R 语言-基础

R语言 1997年成为GNU项目 开源免费

R官方网址 www.r-project.org

R是数据分析领域的语言
小巧灵活，通过扩展包来增强功能
绘图功能
代码简单

开发环境
R + RStudio

1、数据类型
character 字符
numeric 数值型，实数或小数
integer 整型
complex 复数型
logical 逻辑型 类似于boollean

2、数据结构
Vector 向量
Factor 因子
Array 数组
Matrix 矩阵
Data Frame 数据框
List 列表


一维：向量、因子 向量属于数值型变量，因子对应于分类变量
二维：矩阵、数据框 矩阵中元素的数据类型是一致的，数据框由向量组成，每个向量中的数据类型保持一致，向量间的数据类型可以不一致，类似于表结构。
三维：数组、列表 数组用的比较少，多维数据结构；列表可以包含上面所有的数据结构

3、向量
向量表示一组数据，数据类型一致，向量可以表示行或者列
c() 如:
: 如: 1:10
seq(from(开始), to(到), by(步长), length.out(指定向量的元素个数), along.with(长度与指定的向量长度相同))

提取子集：
数字下标(正数:获取指定元素，从1开始，负数:排除的意思)
which()函数(按条件来进行筛选)

#向量
(x1<- c(10,11,12,13))
(x2<- 1:10)
x3<- seq(1,5,1) #from 1 to 5 by 1
x4<- seq(5,by=2,length.out=8) #向量中元素个数为8
x5<- seq(2,by=3, along.with = x4) # along.with向量个数与x4一致
x5[1:5]
x5[c(1,2,3,4,5)]
x5[-1:-5]   #不要下标为1-5的元素

which(x5>5) #大于5的向量下标
x5[which(x5>10)] #大于5的向量值

4、因子
因子用于分类变量，有类别
factor()
gl()

#因子
f<-c(‘a‘,‘a‘,‘b‘,‘o‘,‘ab‘,‘ab‘)
f<-factor(c(‘a‘,‘a‘,‘b‘,‘o‘,‘ab‘,‘ab‘)) #创建因子，level默认按字母排序

unclass(f) #查看因子

f<-factor(c(‘a‘,‘a‘,‘b‘,‘o‘,‘ab‘,‘ab‘),levels = c(‘a‘,‘b‘,‘o‘,‘ab‘)) #指定因子对应的level

unclass(f) #

f1<- gl(4,3,labels = c(‘blue‘,‘red‘,‘green‘,‘yellow‘)) #4个级别，每个级别重复3次，labels的内容
f1

unclass(f1)

5、矩阵
行和列

生成矩阵
matrix()
由向量派生
由向量组合生成

操作
访问元素
行列命名

矩阵运算
矩阵加法
1.矩阵+n 各个元素加n
2.矩阵+矩阵 对应元素相加

矩阵乘法
1.矩阵*n 各个元素乘n
2.矩阵*矩阵 行列相乘(矩阵1 m行*n列 矩阵2 p*q 要求n==p 结果矩阵为 m*q)
3.矩阵元素*矩阵元素 对应元素相乘

单位矩阵
元素都为1 n*n方阵

对角矩阵
对角元素为1 其余的为0 n*n方阵

矩阵转置
n*m m*n

#矩阵

#创建矩阵：
#方法一：使用matric(nrow=?,ncol=?)
x<-matrix(nrow=2,ncol=3) #nrow 指定行， ncol指定列
x
x<-matrix(1:18,nrow = 3,ncol = 6) # 3行，6列，元素值由1:18填充，默认一列一列顺序填充
x
x<-matrix(1:18,nrow = 3, ncol = 6, byrow = T) # 3行，6列，元素值由1:18填充，指定行顺序填充
x

#方法二： dim(a) 通过dim 传递向量
a<-1:18
dim(a)<-c(3,6) #3行6列，行顺序填充
x

#方法三： rbind或cbind进行拼接
x<-1:10
y<-11:20
z<-21:30

m1 = rbind(x,y,z) #以行为单位进行拼接
m2 = cbind(x,y,z) #以列为单位进行拼接
m1
m2

#获取矩阵元素
x<-matrix(1:18,nrow = 3,ncol = 6,byrow = T)
x

x[1,2] #第1行第2列
x[1,] #第1行
x[,2] #第2列
x[,c(2,3,4)] #第2 3 4列
x[c(1,2),] #第1 2行
x[c(1,2),2:4] #第1 2行 第2 3 4列

#行列命名
colnames(x)<-c(‘C1‘,‘C2‘,‘C3‘,‘C4‘,‘C5‘,‘C6‘) #列的名字
rownames(x)<-c(‘R1‘,‘R2‘,‘R3‘)  #行的名字

x[‘R1‘,‘C1‘]
x[c(‘R1‘,‘R2‘),c(‘C1‘,‘C2‘)]

#矩阵运算

m1<-matrix(1:18,nrow = 3,ncol = 6, byrow = T)
m2<-matrix(19:36,nrow = 3, ncol = 6, byrow = T)
m1
m2

#矩阵加法
m1+10   #矩阵+n
m1+m2   #矩阵+矩阵

#矩阵乘法
m1*10  #矩阵*n
m1*m2  #矩阵对应元素相乘
m1 %*% t(m2)  #矩阵*矩阵 矩阵乘法 行列相乘

#对角矩阵
diag(4)  #4*4矩阵 对角元素都为1
diag(c(1,2,3,6))  #4*4矩阵，对角元素为1,2,3,6

x<-matrix(1:16,4,4)
diag(x) #显示矩阵x的对角元素值

#解方程组
m<-diag(4)
m
b<-1:4
solve(m,b) #m %*% x=b 求x

6、数据框
记录与域

#数据框

#创建数据框
a<-data.frame(fx = rnorm(10,10,2),
              fy = runif(10,10,20),
              fmonth = 1:10 ) 

a[1,1]
a[1,]
a[,2]

a$fx  #通过$fx取列信息
a[[1]]#通过[[]]获取列信息

search()  #查询

attach(a)  #attach 数据到 search路径
fx         #直接使用
detach(a)  #detach 数据

search()  #查询

a<-with(a, fx)                #访问数据框成员

#新增修改列
a<-within(a,{fx=1:10          #通过within来进行修改,和新增列
             fz=11:20})

#新增列
a$fz = 11:20
a$fz = a$fx+a$fy

#列存在则修改
a$fx = 1:10

#查询数据集
b = subset(a,fx>1&fmonth==8,select=c(fx,fmonth))  #select 列过滤，fx>1&fmonth==8 行过滤

b=edit(a)  #修改后的数据集赋值给另一个数据集
b
fix(a)     #直接修改数据集内容
a

7、列表
成分

创建列表
list()

操作
列表成分
[[]]
$

#列表

#创建列表
a<-list(x=1:10,y=matrix(1:16,4,4),z=data.frame())

names(a) <- c(‘c1‘,‘c2‘,‘c3‘) #修改成分名称

c
c=a[‘y‘]  #在列表中通过[]取出的对象类型还是列表
c[2,1]
class(c)  #查看类型为list

c=a[[‘y‘]] #在列表中通过[[]]取出的对象类型为实际对象类型矩阵
c[2,1]
class(c)  #查看类型为matrix

a$y[2,1]  #获取矩阵的元素

8、数组
array

#数组
(a=array(1:60,c(3,4,5)))  #数组三维
a[1,2,3]

9、数据类型转换

检查数据类型 is.开头
is.character
转换数据类型 as.开头
as.character

x=c(1:2,‘hello‘,T)
x
mode(x)      #查看数据类型
class(x)     #查看数据结构

is.vector(x)

y<-matrix(1:20,c(4,5))
mode(y)      #数据类型是numeric
class(y)     #数据结构是matrix

y<-as.data.frame(y) #数据类型转换matrix->dataframe
y

10、分之结构
if...else...结构
if(condition){...}
else{...}

ifelse函数

#分支结构
(Brand<-paste(c(‘Brand‘),1:9,sep=‘‘)) #粘合一起
                                     #"Brand1" "Brand2" "Brand3" "Brand4" "Brand5" "Brand6" "Brand7" "Brand8" "Brand9"
(PName<-paste(c(‘Dell‘),1:9,sep=‘ ‘))
(Mem<-rep(c(‘1G‘,‘2G‘,‘4G‘),times=3)) #重复
                                      #"1G" "2G" "4G" "1G" "2G" "4G" "1G" "2G" "4G"
(Feq=rep(c(‘2.2G‘,‘2.8G‘,‘3.3G‘),each=3))
(Price=rep(c(1000,2000,5000),3))
PC=data.frame(Brand,PName,Mem,Feq,Price)
##分支结构
#if..else
PC
PC$PD=rep(‘Cheap‘,9)

for (i in 1:nrow(PC)){     #1:nrow(PC)从第1行到最后一行
  if (PC[i,‘Price‘]>3000){ #取值进行比较
    PC[i,‘PD‘]=‘Expensive‘ #修改值
  }
}

PC

#ifelse函数
PC$PD2=ifelse(PC$Price>3000,‘Expensive‘,‘Cheap‘)  #向量化运算

PC

c

11、循环结构
for(n in x){...}

while(condition){...}

repeat{...break}

break next

#循环结构
for (x in 1:5){
  print (x^2)
}

i=1
while (i<6){
  print (i^2)
  i=i+1
}

i=1
repeat {
  print (i^2)
  i=i+1
  if (i>5) break
}

12、函数
自定义函数

myfunc =function(par1,par2,...){
...
}

引用函数文件
source(‘D:/basic.R‘, encoding = ‘UTF-8‘)

查看源码
myfunc #终端显示
page(myfunc) #用第三方编辑器查看

#函数
myadd=function(a,b,c){
  return (a+b+c)
}

mystat=function(x,na.omit=FALSE){
  if (na.omit){
    x=x[!is.na(x)]
  }
  m=mean(x)
  n=length(x)
  s=sd(x)
  skew=sum((x-m)^3/s^3)/n
  return (list(n=n,mean=m,stdev=s,skew=skew))
}

13、向量化运算和apply家族

#向量化
x=1:5

(y=x^2)

(y=matrix(1:16,4,4))
(z=y^2)

(x=1:5)
(y=11:15)
(x+y)

y>=13

ifelse(x%%2==0,‘A‘,‘B‘)

x=data.frame(pv=rnorm(100,20,3),
             uv=rnorm(100,40,4),
             ip=runif(100,40,50))

apply(x,MARGIN = 2,mean)
apply(x,MARGIN = 2,quantile,probs=c(0.1,0.5,0.9))
时间： 2024-10-17 04:06:29

R 语言-基础的相关文章

R语言基础

##数据获取 x1=round(runif(100,min=80,max=100)) x2=round(rnorm(100,mean=80, sd=7)) x3=round(rnorm(100,mean=80,sd=18)) x3[which(x3>100)]=100 num=seq(2005138101,length=100) x=data.frame(num,x1,x2,x3) write.table(x, "grade.txt") ##数据分析 y=read.table(&

R语言基础(二) 可视化基础

> which.max(apply(x[c("x1","x2","x3")], 1, sum))49 > x$num[which.max(apply(x[c("x1","x2","x3")], 1, sum))][1] 2005138149 > hist(x$x1) > plot(x$x1,x$x2) > table(x$x1) 80 81 82 83 84

第二章 R语言基础

二.操作基础 %%取余 %/%整数除法 (1)eigen(...)求解方阵的特征值和特征向量 (2)solve(D,A)求解DX=A (3)data<-list(...)取里面的对象data[["列名称"]]:data[[下标]]:data$列名称 (4)unlist(列表对象)把列表对象转化为向量对象 (5)names(数据框)读取并编辑列的名称 (6)数据框data 取里面的对象data[["列名称"]]:data[[下标]]:data$列名称;data[

R语言基础编程技巧汇编 - 25

1.      使用rClr包访问.NET库 下载地址:http://r2clr.codeplex.com/ library(rClr) clrLoadAssembly('c:/path/to/myassembly.dll') myObj <-clrNew('MyNamespace.MyClass,MyAssemblyName') clrCall(myObj, 'SayHelloWorld') 2.      向C语言代码传递数据框参数示例 data.frame是一个list对象 #includ

R语言-基础操作

今天Mayuyu来学习R语言,先来学习一些基础的操作. (1)c() c()是用来创建一个向量,比如 (2)length() length()用来获取一个向量的长度. (3)mode() 获取向量中数据的类型,比如 (4)rbind()和cbind() 这两个函数都是将多个向量合并为一个矩阵,或者将多个矩阵合并为一个矩阵,rbind()是按照行合并, 而cbind()是按照列合并. (5)mean() 求平均值. (6)sum() 求和. (7)min()和max() 分别求最小值和最大值. (

从零开始系列-R语言基础学习笔记之二 数据结构（一）

在上一篇中我们一起学习了R语言的环境搭建,这次我们开始学习R语言的数据结构第一部分:向量.数组和矩阵. 一.向量 向量是一维数组,其内容可以是数值.字符或布尔值,但所有数据的类型必须一致.创建向量使用的关键字是c,访问向量中的元素使用[],具体如下: 创建数值向量a<-c(1,2,3,4,5,6) 创建字符向量b<-c("a","b","c") 创建布尔向量c<-c(TRUE,FALSE) 访问向量: a[3] 得到的值是3,注

R语言基础入门之二：数据导入和描述统计

by 写长城的诗 • October 30, 2011 • Comments Off This post was kindly contributed by 数据科学与R语言 - go there to comment and to read  the full post. 一.数据导入 对初学者来讲,面对一片空白的命令行窗口,第一道真正的难关也许就是数据的导入.数据导入有很多途径,例如从网页抓取.公共数据源获得.文本文件导入.为了快速入门,建议初学者采取R语言协同Excel电子表格的方法.也就

R语言 基础

第一章 R语言介绍 1.R语言获取和安装 https://www.r-project.org/ 2.R的使用 help.start() #打开帮助文档 help(car)#显示car包的描述 example(car)#运行car自带的示例 3.包 install.packages("car")#包的安装 library(car)#包的载入

R语言基础编程技巧汇编 - 26

1.      监视R语言包更新状态的网站 R语言包的数量已经有近万个,及时关注新发布的包,以及已发布的包的更新状态,非常重要,下列网站提供了这个功能,读者可以经常访问: http://lib.stat.cmu.edu/R/CRAN/web/packages/available_packages_by_date.html 2.      使用命令行参数的R程序示例 以Windows系统为例,按照以下步骤: 1.    把Rscript.exe的路径加入到Path环境变量中,在我的机器上设置如下: