📚 课程目录第2章数据导入与探索

2. R基础数据结构：向量、矩阵、数组、数据框、列表的创建与操作

这一章是R语言的“地基”。搞质控的人，天天和这些数据结构打交道。说白了，R世界里的一切数据，都跑不出这五种容器：向量、矩阵、数组、数据框、列表。

我先讲个故事。去年我帮一家药企搭建OOS（超标结果）分析流程，现场工程师把检测结果堆在一个大列表里，想算均值结果报错了。我一看，列表里混着字符串和数值——典型的"数据结构用错"。所以别小看这章，基础不牢，后面全白费。

核心原则：每种数据结构有它天生的“逻辑”，用途单一。搞混了，代码跑不通，质控分析就瘫了。

2.1 向量：最基础的数据单元

向量是所有数据结构的“积木”。一个向量就是一组同质元素，类型必须统一。用c()函数创建，这是最常用的函数之一。

# 数值型向量
batch_id <- c(101, 102, 103, 104, 105)
assay_result <- c(98.5, 99.2, 97.8, 100.1, 99.5)

# 字符型向量
batch_label <- c("合格", "合格", "不合格", "合格", "合格")

# 逻辑型向量
is_pass <- c(TRUE, TRUE, FALSE, TRUE, TRUE)

我的习惯：质控数据里，我喜欢先用is.vector()检查数据是不是向量。以前遇上过数据框的一列，本质是因子，直接算均值报错。

向量操作：

索引：用方括号batch_id[1:3]取出前3个批次ID。
向量运算：R对向量运算非常直接。assay_result * 1.05会给每个值乘以1.05（模拟5%的偏差修正）。
标量回收：R会自动将标量“回收”到与向量等长。

# 索引：取第2个到第4个
batch_id[2:4]        # 返回 102 103 104

# 向量运算：所有结果加一个常数
assay_result + 0.5   # 每个值加0.5

# 逻辑索引：提取合格批次
assay_result[is_pass]

我曾经踩过的坑：在拼接两个向量时，不小心把NA值带了进去。c(1, 2, NA, 4) + c(5, 6, 7, 8)，结果是第三位成了NA。质控里NA会污染整个计算，所以一定要用na.omit()或na.rm参数提前处理。

2.2 矩阵：二维同质数据

矩阵是向量的“二维升级版”，所有元素还是同类型。质控里常用矩阵存放多个批次的平行检测结果，比如每行一个批次，每列一个平行样。

# 创建一个4行3列的矩阵，存放4个批次的3次平行检测
results_matrix <- matrix(
  c(98.5, 99.2, 97.8,
    100.1, 99.5, 100.3,
    97.0, 96.8, 97.5,
    99.8, 100.0, 99.3),
  nrow = 4, ncol = 3, byrow = TRUE
)
rownames(results_matrix) <- c("Batch01", "Batch02", "Batch03", "Batch04")
colnames(results_matrix) <- c("Rep1", "Rep2", "Rep3")

操作	代码示例	说明
按行计算均值	`rowMeans(results_matrix)`	计算每批次的均值
按列计算标准差	`apply(results_matrix, 2, sd)`	计算每列的标准差
矩阵转置	`t(results_matrix)`	行变列，列变行
元素索引	`results_matrix[2, 3]`	第2行第3列的值

# 提取Batch03的所有平行样
results_matrix["Batch03", ]

# 提取所有批次的第1个平行样
results_matrix[, "Rep1"]

2.3 数组：超越二维

数组是矩阵的泛化，可以是任意维度。质控里，你可能会用三维数组存放“批次×样点×时间点”的数据。但说实话，日常分析中三维以上用得不多，遇到时我会考虑拆成列表。

# 生成一个三维数组：2个批次 × 3个样点 × 4个时间点
array_data <- array(1:24, dim = c(2, 3, 4))
dimnames(array_data) <- list(
  c("BatchA", "BatchB"),
  c("Site1", "Site2", "Site3"),
  c("t1", "t2", "t3", "t4")
)

# 取出BatchA在Site2的全部时间点
array_data["BatchA", "Site2", ]

2.4 数据框：质控分析的主角

数据框是R里最重要的数据结构。它是个“聪明的矩阵”——每列类型可以不同，有行名和列名。质控中一张检测报告，一列日期，一列批次号，一列结果值，一列判定结论，用数据框存正合适。

创建方式有很多，我习惯用data.frame()直接定义每一列：

qc_records <- data.frame(
  batch_id   = c(101, 102, 103, 104, 105),
  assay_mean = c(98.5, 99.2, 97.8, 100.1, 99.5),
  std_dev    = c(1.2, 1.5, 2.1, 1.8, 1.3),
  result     = c("PASS", "PASS", "FAIL", "PASS", "PASS"),
  stringsAsFactors = FALSE   # 重要：不自动转因子
)

我个人经验：从Excel或者CSV读数据时，很多列自动变因子。我总会加一句stringsAsFactors = FALSE，省得后面操作字符串时还要as.character()转回来。

数据框操作：

筛选行：qc_records[qc_records$result == "PASS", ]
选取列：qc_records[, c("batch_id", "assay_mean")] 或 qc_records$batch_id
新增列：qc_records$cv <- qc_records$std_dev / qc_records$assay_mean * 100
查看结构：str(qc_records) 看每列的类型

# 排序：按均值降序
qc_records[order(qc_records$assay_mean, decreasing = TRUE), ]

# 删除不合格批次（先找出符合条件的行索引）
qc_records <- qc_records[qc_records$result != "FAIL", ]

2.5 列表：最强容器

列表可以“装万物”。质控分析中，一个项目可能包含多种数据：原始向量、统计摘要、控制限值和备注文本。列表可以把它们打包在一个对象里。

qc_project <- list(
  project_name = "季度OOS分析",
  batch_means  = c(98.5, 99.2, 97.8, 100.1, 99.5),
  summary      = data.frame(
    metric = c("mean", "sd", "min", "max"),
    value  = c(99.02, 1.58, 97.8, 100.1)
  ),
  control_limits = c(LCL = 97.0, UCL = 102.0),
  notes         = "该分析基于FDA指南"
)

访问列表元素：

单层访问：qc_project$batch_means
递归访问：qc_project[[1]] 取出第一个元素
部分列表：qc_project[c("summary", "notes")] 仍然是列表

# 取出summary中的标准差
std_val <- qc_project$summary$value[2]
std_val  # 输出 1.58

避坑提醒：列表用$和[[]]的区别，很多人弄混。$name相当于[["name"]]，返回对象本身；["name"]返回一个只有这个元素的子列表。我建议多用$，代码可读性高。

2.6 数据结构转换

质控分析里，经常需要在不同结构间转换。下面这些是常用函数：

转换	函数	应用场景
数据框→矩阵	`as.matrix()`	当需要整矩阵运算时（但注意类型统一）
列表→向量	`unlist()`	把列表里的值“拉平”成一维向量
数据框→列表	`as.list()`	按列拆分为列表（每列一个元素）
矩阵→数据框	`as.data.frame()`	矩阵计算结果加上元数据列

# 把data.frame的数值列转成矩阵（用于计算相关系数矩阵）
numeric_mat <- as.matrix(qc_records[, c("assay_mean", "std_dev")])
cor(numeric_mat)   # 计算相关系数

# 把一个列表里的多个批次均值拉平成向量
list_of_means <- list(Batch1=98.5, Batch2=99.2, Batch3=97.8)
combined <- unlist(list_of_means)
combined

我遇到过的情况：在把数据框转为矩阵时，如果数据框里混有字符列，as.matrix()会强制把数值也变成字符。结果相关系数算不了，全是NA。所以转矩阵前，一定要先筛选纯数值列。

好了，这五种数据结构就是R里“质控工具箱”的原材料。我心里很清楚：向量是砖，矩阵和数组是预制件，数据框是操作台，列表是文件柜。掌握它们，后面讲数据清洗、可视化、统计检验时才能顺手。今晚回去把每种类型的创建和基本操作敲两遍，代码熟能生巧。