阅读量:1
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) 