}
fruits[1:4]
```
如果想要选取除了`"beijing`以外的所有元素，这时候可以用减号，
```{r}
fruits[-1]
```
注意这里的数字代表的是各个元素所在位置。

当然了，对向量内元素进行排序也是可以的，遵循原则就是从小到大或者按照首字母排序，函数为`sort`,
```{r}
fruits <- c("beijing", "shanghai", "guangzhou", "shenzhen", "xianggang")
numbers <- c(13, 3, 5, 7, 20, 2)

sort(fruits)  # Sort a string
sort(numbers) # Sort numbers
```
## Lists(列表)
R 中的列表可以在其中包含许多不同的数据类型，列表是有序且可变的数据集合。啥意思呢？
说人话就是甭管啥类型数据都往里搁就完了，要创建列表，使用`list()`函数：打个样，
```{r}
thislist <- list(
  a = c("shanghai", "beijing", "cherry"),
  b = c(1,2,5,6,7,9),
  c = c(TRUE, FALSE, TRUE)
)
# Print the list
thislist
```
瞅见没，最常见的三种类型都在这个列表里，有点大肚能容一切的意思。
上一节讲向量有属性，列表有没有呢？同样的我们试试，
```{r}
typeof(thislist)
```
```{r}
length(thislist)
```
## Matrices(矩阵)
矩阵是啥？别看名字吓人，其实也没啥，前面讲向量，列表它们都是一维的，矩阵是具有列(column)和行(row)的二维数据集。列是数据的垂直表示，而行是数据的水平表示。可以使用`matrix()` 函数创建矩阵,打个样，
```{r}
# Create a matrix
thismatrix <- matrix(c(1,2,3,4,5,6), nrow = 3, ncol = 2)

# Print the matrix
thismatrix
```
NOTE:千万别忘了`c()`函数的用法啊，把众多元素组合在一起，怕你忘，提醒一下。
数字矩阵，字符行不行呢？
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou"), nrow = 2, ncol = 2)

thismatrix
```
一样一样的，道理都是通的。

Access Matrix Items
You can access the items by using [ ] brackets. The first number "1" in the bracket specifies the row-position, while the second number "2" specifies the column-position:

```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou"), nrow = 2, ncol = 2)

thismatrix[1, 2]
```
The whole row can be accessed if you specify a comma after the number in the bracket:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou"), nrow = 2, ncol = 2)

thismatrix[2,]
```
The whole column can be accessed if you specify a comma before the number in the bracket:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou"), nrow = 2, ncol = 2)

thismatrix[,2]
```
Access More Than One Row
More than one row can be accessed if you use the c() function:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou","grape", "pineshanghai", "pear", "melon", "fig"), nrow = 3, ncol = 3)

thismatrix[c(1,2),]
```
Access More Than One Column
More than one column can be accessed if you use the c() function:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou","grape", "pineshanghai", "pear", "melon", "fig"), nrow = 3, ncol = 3)

thismatrix[, c(1,2)]
```
Add Rows and Columns
Use the cbind() function to add additional columns in a Matrix:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou","grape", "pineshanghai", "pear", "melon", "fig"), nrow = 3, ncol = 3)

newmatrix <- cbind(thismatrix, c("strawberry", "blueberry", "raspberry"))

# Print the new matrix
newmatrix
```
Use the rbind() function to add additional rows in a Matrix:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou","grape", "pineshanghai", "pear", "melon", "fig"), nrow = 3, ncol = 3)

newmatrix <- rbind(thismatrix, c("strawberry", "blueberry", "raspberry"))

# Print the new matrix
newmatrix
```

Remove Rows and Columns
Use the c() function to remove rows and columns in a Matrix:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou", "shenzhen", "pineshanghai"), nrow = 3, ncol =2)

#Remove the first row and the first column
thismatrix <- thismatrix[-c(1), -c(1)]

thismatrix
```

Check if an Item Exists
To find out if a specified item is present in a matrix, use the %in% operator:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou"), nrow = 2, ncol = 2)

"shanghai" %in% thismatrix
```

Number of Rows and Columns
Use the dim() function to find the number of rows and columns in a Matrix:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou"), nrow = 2, ncol = 2)

dim(thismatrix)
```

Matrix Length
Use the length() function to find the dimension of a Matrix:
```{r}
thismatrix <- matrix(c("shanghai", "beijing", "cherry", "guangzhou"), nrow = 2, ncol = 2)

length(thismatrix)
```

Combine two Matrices
Again, you can use the rbind() or cbind() function to combine two or more matrices together:
```{r}
# Combine matrices
Matrix1 <- matrix(c("shanghai", "beijing", "cherry", "grape"), nrow = 2, ncol = 2)
Matrix2 <- matrix(c("guangzhou", "shenzhen", "pineshanghai", "watermelon"), nrow = 2, ncol = 2)

# Adding it as a rows
Matrix_Combined <- rbind(Matrix1, Matrix2)
Matrix_Combined

# Adding it as a columns
Matrix_Combined <- cbind(Matrix1, Matrix2)
Matrix_Combined
```
## Data Frame(数据框)
数据框是以表格格式显示的数据。

数据框可以在其中包含不同类型的数据。 第一列可以是字符，第二列和第三列可以是数字或逻辑。 但是，每一列都应具有相同类型的数据。

使用 data.frame() 函数创建数据框：
```{r}
# Create a data frame
Data_Frame <- data.frame (
  Training = c("Strength", "Stamina", "Other"),
  Pulse = c(100, 150, 120),
  Duration = c(60, 30, 45)
)

# Print the data frame
Data_Frame
```
Use the `summary()` function to summarize the data from a Data Frame:
```{r}
summary(Data_Frame)
```
我们可以使用单括号 `[]`、双括号 `[[ ]]` 或 `$` 来访问数据框中的列：
```{r}
Data_Frame[1]

Data_Frame[["Training"]]

Data_Frame$Training
```

使用 `rbind()` 函数在数据框中添加新行：
```{r}
# Add a new row
New_row_DF <- rbind(Data_Frame, c("Strength", 110, 110))

# Print the new row
New_row_DF
```
使用 `cbind()` 函数在数据框中添加新列：
```{r}
# Add a new column
New_col_DF <- cbind(New_row_DF, Steps = c(1000, 6000, 2000,5000))

# Print the new column
New_col_DF
```

使用 rbind() 函数垂直组合 R 中的两个或多个数据框：
```{r}
Data_Frame1 <- data.frame (
  Training = c("Strength", "Stamina", "Other"),
  Pulse = c(100, 150, 120),
  Duration = c(60, 30, 45)
)

Data_Frame2 <- data.frame (
  Training = c("Stamina", "Stamina", "Strength"),
  Pulse = c(140, 150, 160),
  Duration = c(30, 30, 20)
)

New_Data_Frame <- rbind(Data_Frame1, Data_Frame2)
New_Data_Frame
```
使用 cbind() 函数水平组合 R 中的两个或多个数据框：
```{r}
Data_Frame3 <- data.frame (
  Training = c("Strength", "Stamina", "Other"),
  Pulse = c(100, 150, 120),
  Duration = c(60, 30, 45)
)

Data_Frame4 <- data.frame (
  Steps = c(3000, 6000, 2000),
  Calories = c(300, 400, 300)
)

New_Data_Frame1 <- cbind(Data_Frame3, Data_Frame4)
New_Data_Frame1
```