R 语言入门实战｜第五章 对象改值：从 “调整扑克牌点数” 学透数据修改

引言：为什么 “对象改值” 是数据处理的核心？

在数据分析中，“拿到数据→修改数据→分析数据” 是常见流程 —— 比如根据不同游戏规则调整扑克牌点数（War 游戏中 A（14） 比 K（13） 大，Hearts 游戏中黑桃 Q 分值特殊）、清洗数据中的错误值、处理缺失信息等。《R 语言入门与实践》第五章 “对象改值”，正是围绕这些实际需求展开，通过 “扑克牌” 这一直观案例，教你如何精准、高效地修改 R 对象（尤其是数据框）中的值，为后续数据清洗和分析打下基础。

本章的核心目标是：掌握 “就地改值” 语法、用逻辑值取子集实现条件改值、处理缺失值（NA），所有知识点都围绕 “扑克牌数据框deck” 展开，学完就能直接应用到真实数据处理场景。

一、就地改值：用索引精准修改数据

“就地改值” 指直接在原对象中修改指定位置的值，无需创建新对象，核心语法是 **“索引 + 赋值符<-”**。这是 R 中最基础也最常用的数据修改方式，尤其适合已知目标位置的场景。

1.1 基础语法：定位→赋值

语法格式：对象[行索引, 列索引] <- 新值

• 行 / 列索引：可通过正整数、名称、逻辑值指定（第四章学过的索引方式都适用）；
• 新值：单个值或与索引长度匹配的向量（R 会自动循环短向量）。

# 使用<-赋值符号更改这些值，R会在原始对象内部对这些值修改
vec <- c(0,0,0,0,0,0,0)

vec[1] <- 1000
vec
# [1] 1000    0    0    0    0    0    0
#再次对同一个索引处赋值，将覆盖原值
vec[c(1:3)] <- c(1,1,1)
vec
# [1] 1 1 1 0 0 0 0

vec[c(1,3,5)] <- c(1,1,1)
vec
# [1] 1 1 1 1 1 1 0
vec[4:6] <- vec[4:6] + 1
vec
# [1] 1 1 1 2 2 2 0

#也可以创建原先对象中不存在的新值，R会自动延伸长度以适应这个新值
vec[8] <- 8
vec
# [1] 1 1 1 2 2 2 0 8

1.2 实战：修改 War 游戏的 A 点数（从 1→14）

在 War 游戏中，A（ace）是最大牌，点数需从默认的 1 改为 14。观察deck数据框，A 位于每 13 张牌的最后一行（行号 13、26、39、52），代码如下：

# 1. 复制原始deck（避免修改原数据）
deck_war <- deck

# 2. 定位A的位置，修改点数为14
# 行索引：13、26、39、52（4种花色的A）；列索引：value列
deck_war$value[c(13, 26, 39, 52)] <- 14

# 3. 验证结果（查看黑桃A的点数）
deck_war[13, ]  # 输出：face=ace, suit=spades, value=14

1.3 批量改值与新增列

• 批量改值：若需修改连续行，用:生成索引，如deck_war$value[1:12] <- 10
• 新增列：直接用$赋值新列名，如deck_war$new_col <- 1:52（新增一列 1~52 的序号）；
• 删除列：将列赋值为NULL，如deck_war$new_col <- NULL。

二、逻辑值取子集：按条件改值（数据分析核心技能）

当不知道目标数据的具体位置时（比如洗牌后 A 的位置变了），就需要用 “逻辑值取子集”—— 通过逻辑测试生成TRUE/FALSE向量，自动定位目标数据。这是 R 中最灵活、最高效的数据筛选与修改方式。

2.1 第一步：逻辑测试（生成筛选条件）

逻辑测试通过 “逻辑运算符” 实现，返回长度与原向量一致的逻辑向量（TRUE= 符合条件，FALSE= 不符合）。常用运算符如下：

示例：筛选洗牌后所有 A 的位置

# 1. 洗牌（打乱deck行顺序）
deck_shuffled <- shuffle(deck)  # shuffle()是第四章写的洗牌函数

# 2. 逻辑测试：哪些行是A
is_ace <- deck_shuffled$face == "ace"  # 返回长度52的逻辑向量

# 3. 取子集：提取所有A
deck_shuffled[is_ace, ]  # 无论A在哪个位置，都能精准提取

2.2 第二步：布尔运算符（组合多条件）

当需要多个筛选条件时，用 “布尔运算符” 组合逻辑测试，常用运算符及函数如下：

新函数详解：any()与all()

这两个函数是逻辑判断的核心工具，尤其适合验证数据完整性：

实战：修改 Hearts 游戏点数

Hearts 游戏规则：红桃牌 1 点，黑桃 Q（queen of spades）13 点，其他 0 点。用逻辑值取子集实现：

# 1. 复制原始deck
deck_hearts <- deck

# 2. 初始化所有点数为0
deck_hearts$value <- 0

# 3. 条件1：红桃牌改1点（用%in%匹配花色）
is_hearts <- deck_hearts$suit %in% "hearts"
deck_hearts$value[is_hearts] <- 1

# 4. 条件2：黑桃Q改13点（组合两个条件）
is_queen_spades <- deck_hearts$face == "queen" & deck_hearts$suit == "spades"
deck_hearts$value[is_queen_spades] <- 13

# 5. 验证结果
deck_hearts[is_hearts | is_queen_spades, ]  # 查看红桃和黑桃Q

三、缺失信息处理：NA 的正确用法

在数据中，“缺失值”（如 Blackjack 游戏中 A 的点数不确定，可能 1 也可能 11）用NA表示。R 对NA有特殊处理规则，需掌握is.na()函数和na.rm参数。

3.1 NA 的特性：“传染性”

NA 与任何值运算结果仍为 NA，避免因缺失值导致错误计算：

1 + NA  # 输出：NA
mean(c(1, 2, NA))  # 输出：NA（未处理NA）

3.2 新函数：is.na()—— 检测缺失值

is.na()是识别 NA 的核心函数，返回与输入对象长度一致的逻辑向量（TRUE=NA，FALSE= 非 NA）。

示例：定位 Blackjack 游戏中的 A（设为 NA）

# 1. 复制原始deck
deck_blackjack <- deck

# 2. 人头牌（K/Q/J）改10点（用%in%匹配）
is_facecard <- deck_blackjack$face %in% c("king", "queen", "jack")
deck_blackjack$value[is_facecard] <- 10

# 3. A的点数设为NA（不确定是1还是11）
is_ace <- deck_blackjack$face == "ace"
deck_blackjack$value[is_ace] <- NA

# 4. 检测NA位置（A的位置）
which(is.na(deck_blackjack$value))  # 输出A的行号

3.3 关键参数：na.rm—— 移除 NA 再计算

很多统计函数（如mean()、sum()、max()）都有na.rm参数，控制是否忽略 NA 后计算，默认na.rm = FALSE（保留 NA，结果为 NA）。

示例：计算 Blackjack 牌堆的平均点数（忽略 A 的 NA）

mean(deck_blackjack$value)  # 输出：NA（未移除NA）
mean(deck_blackjack$value, na.rm = TRUE)  # 输出：~7.5（正确计算）

四、本章新函数 / 参数汇总（表格版）

为方便查阅，将本章核心新函数和参数整理如下：

五、综合实战：打造多规则扑克牌系统

结合本章所有知识点，实现一个能切换三种游戏规则的扑克牌函数：

# 定义函数：根据游戏规则修改扑克牌点数
adjust_poker <- function(game = c("War", "Hearts", "Blackjack")) {
  # 输入：game-游戏名称；输出：修改后的deck数据框
  deck_adjust <- deck  # 复制原始deck
  
  if (game == "War") {
    # War规则：A=14，其他不变
    is_ace <- deck_adjust$face == "ace"
    deck_adjust$value[is_ace] <- 14
  } else if (game == "Hearts") {
    # Hearts规则：红桃=1，黑桃Q=13，其他=0
    deck_adjust$value <- 0
    is_hearts <- deck_adjust$suit == "hearts"
    is_queen_spades <- deck_adjust$face == "queen" & deck_adjust$suit == "spades"
    deck_adjust$value[is_hearts] <- 1
    deck_adjust$value[is_queen_spades] <- 13
  } else if (game == "Blackjack") {
    # Blackjack规则：人头牌=10，A=NA
    is_facecard <- deck_adjust$face %in% c("king", "queen", "jack")
    is_ace <- deck_adjust$face == "ace"
    deck_adjust$value[is_facecard] <- 10
    deck_adjust$value[is_ace] <- NA
  }
  
  return(deck_adjust)
}

# 测试：生成Hearts规则的牌堆
deck_hearts_final <- adjust_poker("Hearts")
head(deck_hearts_final[deck_hearts_final$value != 0, ])  # 查看有分值的牌

六、第五章核心小结

1. 就地改值是基础：用 “索引 + 赋值” 精准修改数据，适合已知位置的场景，语法对象[行, 列] <- 新值；
2. 逻辑值取子集是核心：通过逻辑测试（==、%in%）和布尔运算符（&、|）组合条件，实现 “按规则筛选 + 改值”，是数据分析中最常用的技能；
3. 缺失值处理要注意：用is.na()检测 NA，用na.rm参数在统计计算时忽略 NA，避免 “NA 传染性” 导致错误；
4. 实战是关键：结合扑克牌案例理解改值逻辑，后续处理真实数据（如清洗错误值、调整指标口径）时可直接复用本章思路。

下一章（第六章）将学习 “R 的环境系统”，解决 “发牌后如何让牌堆记住已发的牌” 这类状态管理问题，进一步提升代码的实用性！