在众多学习中，文章也许不起眼，但是重要的下面我们就来讲解一下！！

R中的数据结构主要面向《线性代数》中的一些概念，如向量、矩阵等。值得注意的是，R中其实没有简单数据（数值型、逻辑型、字符型等），对于简单类型会自动看做长度为1的向量。比如：

1. > b=5 
2. > length(b) [1] 1 
3. > typeof(b) [1] “double” 
4. > mode(b) [1] “numeric” 

R中最重要的数据结构是向量(vector)和矩阵(matrix)。

向量由一系列类型相同的有序元素构成；矩阵是数组(array)的一个特例：维数为2的数组；而数组又是增加了维度（dim)属性的向量。

除此之外，列表（list）和数据框（data frame）分别是向量和矩阵的泛化——列表允许包含不同类型的元素，甚至可以把对象作为元素；数据框允许每列使用不同类型的元素。对于列表和数据框，其中的元素通常称为分量（components）。
对象的类型和长度
R中所有的对象都有类型和长度属性，可以通过函数typeof()和length()获取/设置。举例如下：

1. > x = c(1,2,3,4) > x [1] 1 2 3 4 
2. > typeof(x) [1] “double” 
3. > length(x) [1] 4 
4. > dim(x)=c(2,2) > x      [,1] [,2] [1,]    1    3 [2,]    2    4 
5. > typeof(x) [1] “double” 
6. > length(x) [1] 4 
7.  oracle数据库教程
8. > Lst   
9. > Lst $name [1] “Fred”  $wife [1] “Mary”  $no.children [1] 3  $child.ages [1] 4 7 9 
10.  
11. > typeof(Lst) [1] “list” 
12. > length(Lst) [1] 4 

typeof()函数可能返回如下的值（在R源代码src/main/util.c的TypeTable中定义）：
# 数据对象
logical        含逻辑值的向量 
integer        含整数值的向量 
double        含实数值的向量 
complex        含复数值的向量 
character    含字符值的向量 
raw            含字节值的向量 

# 其他对象
list        列表 
NULL        空 
closure        函数 
special        不可针对参数求值的内置函数 
builtin        可针对参数求值的内置函数 
environment    环境 

# 通常在R内部使用
symbol        变量名 
pairlist    成对列表对象 oracle视频教程
promise        用于实现悠闲赋值的对象 
language     R 语言构建 
…            特定变量长度参数
any            可以匹配任何类型的特殊类型
expression    表达式对象 
externalptr    外表指针对象 
weakref        弱引用对象
char            字符
bytecode        二进制
对象的类型不是一成不变的，可以随时进行转换。接着上面的例子：

1. > typeof(x) [1] “double” 
2. > y = as.logical(x) > typeof(y) [1] “logical” 转换的规则如下表： |—-|                | to numeric                | to logical                    | to character |—+— 
3. from numeric        –                    |0 → FALSE 其它数字 → TRUE    | 1, 2, … → “1”, “2” 
4. from logical        FALSE → 0 TRUE → 1        |-                        | TRUE → “TRUE”   FALSE → “FALSE”     
5. from character        “1”, “2”, … → 1, 2, … “A”,… →NA | “FALSE”, “F” → FALSE “TRUE”, “T” → TRUE 其它 → NA |  

#p#分页标题#e#

对象的长度也可以随时发生改变，常见的包括如下情况：

1. > # 扩大索引范围 
2. > x = c(1,2,3) > x [1] 1 2 3 
3. > x[5] = 12 
4. > x [1]  1  2  3 NA 12 
5. > length(x) [1] 5 
6. > # 直接设置length属性 
7. > length(x) = 2 
8. > x [1] 1 2 
9. > # 重新赋值（略） 
10.     •    ✓    对象的class和attributes typeof()处理对象内元素的类型，而class()处理对象本身的类，例如： > x = 1:6 
11. > x [1] 1 2 3 4 5 6 
12. > typeof(x) [1] “integer” 
13. > class(x) [1] “integer” 
14. > dim(x) = c(3,2) > x      [,1] [,2] [1,]    1    4 [2,]    2    5 [3,]    3    6 
15. > typeof(x) [1] “integer” 
16. > class(x) [1] “matrix” 

通过class还可以更改对象的类，例如：

1. > x = 1:6 
2. > class(x) [1] “integer” 
3. > class(x) = “matrix” 错误于class(x) = “matrix” :    除非维度的长度为二(目前是0)，否则不能设为矩阵类别 > class(x) = “logical” 
4. > x [1] TRUE TRUE TRUE TRUE TRUE TRUE 

除了typeof和length之外，其他class的对象可能还会有其他的属性，可以通过函数attributes()和attr()进行操作，例如：

1. > x = 1:6 
2. > attributes(x) NULL > dim(x) = c(3,2) > attributes(x) $dim [1] 3 2 
3.  
4. > x      [,1] [,2] [1,]    1    4 [2,]    2    5 [3,]    3    6 
5. > attr(x,”dim”) = c(2,3) > x      [,1] [,2] [,3] [1,]    1    3    5 [2,]    2    4    6 

从例子可以看出，属性以列表形式保存，其中所有元素都有名字。
从例子还可以看出，R的数组中，元素的排列顺序是第一下标变化最快，最后下标变化最慢。这在FORTRAN中叫做“ 按列次序”。
一些常见的属性如下：
names，可以为向量或列表的每个元素增加标签。

1. > x = 1:6 
2. > x [1] 1 2 3 4 5 6 
3. > attributes(x) NULL  > attr(x,'names') = c('a','b','c') > x    a    b    c     
4.    1    2    3    4    5    6  
5. > attributes(x) $names [1] “a” “b” “c” NA  NA  NA  

dim，标记对象的维度。除向量外，基于数组的对象都会有一个维度属性，是一个指定数组各维度长度的整数向量。与下标类似，维度也可以命名。通过dimnames属性可以实现这一目的：

1. > x = array(1:6,2:3) > x      [,1] [,2] [,3] [1,]    1    3    5 [2,]    2    4    6 oracle视频
2. > attributes(x) $dim [1] 2 3 
3.  
4. > names = list(c('x','y'),c('a','b','c')) > dimnames(x) = names > x   a b c x 1 3 5 y 2 4 6 
5. > attributes(x) $dim [1] 2 3  $dimnames $dimnames[[1]] [1] “x” “y”  $dimnames[[2]] [1] “a” “b” “c” 

访问对象中的元素
既然对象是元素的集合，很自然就会想到使用下标来访问对象中的元素：

#p#分页标题#e#

有人把数据比喻为蕴藏能量的煤矿。煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类，而露天煤矿、深山煤矿的挖掘成本又不一样。与此类似，大数据并不在“大”，而在于“有用”。价值含量、挖掘成本比数量更为重要。对于很多行业而言，如何利用这些大规模数据是成为赢得竞争的关键。
　　大数据的价值体现在以下几个方面：1)对大量消费者提供产品或服务的企业可以利用大数据进行精准营销;2) 做小而美模式的中长尾企业可以利用大数据做服务转型;3) 面临互联网压力之下必须转型的传统企业需要与时俱进充分利用大数据的价值。

不过，“大数据”在经济发展中的巨大意义并不代表其能取代一切对于社会问题的理性思考，科学发展的逻辑不能被湮没在海量数据中。著名经济学家路德维希·冯·米塞斯曾提醒过：“就今日言，有很多人忙碌于资料之无益累积，以致对问题之说明与解决，丧失了其对特殊的经济意义的了解。”[5]  这确实是需要警惕的。

1. > x = array(6:1,2:3) > x      [,1] [,2] [,3] [1,]    6    4    2 [2,]    5    3    1 
2. > x[1]        #按照存储的顺序访问单个元素 
3. [1] 6 
4. > x[2]        #按照存储的顺序访问单个元素 
5. [1] 5 
6. > x[3]        #按照存储的顺序访问单个元素 
7. [1] 4 
8. > x[1,2]        #通过多个下标访问单个元素 
9. [1] 4 
10. > x[1,]        #返回一行 
11. [1] 6 4 2 
12. > x[,1]        #返回一列 
13. [1] 6 5  

如果对象有names属性，还可以通过names进行索引:
 

1. > x = array(6:1,2:3) >  
2. > names(x) = c('a','b','c') > x      
3. [,1] [,2] [,3] [1,]    6    4    2 [2,]    
4. 5    3    1 attr(,”names”) [1] “a” “b” “c” NA  NA  NA  > x['b']       
5.  #等价于x[2] 
6. b  5  

上面两个例子都是返回对象中的单个元素。在R中，还可以返回对象的多个元素，此时使用的索引不是简单的数值或字符串，而是一个向量。继续上面的例子：

1. > x[1:3] a b c  6 5 4  
2. > x[c(3,4)]    c   
3.    4    3  
4. > x[c(1,2),c(1,2)]      [,1] [,2] [1,]    6    4 [2,]    5    3 
5. > x[c('a','b')] a b  6 5  

用序列填充对象
前面的例子中，你可能会注意到一些与Python类似的语法，比如序列：
a:b
R中提供了一些创建序列的方法，可以很方便的填充对象。包括规则序列和随机序列。
规则序列用于产生有规则的序列:
使用a:b的形式是最简单的用法;
如果需要更多的控制，可以使用seq(from,to,by,length,along）函数;
使用rep()函数可以产生重复的元素。Oracle培训
例如：
 

1. > 1:3 [1] 1 2 3 
2. > 2*1:3 [1] 2 4 6 
3. > 3:1 [1] 3 2 1 
4.  
5. > seq(1,2,0.2) [1] 1.0 1.2 1.4 1.6 1.8 2.0 
6. > seq(1,2,0.3) [1] 1.0 1.3 1.6 1.9 
7. > seq(to=2,by=.2) [1] 1.0 1.2 1.4 1.6 1.8 2.0 
8. > seq(to=2,by=.2,length=3) [1] 1.6 1.8 2.0 
9.  
10. > rep(1:3,2) [1] 1 2 3 1 2 3 
11. > rep(1:3,each=2) [1] 1 1 2 2 3 3 

#p#分页标题#e#

  随机序列用于产生符合一定分布规则的数据。有大量的函数用于产生随机序列，这里只列出一些函数的名称：

数据编辑器

我们当然可以使用下标操作对象，编辑对象中的数据元素。但是R提供的一个可视化的工具能够带来更多的便利，这就是数据编辑器。
使用data.entry()函数可以打开数据编辑器：

> x = array(6:1,2:3) > data.entry(x)

更多视频课程文章的课程，可到课课家官网查看。我在等你哟！！！