1.data.frame
data.frame是R語言用來處理表格式數據的數據結構。我們可以運用data.frame（）函數手動創造數據框，讓我們建立一個很簡單的數據框叫做greatnbateams，這個數據框有隊名、勝場數、敗場數、是否獲得總冠軍與球季。
<code>team_name wins = c(72, 73)
losses = c(10, 9)
is_champion = c(TRUE, FALSE)
season = c("1995-96", "2015-16")
great_nba_teams = data.frame(team_name, wins, losses, is_champion, season)
# 可以用View（）來瀏覽表格
View(great_nba_teams)
# 用str（）來查看數據框的向量類型
str(great_nba_teams)
# 'data.frame': 2 obs. of 5 variables:
# $ team_name : Factor w/ 2 levels "Chicago Bulls",..: 1 2
# $ wins : num 72 73
# $ losses : num 10 9
# $ is_champion: logi TRUE FALSE
# $ season : Factor w/ 2 levels "1995-96","2015-16": 1 2/<code>
我們使用觀測值（observations）來稱呼數據框中水平方向的數據，使用變數（variables）來稱呼數據框中垂直方向的數據；數據框能夠以[m，n]兩個索引值來搭配選擇。
<code>great_nba_teams[1, 1] # 選出第一行第一列的數 "Chicago Bulls"
great_nba_teams[1, ] # 選出第一行的數
great_nba_teams[, 1] # 選出第一列的數/<code>
數據框預設會將文字向量改以factor向量儲存，如果您希望修正為文字向量可以有兩種作法。
<code># 一種是建立的時候在data.frame（）函數中指定參數stringsAsFactors = FALSE。
great_nba_teams = data.frame(team_name, wins, losses, is_champion, season, stringsAsFactors = FALSE)
# 另一種是事後使用 as.character() 函數進行向量類型的轉換。
great_nba_teams = data.frame(team_name, wins, losses, is_champion, season)
great_nba_teams[, 1] = as.character(great_nba_teams[, 1])
great_nba_teams[, 5] = as.character(great_nba_teams[, 5])/<code>
數據框支持使用變數名稱來選擇，我們可以用$變數名稱或者[，“變數名稱”]這兩種寫法。
<code>great_nba_teams$team_name
great_nba_teams[, "season"]
# [1] Chicago Bulls Golden State Warriors
# Levels: Chicago Bulls Golden State Warriors
# [1] 1995-96 2015-16
# Levels: 1995-96 2015-16/<code>
我們也可以透過邏輯值向量來對數據框進行篩選，選出最終有獲得總冠軍的隊伍。
<code>won_champion = great_nba_teams$is_champion
great_nba_teams[won_champion, ]/<code>
2. matrix
矩陣與數據框相同是能夠儲存行（Row）與列（Column）的數據結構
<code># 建立一個新的matrix
my_mat = matrix(1:6, nrow = 2)
my_mat
class(my_mat)
# [,1] [,2] [,3]
# [1,] 1 3 5
# [2,] 2 4 6
# [1] "matrix"/<code>
matrix（）函數還有一個byrow的參數可以指定要用什麼順序擺放原先在向量中的元素，雖然這個矩陣的外觀仍然是2x3，但六個數字擺放的方向變為水平的。byrow參數的預設值為FALSE，意思是如果我們沒有特別指定，就是以垂直的方向來擺放矩陣。
<code>my_mat = matrix(1:6, nrow = 2, byrow = TRUE)
my_mat
# [,1] [,2] [,3]
# [1,] 1 2 3
# [2,] 4 5 6/<code>
可以用[]索引選取，也可以用邏輯值來篩選
<code>my_mat = matrix(1:6, nrow = 2)
my_mat[2, 3]
# [1] 6
my_mat < 6 & my_mat > 1
my_mat[my_mat < 6 & my_mat > 1]
# [,1] [,2] [,3]
# [1,] FALSE TRUE TRUE
# [2,] TRUE TRUE FALSE
# [1] 2 3 4 5/<code>
矩陣由向量所建構而成，除了多一個維度之外，其餘特性都很相似，例如我們將數值向量與邏輯值向量合併放入矩陣，則邏輯值向量亦會被自動轉換成數值向量（True是1，False是0），進而就成為一個數值矩陣。
<code>my_mat = matrix(c(1, 2, TRUE, FALSE, 3, 4), nrow = 2)
my_mat
# [,1] [,2] [,3]
# [1,] 1 1 3
# [2,] 2 0 4/<code>
3.array
數組（array）是矩陣的多維度版本，除了原有的水平方向數據（Row）與垂直方向數據（Column）我們可以再多指定n個維度，簡單來說，就是在一個數組的物件之中，可以允許儲存多個矩陣。
<code>my_arr = array(1:20, dim = c(2, 2, 5))
class(my_arr)
my_arr
# [1] "array"
# , , 1
#
# [,1] [,2]
# [1,] 1 3
# [2,] 2 4
#
# , , 2
#
# [,1] [,2]
# [1,] 5 7
# [2,] 6 8
#
# , , 3
#
# [,1] [,2]
# [1,] 9 11
# [2,] 10 12
#
# , , 4
#
# [,1] [,2]
# [1,] 13 15
# [2,] 14 16
#
# , , 5
#
# [,1] [,2]
# [1,] 17 19
# [2,] 18 20/<code>
因為現在有了三個維度，所以在使用索引值選擇時，就需要增加第三個維度的索引值。
<code>my_arr[1, 2, 2] # 選出第二個矩陣，第一行第二列的數
my_arr[1, , 2] # 選出第二個矩陣，第一行的數/<code>
【數據小鹽罐兒】一個“鹹”的無聊的數據分析公眾號，
不定期分享一些有趣好玩的項目以及大量的學習資源。
閱讀更多 數據小鹽罐兒 的文章
