在语言编程的过程当中，选取数据的子集是一个常规操作，通常的情况下我们会使用到索引，来帮助我们灵活地选取自己，或者是使用subset函数。但无可避免的是这些方法，通常情况下都会给我们造成一定的困扰。因为在不同的数据结构中，索引的使用方法，往往是不同的，并且subset函数有的时候并不那么的简洁和灵活。这里就R语言中的subset函数和索引进行一定的深入展开。

常规索引取子集操作

这一部分将会稍微顺带的提一下常规的索引取子集操作。由于内容比较基础，所以基本上就举几个简单的例子一笔带过。

使用iris数据集和数据框数据类型为例

上述着四种结果无疑是不同的，其中涉及到两个方面，一个方面是维度，另外一个方面是操作符号: “[“、”[[“、“$”。

“[”操作符

向量是一维的，但是数据框、矩阵的维度更高，所以当你直接使用“[”操作符号的时候需要考虑到这个问题。

拿数据框为例，数据框下表分为[row,colum]，如果你直接输入[x]，则会返回一个第x列的数据框，如果你输入[x,]则返回第x行的值，[,x]同理。如果想要体会其中的不同，不妨使用str来查看一下。

“：”、”c()”、“-”以及字符串形式

介于上面有个实时操作的嵌入iframe，简易可以直接拿来直接练手。此处直接以行为例。

iris[1:5,]    #输出1到5行，“：”的含义基本等同于from left to right
iris[c(1,5),]    #输出1和5行的值
iris[c(-1,-5),]    #输出除了1和5行的其他行的值
iris[,"Sepal.Length"] #输出名称为"Sepal.Length"的列的值

“[[“操作符和“$”操作符

“[[“操作符和“$”操作符直接提取相应下标、字符串的值。

1
2
3

iris[[1]] #提取第1列的值
iris[[1,1]] #提取第1行第1列的值
iris$“Sepal.Length” #提取名称为"Sepal.Length"的列的值

下面给出《Advanced R》里面的插图帮助理解。

Wickham, H. (2020). 4 Subsetting | Advanced R. Retrieved 21 April 2020, from https://adv-r.hadley.nz/subsetting.html#subset-single

另外，这是本神书，在怎么推崇也不为过，但是建立在你有基础的情况下。刷过几次《R语言实战》还是觉得自己的代码写的稀烂。还自行总结了很多技巧。但人家早给你系统化的整理好了，真的是茅塞顿开。

排序操作

排序

在R语言中的排序操作主要包含三类，即order、rank、和sort，在提取子集的时候往往需要用到这些排序，但很多初学者无法有一个明确的区分。这里梳理下。

我们以一个名称为ppd的向量为例（调戏pdd大佬😈）。

1	pdd <- setNames(c(11,43,5,20),letters[1:4])

order

下面看一下order的结果：

pdd
# a  b  c  d 
# 11 43  5 20 
order(pdd)
# [1] 3 1 4 2
pdd[order(pdd)]
# c  a  d  b 
# 5 11 20 43

看不懂。。。没关系，让我们来画个示意图：

示意图已经挂了，自行领会吧

注：上述示意图为博主自行手绘，随意引用但不要去水印。也不要介意小黄人都叫什么…

实时上order就是干了这么一件事情，它告诉你排序完之后目前对应位置的元素现在在哪里。

这样就很清晰了。

那么pdd(order(pdd))这个指令事实上做的操作就是按照排序完以后的顺序输出结果。

rank

rank相对于order来说就简单很多了，rank输出的事实上就是当前位置上的值在总体排序的位次。

1
2
3

rank(pdd)
# a b c d 
# 2 4 1 3

sort

sort(pdd) == pdd[order(pdd)]

1 2	identical(sort(pdd),pdd[order(pdd)]) # TRUE

order在多维数据中使用更加灵活，所以理解以后应用还是很方便的。

排序在取子集中的应用

例如我就想看看iris数据集中Sepal.Length排名前20的，那么可以这么做：

iris[order(iris$Sepal.Length)[1:20],]
 Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#14          4.3         3.0          1.1         0.1  setosa
#9           4.4         2.9          1.4         0.2  setosa
#39          4.4         3.0          1.3         0.2  setosa
#43          4.4         3.2          1.3         0.2  setosa
#42          4.5         2.3          1.3         0.3  setosa
#4           4.6         3.1          1.5         0.2  setosa
#7           4.6         3.4          1.4         0.3  setosa
#23          4.6         3.6          1.0         0.2  setosa
#48          4.6         3.2          1.4         0.2  setosa
#3           4.7         3.2          1.3         0.2  setosa
#30          4.7         3.2          1.6         0.2  setosa
#12          4.8         3.4          1.6         0.2  setosa
#13          4.8         3.0          1.4         0.1  setosa
#25          4.8         3.4          1.9         0.2  setosa
#31          4.8         3.1          1.6         0.2  setosa
#46          4.8         3.0          1.4         0.3  setosa
#2           4.9         3.0          1.4         0.2  setosa
#10          4.9         3.1          1.5         0.1  setosa
#35          4.9         3.1          1.5         0.2  setosa
#38          4.9         3.6          1.4         0.1  setosa

这里可能会有小伙伴作出这样鬼畜的事情：

1 2	iris[order(Sepal.Length)[1:20],] #Error in order(Sepal.Length) : object 'Sepal.Length' not found

如果你了解R的enviroment策略，那么就不会出现这样的问题，Sepal.Length是对象iris中的列名，并不包含在environment里，所以会提示上述错误。但是如果你改不了这个习惯，那么也有办法。

1
2
3

attach(iris)
iris[order(Sepal.Length)[1:20],]
# 输出结果正常

attach函数事实上达到的效果就是将iris的列名模拟做对象名称。

我个人觉得这不失为一个好方法，但是更喜欢直接使用$进行补全，两种方法我都用，但是分场景。

当你指处理少量数据的时候，可以用attach，无疑使得代码很简洁。
但是当你导入大量数据，且不同表格数据中有大量相同的列名或标签名时不建议这么做。还是老老实实以object$colname的形式比较好，自己容易记清楚。

当你学会排序以后，对于子集的截取会相对高效很多。

结语

本来想要毕其功于一役的，但是这部分内容其实能深入的还是很多的。所以分成2到3部分进行讲述。下面是一些注意事项。

注意：

R语言是为了数据科学家进创造的“编程”语言，所以，它的第1位并不是像常规编程语言从0开始，而是从1开始。

习惯py的小伙伴千万不要把取后20位写成iris[,-20:-1]…，R里面不是这么玩的。

Beval医生的小站

R语言中的子集问题深入（一）