R 数据框：创建、查看和访问列

数据框是由列组成的列表

数据框是 R 的表格：每行是一条观测，每列是一个变量。它就是 R 里的电子表格，几乎所有真实数据都是这个形状：每个人、每次测量、每笔交易占一行，每个属性占一列。

从结构上看，数据框是一个由等长向量组成的列表，再加上行和列的行为。这一点能解释它的大部分规则：每列只有一种类型（因为列是向量），不同的列可以有不同的类型（因为数据框是列表），而且每列长度必须相同（这就是“框”的含义）。

把具名向量交给 data.frame() 就能创建一个数据框：

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26),
  active = c(TRUE, FALSE, TRUE)
)

print(people)

文本、数字和逻辑值并排放在一起，这是矩阵做不到的。实际上你很少会像这样手动输入数据，表格通常来自 read.csv 或数据库。但无论数据框从哪里来，下面的内容都完全适用。

快速了解一个数据框

没看过的数据集，千万别直接拿来计算。R 用来查看数据的工具不多，值得养成随手就用的习惯：

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26),
  active = c(TRUE, FALSE, TRUE)
)

str(people)
print(nrow(people))
print(ncol(people))
print(names(people))
summary(people)

• str() 是拿到新数据后第一个要运行的：每列一行，显示类型和前几个值。如果某列“数字”因为混进一个异常值而被读成了 character，你在这里就能发现。
• nrow() / ncol() 给出维度；names() 列出所有列名。
• summary() 给出每列的统计信息：数值列有最小值、中位数、平均值、最大值，逻辑列和因子列有计数。
• head(df) 和 tail(df) 打印前六行和后六行，当真实数据集大到无法整个打印时，它们必不可少。下面你会在一个内置数据集上看到 head() 的用法。

取出一列的三种写法

访问列是最常用的操作，R 提供了三种写法：

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26)
)

print(people$age)
print(people[["age"]])
print(people[, "age"])

print(class(people["age"]))

• people$age：日常写法，简短易读，大多数编辑器都能自动补全。
• people[["age"]]：结果完全相同，但列名可以来自变量（col <- "age"; people[[col]]），这是 $ 做不到的。在函数内部优先用它。
• people[, "age"]：矩阵风格，逗号前是行（留空表示全部），逗号后是列。

三者都把这一列作为普通向量返回，可以直接用于 mean(people$age)。代码片段里的第四种写法是个陷阱：用单层方括号的 people["age"] 返回的是只有一列的数据框，而不是向量。这和列表中 [ 与 [[ 的区别是一回事，因为数据框本身就是列表。如果某个数学函数抱怨你的输入不是数值，先检查一下方括号。

行和单元格

用 [row, column] 写法可以取出表格的任意部分：

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26)
)

print(people[2, ])
print(people[2, "name"])
print(people[c(1, 3), ])

print(people[people$age > 28, ])

people[2, ] 是整个第二行（返回一个单行数据框；行里混合了多种类型，所以仍然保持数据框的形式）。people[2, "name"] 是单个单元格。用一个行号向量可以一次取出多行。

最后一行最重要：对某列写一个逻辑条件，就能选出符合条件的行，这里选出的是所有年龄超过 28 岁的人。这种用逻辑掩码筛选行的模式是 R 中所有数据筛选的基础，值得单独写一篇：完整讲解请看筛选与子集，包括 subset() 和多条件筛选。

添加和删除列

因为数据框是由列组成的列表，所以列的增删只需普通的赋值：

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26)
)

people$score <- c(88, 75, 93)
people$age_months <- people$age * 12
print(people)

people$age_months <- NULL
print(names(people))

给新的列名赋值就会添加一列；向量长度必须等于 nrow()（或者长度为 1，会循环填满每一行）。第二次添加展示了地道的做法：用已有的列计算出新列，向量化运算一次作用于整列。赋值 NULL 会把一列彻底删除。

列中的值也可以用同样的方式覆盖：people$age <- people$age + 1 让每个人都长了一岁。

内置数据集，以及 tibble 简介

R 自带一些预先加载好的练习数据集，所以上面的内容你不用导入任何东西就能试。几乎每个教程都会用到的两个是 mtcars（32 辆汽车，11 个数值变量）和 iris（150 朵花，4 项测量值加一个表示品种的因子）：

print(head(mtcars))
print(nrow(mtcars))
print(names(iris))
print(mean(mtcars$mpg))

这里能看出 head() 的价值：六行就能让你了解数据的形状，又不会刷满屏幕。这些数据集是理想的练习场：当你不确定某个函数的行为时，先在 mtcars 上试一试，再用到自己的数据上。

一接触 tidyverse 你就会遇到一个术语：tibble，它是 tidyverse 版本的数据框。概念相同，行为更友好：打印时只显示前十行和各列类型，也不会对列名做部分匹配。用 tibble() 创建，或者由 readr/dplyr 的函数返回：

library(tibble)
tibble(name = c("Rosa", "Ken"), age = c(30, 41))
#> # A tibble: 2 x 2
#>   name    age
#>   <chr> <dbl>
#> 1 Rosa     30
#> 2 Ken      41

本文的所有内容（$、str()、添加列、逻辑行掩码）在 tibble 上都照样适用。tibble 本质上就是打磨过的数据框；学会了数据框，两者你就都会了。

要点总结

• 数据框是由等长列组成的列表：每列一种类型，整个表格可以混合多种类型，它就是 R 的电子表格。
• 先查看再计算：先用 str()，再用 head()、summary()、nrow()/ncol()/names()。
• df$col、df[["col"]] 和 df[, "col"] 都把列作为向量返回；单层方括号的 df["col"] 返回数据框。
• df[rows, cols] 可以切出任意部分；逗号前写逻辑掩码就能筛选行。
• 用赋值添加列（常常由其他列计算得出）；用 NULL 删除列；用 mtcars 练手。

下一篇：缺失值，讲 NA 的含义、它为什么会在计算中扩散，以及该如何处理它。