\'data.frame\'、\'tribble\' 和 \'tibble\' 函数之间有什么区别？哪个更容易，哪个对分析数据更有用？

Question

'data.frame'、'tribble' 和 'tibble' 函数之间有什么区别？哪个更容易，哪个对分析大量数据更有用？我正在创建一个数据框，但我不知道该选择哪个。谢谢！

Answer 1

笔记：在这个答案中，我直接从 R 控制台复制了 sn-ps。 > 字符是行的开头不是命令的一部分，它们在那里只是为了表明该行是要键入的命令。

数据框

data frame 是一个表，其中每一列可以有不同类型的值。一个例子可以使事情更清楚。

例如，假设您有关于人的数据：姓名、年龄以及他们是否受雇。我们可以将这些数据放在向量中，例如：

names <- c('John', 'Sylvia', 'Arthemis')
age <- c(32, 16, 21)
employed <- c(TRUE, FALSE, TRUE)

将这些值放在单独的向量中会使处理它们变得困难。数据框允许我们在一列中包含与一个人相关的所有数据。要创建它，我们只需将向量作为参数传递给data.frame()，可选择地给它们命名：

> df <- data.frame(Name=names, Age=age, Working=employed)
> df
      Name Age Working
1     John  32    TRUE
2   Sylvia  16   FALSE
3 Arthemis  21    TRUE

请注意现在数据格式更加清晰。使用数据框，许多操作变得更加容易。例如过滤：

> df[df$Age>20,]
      Name Age Working
1     John  32    TRUE
3 Arthemis  21    TRUE

这只是众多例子中的一个。使用数据框，过滤、聚合、绘图等事情变得更加简单。

从这个意义上说，数据框类似于电子表格或（对于更有经验的开发人员）SQL 表。

Tibbles

Tibbles 只是一种新型的数据框。它是非常流行的tidyverse 包集的一部分，并且在几点上与数据框有细微的不同。

一个显着的区别是它们的打印方式：tibble 格式包含更多信息：

> t <- tibble(Name=names, Age=age, Working=employed)
> t
# A tibble: 3 × 3
  Name       Age Working
  <chr>    <dbl> <lgl>  
1 John        32 TRUE   
2 Sylvia      16 FALSE  
3 Arthemis    21 TRUE 

不过，更重要的是，tibbles 有更少特征比数据框。少做事听起来像是一件坏事，但数据框的某些行为如果在很久以前有用，在今天却很容易出错或令人困惑。例如，您可以通过仅提供列名的开头来从数据框中获取列：

> df$N
[1] "John"     "Sylvia"   "Arthemis"

它可能看起来很实用，但如果您在源代码中找到这一行，它可能很难理解。如果您有更多以相同前缀开头的列，它也可能导致错误。

如果你对 tibbles 这样做，它会返回 NULL 并打印警告：

> t$N
NULL
Warning message:
Unknown or uninitialised column: `N`. 

同样，这只是冰山一角：还有更多差异。你可以阅读他们on this page，尽管他们中的大多数与年长、更有经验的编码员更相关。

tribble() 函数

到目前为止，我们使用函数 tibble() 创建了 tibble 对象。 tribble() 只是创建 tibble 对象的另一种方式。不同之处在于，虽然tibble() 接收向量与data.frame() 非常相似，但tribble() 期望作为参数：

• 所谓的“波浪符语法”中的列名称；接着
• 每一行

无需创建任何矢量。要理解它的含义以及它为什么有用，举个例子会很清楚：

> t2 <- tribble(
+   ~Name,       ~Age, ~`Employment status`,
+   "John",      32,   TRUE,
+   "Sylvia",    16,   FALSE,
+   "Arthemis",  21,   TRUE
+ )

注意输入数据时可以看到表格的格式。它非常适合代码中的示例！但不要误会：返回对象等同于tibble() 创建的同一对象：

> t2
# A tibble: 3 × 3
  Name       Age `Employment status`
  <chr>    <dbl> <lgl>              
1 John        32 TRUE               
2 Sylvia      16 FALSE              
3 Arthemis    21 TRUE               
> t == t2
     Name  Age Working
[1,] TRUE TRUE    TRUE
[2,] TRUE TRUE    TRUE
[3,] TRUE TRUE    TRUE

使用哪一个？

您可以使用任何您喜欢的东西！他们都运作良好。

如果您不想安装 tidyverse，您可能会使用数据框。现在，如果您正在使用 tidyverse，您可能更喜欢 tibbles，因为它们是这些包的基石。您可能还更喜欢 tibble 以避免混淆数据框行为，或者如果您要将一些输入数据写入您的代码（在这种情况下您可能更喜欢使用 tribble()）。

附录：混合tibble()和tribble()

tibble() 和tribble() 返回相同类型的对象，但它们具有截然不同的签名。然而，他们的名字真的很相似，所以人们经常混淆他们。注意这一点！

如果你调用 tibble() 传递 tribble() 参数，你会得到类似这样的错误：

> t <- tibble(
+   "John",      32,   TRUE,
+   "Sylvia",    16,   FALSE,
+   "Arthemis",  21,   TRUE
+ )
Error:
! Column name `TRUE` must not be duplicated.
Use .name_repair to specify repair.
Caused by error in `repaired_names()`:
! Names must be unique.
✖ These names are duplicated:
  * "TRUE" at locations 3 and 9.
Run `rlang::last_error()` to see where the error occurred.

如果你调用 tribble() 传递 tibble() 参数，这是你将得到的错误：

> t <- tribble(Name=names, Age=age, Working=employed)
Error:
! Must specify at least one column using the `~name` syntax.
Run `rlang::last_error()` to see where the error occurred.

（我发布了这个附录，以便谷歌搜索这个错误的人可以找到这个问答。我花了一个小时试图理解 tibble 和 tribble 之间的区别，或者为什么我会收到那个错误，而且这是一个令人惊讶的无法谷歌话题！）