R语言学习笔记5-数据结构-多维数组

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, ...))
1

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)
1
2
3

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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

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
1
2
3
4
5
6
7

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)
1
2
3
4
5
6
7

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
1
2
3

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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

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)
1
2
3
4
5
6

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 )
1
2
3
4
5
6
7
8
9
10
11

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
1
2
3
4
5

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)
1
2
3
4
5
6
7

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))
}
1
2
3
4
5

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)
1
2
3
4
5
6
7
8
9

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)
1
2
3
4
5

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)
1
2
3

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)
1
2
3

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)
1
2
3
4
5
6
7
8
9

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)
1
2
3
4
5
6
7
8
9
10
11