在教学大纲的其他部分，我们已经见过各种特性不同的数据类型。
- 原子向量是一维的，且类型同质。
- 列表是一维的，元素可以有不同的类型。
- 矩阵和数组是多维的，且类型同质。
本概念将探讨存储多维、异构数据的方法。
在实践中，_大多数_真实世界的数据都是这样的，所以我们现在正触及 R 在实践中（大部分时候）用法的核心。
数据框的变体
几十年来，R 陆续增加了多种数据类型来处理表格数据。
本教学大纲主要关注 tibble，不过了解其他替代方案也很有用。
data.frame
在 Base R 中，data.frame 是一个由等长的 vectors 组成的 list。
可以把它看作一张矩形的数据表：每一列类型相同，但每一行可以（而且通常确实会）包含不同类型的数据。
下面用一个例子来说明：
# create the column vectors
languages <- c("Fortran", "R", "Python", "Julia")
created <- c(1957, 1993, 1991, 2012)
has.syllabus <- c(FALSE, TRUE, TRUE, TRUE)
# join columns to create the dataframe
df <- data.frame(languages, created, has.syllabus)
df
#> languages created has.syllabus
#> 1 Fortran 1957 FALSE
#> 2 R 1993 TRUE
#> 3 Python 1991 TRUE
#> 4 Julia 2012 TRUE
我们有一列字符串、一列数字和一列布尔值。
当数据规模变大时，这是一种直观地表示许多真实世界数据集合的方式。
tibble
data.frame 的设计_很老_。
几十年的经验，加上 R 使用方式的不断变化，促成了重新设计，在 Tidyverse 中诞生了现代化的替代方案：tibble。
与 Base R 相比，tibble 有这些特点：
- 不同的默认行为，以减少常见问题。
- 在输入时更不愿意强制转换数据类型。
- 更多、更清晰的错误信息。
- 不同、通常也更好的显示格式。
简而言之，tibble 追求的是“做得更少，抱怨更多”，也被形容为“懒惰又暴躁”。
这两种类型通常可以互换：任何接受 data.frame 的函数也接受 tibble，反之亦然。
两种类型之间的转换很容易，用 as_tibble(df) 和 as.data.frame(tbl) 即可。
对于新的工作，使用 tibble 可能会帮助你写出更健壮的代码。
不过在 R 的世界里，遗留代码和遗留数据非常多，所以 data.frame 可能还会长期被广泛使用。
# column vectors are same as for data.frame
library(tibble)
tbl <- tibble(languages, created, has.syllabus)
tbl
# A tibble: 4 × 3
#> languages created has.syllabus
#> <chr> <dbl> <lgl>
#> 1 Fortran 1957 FALSE
#> 2 R 1993 TRUE
#> 3 Python 1991 TRUE
#> 4 Julia 2012 TRUE
注意默认的打印格式：带有维度的注释行会自动打印出来，列的类型也会一并显示。
使用 tibble
tibble 是 Tidyverse 的核心组成部分，所以可以用 library(tibble) 或 library(tidyverse) 来加载它。
创建 tibble
最简单的方式是用 tibble() 函数把各个列向量组合起来，就像 data.frame() 那样。
前面一节已经展示过一个例子。
如果按行输入值更方便，对应的函数是 tribble()。
在实践中，创建 tibble 的方法有几十种，因为许多 Tidyverse 函数的默认输出格式就是 tibble。
操作 tibble
函数式编程概念中介绍了用 purrr 库来操作向量和列表（一维数据结构）。
对于数据框（无论是传统的还是 tibble），对应的库是 dplyr。
取子集
数据框（包括 tibble）可以当作列向量的列表来处理，因此用列表索引就能取出指定的列。
tbl
# A tibble: 4 × 3
#> languages created has.syllabus
#> <chr> <dbl> <lgl>
#> 1 Fortran 1957 FALSE
#> 2 R 1993 TRUE
#> 3 Python 1991 TRUE
#> 4 Julia 2012 TRUE
tbl$created
#> [1] 1957 1993 1991 2012
数据框也可以用矩阵式的索引来取值。
tbl[c(2, 4), 1:2]
# A tibble: 2 × 2
#> languages created
#> <chr> <dbl>
#> 1 R 1993
#> 2 Julia 2012
在现代 R 与 Tidyverse 生态中，dplyr 函数通常更灵活、更方便，本概念接下来的内容都会围绕它展开。
列操作
用 pull() 按列名或序号取出一列（负数表示从右往左数）。
tbl |> pull(created)
#> [1] 1957 1993 1991 2012
这和 tbl$created 的结果相同，但用的是对管道友好的函数。
要取出多列，合适的函数是 select()，它非常灵活。
根据列名或类型的特征来选取（或剔除）列。
# Range with position and/or name
tbl |> select(1:created)
# A tibble: 4 × 2
#> languages created
#> <chr> <dbl>
#> 1 Fortran 1957
#> 2 R 1993
#> 3 Python 1991
#> 4 Julia 2012
# Use type of column
tbl |> select(where(is.numeric))
# A tibble: 4 × 1
#> created
#> <dbl>
#> 1 1957
#> 2 1993
#> 3 1991
#> 4 2012
可以使用布尔运算符 &、| 和 !（分别表示与、或、非）来组合多个条件。
面对我们这个语言玩具数据框，这样的强大功能显得有点大材小用。
幸运的是，dplyr 中自带 starwars 这个 tibble，给了我们更大的数据集来练习。
# pick a subset of columns
starwars |>
select(name | ends_with("color")) |>
head(5)
# A tibble: 5 × 4
#> name hair_color skin_color eye_color
#> <chr> <chr> <chr> <chr>
#> 1 Luke Skywalker blond fair blue
#> 2 C-3PO NA gold yellow
#> 3 R2-D2 NA white, blue red
#> 4 Darth Vader none white yellow
#> 5 Leia Organa brown light brown
行操作
用 filter() 取出符合某些条件的行，或用 filter_out() 排除它们。
starwars |>
select(name:mass) |>
filter(between(height, 150, 165) & !is.na(mass))
# A tibble: 4 × 3
#> name height mass
#> <chr> <int> <dbl>
#> 1 Leia Organa 150 49
#> 2 Beru Whitesun Lars 165 75
#> 3 Nien Nunb 160 68
#> 4 Ben Quadinaros 163 65
筛选条件可以任意复杂，但始终基于行的_内容_。
如果知道行的_编号_，我们可以使用各种 slice() 函数。
starwars |>
select(name | homeworld) |>
slice(20:25)
# A tibble: 6 × 2
#> name homeworld
#> <chr> <chr>
#> 1 Palpatine Naboo
#> 2 Boba Fett Kamino
#> 3 IG-88 NA
#> 4 Bossk Trandosha
#> 5 Lando Calrissian Socorro
#> 6 Lobot Bespin
修改 tibble
首先要提醒一点：_修改时复制_的默认行为意味着原 tibble 通常保持不变。
大多数修改都是按列进行的。
可以用 rename(newname = oldname) 修改列名，或用 rename_with() 来应用一个函数。
注意 rename() 里面的语法。
列 oldname 的_内容_被_绑定_到名字 newname 上，所以顺序是这样。
列的顺序可以用 relocate() 来改变。
默认情况下，指定的列会被移到最左边的位置，但可以用 .before 或 .after 参数来更精确地定位。
sw <- starwars |> select(name:species) |> slice(1:4)
sw
# A tibble: 4 × 11
#> name height mass hair_color skin_color eye_color birth_year sex gender homeworld species
#> <chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr> <chr> <chr>
#> 1 Luke Skywalker 172 77 blond fair blue 19 male masculine Tatooine Human
#> 2 C-3PO 167 75 NA gold yellow 112 none masculine Tatooine Droid
#> 3 R2-D2 96 32 NA white, blue red 33 none masculine Naboo Droid
#> 4 Darth Vader 202 136 none white yellow 41.9 male masculine Tatooine Human
sw |> relocate(c(species, homeworld), .after = name)
# A tibble: 4 × 11
#> name species homeworld height mass hair_color skin_color eye_color birth_year sex gender
#> <chr> <chr> <chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
#> 1 Luke Skywalker Human Tatooine 172 77 blond fair blue 19 male masculine
#> 2 C-3PO Droid Tatooine 167 75 NA gold yellow 112 none masculine
#> 3 R2-D2 Droid Naboo 96 32 NA white, blue red 33 none masculine
#> 4 Darth Vader Human Tatooine 202 136 none white yellow 41.9 male masculine
对于更大的改动，mutate() 可以让你：
- 创建由现有列计算得到的新列。
- 通过创建同名的新列来替换现有的列。
- 通过把列的值设为
NULL 来删除一列。
显然，mutate() 很强大，也可能让人困惑，也正因如此，修改时复制这一机制值得感谢。
没有明显的理由去关心《星球大战》角色的身体质量指数，但以防万一：
starwars |>
select(c(name, species, height, mass)) |>
mutate(BMI = mass / (height / 100)^2) |>
head(4)
# A tibble: 4 × 5
#> name species height mass BMI
#> <chr> <chr> <int> <dbl> <dbl>
#> 1 Luke Skywalker Human 172 77 26.0
#> 2 C-3PO Droid 167 75 26.9
#> 3 R2-D2 Droid 96 32 34.7
#> 4 Darth Vader Human 202 136 33.3
行操作在修改单个 tibble 时不太常用（合并多个 tibble 会在后面的概念中讨论）。
有一个例外：arrange() 会按一列或多列的值对行排序。
tbl
#> A tibble: 4 × 3
#> languages created has.syllabus
#> <chr> <dbl> <lgl>
#> 1 Fortran 1957 FALSE
#> 2 R 1993 TRUE
#> 3 Python 1991 TRUE
#> 4 Julia 2012 TRUE
tbl |> arrange(languages)
#> A tibble: 4 × 3
#> languages created has.syllabus
#> <chr> <dbl> <lgl>
#> 1 Fortran 1957 FALSE
#> 2 Julia 2012 TRUE
#> 3 Python 1991 TRUE
#> 4 R 1993 TRUE
学习练习
