data.frame — таблица данных

~4 минуты · 3 примера · 3 вопроса

Главная структура для реальных данных — data.frame, таблица из колонок-векторов.

data.frame — прямоугольная таблица: набор колонок-векторов одинаковой длины, возможно разного типа.

Векторы хороши для одной переменной, но данные обычно табличные: строки — наблюдения (люди, товары, дни), столбцы — признаки (имя, возраст, цена). Для этого в R есть data.frame — аналог таблицы Excel или листа базы данных.

Табличная форма — это «прямоугольные» данные, и почти весь практический анализ крутится именно вокруг неё. Ключевая договорённость, принятая в аналитике: одна строка — одно наблюдение, один столбец — один признак, одна ячейка — одно значение. Такие «аккуратные» (tidy) данные удобно фильтровать, группировать, рисовать и моделировать. data.frame — структура, которая хранит данные именно в этом виде, и потому она центральная во всём курсе: CSV мы читаем в data.frame, dplyr преобразует data.frame, ggplot2 рисует из data.frame, регрессия учится на data.frame.

Создание таблицы

Таблицу собирают из именованных колонок:

df <- data.frame(
  name = c("Аня", "Борис", "Вера"),
  age = c(25, 30, 22),
  city = c("Москва", "Казань", "Москва")
)
df

Вывод

   name age   city
1   Аня  25 Москва
2 Борис  30 Казань
3  Вера  22 Москва

Каждая колонка — вектор своего типа: name и city текстовые, age числовой. Слева R пронумеровал строки.

Доступ к колонкам

К отдельному столбцу обращаются через знак доллара $:

df$age
mean(df$age)

Вывод

[1] 25 30 22
[1] 25.66667

Колонка — это обычный вектор, поэтому к ней применимы все знакомые функции: mean, sum, индексация.

Доступ к строкам и ячейкам

Двумерная индексация работает как df[строки, столбцы]:

df[1, ]
df[, "city"]
df[df$age > 24, ]

Вывод

  name age   city
1  Аня  25 Москва
[1] "Москва" "Казань" "Москва"
   name age   city
1   Аня  25 Москва
2 Борис  30 Казань

Пустое место означает «все». df[1, ] — вся первая строка, df[, "city"] — весь столбец города, а df[df$age > 24, ] — строки, где возраст больше 24. Последнее — фильтрация таблицы по условию.

Как работает под капотом

Внутри data.frame — это список (list) векторов одинаковой длины, где каждый элемент списка является колонкой. Поэтому все колонки обязаны быть равной длины, но могут иметь разный тип — в отличие от вектора, где тип один на всех. Из-за этого df$age — настоящий вектор, и операции над ним мгновенны.

Частые ошибки

  • Колонки разной длины. data.frame требует равной длины всех векторов, иначе ошибка.
  • Забыть запятую в двумерной индексации. df[1] — это первый столбец, а df[1, ] — первая строка. Запятая важна.
  • Опечатка в имени колонки. df$Age при колонке age вернёт NULL, а не ошибку — легко не заметить.

Итог

  • data.frame — таблица из колонок-векторов одинаковой длины.
  • К колонке обращаются через $.
  • Двумерная индексация: df[строки, столбцы].
  • Фильтр строк по условию: df[df$age > 24, ].

Проверь себя

Три вопроса по уроку. Ответы никуда не идут — это для тебя.

1Чем data.frame отличается от обычного вектора?

2Как обратиться к колонке age таблицы df?

3Что вернёт df[df$age > 24, ]?

Следующий урок
11 · Осмотр таблицы: head, str, summary Открыть урок 11
Урок 9: Факторы — категориальные данные