2.1.2　向量

前面介绍了R中的数据类型，包括数值型、字符型、因子型等，下面开始介绍数据结构。数据类型和数据结构有什么区别呢？简单地说，如果把一个个数据元素比作一块块砖头的话，那么数据类型就是说砖是圆形的还是方形的，主要针对的是砖本身的特性；而数据结构则表示盖房时砖头是怎样排列的，是横着排还是竖着排，是要垒成一个面还是一个体，主要着眼于砖头的排列组织方式。这里要讲的数据结构也类似，它更倾向于表达的是数据元素组织在一起的方式。

总体来说，R中常用的数据结构有四种：向量、矩阵、数据框和列表，不同的数据结构能够存储的数据类型不同，用来处理的函数也有很大差别。向量是用于存储同一种类型数据的一维数组，是所有数据结构中最基础的形式。它的存储方式如图2-5所示，每个格子存储同种类型（比如，这里是字符型）的元素。下面就通过向量的基本操作和常见类型两部分详细讲解。

1．基本操作

（1）创建。一般来说，采用函数c(  )即可完成向量的创建，只要在括号中输入每个向量元素就可以了；同时，它还可以把两个向量组合成一个。如果知道向量是以什么规律排列的，也可以按照规律生成向量。比如，创建的向量是等差数列的，就可以使用seq(  )函数；创建从a到b的连续整数，使用a:b就可实现；从一串数字中随机抽取几个数，使用sample(  )函数就可完美实现；用字符串的粘贴功能函数paste0(  )，可以把字符和数字有规律地组合起来（比如，当批量命名变量时）。具体示例如下：

（2）引用。要从一个数据串中提取出其中一部分元素，在方括号中指定元素所处的位置即可调用。然而更多遇见的情形是：只知道想要哪个元素，却不知道它在“哪里”，这时可以通过which(  )函数来实现。另外，which.max(  ) 和which.min(  )还可以直接获取最大值和最小值的位置，是个很方便的定位操作（向量是很多数据结构的基础，之后介绍的数据框、列表结构中也会大量使用）。

（3）集合运算。一个向量可以看作数学中的一个集合，因此自然可以对其进行许多常见的集合运算。这部分最常用的是以下三个：求交集intersect(  ) ；求并集union(  ) ；求差集setdiff(  ) 。

这几个函数虽然平淡无奇，但在有些场合的巧妙使用能大幅提升处理大型数据集的效率。

以上就是一些向量的通用操作命令，下面将针对两种常见类型——数值向量和字符向量，详细讲解适合它们各自特点的操作技法。

2．常见类型

（1）数值向量。处理数值向量有很多函数。表2-4中罗列了常用的函数及其简单用法。下面主要对最容易混淆和特色功能比较隐蔽的函数进行介绍，这些函数也是在数据分析中常用的函数。

下面具体介绍两个特色功能很隐蔽的函数：match(  ) 和cut(  ) 。

很明显，match(  )函数可为我们在y中找到x的元素所对应的位置，这在做两个对象匹配时很有用；cut(  )函数则可以帮我们完成一项数据分析的重要功能：连续数据离散化，也就是把连续型数据变成离散的定性数据来参与建模。用好cut(  )函数，就可以省去自己用条件语句转换的麻烦。

下面再来看两个最容易混淆的函数：sort(  )和order(  )。

从以上操作可以看出，通过sample(  ) 抽样得到的x为1 5 4 6 7。 sort(  )函数简单，就是把一个向量排序，默认是递增顺序，这里得到的结果是：1 4 5 6 7。如果想得到递减顺序，可以设置decreasing＝T。 order(  )函数的逻辑则稍复杂些：它能够输出把原向量升序排序后（也就是得到：1 4 5 6 7后），每个排序后数据在原始向量中的位置。如在本例中，order(  ) 函数每个输出的含义是：最小值1在原始向量x中位于第1个，因此order(  )函数的输出结果中第一个元素就是1，而次小值4在原始向量x中位于第3个，因此order(  )函数的输出结果中第二个元素就是3，依次类推。因此，命令x[order(x)] 的实现效果跟sort(x)一样。

相对于sort(  ) ，order(  )的功能差不多，但明显难懂一些，那么order(  ) 是不是用处就不大呢？下面给一个场景，在操作Excel时常用一个功能：对一个数据表，先按x列排序，排好后再按y列排序，甚至还得按z列再排次序，这类有先后的复杂排序功能在R中如何实现呢？此时就可以通过order(  )函数来实现，具体的操作将在介绍数据框时详细讲解。

（2）字符向量。字符这种变量类型不同于数值，它有很多独有的特征，处理时需要用专用函数来实现。先拿单独一个字符对象来说，就有很多独特性，比如我们通常不太会对一个数值求它的长度，但对一个字符，很可能就需要了解它的长度。

既然有了长度，就可以对字符进行切分，提取出一个子字符串，这时会使用到的函数是substr(  ) ，具体用法是substr(＂char＂ begin_position end_position)。示例如下：

切分可以让字符变小，要想让字符变大就要用到另一个粘贴函数paste(  ) ，这个函数可以把一个向量的各个元素粘起来，也可以把多个向量对应位置上的元素统一粘起来。示例如下：

需要注意的是，collapse是用来给结果的各个元素加连接符的参数。当然除了collapse，还有另外一个连接参数sep。观察以下结果，看是否能体会参数collapse和sep的区别。

collapse可以把一个向量内部的元素粘连起来，而sep则适用于把不同向量分别粘起来，所以它在上面代码的第二行命令中其实并没有起什么作用。

为了进一步熟悉这两个参数的区别，读者可以尝试是否能从下面的命令看出它们的实现结果。

下面再介绍一下大家最关注的查找替换函数，这个在Office里非常热门的功能可快速扫描大量文本查找特定的字符。在R中，用来查找的函数是grep( )，用来替换的函数是gsub( )，基本用法非常简单，可以参考以下例子：

grep( )和gsub( )的用法虽然简单，但却是清洗数据必备函数之一。设想几个场景。近年来，青春片热度超前，那么在前面提到的电影数据集中，青春片的票房表现如何呢？最简单的方法是，通过grep( )提取片名含有“青春”的观测，就能一目了然了。

从以上命令可以看出，电影数据集中的青春片是改编自刘同同名小说的《谁的青春不迷茫》，它在3个月内达到了近1.78亿元的票房，豆瓣评分6.4。我们再通过简单的逻辑比较命令就能马上获知，在电影数据集中，这部影片的票房在均值之下，但豆瓣得分在平均水平以上。

再比如，目前，数据分析师这个职业炙手可热，大家对其可观的收入也是众说纷纭。假如我们获得了5个数据分析师年薪统计的一手资料，想看看收入的平均值和中位数如何，可不巧的是，它们后面均带了“万”这个单位，这时该怎么办呢？ gsub( )函数就可以派上用场了（别忘了再转换成numeric格式）。

最后，我们通过一个总体的表格来整体回顾一下字符向量的处理要点（见表2-5）。

向量是R语言中最基本的数据结构，实际上，向量化处理在R语言中是非常重要的编程思想，它能让我们避免很多循环，使代码更为简洁、高效和易于理解。什么是向量化呢？简单来说，就是把应用于每一个元素的操作应用于这些元素组成的向量，从而实现批量计算。