Question

应该何时使用data.frame，何时使用matrix会更好？

两者都以矩形格式保存数据，因此有时候还不清楚。

关于何时使用哪种数据类型，是否有任何一般的经验法则？

Answer 1

部分答案已包含在您的问题中：如果可以预期列（变量）具有不同类型（数字/字符/逻辑等），则使用数据框。矩阵用于相同类型的数据。

因此，如果您拥有相同类型的数据，则选择矩阵/ data.frame只会出现问题。

答案取决于你将如何处理data.frame / matrix中的数据。如果它将被传递给其他函数，那么这些函数的预期类型的参数决定了选择。

此外：

矩阵的内存效率更高：

m = matrix(1:4, 2, 2)
d = as.data.frame(m)
object.size(m)
# 216 bytes
object.size(d)
# 792 bytes

如果您计划进行任何线性代数类型的操作，则矩阵是必需的。

如果您经常按名称（通过紧凑的$运算符）引用其列，则数据框更方便。

数据框也更适合报告（打印）表格信息，因为您可以单独对每列应用格式。

Answer 2

@Michal没有提到的一点是，不仅矩阵小于等效数据帧，使用矩阵可以使代码比使用数据帧更有效，通常是相当的。这就是为什么在内部，许多R函数将强制转换为数据帧中的矩阵数据的原因之一。

数据框通常更方便;一个人并不总是只有原子数据块。

请注意，您可以使用字符矩阵;你不必只需要数字数据来构建R中的矩阵。

在将数据帧转换为矩阵时，请注意存在data.matrix()函数，该函数通过根据内部级别将因子转换为数值来适当地处理因子。如果任何因子标签是非数字的，则通过as.matrix()强制将导致字符矩阵。比较：

> head(as.matrix(data.frame(a = factor(letters), B = factor(LETTERS))))
     a   B  
[1,] "a" "A"
[2,] "b" "B"
[3,] "c" "C"
[4,] "d" "D"
[5,] "e" "E"
[6,] "f" "F"
> head(data.matrix(data.frame(a = factor(letters), B = factor(LETTERS))))
     a B
[1,] 1 1
[2,] 2 2
[3,] 3 3
[4,] 4 4
[5,] 5 5
[6,] 6 6

我几乎总是将数据框用于我的数据分析任务，因为我经常拥有的不仅仅是数字变量。当我为包编写函数时，我几乎总是强制使用矩阵，然后将结果格式化为数据帧。这是因为数据框很方便。

Answer 3

@Michal：矩阵的内存效率并不高：

m <- matrix(1:400000, 200000, 2)
d <- data.frame(m)
object.size(m)
# 1600200 bytes
object.size(d)
# 1600776 bytes

...除非你有很多列：

m <- matrix(1:400000, 2, 200000)
d <- data.frame(m)
object.size(m)
# 1600200 bytes
object.size(d)
# 22400568 bytes

Answer 4

矩阵实际上是一个带有其他方法的向量。而data.frame是一个列表。差异在于向量与列表。为了计算效率，坚持使用矩阵。如果必须，请使用data.frame。

Answer 5

矩阵和数据帧是矩形2D阵列，可以是   按行和列异构。他们分享一些方法和   属性，但不是全部。

示例：

M <- list(3.14,TRUE,5L,c(2,3,5),"dog",1i)  # a list
dim(M) <- c(2,3)                           # set dimensions
print(M)                                   # print result

#      [,1]  [,2]      [,3]
# [1,] 3.14  5         "dog"
# [2,] TRUE  Numeric,3 0+1i

DF <- data.frame(M)                   # a data frame
print(DF)                             # print result

#      X1      X2   X3
#  1 3.14       5  dog
#  2 TRUE 2, 3, 5 0+1i

M <- matrix(c(1,1,1,1,2,3,1,3,6),3)   # a numeric matrix
DF <- data.frame(M)                   # a all numeric data frame

solve(M)                              # obtains inverse matrix
solve(DF)                             # obtains inverse matrix
det(M)                                # obtains determinant
det(DF)                               # error

Answer 6

我无法再强调两者之间的效率差异！尽管在某些特定的数据分析情况下DF确实是更方便的，但是它们也允许异构数据，并且某些库仅接受它们，除非您为特定任务编写一次性代码，否则所有这些实际上都是次要的。

让我给你一个例子。有一个函数可以计算MCMC方法的2D路径。基本上，这意味着我们采用一个初始点（x，y），并在每个步骤中迭代某种算法以找到一个新点（x，y），以此方式构建整个路径。该算法涉及计算一个非常复杂的函数，并在每次迭代时生成一些随机变量，因此当它运行12秒时，考虑到每个步骤要执行多少工作，我认为这很好。就是说，该函数在3列data.frame中收集了构造路径中的所有点以及目标函数的值。因此，3列不是那么大，步数也超过了合理的10,000（在这种问题中，长度为1,000,000的路径是典型的，因此10,000算不上什么）。因此，我认为DF 10,000x3绝对不是问题。使用DF的原因很简单。调用函数后，调用ggplot（）绘制生成的（x，y）路径。 ggplot（）不接受矩阵。

然后，出于好奇，我决定更改函数以将路径收集到矩阵中。很高兴DF和矩阵的语法相似，我所做的就是将指定df作为data.frame的行更改为将其初始化为矩阵的行。在这里，我还需要提及的是，在初始代码中，DF已初始化为具有最终大小，因此，在该函数的代码中，稍后仅将新值记录到已分配的空间中，并且没有向新的行添加新行的开销。 DF。这使得比较更加公平，并且也使我的工作更加简单，因为我不需要在函数中进一步重写任何内容。从所需大小的data.frame的初始分配到相同大小的矩阵只有一行更改。为了使函数的新版本适应ggplot（），我将现在返回的矩阵转换为data.frame以用于ggplot（）。

重新运行代码后，我不敢相信结果。代码只需几分之一秒就可以运行！而不是大约12秒。再一次，该函数在10,000次迭代期间仅将值读取和写入到DF中已经分配的空间（现在在矩阵中）。而且这种差异也适用于合理（或较小）的10000x3尺寸。

因此，如果您使用DF的唯一原因是使其与ggplot（）之类的库函数兼容，则始终可以在最后一刻将其转换为DF-尽可能地使用矩阵方便。另一方面，如果还有更多实质性的理由使用DF，例如您使用某些数据分析包，而这需要从矩阵到DF的不断转换，或者您自己不做任何密集的计算，而仅使用标准软件包（许多软件包实际上是在内部将DF转换为矩阵，执行其工作，然后将结果转换回-这样它们就可以为您完成所有效率工作），或者只做一次工作，这样您就不会在乎和感到更适合使用DF，那么您不必担心效率。

或另一个更实际的规则：如果您有一个问题（例如在OP中），请使用矩阵，因此仅在没有此类问题时才使用DF（因为您已经知道必须使用DF，或者因为您并不在乎，因为代码是一次性的，等等。）

但是一般来说，始终牢记效率点是优先事项。

我应该使用data.frame还是矩阵？

6 个答案: