R语言学习笔记5-数据结构-多维数组

R语言学习笔记5-数据结构-多维数组

• 多维数组(array)介绍
• 特点和用途
• 创建多维数组
• 多维数组的索引和切片
• 多维数组的运算
• 获取多维数组的维度和属性
• 多维数组的合并和拆分
• 多维数组的逻辑操作
• 多维数组的转置和重塑
• 多维数组的元素操作
• 多维数组的统计函数
• 多维数组的循环操作
• 使用reshape2包的melt()和dcast()函数
• 利用purrr包对多维数组进行函数应用
• 对多维数组进行条件筛选和替换
• 多维数组的子集选择
• 使用data.table包对多维数组进行高效操作
• 使用tidyverse进行多维数组的处理

多维数组(array)介绍

多维数组是一种用于存储多维数据的数据结构，与矩阵相似但可以具有超过两个维度

特点和用途

1. 多维数据结构：可以是三维、四维甚至更高维度的数据结构，由多个维度的索引组成
2. 统计和科学计算：适用于存储和操作高维数据，例如立方体数据（三维数组）、四维数据集等
3. 元素访问和运算：支持类似于矩阵的索引和运算，但需要指定多个维度

创建多维数组

可使用 array() 函数创建多维数组, 其中dim对应单词dimension，表示纬度

array(data, dim = c(dim1, dim2, ...)) 

其中 data 是数组的元素，dim 是一个向量，指定数组每个维度的大小

# 创建一个三维数组 arr <- array(1:24, dim = c(2, 3, 4)) print(arr) 

输出：

, , 1       [,1] [,2] [,3] [1,]    1    3    5 [2,]    2    4    6  , , 2       [,1] [,2] [,3] [1,]    7    9   11 [2,]    8   10   12  , , 3       [,1] [,2] [,3] [1,]   13   15   17 [2,]   14   16   18  , , 4       [,1] [,2] [,3] [1,]   19   21   23 [2,]   20   22   24 

多维数组的索引和切片

与矩阵类似，可以使用索引访问和操作多维数组的元素

# 访问多维数组元素 element <- arr[1, 2, 3]  # 访问第一行，第二列，第三层的元素 print(element)  # 输出 15  # 修改多维数组元素 arr[1, 2, 3] <- 100 print(arr[1, 2, 3])  # 输出 100 

多维数组的运算

可对多维数组进行类似于矩阵的运算，如加法、乘法等

# 创建两个三维数组 arr1 <- array(1:24, dim = c(2, 3, 4)) arr2 <- array(24:1, dim = c(2, 3, 4))  # 加法运算 arr_sum <- arr1 + arr2 print(arr_sum) 

获取多维数组的维度和属性

可以使用 dim() 函数获取多维数组的维度信息

# 获取多维数组的维度 arr_dims <- dim(arr1) print(arr_dims)  # 输出 2 3 4，表示 2 行 3 列 4 层 

多维数组的合并和拆分

可使用 abind 包中的函数将多个数组按照指定的维度进行合并，或者使用索引进行拆分

library(abind)  # 合并多个数组 arr1 <- array(1:12, dim = c(2, 3, 2)) arr2 <- array(13:24, dim = c(2, 3, 2)) arr_combined <- abind(arr1, arr2, along = 3) print(arr_combined)  # 输出： # , , 1 #  #      [,1] [,2] [,3] # [1,]    1    3    5 # [2,]    2    4    6 #  # , , 2 #  #      [,1] [,2] [,3] # [1,]    7    9   11 # [2,]    8   10   12 #  # , , 3 #  #      [,1] [,2] [,3] # [1,]   13   15   17 # [2,]   14   16   18 #  # , , 4 #  #      [,1] [,2] [,3] # [1,]   19   21   23 # [2,]   20   22   24  # 拆分多维数组 arr_split <- arr_combined[, , 1:2] print(arr_split) 

along 参数指定了沿着哪个维度合并数组，也就是说它确定了在合并多个数组时，这些数组如何沿着指定的维度进行对齐和连接，这里 along = 3 意味着 arr1 和 arr2 在第三维度（也就是在层数或深度上）进行合并

多维数组的逻辑操作

可对多维数组的元素进行逻辑判断和条件筛选，获取满足条件的子集

# 逻辑操作 arr1 <- array(1:12, dim = c(2, 3, 2))  # 判断大于 5 的元素 arr_above_5 <- arr1[arr1 > 5] print(arr_above_5) 

多维数组的转置和重塑

可使用 aperm() 函数进行多维数组的转置操作，或使用 array_reshape() 函数重新调整数组的维度结构

# 旋转数组 arr_rotated <- aperm(arr1, c(3, 2, 1))  # 交换第1维和第3维 print(arr_rotated)  # 翻转数组的某一维 arr_flipped <- arr1[, , 2:1]  # 翻转第3维 print(arr_flipped)  # 重塑数组维度 arr_reshaped <- array_reshape(arr1, c(3, 4)) print(arr_reshaped ) 

多维数组的元素操作

可对多维数组的每个元素应用函数或进行逐元素的数学操作

# 应用函数到每个元素 arr_squared <- arr1 ^ 2  # 逐元素加法 arr_sum <- arr1 + 10 

多维数组的统计函数

R 提供了多维数组的统计函数，这些函数可对特定维度进行汇总计算，如求和、均值、最大值、最小值等

# 计算每层的均值 mean_per_layer <- apply(arr1, c(1, 2), mean) print(mean_per_layer)  # 计算每列的总和 sum_per_column <- apply(arr1, 2, sum) print(sum_per_column) 

多维数组的循环操作

可使用 for 循环遍历数组的各个维度来进行更复杂的操作

# 计算每个切片的均值 for (i in 1:dim(arr1)[3]) {   slice_mean <- mean(arr1[, , i])   print(paste("Mean of slice", i, "is", slice_mean)) } 

使用reshape2包的melt()和dcast()函数

reshape2 包提供了 melt() 和 dcast() 函数来处理和转换数据结构

library(reshape2)  # 将多维数组转换为长格式数据框 melted_arr <- melt(arr1) print(melted_arr)  # 从长格式数据框转换回多维数组 arr_recast <- dcast(melted_arr, Var1 + Var2 ~ Var3, value.var = "value") print(arr_recast) 

利用purrr包对多维数组进行函数应用

purrr 包提供了功能强大的工具来对数组进行复杂的函数操作

library(purrr)  # 对每个切片应用函数 apply_fun <- map(arr1, ~mean(.x))  # 计算每个切片的均值 print(apply_fun) 

对多维数组进行条件筛选和替换

可对数组进行条件筛选，并根据条件对元素进行修改

# 将小于 5 的元素替换为 0 arr1[arr1 < 5] <- 0 print(arr1) 

多维数组的子集选择

可以利用逻辑子集选择对数组进行筛选

# 获取第一个切片中大于 4 的元素 arr_subset <- arr1[ , , 1][arr1[ , , 1] > 4] print(arr_subset) 

使用data.table包对多维数组进行高效操作

data.table 包提供了高效的数据处理能力，可以用于对数组数据的处理和分析

library(data.table)  # 将数组转换为 data.table dt <- as.data.table(arr1, keep.rownames = TRUE) print(dt)  # 使用 data.table 进行操作 dt_summary <- dt[, .(Sum = sum(V1)), by = rn] print(dt_summary) 

使用tidyverse进行多维数组的处理

tidyverse 包提供了强大的数据处理功能，可以用于对数组进行复杂的数据转换操作

library(tidyverse)  # 将数组转换为 tibble arr_tibble <- tibble::as_tibble(arr1, .name_repair = "minimal") print(arr_tibble)  # 使用 dplyr 对 tibble 进行数据操作 arr_summary <- arr_tibble %>%   group_by(dim1, dim2) %>%   summarize(mean_value = mean(value)) print(arr_summary)