R语言入门（2）——创建数据集
因为疫情，学校迟迟没有开学，再加上自身实验数据的产出十分依赖于生信分析，所以目前计划以“R语言实战 第二版”为指南，学习一下基础的生信分析，以下为学习记录。
本篇主要内容为介绍R语言中的各种数据类型，包括标量、向量、矩阵（matrix）、数组（array）、数据框(data.frame)和列表(list)。
概述
数据集通常是由数据构成的一个矩形数组，行表示观测，列表示变量。
如下图，提供了一个假想的病例数据集。
行表示观测(observation)，列表示变量(variable)
其中：PatientID是行/实例标识符，AdmDate是日期型变量，Age是连续型变量，Diabetes是名义型变量，Status是有序型变量。
数据结构
R拥有许多用于存储数据的对象类型，包括标量、向量、矩阵、数组、数据框和列表。
标量
标量是只含一个元素的向量，
例如f <- 3、g <- "US" 和h <- TRUE。它们用于保存常量。
向量
向量是用于存储数值型、字符型或逻辑型数据的一维数组。执行组合功能的函数c( )可用来 创建向量。各类向量如下例所示：
a <- c(1, 2, 5, 3, 6, -2, 4) 数值型向量
b <- c("one", "two", "three") 字符型向量
c <- c(TRUE, TRUE, TRUE, FALSE, TRUE, FALSE) 逻辑型向量
注意：单个向量中的数据必须拥有相同的类型或模式（数值型、字符型或逻辑型）。同一向量中无法混杂不同模式的数据。
通过在方括号中给定元素所处位置的数值，我们可以访问向量中的元素。如，a[c(2, 4)] 用于访问向量a中的第二个和第四个元素。更多示例详见代码2-1
代码2-1 创建向量、方括号使用实例
> a <- c("k","j", "h", "a", "c", "m") 给向量a赋值
> a[3] 访问向量a中第3个元素
[1] "h"
> a[c(1, 3, 5)] 访问向量a中第1、3、5个元素
[1] "k" "h" "c"
> a[2:6] 访问向量a中第2到6个元素
[1] "j""h" "a" "c" "m"
矩阵(matrix)
矩阵是一个二维数组，只是每个元素都拥有相同的模式（数值型、字符型或逻辑型，可通过函数matrix( )创建矩阵。
mymatrix <- matrix(vector, nrow=number_of_rows,ncol=number_of_columns, byrow=logical_value, dimnames=list(char_vector_rownames,char_vector_colnames))
vector包含了矩阵的元素，nrow和ncol用以指定行和列的维数，dimnames包含了可选的、以字符型向量表示的行名和列名，byrow则表明矩阵应当按行填充（byrow=TRUE）/按列填充（byrow=FALSE），默认按列填充。
数组（array）
数组（array）与矩阵类似，但是维度可以大于2。数组可通过array函数创建，形式如下：
myarray <- array(vector,dimensions, dimnames)
列表（list）
某个列表中可能是若干向量、矩阵、数据框，甚至其他列表的组合。可以使用函数list( )创建列表：
mylist <- list(object1, object2, ...)
其中的对象可以是目前为止讲到的任何结构。你还可以为列表中的对象命名：
mylist <- list(name1=object1, name2=object2, ...)
代码2-8 创建一个列表
> g<-"My First List"
> h<-c(25,26,18,39)
> j<-matrix(1:8,nrow=2)
> k<-c("one","two","three")
>mylist<-list(title=g,age=h,j,number=k) 创建一个列表mylist:其中包含标量、向量、矩阵
> mylist 输出mylist的值
$title
[1] "My First List"
$age
[1] 25 26 18 39
[[3]]
[,1] [,2] [,3] [,4]
[1,] 1 3 5 7
[2,] 2 4 6 8
$number
[1] "one" "two" "three"
> mylist[[1]] 输出mylist中第一个成分的值
[1] "My First List"
> mylist[["number"]] 输出mylist中number包含的值
[1] "one" "two" "three"
我们可以使用下标和方括号来选择矩阵中的行、列或元素。X[i,]指矩阵X中的第i行，X[,j] 指第j列，X[i, j]指第i行第j 个元素。选择多行或多列时，下标i和j可为数值型向量，如代码2-2所示。
代码2-2 创建矩阵——函数matrix( )的使用方法
> y<- matrix(1:20,nrow=5,ncol=4) 给矩阵y赋值：元素为1到20，5行，4列
> y 输出矩阵y的值
[,1] [,2] [,3] [,4]
[1,] 1 6 11 16
[2,] 2 7 12 17
[3,] 3 8 13 18
[4,] 4 9 14 19
[5,] 5 10 15 20
> cells<-c(10,20,30,40) 给向量cells赋值：元素为10，20，30，40
>rnames<-c("R1","R2") 给矩阵中的行的分别命名为“R1”，“R2”
>cnames<-c("C1","C2") 给矩阵中的列的分别命名为“C1”，“C2”
> mymatrix<-matrix(cells,nrow=2,ncol=2,byrow=TRUE,dimnames=list(rnames,cnames)) 给矩阵mymatrix赋值：元素为cells中的内容，2行，2列，按行排列，行列命名分别按照rname,cname中的字符命名。
> mymatrix 输出矩阵mymatrix的值
C1C2
R1 10 20
R2 30 40
>mymatrix<-matrix(cells,nrow=2,ncol=2,byrow=FALSE,dimnames=list(rnames,cnames)) 给矩阵mymatrix赋值：元素为cells中的内容，2行，2列，按列排列，行列命名分别按照rname,cname中的字符命名。
> mymatrix 输出矩阵mymatrix的值
C1C2
R1 10 30
R2 20 40
> mymatrix[1,2] 访问矩阵mymatrix中第1行第二列的元素
[1] 30
代码2-3 矩阵下标的使用方法
> x<-matrix(1:10,nrow=5) 给矩阵x赋值：元素为1到10，5行
> x 输出矩阵x的值
[,1] [,2]
[1,] 1 6
[2,] 2 7
[3,] 3 8
[4,] 4 9
[5,] 5 10
> x[2,] 访问矩阵x中第2行的元素
[1] 2 7
> x[c(2:4),2] 访问矩阵x中第2到4行中，第二列的元素
[1] 7 8 9
矩阵都是二维的，和向量类似，矩阵中也仅能包含一种数据类型。当维度超过2时，不妨使用数组（第4节）。当有多种模式的数据时，可以使用数据框（第5节）。
vector包含了数组中的数据，dimensions是一个数值型向量，给出了各个维度下标的大值，dimnames是可选的、各维度名称标签的列表。
代码2-4 创建三维（2x3x4数值型数组）的实例演示
> dim1<-c("A1","A2") 给第一维dim1(行)命名为A1,A2
>dim2<-c("B1","B2","B3") 给第二维dim2（列）命名为B1,B2,B3
>dim3<-c("C1","C2","C3","C4") 给第三维dim3（表）命名为C1,C2 ,C3, C4
> z<- array(1:24, c(2,3,4),dimnames=list(dim1,dim2,dim3)) 给数组z赋值：包含从1到24的数据，三个维度分别有2、3、4个值，每个维度命名按照dim1,dim2,dim3命名
> z 输出数组z的值
, , C1
B1B2 B3
A1 1 3 5
A2 2 4 6
, , C2
B1B2 B3
A1 7 9 11
A2 810 12
, , C3
B1B2 B3
A1 13 15 17
A2 14 16 18
, , C4
B1B2 B3
A1 19 21 23
A2 20 22 24
> z[2,2,3] 访问数组z中第3张表中第2行第2列的值
[1] 16
数据框(data.frame)
由于数据有多种模式，无法将包含不同模式（字符型、数值型、逻辑型）的数据放入一个矩阵。在这种情况下，使用数据框是最佳选择。
数据框可通过函数data.frame()创建：
mydata <- data.frame(col1,col2, col3,...)
列向量col1、col2、col3等可为任何类型（如字符型、数值型或逻辑型）,每一列的名称可由函数names指定。
代码2-5 创建一个数据框
> patientID<-c("Allen","Bell","Cassile","Eva") 给向量patienID赋值
> age<-c(25,24,23,22) 给向量age赋值
>diabetes<-c("Type1","Type2","Type1","Type1") 给向量diabetes赋值
> status<-c("poor","improved","excellent","poor")给向量status赋值
>patientdata<-data.frame(patientID,age,diabetes,status)给数据框patientdata赋值:第一列为patientID,第二列为age,第三列为diabetes,第四列为status
> patientdata 输出patientdata的值
patientID age diabetes status
1 Allen 25 Type1 poor
2 Bell 24 Type2 improved
3 Cassile 23 Type1 excellent
4 Eva 22 Type1 poor
> patientdata[2,3] 访问数据框patientdata中第二行第三列的值
[1] Type2
Levels: Type1 Type2
> patientdata[2,] 访问数据框patientdata中第二行的值
patientID age diabetes status
2 Bell 24 Type2 improved
> patientdata$patientID $展示给定数据框（patientdata）中的某个特定变量(patientID)
[1] Allen Bell Cassile Eva
Levels: Allen Bell Cassile Eva
>table(patientdata$age,patientdata$status) 生成两个变量（age&status）的列联表
excellent improved poor
22 0 0 1
23 1 0 0
24 0 1 0
25 0 0 1
在病例数据中，病人编号（patientID）用于区分数据集中不同的个体。在R中，实例标识符（case identifier）可通过数据框操作函数中的rowname选项指定。
代码2-6 实例标识符的使用
>patientdata<-data.frame(patientID,age,diabetes,status,row.names =patientID)
指定patientID为实例标识符
> patientdata 输出指定实例标识符后的数据框patientdata
patientID age diabetes status
Allen Allen 25 Type1 poor
Bell Bell 24 Type2 improved
Cassile Cassile 23 Type1 excellent
Eva Eva 22 Type1 poor
变量可归结为名义型、有序型或连续型变量。
名义型变量是没有顺序之分的类别变量。如糖尿病类型Diabetes（Type1、Type2）是名义型变量的一例。即使在数据中Type1编码为1而Type2编码为2，但并不意味着二者是有序的。
有序型变量表示一种顺序关系，而非数量关系。病情Status（poor、improved、excellent）是顺序型变量的一个上佳示例。我们知道，病情为poor（较差）病人的状态不如improved（病情好转）的病人，但并不知道相差多少。
连续型变量可以呈现为某个范围内的任意值，并同时表示了顺序和数量。年龄Age就是一个连续型变量，它能够表示像14.5或22.8这样的值以及其间的其他任意值。我们很清楚，15岁的人比14岁的人年长一岁。
类别（名义型）变量和有序类别（有序型）变量在R中称为因子（factor）。因子在R中非常重要，因为它决定了数据的分析方式以及如何进行视觉呈现。
函数factor( )以一个整数向量的形式存储类别值，整数的取值范围是[1...k]（其中k是名义型变量中唯一值的个数），同时一个由字符串（原始值）组成的内部向量将映射到这些整数上。举例来说，假设有向量：
diabetes <- c("Type1","Type2", "Type1", "Type1")
语句diabetes<- factor(diabetes)将此向量存储为(1, 2, 1, 1)，并在内部将其关联为 1=Type1和2=Type2（具体赋值根据字母顺序而定）。针对向量diabetes进行的任何分析都会将其作为名义型变量对待，并自动选择适合这一测量尺度的统计方法。
要表示有序型变量，需要为函数factor( )指定参数ordered=TRUE。给定向量：
status <-c("Poor", "Improved", "Excellent","Poor")
语句status<- factor(status, ordered=TRUE)会将向量编码为(3, 2, 1, 3)，并在内部将这些值关联为1=Excellent、2=Improved以及3=Poor。另外，针对此向量进行的任何分析都会将其作为有序型变量对待，并自动选择合适的统计方法。
对于字符型向量，因子的水平默认依字母顺序创建。这对于因子status是有意义的，因为“Excellent”“Improved”“Poor”的排序方式恰好与逻辑顺序相一致。如果“Poor”被编码为 “Ailing”，会有问题，因为顺序将为“Ailing”“Excellent”“Improved”。如果理想中的顺序是 “Poor” “Improved” “Excellent”，则会出现类似的问题。按默认的字母顺序排序的因子很少能够让人满意。
你可以通过指定levels选项来覆盖默认排序。例如：
status <- factor(status,order=TRUE, levels=c("Poor", "Improved","Excellent"))
各水平的赋值将为1=Poor、2=Improved、3=Excellent。
请保证指定的水平与数据中的真实值相匹配，因为任何在数据中出现而未在参数中列举的数据都将被设为缺失值。
代码2-7 各类因子的差别
>patientID<-c("Allen","Bell","Cassile","Eva")
> age<-c(25,24,23,22)
>diabetes<-c("Type1","Type2","Type1","Type1")
>status<-c("poor","improved","excellent","poor") 输入数据
> status <- factor(status,order=TRUE) 将status设为有序因子
>patientdata<-data.frame(patientID,age,diabetes,status) 生成数据框patientdata
> str(patientdata) str(object)可提供R中某个对象（本例中为数据框）的信息
'data.frame': 4obs. of 4 variables:
$patientID: Factor w/ 4 levels "Allen","Bell",..: 1 2 3 4
$age : num 25 24 23 22
$diabetes : Factor w/ 2 levels "Type1","Type2": 1 2 1 1
$status : Ord.factor w/ 3 levels"excellent"<"improved"<..: 3 2 1 3
可以观察到，patientID/diabetes为普通因子，status为有序因子
> summary(patientdata) summary函数显示对象的统计学概要：数值型函数显示最小值、最大值、均值和各四分位数值；类别型变量则显示它对应的频数
patientID age diabetes status
Allen :1 Min. :22.00 Type1:3 excellent:1
Bell :1 1st Qu.:22.75 Type2:1 improved :1
Cassile:1 Median :23.50 poor :2
Eva :1 Mean :23.50
3rd Qu.:24.25
Max. :25.00
如有错误烦请指正，如有侵权烦请告知。谢谢