R软件学习笔记(一)——基础语法(一)

 一门新的语言学习一般是从输出 "Hello, World!" 程序开始,R 语言的 "Hello, World!" 程序代码如下:

myString <- "Hello, World!"

print ( myString )

以上实例将字符串 "Hello, World!" 赋值给 myString 变量,然后使用 print() 函数输出。

注意:R 语言赋值使用的是左箭头 <- 符号,不过一些新版本也支持等号 =

变量

R 语言的有效的变量名称由字母,数字以及点号 . 或下划线 _ 组成。

变量名称以字母或点开头。

变量赋值

最新版本的 R 语言的赋值可以使用左箭头 <-、等号 = 、右箭头 -> 赋值:

# 使用等号 = 号赋值
var.1 = c(0,1,2,3)           
print(var.1)
[1] 0 1 2 3

# 使用左箭头 <-赋值
var.2 <- c("learn","R")   
print(var.2)
[1] "learn" "R"
    
# 使用右箭头 -> 赋值
c(TRUE,1) -> var.3
print(var.3)
[1] 1 1

查看已定义的变量可以使用 ls() 函数:

print(ls())
[1] "var.1" "var.2" "var.3"

删除变量可以使用 rm() 函数:

rm(var.3)
print(ls())
[1] "var.1" "var.2"

交互式编程

我们只需要在命令行中执行 R 命令就可以进入交互式的编程窗口

交互式命令可以通过输入 q() 来退出

文件脚本

R 语言文件后缀为 .R

创建一个 runoob-test.R 文件:代码如下:

myString <- "RUNOOB"

print ( myString )

  • 4
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,让我来回答你关于聚类算法的问题。 聚类算法是一种无监督学习方法,它将数据集中的对象分成若干组或者类,使得同一组内的对象之间相似度较高,而不同组之间的相似度较低。聚类算法广泛应用于数据挖掘、模式识别、图像处理、自然语言处理等领域中。 常见的聚类算法有K-Means、层次聚类、DBSCAN等。其中,K-Means算法是最常用的聚类算法之一。 K-Means算法的基本思想是:首先随机选取K个中心点(质心),然后将每个样本点归属于距离其最近的中心点所在的簇,接着重新计算每个簇的中心点,重复上述过程直到簇不再发生变化或达到预设的迭代次数。 层次聚类算法是一种基于距离的聚类算法,它将样本点视为一棵树,从下往上逐步合并相似的簇,最终形成一棵树形结构。层次聚类算法可分为自底向上的凝聚聚类和自顶向下的分裂聚类两种。自底向上的凝聚聚类从每个样本点开始,逐步合并相似的簇,最终形成一棵树形结构;自顶向下的分裂聚类从所有样本点开始,逐步将簇分裂成较小的簇,最终形成一棵树形结构。 DBSCAN算法是一种基于密度的聚类算法,它将样本点分为核心点、边界点和噪音点三类,核心点周围的样本点被划分为同一个簇,边界点则被划分到离其最近的核心点所在的簇中,而噪音点则被剔除。DBSCAN算法具有不需要预先指定聚类数、对噪音点不敏感等优点,但对于不同密度的簇,其聚类效果可能不尽如人意。 以上是聚类算法的基础知识,希望能够对你有所帮助。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值