R语言--(4)--多维数组和矩阵

生成数组或矩阵

数组(array) 可以看成是带多个下标的类型相同的元素的集合，常用的是数值型的数组如矩阵，也可以有其它类型(如字符型、逻辑型、复数型)

数组有一个特征属性叫做维数向量(dim属性)

向量定义成数组

向量只有定义了维数向量(dim属性)才能看作是数组

向量定义成一维数组

用array()构造多维数组

array(data = NA, dim = length(data), dimnames = NULL)

参数	描述
data	向量数据
dim	数组的各维的长度，缺省时为原向量的长度
dimnames	是数组维的名字，缺省时为空

二维数组(矩阵), 按列存放

初始化一个三维数组

用 matrix()构造矩阵

matrix(data=NA, nrow=1, ncol=1, byrow=FALSE, dimnames=NULL)

参数	描述
data	向量数据
nrow	矩阵的行数
ncol	矩阵的列数
byrow=FALSE	byrow=TRUE, 生成的矩阵按行放置 缺省时相当于byrow=FALSE, 生成的矩阵按列放置
dimnames=NULL	是数组维的名字，缺省时为空

3行5列矩阵，按行存放

3行5列矩阵，按列存放

数组下标

通过数组下标对数组元素进行访问，或进行运算

常规数组下标

访问指定元素

a[2,1,3] 

第一个数值：行数； 第二各数值：列数； 第三个数值：维数

得到 m*n 数组

a[1, 2:3, 2:3]

     [,1] [,2]
[1,]    9   15
[2,]   11   17

省略某一维的下标，表示该维全选

a[1, , ]

     [,1] [,2] [,3] [,4]
[1,]    1    7   13   19
[2,]    3    9   15   21
[3,]    5   11   17   23

a[ , 2, ]

     [,1] [,2] [,3] [,4]
[1,]    3    9   15   21
[2,]    4   10   16   22

a[1,1, ]

[1]  1  7 13 19

整个数组

a[] 

特殊下标

对于数组只用一个下标向量(是向量，不是数组)，这时忽略数组的维数信息表达式，看作是对数组的数据向量取子集

a[3:10]

不规则的数组下标

用一个二维数组作为数组的下标，二维数组的每一行是一个元素的下标，列数为数组的为数组的维数

数组的四则运算

形状一致的向量(数组)四则运算

加 +

减 -

乘 *

除 /

形状不一致的向量(数组)四则运算

规则是将向量(或数组)中的数据与对应向量(或数组)中的数据进行运算，把短向量(或数组)的数据循环使用，从而可以与长向量(或数组)数据进行匹配，并尽可能保留共同的数组属性

矩阵运算

转置预算 t()

矩阵A，函数t(A)表示矩阵A的转置，即 $A^T$

方阵的行列式 det()

1. n阶方阵：是一个n行n列的数表，而n阶行列式就是由这样一个n行n列的数表按一定的运算确定出的一个数。
2. 方阵A的行列式，记|A|或detA ，由n阶方阵A的元素构成的行列式
3. 只有方阵才有行列式的概念，若A是行数与列数不等的矩阵，则A没有行列式的定义

向量的内积 %*% 与 crossprod()

%*%

crossprod(x,y)

crossprod(x) 表示 x与x的内积，即$\parallel x{\parallel }_2^2$

向量的外积(叉积) %o% 与 outer()

%o% x与y的外积

outer(x,y) x与y的外积

tcrossprod(x,y) x与y的外积，表示 x %*% t(y)

tcrossprod(x)x与x的外积

矩阵的乘法

矩阵中对应元素的乘积(矩阵A和B具有相同的维数)

A * B

矩阵的乘积(矩阵A的列数等于矩阵B的行数)

A %*% B

crossprod(A,B) 表示的是 t(A) %*% B

tcrossprod(A,B) 表示的是 A %*% t(B)

生成对角阵和矩阵取对角 diag()

diag(向量 表示以向量元素为对角线元素的对角阵

diag(矩阵) 表示取矩阵对角线上的元素的向量

解线性方程组 和 矩阵的逆矩阵 solve()

解线性方程组 $Ax=b$， 其命令形式为 solve(A,b)
$$\{\begin{array}{c}{x}_1+2x_2+3x_3=1\\ 4x_1+5x_2+6x_3=1\\ 7x_1+8x_2+10x_3=1\end{array}$$
即      $A=\left[\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 10\end{array}\right]$ ,  $b=\left[\begin{array}{c}1\\ 1\\ 1\end{array}\right]$

solve(A,b)

矩阵A的逆矩阵 solve(A)

对称矩阵的特征值与特征向量 eigen()

对称矩阵

eigen(Sm)

特征向量 ev$vectors

特征值 ev$values

矩阵的奇异值分解 svd()

$A=UD{V}^T$，其中U，V是正交阵，D为对角阵，也就是A的奇异值。
svd(A) 返回的是列表

svd(A)$d 表示矩阵A的奇异值，即矩阵D的对角线上的元素

svd(A)$u 正交阵U

svd(A)$v 正交阵V

最小拟合与QR分解 lsfit() 与 qr()

y是观测值

x	0.0	0.2	0.4	0.6	0.8
y	0.9	1.9	2.8	3.3	4.2

lsfit(x,y) 返回值是最小二乘拟合的结果

QR分解函数 qr()，输入的矩阵需要加以1为元素的列，其返回值是列表

qr.coef(Xplus,y) 计算最小二乘的系数

得到最小二乘的拟合值

得到最小二乘的残差值

与矩阵(数组)运算有关的函数

获取矩阵的维数 dim()与nrow()与ncol()

dim() 得到矩阵A的维数

nrow() 得到矩阵A的行数

ncol() 得到矩阵A的列数

矩阵的合并 cbind() 与 rbind()

rbind() 把自变量纵向拼成一个大矩阵,自变量是矩阵或看作行向量的向量时，自变量的宽度应该相等，如果参与合并的自变量比其变量短，则循环补足后合并。

cbind() 把自变量横向拼成一个大矩阵，自变量是矩阵或看作列向量的向量时，自变量的高度应该相等.
如果参与合并的自变量比其变量短，则循环补足后合并.

矩阵的拉直 as.vector()

as.vector(A) 将矩阵转化为向量

数组的维名字 dimnames()

定义时赋值

X <- matrix(1:6, ncol=2, dimnames=list(c("one","two","three"), c("First","Second")), byrow=T); X

后赋值

X <- matrix(1:6, ncol=2, byrow=T); X
dimnames(X) <- list(c("one","two","three"), c("First","Second"))

属性 colnames 和 rownames 访问或者赋值 行名与列名

数组的广义转置 aperm()

aperm(A, perm) 把数组A的各维按 perm 中指定的新次序重新排列

构造一个 2行3列4维的数组

perm=c(2,3,1) 表示原来行的个数变成了维度的个数，即原来每个矩阵有两行，则现在维度是2；原来列是三列，现在变成行数为三行；原来维度为四，现在列的个数为四.

矩阵A, 矩阵转置 $A^T$:
   即 t(A) 相当于 aperm(A,c(2,1))

数组某一维(或若干维)进行计算 apply()

apply(A, MARGIN, FUN, ...)

参数	描述
A	数组
MARGIN	固定哪些维不变
FUN	用来计算的函数

按行计算，MARGIN=1

按列计算，MARGIN=2