Subsetting R Objects

取子集的三种基本方法

• [ ：“单方括号”返回的对象和原来相同，如向量的子集还是向量；也可用于在对象中选择多个元素
• [ [：“双方括号”仅可用于提取单一元素，并且用来提取列表或者数据框中的元素，但是，由于列表或者数据框中的元素类别不唯一，因此它返回对象的类型不一定是列表或者数据框
• $ ：“美元符号”是提取有名字的列表或数据框中的一个元素

（一）向量取子集

举例

1. 单括号+数字索引：

> x <- c("a", "b", "c", "c", "d", "a")  
> x[2]            ## 提取第二个元素
[1] "b"
> x[1:4]          ## 提取连续多个元素
[1] "a" "b" "c" "c"
> x[c(1, 3, 4)]   ## 提取不连续的多个元素
[1] "a" "c" "c"

2.单括号+逻辑索引（按字母排序）：

> x <- c("a", "b", "c", "c", "d", "a")  
> x[x > "a"]      ## 提取首字母排序大于a的元素
[1] "b" "c" "c" "d"

3.创建逻辑向量

> u <- x > "a"
> u
[1] FALSE  TRUE  TRUE  TRUE  TRUE FALSE
> x[u]
[1] "b" "c" "c" "d"

（二）矩阵取子集

矩阵取子集可通过行索引和列索引来完成。

例如以下2*3的矩阵

> x <- matrix(1:6, 2, 3)
> x
     [,1] [,2] [,3]
[1,]    1    3    5
[2,]    2    4    6
> x[1, 2]            
[1] 3
> x[, 1]
[1] 1 2
> x[1, 2, drop = FALSE]   ## 修改drop参数，返回矩阵形式
     [,1]
[1,]    3
> x[, 1, drop = FALSE]
     [,1]
[1,]    1
[2,]    2

（三）列表取子集

列表取子集既可以使用“[”，"[["，也可以使用“$”

> ## 创建一个含有两个元素的列表
> x <- list(foo = 1:4, bar = 0.6)
> x
$foo
[1] 1 2 3 4

$bar
[1] 0.6
> ## 三种方法提取第一个元素
> x[1]            ## 单方括号返回的也是一个列表
$foo
[1] 1 2 3 4
> x[[1]]
[1] 1 2 3 4
> x$foo
[1] 1 2 3 4

列表取子集方法的好处是不需要记住顺序，只要有名字就可以。

但是如果要从列表中提取多个元素，只能使用单方括号（双方括号和美元符号只能提取单个元素），并且知道顺序。

> x <- list(foo = 1:4, bar = 0.6, baz = "hello")
> x[c(1, 3)]
$foo
[1] 1 2 3 4

$baz
[1] "hello"

双方括号和美元符号的区别：

美元符号必须是列表中存在的元素名；

双方括号可以是后续再次赋值变量之后的

> x <- list(foo = 1:4, bar = 0.6, baz = "hello")
> name <- "foo"
>
> ## computed index for "foo"
> x[[name]]  
[1] 1 2 3 4
>
> ## element "name" doesn’t exist! (but no error here)
> x$name     
NULL
>
> ## element "foo" does exist
> x$foo      
[1] 1 2 3 4

另外双方括号可以取一个整数数列，不仅仅是一个数字

> x <- list(a = list(10, 12, 14), b = c(3.14, 2.81))
> 
> ## Get the 3rd element of the 1st element
> x[[c(1, 3)]]  
[1] 14
> 
> ## Same as above
> x[[1]][[3]]   
[1] 14
> 
> ## 1st element of the 2nd element
> x[[c(2, 1)]]  
[1] 3.14

（四）模糊匹配

美元符号$和双方括号[[有模糊匹配的功能。可以通过这种方法在命令行快速查找元素。

例：

> x <- list(aardvark = 1:5)
> x$a
[1] 1 2 3 4 5
> x[["a"]]                 ## 参数默认为精确匹配
NULL
> x[["a", exact = FALSE]]  ## 参数设置为不精确匹配
[1] 1 2 3 4 5

（五）删除缺失数据和缺失值（NA）

大部分真实数据中包含大量缺失数据，不管是向量、矩阵还是数据框，通过创建一个能够告诉你哪里有缺失值的逻辑向量，从而创建子集来删除它们

is.na() 函数可以找到某个向量中的缺失值，例：

> x <- c(1, 2, NA, 4, NA, 5)
> bad <- is.na(x)
> print(bad)
[1] FALSE FALSE  TRUE FALSE  TRUE FALSE
> x[!bad]         ## !bad表示非缺失值
[1] 1 2 4 5

如果有多个向量、多个对象，NA分布在各个不同地方，目的是去除所有缺失值建立新的子集，可以使用 complete.cases() 函数，如下例：

> x <- c(1, 2, NA, 4, NA, 5)
> y <- c("a", "b", NA, "d", NA, "f")
> good <- complete.cases(x, y)
> good
[1]  TRUE  TRUE FALSE  TRUE FALSE  TRUE
> x[good]
[1] 1 2 4 5
> y[good]
[1] "a" "b" "d" "f"

类似地，如果x，y两个向量的缺失值位置不同， complete.cases() 函数则取并集判断缺失位置：

> x <- c(1, 2, NA, 4, NA, 5)
> y <- c("a", "b", NA, NA, "d", "f")
> good <- complete.cases(x, y)
> good
[1]  TRUE  TRUE FALSE FALSE FALSE  TRUE
> 
> x[good]
[1] 1 2 5
> y[good]
[1] "a" "b" "f"

complete.cases() 函数也可以用于从数据框中移除缺失值

> ## 创建数据框airquality
> Ozone <- c(41, 36, 12, 18, NA, 28, 13, 15)
> Solar.R <- c(190, 118, 149, 313, NA, NA, 244, 222)
> Wind <- c (7.4, 8.0, 12.1, 11.2, 14.3, 13.9, 14.1, 15.2)
> Temp <- c(67, 72, 74, 62, 56, 66, 22, 33)
> Month <- c(5, 5, 5, 5, 5, 5, 5, 5)
> Day <- c(1, 2, 3, 4, 5, 6, 7, 8)
> airquality <- data.frame(Ozone, Solar.R, Wind, Temp, Month, Day)
> airquality
  Ozone Solar.R Wind Temp Month Day
1    41     190  7.4   67     5   1
2    36     118  8.0   72     5   2
3    12     149 12.1   74     5   3
4    18     313 11.2   62     5   4
5    NA      NA 14.3   56     5   5
6    28      NA 13.9   66     5   6
7    13     244 14.1   22     5   7
8    15     222 15.2   33     5   8
>
> ## 取数据框中的前六行数据
> head(airquality)
  Ozone Solar.R Wind Temp Month Day
1    41     190  7.4   67     5   1
2    36     118  8.0   72     5   2
3    12     149 12.6   74     5   3
4    18     313 11.5   62     5   4
5    NA      NA 14.3   56     5   5
6    28      NA 14.9   66     5   6
>
> ## 通过创建逻辑向量找到没有缺失数据的行
> good <- complete.cases(airquality)
> head(airquality[good, ])
  Ozone Solar.R Wind Temp Month Day
1    41     190  7.4   67     5   1
2    36     118  8.0   72     5   2
3    12     149 12.6   74     5   3
4    18     313 11.5   62     5   4
7    23     299  8.6   65     5   7
8    19      99 13.8   59     5   8

（六）提取某种条件下数据框的子集

如上例：

挑取Ozone列中数值大于18，且Temp数值大于60的数据子集，从该子集中计算Wind数据的平均值

> Ozone <- c(41, 36, 12, 18, NA, 28, 13, 15)
> Solar.R <- c(190, 118, 149, 313, NA, NA, 244, 222)
> Wind <- c (7.4, 8.0, 12.1, 11.2, 14.3, 13.9, 14.1, 15.2)
> Temp <- c(67, 72, 74, 62, 56, 66, 22, 33)
> Month <- c(5, 5, 5, 5, 5, 5, 5, 5)
> Day <- c(1, 2, 3, 4, 5, 6, 7, 8)
> data <- data.frame(Ozone, Solar.R, Wind, Temp, Month, Day)
> data
  Ozone Solar.R Wind Temp Month Day
1    41     190  7.4   67     5   1
2    36     118  8.0   72     5   2
3    12     149 12.1   74     5   3
4    18     313 11.2   62     5   4
5    NA      NA 14.3   56     5   5
6    28      NA 13.9   66     5   6
7    13     244 14.1   22     5   7
8    15     222 15.2   33     5   8
> 
> ## 设置条件
> d2 <- data[data$Ozone>18 & data$Temp>60, ]
> d2
  Ozone Solar.R Wind Temp Month Day
1    41     190  7.4   67     5   1
2    36     118  8.0   72     5   2
6    28      NA 13.9   66     5   6
> m <- d2$Wind
> m
[1]  7.4  8.0 13.9
> mean(m)
[1] 9.766667

参考资料：

1. https://bookdown.org/rdpeng/rprogdatascience/R Programming for Data Science
2. 《R语言实战》 Robert I. Kabacoff