[R語言初學] R語言當中的資料結構

Last Updated on 2023-10-22

你聽說過R語言當中有向量（vector）和因子（factor），但分辨不出差異嗎？最實用的資料表（dataframe）又要怎麼操作？本文告訴你

上一篇文章中，我們分別介紹了R語言的資料型態（data type）和基本運算（basic operations），這個章節則要帶大家認識資料結構（data structure）。

我們曾經比喻，「資料結構就是房屋的架構，有可能是用行列搭建，也可能採不規則的樑柱排序。」的確，R語言當中也有多種資料結構，每種資料結構都各自代表獨特的、將資料拼湊組合在一起的方法。

我會在這篇文章介紹R語言當中的資料結構，配上實際程式碼，從向量一路討論到資料表，一網打盡。

觀念釐清：資料型態、資料結構與資料格式的差異

我們來複習一下資料型態（Data Type）、資料結構（Data Structure）與資料格式（Data Format）的意義跟差別。

資料型態（Data Type）

• 意義：資料型態指資料儲存的原始型態，可以說是資料的最小單位。
• 範例：integer, float, string, boolean 等。

資料結構（Data Structure）

• 意義：資料結構指將資料組合後儲存的長相與形式。
• 範例：Array, Linked List, Stack, Queue, Tree, Graph 等。在R語言當中以vector, list, dataframe為主。

資料格式（Data Format）

• 描述：資料格式指資料儲存的規範或標準，用來定義交換、展示與儲存資料在文件或其他媒介中的方法。
• 範例：CSV, JSON, XML, JPEG, MP3 等。在R語言當中最有特色的是RDS，只能用R語言打開。

關係與差異

1. 資料型態是最基本的單位，用於界定變數或對象可以存儲哪種類型的數據。
2. 資料結構是由多個資料型態的資料組成，用來提升儲存、排序、搜尋資料的效率。
3. 資料格式更往上一層，規定了（用特定資料結構儲存的）資料（用特定資料結構已經組織在某種 Data Structure 中）如何存在電腦裡、與他人交換。

總結來說，資料型態最基礎，資料結構由資料型態組合而成，而資料格式則是用於儲和存交換資料結構和資料型態的標準或規範。

以台灣籃球聯盟T1為例，想看某場比賽球員的表現，球員名字以character的資料型態儲存、得分以integer的資料型態儲存，將兩者以資料結構組合成dataframe，再輸出成csv, xlsx，讓其他人也能方便讀取。

R語言的資料結構

R語言的資料結構包含一維的向量（vector）與因子（factor）、二維的矩陣（matrix）與資料表（dataframe）、多維度的列表（list）與陣列（array）。底下我們會逐一介紹！

R資料結構, 出處: Advanced R

向量 vector

向量是R語言當中，資料表以外最為常見的資料結構，它的組成為型態一致的一維資料。什麼是一維資料？以平面坐標軸為例子，有x軸與y軸兩條軸線，代表有兩個維度，若再加上z軸，那就會變成三維，再往上加較難直觀理解，但仍可以憑空想像，例如科幻小說《三體》當中就有高達十一維的描述。

在R當中，想要創建向量有很多種方式，大家最常用到的就是利用c()函數。底下展示幾個賦值方法不同、但實際內容都是 1,2,3,4,5 的向量：

a <- c(1,2,3,4,5)
b <- c(1:5)
c <- seq(1,5,1)
d <- vector("numeric",length = 5)
d[1] <- 1
d[2] <- 2
d[3] <- 3
d[4] <- 4
d[5] <- 5
a;b;c;d
#> [1] 1 2 3 4 5
#> [1] 1 2 3 4 5
#> [1] 1 2 3 4 5
#> [1] 1 2 3 4 5

在這4個向量當中，a是利用R語言當中最基本函數之一的c()，將值包裹其中，直接賦值。b的情形相同，只不過額外利用:將式子寫得簡潔。“:”代表數列，1:5的意思等同於1,2,3,4,5，當數值多的時候寫來較為輕鬆。

至於c，則使用了seq()這個函數，seq()裡面一共放了三個「東西」，分別是代表起始點得1、代表終點的5、代表間距的1。這些「東西」有個專有名詞，稱為參數（argument），函數裡面會包覆好幾種用途不同的參數，通常都是在開發套件與函數者的巧思下制定而成。

回到seq(1,5,1)，它的意思就是從創建一個「從1開始到5結束、以1為間距的向量。」底下我們會再舉其他例子。

以替d賦值的vector()函數為例子，它的用途是創建一個空無一物的向量，第一個參數意義是資料型態，我們在此指定了"numeric"，第二個參數意義則是向量長度。我們先用vector()創建空的向量之後，接著再用[]，把數值塞到這個空向量之中，[n]的ˋ作用是取向量中的第n個元素。

剛剛有提到，向量當中的元素資料型態相同，如果不同的時候，會發生什麼事情？

c(3,2,"2")
#> [1] "3" "2" "2"
c("T",T,"F")
#> [1] "T"    "TRUE" "F"
c(F,T,0)
#> [1] 0 1 0

如上所示，第1個例子中，會都變成最包容的字元，第2個例子也是相同，同樣變成字元，第3個例子中則變成數值。知道這個特性後，對後面比較跟運算時很有幫助。

如果想查看或是抽取元素，我們會利用上面提到的 []。

a <- c(1,3,5,7,9)
a[1]
#> [1] 1

對只有學過R的人來說，想取第幾個元素，方框裡面就用第幾個數字，非常好懂；但對學過其他程式語言的人來說，情況不太一樣，因為例如 Python 就是從 0 開始，因此要小心別弄錯了！

創建向量，並且知道怎麼抽取其中元素以後，我們可以來看向量的操作與運算。

c(1,2,3,4,5) + c(5,4,3,2,1)
#> [1] 6 6 6 6 6
c(1,2,3,4,5) * c(5,4,3,2,1)
#> [1] 5 8 9 8 5
c(1,2,3,4,5) + c(1, 2)
#> Warning in c(1, 2, 3, 4, 5) + c(1, 2): longer object length is not a multiple of shorter object length
#> [1] 2 4 4 6 6

從第1與第2個例子可以發現，向量是以元素為單位（element-wise）進行運算，每個元素會各自相加或者相乘；第3個例子則顯示，若是兩個向量長度不等長，則會自動補齊，所以其實最後會變成 c(1,2,3,4,5) + c(1,2,1,2,1)。

c(1,2,3,4,5) > 1
#> [1] FALSE  TRUE  TRUE  TRUE  TRUE
c(1,2,3,4,5) > c(5,4,3,2,1)
#> [1] FALSE FALSE FALSE  TRUE  TRUE
c("A","C","D") > c("B","B","B")
#> [1] FALSE  TRUE  TRUE
c("3","2","1") > c(2,2,2)
#> [1]  TRUE FALSE FALSE

比較大小時，同樣會發生長度補齊跟型態轉換，所以在第1個例子中，左邊向量的每個元素都在跟1比較；第3個元素中，則是比較這些字母在編碼中的順序；第4個例子中，因為比大小的緣故，兩邊的向量都從字元轉變成數值了！

a <- c(1,3,5,7,9)
a[c(1,2,5)]
#> [1] 1 3 9
a[a > 4]
#> [1] 5 7 9
a[-1]
#> [1] 3 5 7 9
a[length(a)]
#> [1] 9

知道怎麼比大小之後，我們就可以用比較進階的作法取值。在a[a > 4]這個例子中，其實真正在做的事情是a[c(F,F,T,T,T)]，所以才會取出最後3個元素。

加上負號的意思則是代表不要那個（些）元素，因此a[-1]代表的就是拿掉第1個元素。其他例子只要看程式碼就能體會囉！

a <- c(1,2,4)
b <- c(3,4,9,2)
c(a,b)
#> [1] 1 2 4 3 4 9 2
sum(a)
#> [1] 7
min(b)
#> [1] 2
sort(b)
#> [1] 2 3 4 9

創造以外，c()函數還能夠拼接（concatenate）向量。還有其他內建函數，包含sum()、min()、sort()等，但我沒有介紹太多函數，因為如果太仰賴函數，就會失去動腦的機會了，而且記誦這些函數也會很消耗大腦的空間，把運算能力花在思考達成任務比較重要，這是我的一點想法。

總結一下關於向量的幾個特徵：

• 向量是R語言當中的基本資料結構，裡面放資料型態相同的元素，可以是數值、字元等
• 創建向量時除了使用 c() 賦值外，還有如 seq() 或是創建空的向量再補上元素等方式
• 可以對向量運算，長度不等時會補齊，比大小時則會發生型態轉變
• 想提取元素時會使用 []，除了在裡面塞數字，還可以用負號、比較等多方式
• c()不只有創建向量的功能，還可以把不同向量黏在一起

因子 factor

什麼是因子呢？我們可以將它理解為有順序之分的變數，例如性別、地區、政黨別等等。

嚴格來說，因子屬於向量的一種，它等於在向量上面多加了特性（attribute），變成有順序的向量。

當然，我們可以用字元型態就好，但因子的順序，讓它在後面繪製圖表或是呈現資料需要排序時，就能派上用場。

底下以中華職棒的球隊來舉例：

cpbl <- factor(c("中信兄弟","樂天桃猿","味全龍","富邦悍將","統一獅"))
cpbl
#> [1] 中信兄弟 樂天桃猿 味全龍   富邦悍將 統一獅  
#> Levels: 中信兄弟 味全龍 富邦悍將 樂天桃猿 統一獅

輸出的結果第一行是原始的資料長相，第二行則是呈現它有什麼種類。

利用class()可以看到它被稱為factor，levels()則讓我們看到這個因子的種類。

class(cpbl)
#> [1] "factor"
levels(cpbl)
#> [1] "中信兄弟" "味全龍"   "富邦悍將" "樂天桃猿" "統一獅"

如果在一個因子裡面加入其他新的種類，會發生什麼事情呢？

cpbl[6] <- "崇越棒球隊"
#> Warning in `[<-.factor`(`*tmp*`, 6, value = "崇越棒球隊"): invalid factor level, NA generated
cpbl
#> [1] 中信兄弟 樂天桃猿 味全龍   富邦悍將 統一獅   <NA>    
#> Levels: 中信兄弟 味全龍 富邦悍將 樂天桃猿 統一獅

宛若是呼應現實，崇越並沒有要加入中職，如同warnings訊息所說，因為這是在既有的因子中加入從沒看過的內容，所以會變成NA。

想要成真的話，要怎麼改變呢？我們以真的要加入職棒的台鋼雄鷹為例，首先要先修改level，加入新種類後，接下來在因子中就可以成功指派不同的因子內容了。

levels(cpbl) <- c(levels(cpbl),"台鋼雄鷹")
levels(cpbl)
#> [1] "中信兄弟" "味全龍"   "富邦悍將" "樂天桃猿" "統一獅"   "台鋼雄鷹"
cpbl[6] <- "台鋼雄鷹"
cpbl
#> [1] 中信兄弟 樂天桃猿 味全龍   富邦悍將 統一獅   台鋼雄鷹
#> Levels: 中信兄弟 味全龍 富邦悍將 樂天桃猿 統一獅 台鋼雄鷹

後續講述tidyverse的時候，會介紹forcats套件，裡面會有許多操作因子的函數。包含重整levels、排序、把數量太小的levels合併變成「其他」等，針對因子會著墨更多。

列表 list

從向量再往前一步，就來到了讓人愛恨交織的列表（list）。

列表很靈活，可以同時容納不同資料結構的元素（element），既可以放向量，也可以把另一個列表塞進去。

# 創建一個包含不同類型元素的list
teacher_liu <- list(
  name = "Mr.Liu",
  age = 30,
  course = c("社群網絡","R語言入門","政治學概論","社會科研究方法"),
  students = c(10, 15, 30, 25),
  detail = list(
    language = "R",
    level = "advanced"
  )
)
teacher_liu
#> $name
#> [1] "Mr.Liu"
#> 
#> $age
#> [1] 30
#> 
#> $course
#> [1] "社群網絡"       "R語言入門"      "政治學概論"     "社會科研究方法"
#> 
#> $students
#> [1] 10 15 30 25
#> 
#> $detail
#> $detail$language
#> [1] "R"
#> 
#> $detail$level
#> [1] "advanced"

從上面的例子我們能夠注意到，teacher_liu 裡面有 5 個元素，前面 4 個都是向量，最後一個則是列表。我們會稱這種「列表中的列表」為 nested list，如果之後你遇上相關問題，可以用這個關鍵字搜尋。

創建列表很簡單，使用 list() 即可，過程中可以留意是否要指定名字。

# 不指定名字
list_noname <- list(c("a","b","c"), 0, list(list(2), 3, 1))
list_noname
#> [[1]]
#> [1] "a" "b" "c"
#> 
#> [[2]]
#> [1] 0
#> 
#> [[3]]
#> [[3]][[1]]
#> [[3]][[1]][[1]]
#> [1] 2
#> 
#> 
#> [[3]][[2]]
#> [1] 3
#> 
#> [[3]][[3]]
#> [1] 1

# 指定名字
list_name <- list("甲" = c("a","b","c"), "乙" = 0, "丙" = list(list(2), 3, 1))
list_name
#> $甲
#> [1] "a" "b" "c"
#> 
#> $乙
#> [1] 0
#> 
#> $丙
#> $丙[[1]]
#> $丙[[1]][[1]]
#> [1] 2
#> 
#> 
#> $丙[[2]]
#> [1] 3
#> 
#> $丙[[3]]
#> [1] 1

從顯示的結果上面，你一定發現了金錢符號：$以及中括號，中括號又分為一層的[]以及兩層的[[]]。$和[]的用途是什麼呢？就像向量一樣，這兩個符號可以幫我們從列表中抓取元素。

list_name <- list("甲" = c("a","b","c"), "乙" = 0, "丙" = list(list(2), 3, 1))

# 用 $
list_name$`丙`
#> [[1]]
#> [[1]][[1]]
#> [1] 2
#> 
#> 
#> [[2]]
#> [1] 3
#> 
#> [[3]]
#> [1] 1

# 用 []
list_name[3]
#> $丙
#> $丙[[1]]
#> $丙[[1]][[1]]
#> [1] 2
#> 
#> 
#> $丙[[2]]
#> [1] 3
#> 
#> $丙[[3]]
#> [1] 1
str(list_name[3])
#> List of 1
#>  $ 丙:List of 3
#>   ..$ :List of 1
#>   .. ..$ : num 2
#>   ..$ : num 3
#>   ..$ : num 1

# 用 [[]]
list_name[[3]]
#> [[1]]
#> [[1]][[1]]
#> [1] 2
#> 
#> 
#> [[2]]
#> [1] 3
#> 
#> [[3]]
#> [1] 1
str(list_name[[3]])
#> List of 3
#>  $ :List of 1
#>   ..$ : num 2
#>  $ : num 3
#>  $ : num 1

你可以發現，[] 和 [[]] 的效果並不一樣，但$和[[]]的效果相同。

使用 str() 函數可以讓我們看到物件的資料結構。由[]取出的是一個列表，這個列表的層級和原先的列表層級一樣，差別在於從3個元素的列表變成1個而已。利用[[]]，取出的則是第3個元素，就層級來說，我們可以發現它已經少了一「層」包裝了。

若是聽起來太過抽象，我們可以倒退一步，改成看比較簡單的元素，方便比較。

list_name <- list("甲" = c("a","b","c"), "乙" = 0, "丙" = list(list(2), 3, 1))

# 用 $
list_name$`甲`
#> [1] "a" "b" "c"

# 用 []
list_name[1]
#> $甲
#> [1] "a" "b" "c"
str(list_name[1])
#> List of 1
#>  $ 甲: chr [1:3] "a" "b" "c"

# 用 [[]]
list_name[[1]]
#> [1] "a" "b" "c"
str(list_name[[1]])
#>  chr [1:3] "a" "b" "c"

這樣是不是就能看出差異了？由[]取出的仍是列表，裡面有單一個元素「甲」，使用$和[[]]之後就真的拿到甲元素的內涵，所以我們得到c("a","b","c")這樣的向量。

事實上，在程式碼中，我們可以用連續的好幾個金錢符號或者中括號，來對付包覆多層的列表。

list_name <- list("甲" = c("a","b","c"), "乙" = 0, "丙" = list(list(2), 3, 1))

# 簡單一點
list_name$`甲`
#> [1] "a" "b" "c"
list_name$`甲`[1] #等於取向量第一個元素
#> [1] "a"

# 複雜一點
list_name$`丙`[1]
#> [[1]]
#> [[1]][[1]]
#> [1] 2
list_name$`丙`[[1]]
#> [[1]]
#> [1] 2
list_name$`丙`[[1]][[1]]
#> [1] 2

你可以嘗試練習，因為「丙」這個子列表，本身又額外包了兩層，就list_name()整體來看，等於有了3層，很適合當成素材。

列表的彈性可以是優勢，也能是劣勢，因為當結構太龐雜時，使用者容易感到混亂，對初學者來說也不是那麼友善。

總結一下關於列表的幾個特徵：

• 列表是R語言當中的基本資料結構，裡面有彈性地容納不同資料結構的元素
• 列表當中甚至可以塞下其他列表（nested list），日後撰寫函數面對不確定的情境時可以派上用場
• 想提取元素時會使用 $、[]、[[]]等，也可以拼接它們，取出深埋在結構中的子元素

矩陣與陣列 matrix and array

在R語言中，矩陣（matrix）是一種二維的資料結構，陣列（array）的維度更高，它們同樣由相同資料型態的元素所組成。因為兩者性質相似，主要差異在維度，所以一起介紹。

查看特性前，我們先來看具體的例子。就以中華職棒的球隊為例，因為將會有6隊，所以我們可以創建一個3列x2行的矩陣，同時也可以創建一個3列x2行x1個高度的陣列。

# matrix
cpbl
#> [1] 中信兄弟 樂天桃猿 味全龍   富邦悍將 統一獅   台鋼雄鷹
#> Levels: 中信兄弟 味全龍 富邦悍將 樂天桃猿 統一獅 台鋼雄鷹
matrix_cpbl <- matrix(cpbl, nrow = 3, ncol = 2)
matrix_cpbl
#>      [,1]       [,2]      
#> [1,] "中信兄弟" "富邦悍將"
#> [2,] "樂天桃猿" "統一獅"  
#> [3,] "味全龍"   "台鋼雄鷹"

# array
array_cpbl <- array(cpbl, dim = c(3,2,1))
array_cpbl
#> , , 1
#> 
#>      [,1]       [,2]      
#> [1,] "中信兄弟" "富邦悍將"
#> [2,] "樂天桃猿" "統一獅"  
#> [3,] "味全龍"   "台鋼雄鷹"

你有沒有發現，矩陣的長相很像，只是它多了第三個維度，也就是高度。

# array
array_number <- array(1:24, dim = c(3,2,2,2))
array_number
#> , , 1, 1
#> 
#>      [,1] [,2]
#> [1,]    1    4
#> [2,]    2    5
#> [3,]    3    6
#> 
#> , , 2, 1
#> 
#>      [,1] [,2]
#> [1,]    7   10
#> [2,]    8   11
#> [3,]    9   12
#> 
#> , , 1, 2
#> 
#>      [,1] [,2]
#> [1,]   13   16
#> [2,]   14   17
#> [3,]   15   18
#> 
#> , , 2, 2
#> 
#>      [,1] [,2]
#> [1,]   19   22
#> [2,]   20   23
#> [3,]   21   24

陣列可以不只有3個維度，我們能夠無限地往上調整維度，就像上面這個提高到4維的例子。

回到矩陣，因為R語言原先的使用者以統計學家為主，你可以想像，在R語言當中有諸多矩陣的運算能夠使用。不過，因為在日常性的資料分析，還有行銷、新聞的資料處理，基本上用不到矩陣運算，所以這邊就不多談。若你對R語言中的矩陣運算有著濃厚的興趣，不妨參考“Matrix operations in R”。

總結一下關於矩陣與陣列的幾個特徵：

• 矩陣與陣列都可以儲存多維度的資料，前者為2維，後者則是3維以上
• 矩陣與陣列裡面的元素類型都相同，例如數值，不能接受不同的資料型態
• 因為有行列的緣故，所以可以使用[r,c]或者[a,b,c]的方式取出元素
• 創建矩陣與陣列時，都會先指定它的維度

資料表 dataframe

最後，我們總算可以迎接R語言中，最常見也最實用的資料結構，也就是資料表或者資料框（dataframe）。

什麼是資料表呢？

無論是一份微軟的 Excel 報表，或者是 Google 的試算表，都屬於資料表。

一份資料表dataframe的範例

像這樣4列2行的表格，若儲存在R裡面，這種資料結構就叫做資料表

在表格中，每一列（row）代表一個資料點、一個觀測值、一個樣本點，每一行（column）代表一個變數、一個特徵。要注意的是直行橫為列，是台灣的用法，跟對岸的叫法相反，要小心不要搞混囉！

若是想要創建資料表，我們比較少從零開始，一般都是從外部匯入資料，但還是要學習一下相關的函數。底下我們來看P League每季冠亞軍的資料表。

df_plg <- data.frame("季度" = c(1:3), 
                     "冠軍" = c("臺北富邦勇士","臺北富邦勇士","臺北富邦勇士"), 
                     "亞軍" = c("福爾摩沙台新夢想家","新竹街口攻城獅","新北國王"))
df_plg
#>   季度         冠軍               亞軍
#> 1    1 臺北富邦勇士 福爾摩沙台新夢想家
#> 2    2 臺北富邦勇士     新竹街口攻城獅
#> 3    3 臺北富邦勇士           新北國王

指定變數名稱，並提供每個變數的資料點，就可以創造出資料表。如果是匯入資料，我們則會活用 read_csv()、read_excel()、read_sheets()、readODS() 等函數，讀取現成的csv、xlsx、ods等原始檔案。

另外，因為R語言內建的dataframe有先天上的限制，所以我偏好使用tidyverse裡面特別設計的tibble，它同樣是資料表，但相對好用一些。後面講述tidyverse的章節會另外介紹。

我們先使用dim()和str()查看資料表的基本資訊。

dim(df_plg)
#> [1] 3 3
str(df_plg)
#> 'data.frame':  3 obs. of  3 variables:
#>  $ 季度: int  1 2 3
#>  $ 冠軍: chr  "臺北富邦勇士" "臺北富邦勇士" "臺北富邦勇士"
#>  $ 亞軍: chr  "福爾摩沙台新夢想家" "新竹街口攻城獅" "新北國王"

除了查看基本型態以外，還可以確認欄位名稱與列的名稱。實務上不太會用列名，因為我們通常會直接把列的名稱儲存成一個變數，這樣也比較不會搞混。

colnames(df_plg)
#> [1] "季度" "冠軍" "亞軍"
rownames(df_plg)
#> [1] "1" "2" "3"

若是要從資料表中取出某個變數的值，可以直接使用金錢符號$。

# 取亞軍變數
df_plg$亞軍
#> [1] "福爾摩沙台新夢想家" "新竹街口攻城獅"     "新北國王"

若是要選取資料表中的特定變數或者特定的列，則可以利用[]處理。

# 取第一季的所有資料
df_plg[df_plg$季度==1,]
#>   季度         冠軍               亞軍
#> 1    1 臺北富邦勇士 福爾摩沙台新夢想家
# 取第一季的冠軍
df_plg[df_plg$季度==1,2]
#> [1] "臺北富邦勇士"
df_plg[df_plg$季度==1,"冠軍"]
#> [1] "臺北富邦勇士"

資料表有列與行兩個維度，在中括號裡面我們會用逗號間隔，逗號前是列，後面則是行。

來分拆一下df_plg[df_plg$季度==1,]的內涵，先看前面這一部分df_plg$季度==1，因為利用$拉出季度，所以它已經變成一個向量了。

df_plg$季度==1
#> [1]  TRUE FALSE FALSE

把這個向量放回去資料表的中括號裡面，代表我要第1列（TRUE），不要第2列和第3列（FALSE, FALSE）。

因為df_plg[df_plg$季度==1,]後面沒有指定要哪一行（變數），所以它會給我所有第一季那個列的變數。

另外的例子中，df_plg[df_plg$季度==1,2]和df_plg[df_plg$季度==1,"冠軍"]，分別利用數字和變數名稱，指定第2列。

同樣地在後面tidyverse的章節中，我們會介紹select()和filter()等函數，快速地解決使用者在資料表中查找特定資料的需求。

library(dplyr)
#> 
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:stats':
#> 
#>     filter, lag
#> The following objects are masked from 'package:base':
#> 
#>     intersect, setdiff, setequal, union
filter(df_plg, `季度`==1)
#>   季度         冠軍               亞軍
#> 1    1 臺北富邦勇士 福爾摩沙台新夢想家
select(filter(df_plg, `季度`==1), `亞軍`)
#>                 亞軍
#> 1 福爾摩沙台新夢想家

總結一下關於資料表的幾個特徵：

• 每個變數可以是不同的資料型態，相對向量來說更靈活
• 資料表有行的名字，也就是變數的名字，有些會有列的名字，但建議不要使用
• 資料表就是固定的直行橫列，沒有列表那麼彈性，但更好懂也更好操作
• 因為是二維的列與行，所以可以使用[r,c]的方式取出特定變數或者某一列的資料

看到這裡，你對於R語言當中的資料結構就有一定的理解了，我們接著會彎道超車，切入tidyverse的介紹，讓你領會R語言的真實魅力！

小結

這樣就結束了！我們從變數與賦值，一路介紹了數學、關係、邏輯等運算，接下來的文章會介紹資料結構，希望能夠帶你一步步進入R語言的世界。

• data structure
• R Basic
• Tutorial
• vector

Dennis Tseng