R语言编程技术(2)

  上节简单的介绍了 R 语言的三种特性，这节讨论编程技术的核心技术 数据结构 ,不要被吓到了。(这个逼装灰常好， 哈哈)。

  一提到数据结构，第一印象多半是大学时代折磨人的课程，事实上 R 语言内置的数据结构是被底层语言封装过的，所以没有复杂的指针指向指的你发晕，也不会一不小心造成了内存泄漏，这就是使用高级语言的好处，但是也注定了调包侠的命运，知其然而不知所以然(悲哀！呜呜~)。

   R 内置了五种最基本的数据结构：向量，列表，矩阵，数据框，多维数组，见下表：

数据结构名	创建函数	类型	特性	类比底层数据结构
向量	c	一维	同类型数据, 最基本结构	动态数组
列表	list	一维	S3对象基本结构, 灵活多变	多叉树
矩阵	matrix	二维	同数据类型, 运算快	二维动态数组
数据框	data.frame	二维	存储不同类型数据, 标准数据表	多叉树
多维数组	array	可多维	高维度	多维动态数组

  这里我觉得列表和数据框应该是多叉树，也许是哈希，欢迎拍砖指正，这里特别说明一下列表和数据框，数据框应该属于列表的一个特例，列表的当中第一层元素就相当于数据框的列，用代码说话：

# 创建一个列表
l <- list(1,2,3)
# [[1]]
# [1] 1
#
# [[2]]
# [1] 2
#
# [[3]]
# [1] 3
# 创建数据框
df <- data.frame(1, 2, 3)
#   X1 X2 X3
# 1  1  2  3
# 检查类型
typeof(l)
# [1] "list"
typeof(df)
# [1] "list"

  检查类型是发现 list 与 data.frame 都是 list ，没错这就是真相，S3对象都是由list构造的，内置的data.frame是S3对象，因此它的本质就是一个list，只是给了它取了一个类名叫data.frame。不信？代码为证。

# 查看函数data.frame代码
data.frame
# .......
# return(structure(list(), names = character(), row.names # = row.names, class = "data.frame"))

  这句函数返回语句充分说明了问题，构建了一个名为data.frame的对象，若不太清楚 R 对象 S3对象系统，可以阅读一下 R神 的 AdvanceR ，许多博客和参考资料都有很详细的讲解，我这里就不多废话了。

  最后还是要强调一下明白这些有什么卵用，毕竟这才是使用者比较关心的，但是我说的是，你要做一辈子的调包侠，还是博古通今？ (这个逼装的，我给自己满分)。

  事实上在做数据处理工作时，基本上就是在对数据进行压缩，扩展，映射，转化，而完成这些工作的最基本就是在进行数据结构的变换，又到代码说话时刻:

# 以iris数据集为例, 这里借用一下R神的dplyr包来说明问题
library(dplyr)
iris %>% as.tbl()
# A tibble: 150 x 5
# Groups:   Species [3]
#   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#          <dbl>       <dbl>        <dbl>       <dbl>  # <fctr>
#  1          5.1         3.5          1.4         0.2  setosa
#  2          4.9         3.0          1.4         0.2  setosa
#  3          4.7         3.2          1.3         0.2  setosa
#  4          4.6         3.1          1.5         0.2  setosa
#  5          5.0         3.6          1.4         0.2  setosa
#  6          5.4         3.9          1.7         0.4  setosa
#  7          4.6         3.4          1.4         0.3  setosa
#  8          5.0         3.4          1.5         0.2  setosa
#  9          4.4         2.9          1.4         0.2  setosa
# 10          4.9         3.1          1.5         0.1  setosa
# ... with 140 more rows

  这里为了方便观察数据, 用dplyr包来说明问题，可以直观的观察到数据结构的变化(因为屏幕大小有限)。

# 分类计数
iris %>% as.tbl() %>% group_by(Species) %>% count()
# A tibble: 3 x 2
# Groups:   Species [3]
#     Species     n
#      <fctr> <int>
# 1     setosa    50
# 2 versicolor    50
# 3  virginica    50

  不就是个分类汇总吗，有啥了不起的，我要说明的不是分类汇总这个操作，而是数据结构的变化，数据由原始的 150 × 5 被映射成了 3 × 2，数据类型也发生了变化，这里每个分类组的数据通过 count 函数被映射成单值，最终组成了一个新的数据框，但是这里数据结构没有发生变化。

iris %>% as.tbl() %>% class()
# [1] "tbl_df"     "tbl"        "data.frame"
iris %>% as.tbl() %>% typeof()
# [1] "list"
iris %>% as.tbl() %>% group_by(Species) %>% count() %>% typeof()
# [1] "list"

  注意： as.tbl 函数操作只是给原生态的 data.frame 添加了新的类，扩充了一下它的功能，能更好的兼容使用dplyr包当中的函数，数据结构的本质上它还是一个 list


  最后再举一个数据结构发生变化的例子：

iris %>% as.tbl() %>% length()
# [1] 5

  list 通过 length 函数被映射成了一个向量, 这里我们理解函数就等价于某种算法， 算法作用在数据结构上，得到了新的数据结构，代码的工作就是在做这样的事情，因此掌握数据结构对编程技术来说显得非常重要，因为你的任何需求都基本包含在这个套路当中。