第2章 R语言数据结构：从向量到列表，一栋数据大厦

做特征工程，说白了就是在跟数据结构打交道。你拿到的原始数据可能是表格，中间处理结果可能是向量，最后模型需要的又可能是矩阵——这五种结构就是你的工具箱。我个人习惯先把它们摸透，后面写管道、建特征才不会卡壳。

R的数据结构可以分成两大类：同质结构（所有元素类型一样）和异质结构（元素可以不同类型）。向量、矩阵、数组属于前者，数据框和列表属于后者。下面逐个聊。

2.1 向量（Vector）——最基础的数据单元

向量是R里最核心的结构，其他很多结构本质上都是向量的组合。创建向量最简单的方式就是用 c() 函数，中文叫“组合”。

# 数值向量
num_vec <- c(3.14, 2.71, 1.618)

# 字符向量
char_vec <- c("房价", "户型", "面积")

# 逻辑向量
log_vec <- c(TRUE, FALSE, TRUE)

注意R里面没有标量（单个值），写 x <- 5 其实创建的是一个长度为1的向量。这一点我刚开始学的时候老忘。

索引方式：R是1-based索引（从1开始），这个跟Python不一样。

num_vec[2]   # 返回2.71
num_vec[-1]  # 去掉第一个元素，返回剩余

向量还有一个“循环”特性，做运算时短向量会自动补长，这在矩阵乘法和加偏差时非常有用，但如果你没搞清楚，可能会出悄悄错误。

2.2 矩阵（Matrix）——行和列的战场

矩阵本质上是加了维度属性的向量。用 matrix() 创建。

mat <- matrix(1:12, nrow = 3, ncol = 4)
mat
#      [,1] [,2] [,3] [,4]
# [1,]    1    4    7   10
# [2,]    2    5    8   11
# [3,]    3    6    9   12

默认按列填充（先填满第一列），如果想按行，加 byrow = TRUE。矩阵的维度用 dim(mat) 查看，返回两个数字：行数和列数。

矩阵运算：

• 逐元素乘除：直接用 * 和 /
• 矩阵乘法：用 %*%，这是你算协方差矩阵、特征工程中做降维时绕不开的符号
• 转置：t(mat)

2.3 数组（Array）——维度再升级

数组可以看作是矩阵的推广：矩阵是二维，数组可以是任意维度。用 array() 创建，需要指定数据和维度向量。

arr <- array(1:24, dim = c(2, 3, 4))
dim(arr)   # 2 3 4

上面创建了一个有4个“层”的数组，每层是2行3列的矩阵。你可以在特征工程中把不同时间切片的数据堆到数组里，比如每日特征的月份序列。

索引多维数组时，哪个维度对应什么含义，建议写注释。我曾经在写时空特征提取时，把时间维度和空间维度搞反，结果模型怎么调都不对——检查了半天才发现索引顺序错了。

2.4 数据框（Data Frame）——日常工作的主力

数据框是表格型数据，每一列可以不同类型（一列全是数字、另一列全是字符串），这是它和矩阵的最大区别。创建方法：

df <- data.frame(
  id = 1:4,
  city = c("北京", "上海", "深圳", "广州"),
  price = c(50000, 60000, 45000, 32000),
  is_sale = c(TRUE, FALSE, TRUE, FALSE)
)

常用操作：

• 查看列名：names(df)
• 提取列：df$price 或 df[["price"]]
• 行筛选：df[df$price > 40000, ]
• 增加新列：df$price_per_sqm <- df$price / 100

在特征工程中，数据框是最常用的容器：原始数据、预处理后的特征、衍生特征都可以放在里面，用 dplyr 管道操作非常顺手。

2.5 列表（List）——装下一切

列表是最灵活的结构，它可以包含任意类型、任意长度的元素，甚至可以装另一个列表。

my_list <- list(
  title = "特征工程手册",
  data = mtcars,               # 数据框
  coeffs = c(0.3, -1.2, 0.8),  # 向量
  sub_model = list(            # 嵌套列表
    weight = 0.5,
    intercept = 2.1
  )
)

访问方式：

• my_list$title —— 通过名字访问
• my_list[[2]] —— 通过位置索引，返回元素本身
• my_list[2] —— 返回一个子列表（注意：仍是一个列表）

我个人经验：列表常用来保存模型训练中间产物，比如特征工程流程的各个阶段输出。如果想把多个类型不同的结果打包返回，列表就是最佳选择。

2.6 五种数据结构速览对比

结构	维度	元素类型	典型用途
向量	1维	同质	存储单列数据、系数、索引
矩阵	2维	同质	线性代数运算、距离矩阵
数组	多维（≥2）	同质	图像数据、时间序列堆叠
数据框	2维	每列异质	日常表格数据、特征存储
列表	递归结构	完全异质	包裹多个对象、复杂返回

你想想看，这五种结构其实可以看作是一个模型——从最简单的向量开始，慢慢往上堆维度、堆灵活性，最后得到列表这种“万能袋”。掌握了它们，你在R里写特征工程代码就有了骨架。

这张图把五种结构的衍生关系串起来了。你在写代码时，心里最好有个这样的谱：从向量出发，叠加维度变成矩阵/数组；为每一列赋予不同类型，就成了数据框；如果要装更复杂的东西，就上列表。