R语言-矩阵

最新推荐文章于 2024-05-02 19:12:49 发布
最新推荐文章于 2024-05-02 19:12:49 发布
阅读量4.7k 收藏 57
点赞数 4
分类专栏： R 文章标签： 矩阵 r语言 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pdc31czy/article/details/126829929
版权
#2.1.3矩阵（Matrix）
#矩阵：一个二维数组
#矩阵的每个元素都必须具有相同的数据类型
### 1.矩阵的创建与引用 ###
#生成一个矩阵
matrix(vector,nrow=number_of_rows,ncol=number_of_columns,byrow=T/F)
diag() #生成一个对角矩阵
#例：
# 生成全部是0的矩阵
(zero = matrix(0, nrow = 3, ncol = 3))
##       [,1] [,2] [,3]
##  [1,]    0    0    0
##  [2,]    0    0    0
##  [3,]    0    0    0
# 生成一个对角全是1的矩阵,直接在diag中输入对角线向量即可
(dig = diag(rep(1, 4)))
##       [,1] [,2] [,3] [,4]
##  [1,]    1    0    0    0
##  [2,]    0    1    0    0
##  [3,]    0    0    1    0
##  [4,]    0    0    0    1
#额外备注
rep(x,n) #将vector x的值循环n遍 
#例：
rep(1, 4)
##[1] 1 1 1 1
rep(1:4, 2)
##[1] 1 2 3 4 1 2 3 4
#观察区别
diag(1:4)
##     [,1] [,2] [,3] [,4]
##[1,]    1    0    0    0
##[2,]    0    2    0    0
##[3,]    0    0    3    0
##[4,]    0    0    0    4
diag(4)
##[,1] [,2] [,3] [,4]
##[1,]    1    0    0    0
##[2,]    0    1    0    0
##[3,]    0    0    1    0
##[4,]    0    0    0    1
#从已有向量1：12数据转化成矩阵,如果没写byrow=T,默认将向量按列排序
(M = matrix(1:12, nrow = 3, ncol = 4))
##       [,1] [,2] [,3] [,4]
##  [1,]    1    4    7   10
##  [2,]    2    5    8   11
##  [3,]    3    6    9   12
#以向量1：4为对角线的对角矩阵（重复例子，上面已有）
(N = diag(1:4))
##       [,1] [,2] [,3] [,4]
##  [1,]    1    0    0    0
##  [2,]    0    2    0    0
##  [3,]    0    0    3    0
##  [4,]    0    0    0    4
### 2.矩阵的常用操作 ###
## (1) 矩阵概览 ##
# 查看矩阵的维度/行列数
dim(M) 
##  [1] 3 4
# 提取矩阵的行数
nrow(M) 
##  [1] 3
# 提取矩阵的列数
ncol(M)
##  [1] 4
# 引用元素
M[1, 2]
##  [1] 4
M[1:2, 2:3]
##       [,1] [,2]
##  [1,]    4    7
##  [2,]    5    8
# 给行列命名
colnames(M) = paste0("x_", 1:4)
rownames(M) = (letters[1:3])
M
##    x_1 x_2 x_3 x_4
##a   1   4   7  10
##b   2   5   8  11
##c   3   6   9  12
colnames(M) = 1:4
rownames(M) = c("一","二","三")
M
##   1 2 3  4
##一 1 4 7 10
##二 2 5 8 11
##三 3 6 9 12
colnames(M) = paste0("x_", 1:4)
rownames(M) = 1:3; M
##    x_1 x_2 x_3 x_4
##  1   1   4   7  10
##  2   2   5   8  11
##  3   3   6   9  12
# 同样的命令可调用行列名
colnames(M)
##  [1] "x_1" "x_2" "x_3" "x_4"
rownames(M)
##  [1] "1" "2" "3"
## (2) 将多个矩阵合并 ##
cbind() #按列合并
rbind() #按行合并
#例：
(A = matrix(1:9, nrow = 3, ncol = 3, byrow = T))
##       [,1] [,2] [,3]
##  [1,]    1    2    3
##  [2,]    4    5    6
##  [3,]    7    8    9
(B = diag(11:13))
##       [,1] [,2] [,3]
##  [1,]   11    0    0
##  [2,]    0   12    0
##  [3,]    0    0   13
rbind(A, B) 
##       [,1] [,2] [,3]
##  [1,]    1    2    3
##  [2,]    4    5    6
##  [3,]    7    8    9
##  [4,]   11    0    0
##  [5,]    0   12    0
##  [6,]    0    0   13
cbind(A, B) 
##       [,1] [,2] [,3] [,4] [,5] [,6]
##  [1,]    1    2    3   11    0    0
##  [2,]    4    5    6    0   12    0
##  [3,]    7    8    9    0    0   13
### 3.矩阵的数学操作 ###
## (1) 矩阵的加减乘运算 ##
A + B
##       [,1] [,2] [,3]
##  [1,]   12    2    3
##  [2,]    4   17    6
##  [3,]    7    8   22
A - B
##       [,1] [,2] [,3]
##  [1,]  -10    2    3
##  [2,]    4   -7    6
##  [3,]    7    8   -4
A * B #错误的！！！仅仅是各个元素对应相乘
##       [,1] [,2] [,3]
##  [1,]   11    0    0
##  [2,]    0   60    0
##  [3,]    0    0  117
A %*% B #矩阵的乘法，线性代数的乘法
##       [,1] [,2] [,3]
##  [1,]   11   24   39
##  [2,]   44   60   78
##  [3,]   77   96  117
solve() #求矩阵的逆
#例：
hilbert <- function(n) { i <- 1:n; 1 / outer(i - 1, i, "+") }
h8 <- hilbert(8); h8
##[,1]      [,2]      [,3]       [,4]       [,5]       [,6]       [,7]       [,8]
##[1,] 1.0000000 0.5000000 0.3333333 0.25000000 0.20000000 0.16666667 0.14285714 0.12500000
##[2,] 0.5000000 0.3333333 0.2500000 0.20000000 0.16666667 0.14285714 0.12500000 0.11111111
##[3,] 0.3333333 0.2500000 0.2000000 0.16666667 0.14285714 0.12500000 0.11111111 0.10000000
##[4,] 0.2500000 0.2000000 0.1666667 0.14285714 0.12500000 0.11111111 0.10000000 0.09090909
##[5,] 0.2000000 0.1666667 0.1428571 0.12500000 0.11111111 0.10000000 0.09090909 0.08333333
##[6,] 0.1666667 0.1428571 0.1250000 0.11111111 0.10000000 0.09090909 0.08333333 0.07692308
##[7,] 0.1428571 0.1250000 0.1111111 0.10000000 0.09090909 0.08333333 0.07692308 0.07142857
##[8,] 0.1250000 0.1111111 0.1000000 0.09090909 0.08333333 0.07692308 0.07142857 0.06666667
sh8 <- solve(h8);sh8
##[,1]      [,2]       [,3]       [,4]        [,5]        [,6]        [,7]       [,8]
##[1,]      64     -2016      20160     -92400      221760     -288288      192192     -51480
##[2,]   -2016     84672    -952560    4656960   -11642400    15567552   -10594584    2882880
##[3,]   20160   -952560   11430720  -58212000   149688000  -204324119   141261119  -38918880
##[4,]  -92400   4656960  -58212000  304919999  -800414996  1109908794  -776936155  216215998
##[5,]  221760 -11642400  149688000 -800414996  2134439987 -2996753738  2118916783 -594593995
##[6,] -288288  15567552 -204324119 1109908793 -2996753738  4249941661 -3030050996  856215352
##[7,]  192192 -10594584  141261119 -776936154  2118916782 -3030050996  2175421226 -618377753
##[8,]  -51480   2882880  -38918880  216215998  -594593995   856215351  -618377753  176679358
round(sh8 %*% h8, 3)
##[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
##[1,]    1    0    0    0    0    0    0    0
##[2,]    0    1    0    0    0    0    0    0
##[3,]    0    0    1    0    0    0    0    0
##[4,]    0    0    0    1    0    0    0    0
##[5,]    0    0    0    0    1    0    0    0
##[6,]    0    0    0    0    0    1    0    0
##[7,]    0    0    0    0    0    0    1    0
##[8,]    0    0    0    0    0    0    0    1
#矩阵的数学操作函数
A+B;A-B;A*B #对矩阵的各个元素完成加减乘运算
A%*%B #矩阵乘法
crossprod(A,B) #矩阵A的转置与矩阵B的乘法
tcrossprod(A,B) #矩阵A与矩阵B的转置的乘法
t(A) #求矩阵A的转置
solve(A) #求矩阵A的逆
eigen(A) #对矩阵进行特征值分解，结果输出特征值及特征向量
svd(A) #对矩阵进行svd奇异值分解，结果可输出矩阵A的奇异值及两个正交阵U，V
#例：
# 矩阵的转置、求逆及分解
#原型：
(A = matrix(1:9, nrow = 3, ncol = 3, byrow = T))
##[,1] [,2] [,3]
##[1,]    1    2    3
##[2,]    4    5    6
##[3,]    7    8    9
(B = diag(11:13))
##[,1] [,2] [,3]
##[1,]   11    0    0
##[2,]    0   12    0
##[3,]    0    0   13
#求：
solve(B)  # 求矩阵逆
##             [,1]       [,2]       [,3]
##  [1,] 0.09090909 0.00000000 0.00000000
##  [2,] 0.00000000 0.08333333 0.00000000
##  [3,] 0.00000000 0.00000000 0.07692308
t(A)      # 求矩阵转置
##       [,1] [,2] [,3]
##  [1,]    1    4    7
##  [2,]    2    5    8
##  [3,]    3    6    9
eigen(A)  # 特征值分解
##  eigen() decomposition
##  $values
##  [1]  1.611684e+01 -1.116844e+00 -1.303678e-15
##  
##  $vectors
##             [,1]        [,2]       [,3]
##  [1,] -0.2319707 -0.78583024  0.4082483
##  [2,] -0.5253221 -0.08675134 -0.8164966
##  [3,] -0.8186735  0.61232756  0.4082483
svd(A)    # 奇异值svd分解
##  $d
##  [1] 1.684810e+01 1.068370e+00 4.418425e-16
##  
##  $u
##             [,1]       [,2]       [,3]
##  [1,] -0.2148372  0.8872307  0.4082483
##  [2,] -0.5205874  0.2496440 -0.8164966
##  [3,] -0.8263375 -0.3879428  0.4082483
##  
##  $v
##             [,1]        [,2]       [,3]
##  [1,] -0.4796712 -0.77669099 -0.4082483
##  [2,] -0.5723678 -0.07568647  0.8164966
##  [3,] -0.6650644  0.62531805 -0.4082483
## (2) rARPACK的应用 ##
# 打开这个包
# install.packages("rARPACK")
library(rARPACK) #rARPACK包主要针对大规模矩阵运算
eigs() #进行特征值分解
svds() #进行SVD分解
# 构造一个1000维的大型矩阵
T = matrix(1:1000000, 1000, 1000)
# 正常分解与快速分解的对比，此处以选择前5个特征（奇异）值为例
system.time(svd(T))
## 用户 系统 流逝 
## 2.07 0.00 2.08
system.time(svds(T, 5)) 
## 用户 系统 流逝 
## 0.06 0.00 0.08 
system.time(eigen(T))
## 用户 系统 流逝 
## 4.33 0.02 4.35 
system.time(eigs(T, 5))
## 用户 系统 流逝 
## 0.12 0.00 0.12
#额外备注：system.time()统计一个程序运行时间的函数
#如果里面用的是一个程序，那就用大括号{}括起来
#例：
a = 1+1
system.time({a = 1+1})
## 用户 系统 流逝 
## 0    0    0 
## (3) 稀疏矩阵 ##
# install.packages("Matrix")
library(Matrix) #Matrix包提供了很多独特的存储、处理稀疏矩阵的方法
#生成稀疏矩阵的两个函数：Matrix()和spMatrix()
Matrix(vector,nrow=number_of_row,ncol=number_of_column,sparse = TRUE/FALSE)
#Matrix()和matrix()类似，区别在于需要设定参数Sparse=T或F来定于是否稀疏矩阵
#假如Sparse=T，则会生成dgCMatrix稀疏矩阵类型，先将列按顺序排好再存储起来的方式存储
#假如不设定该参数，则会自动数矩阵中的0的个数，超过一半就会设置为稀疏模式
#例：
# 生成普通矩阵
vector = c(1:3, rep(0, 5), 6:9)
(m1 = matrix(vector, nrow = 3, ncol = 4))
##       [,1] [,2] [,3] [,4]
##  [1,]    1    0    0    7
##  [2,]    2    0    0    8
##  [3,]    3    0    6    9
# 生成稀疏矩阵方法1
(m2 = Matrix(vector, nrow = 3 ,ncol = 4, sparse = TRUE))
##  3 x 4 sparse Matrix of class "dgCMatrix"
##              
##  [1,] 1 . . 7
##  [2,] 2 . . 8
##  [3,] 3 . 6 9
(m3 = Matrix(vector, nrow = 3 ,ncol = 4, sparse = FALSE))
##  3 x 4 Matrix of class "dgeMatrix"
##       [,1] [,2] [,3] [,4]
##  [1,]    1    0    0    7
##  [2,]    2    0    0    8
##  [3,]    3    0    6    9
spMatrix(nrow,ncol,i=integer(),j=integer(),x=numeric()) 
#前两个参数设定矩阵的行列数，i设定需要填补数字的行号，j为列号，x就是需要填补的元素
#spMatrix()函数则通过定义非0元素的行列位置来生成dgTMatrix稀疏矩阵类型
#dgTMatrix稀疏矩阵类型存储方式是将非0元素所在的行、列以及它的值构成一个三元组（i,j,v),再按某种规律把它们存储起来
#例：
# 生成稀疏矩阵方法2
(m4 = spMatrix(10, 20, i = c(1, 3:8), j = c(2, 9, 6:10), x = 7 * (1:7)))
##  10 x 20 sparse Matrix of class "dgTMatrix"
##                                                    
##   [1,] . 7 . . .  .  .  .  .  . . . . . . . . . . .
##   [2,] . . . . .  .  .  .  .  . . . . . . . . . . .
##   [3,] . . . . .  .  .  . 14  . . . . . . . . . . .
##   [4,] . . . . . 21  .  .  .  . . . . . . . . . . .
##   [5,] . . . . .  . 28  .  .  . . . . . . . . . . .
##   [6,] . . . . .  .  . 35  .  . . . . . . . . . . .
##   [7,] . . . . .  .  .  . 42  . . . . . . . . . . .
##   [8,] . . . . .  .  .  .  . 49 . . . . . . . . . .
##   [9,] . . . . .  .  .  .  .  . . . . . . . . . . .
##  [10,] . . . . .  .  .  .  .  . . . . . . . . . . .
summary(m4) #统一看到它填补元素的情况
##  10 x 20 sparse Matrix of class "dgTMatrix", with 7 entries 
##    i  j  x
##  1 1  2  7
##  2 3  9 14
##  3 4  6 21
##  4 5  7 28
##  5 6  8 35
##  6 7  9 42
##  7 8 10 49
# 当行列数分别为10000时，稀疏矩阵的内存大小和生成时间优势均很明显。
n = 10000
m1 = matrix(0, nrow = n, ncol = n)
m2 = Matrix(0, nrow = n, ncol = n, sparse = TRUE)
object.size(m1); object.size(m2) #求占的内存大小
##  800000200 bytes
##  41632 bytes 
system.time(matrix(0, nrow = n, ncol = n)) #统计运行时间
##     user  system elapsed 
##     0.29    0.14    0.42
system.time(Matrix(0, nrow = n, ncol = n, sparse = TRUE))
##     user  system elapsed 
##        0       0       0
# 两种矩阵计算区别
n = 1000
dat = sample(c(0, 1), n^2, replace = TRUE, prob = c(0.9, 0.1))
m1 = matrix(dat, nrow = n, ncol = n); m1[1:6, 1:6]
##       [,1] [,2] [,3] [,4] [,5] [,6]
##  [1,]    0    0    0    0    0    0
##  [2,]    0    0    0    0    0    0
##  [3,]    0    0    0    0    0    1
##  [4,]    0    0    0    0    1    0
##  [5,]    0    1    1    1    0    0
##  [6,]    0    0    0    0    0    1
m2 = Matrix(dat, nrow = n, ncol = n, sparse = TRUE); m2[1:6, 1:6]
##  6 x 6 sparse Matrix of class "dgCMatrix"
##                  
##  [1,] . . . . . .
##  [2,] . . . . . .
##  [3,] . . . . . 1
##  [4,] . . . . 1 .
##  [5,] . 1 1 1 . .
##  [6,] . . . . . 1
# 求乘积运算时间对比
system.time(m1 %*% t(m1))
##     user  system elapsed 
##     1.04    0.00    1.08
system.time(m2 %*% t(m1))
##     user  system elapsed 
##     0.14    0.00    0.16
#########################################
#总结#
 
matrix(vector,nrow=number_of_rows,ncol=number_of_columns,byrow=T/F) #生成一个矩阵
diag() #生成一个对角矩阵
rep(x,n) #将vector x的值循环n遍 
dim(M)# 查看矩阵的维度/行列数
nrow(M) # 提取矩阵的行数
ncol(M) # 提取矩阵的列数
M[1, 2] # 引用元素
M[1:2, 2:3] # 引用元素
colnames(M) = paste0("x_", 1:4) # 给列命名
rownames(M) = (letters[1:3]) # 给行命名
colnames(M) = 1:4  # 给列命名
rownames(M) = c("一","二","三") # 给行命名
colnames(M) # 同样的命令可调用行名
rownames(M) # 同样的命令可调用列名
cbind() #按列合并
rbind() #按行合并
#矩阵的数学操作函数
A+B;A-B;A*B #对矩阵的各个元素完成加减乘运算
A%*%B #矩阵乘法
crossprod(A,B) #矩阵A的转置与矩阵B的乘法
tcrossprod(A,B) #矩阵A与矩阵B的转置的乘法
t(A) #求矩阵A的转置
solve(A) #求矩阵A的逆
eigen(A) #对矩阵进行特征值分解，结果输出特征值及特征向量
svd(A) #对矩阵进行svd奇异值分解，结果可输出矩阵A的奇异值及两个正交阵U，V
#rARPACK包
library(rARPACK) #rARPACK包主要针对大规模矩阵运算
eigs() #进行特征值分解
svds() #进行SVD分解
system.time() #统计一个程序运行时间的函数
library(Matrix) #Matrix包提供了很多独特的存储、处理稀疏矩阵的方法（做大规模矩阵运算使用的包）
Matrix(vector,nrow=number_of_row,ncol=number_of_column,sparse = TRUE/FALSE)#Sparse=T，则会生成dgCMatrix稀疏矩阵类型
spMatrix(nrow,ncol,i=integer(),j=integer(),x=numeric())#dgTMatrix稀疏矩阵类型
summary() #统一看到spMatrix()填补元素的情况
#########################################
pdc31czy
关注
  • 4
    点赞
  • 踩
  • 57
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
R语言创建使用矩阵（按行、按列填充，矩阵命名，矩阵下标使用，数据框转换为矩阵）
程序必须为人类阅读而编写，并且仅仅碰巧可以让机器执行
12-27 1万+
文章目录创建矩阵按行、按列填充矩阵命名矩阵下标使用转换数据框为矩阵 创建矩阵 代码： cells <- c(1, 26, 24, 68) rnames <- c("R1", "R2") cnames <- c("C1", "C2") mymatrix <- matrix(data = cells, nrow = 2, ncol = 2, byrow = TRUE, dimnames = list(rnames, cnames)) is.m
R语言-- R语言数据类型（1）
qq_48566899的博客
12-28 403
一、向量 1. 创建 # 1.1.1 请利用c函数，输入5门专业课程的名称，组成向量nms。 print('----1.1.1') nms <- c('语文','数学','英语','历史','物理') print(nms) # 1.1.2 请利用vector函数初始化score向量，记录问题1中5门专业课程的成绩。 print('----1.1.2') score <- vector(mode = 'numeric',length = 5) score <- c(85,90,95,75,
R语言学习—4—数据矩阵及R表示
最新发布
2301_78696436的博客
05-02 750
在R中，c()函数用于创建向量或组合数据对象。它在某些情况下可能会被省略，因为R有一些隐式的向量创建规则。例如，当你使用操作符创建一个数字序列时，R会自动创建一个向量，所以你不需要显式地调用c()函数。例如，a = 1:9就是一个隐式调用c()函数的例子，它创建了一个包含1到9的整数序列的向量。而在某些情况下，你可能需要显式地使用c()函数来组合元素，例如当你想要手动创建一个包含不连续元素的向量时，就需要使用c()函数了，比如。
R语言入门-矩阵
weixin_44062761的博客
10-18 9178
文章目录矩阵一、矩阵的创建二、一般矩阵的运算 矩阵 提示：以下是本篇文章正文内容，下面案例可供参考 一、矩阵的创建 用这种方法需要事先向R声明y是一个矩阵，并且给出它的行数和列数。 y<- matrix(nrow=2,ncol=2) y[1,1] <- 1 y[2,1]<- 2 y[1,2]<- 3 y[2,2]<- 4 二、一般矩阵的运算 （线性代数运算，矩阵索引和矩阵元素筛选） 矩阵的索引 ...
基于R语言的k-prototypes聚类算法.zip
03-09
在提供的文件“ k-Prototypes聚类”和“ clustMixType修改的函数”中可以找到用于执行此工作的函数。... 还使用R软件库中包含的Iris数据库提供了一个示例，该示例被广泛用于例示和验证以R语言开发的算法。
R语言中矩阵运算.pdf
06-24
在R语言中，矩阵是一种非常基础且重要的数据结构，它在数据分析、统计计算以及科学建模等领域中扮演着核心角色。下面将详细讲解R语言中矩阵的生成、矩阵的四则运算以及矩阵的矩阵运算。 1. **矩阵的生成** 在R语言...
R语言.R-2.11.1-win32
07-16
R语言是一种广泛应用于统计分析、数据挖掘、机器学习和图形绘制等领域的开源编程语言和环境。R语言.R-2.11.1-win32 是R语言的一个特定版本，适用于Windows 32位操作系统。这个版本发布于2010年，虽然现在已经有了...
R语言使用笔记-2012
07-16
R 语言使用笔记-2012 本资源摘要信息涵盖了 R 语言的基础知识和高级应用，从基本操作到统计建模和数据分析，涵盖了 R 语言的各方面。 基础操作 * 数组赋值操作：使用 `<-` 运算符将值赋给变量，例如 `X1 <- c(,,,...
R语言-3.5.2_x64_x32.rar
06-10
R语言是一种广泛应用于统计分析、数据挖掘、机器学习和图形绘制的高级编程语言。这个名为“R语言-3.5.2_x64_x32.rar”的压缩包文件包含了R语言的3.5.2版本，它支持64位（x64）和32位（x32）操作系统。在本文中，我们...
R语言开发之矩阵操作了解下
luyaran的博客
09-14 1046
矩阵是其中元素以二维矩形布局排列的R对象，它们包含相同原子类型的元素。 虽然我们可以创建一个仅包含字符或仅包含逻辑值的矩阵，但它们没有太多用处，我们通常使用包含数学元素的矩阵来在数学计算中使用，并且通过使用matrix()函数来创建矩阵。基本语法如下： matrix(data, nrow, ncol, byrow, dimnames) 参数描述如下： data - 是将要转为矩阵元素的输入...
R语言如何生成对角矩阵、如何计算矩阵的特征值和特征向量？
statistics+insight+vista+power
04-02 2240
R语言如何生成对角矩阵、如何计算矩阵的特征值和特征向量？
r语言矩阵c(-1-16-18),R语言矩阵操作
weixin_30126409的博客
05-22 1356
1.1 矩阵的生成生成一个4行4列的矩阵，这里用1~16数字。mat mat1 5 9132 6 10143 7 11154 8 12161.2 提取主对角线diag(mat)1611161.3 生成对角线为1的对角矩阵m1 m110000100001000011.4 提取矩阵的下三角mat[lower.tri(mat)]23478121.5 提取矩阵上三角mat[upper.tri(mat)]...
R语言学习之矩阵的建立
不起眼的小学生
10-21 1万+
R语言的实质实质上是与matlab差不多的，都是以矩阵为基础的， 创建矩阵的方法如下 y 实际上如果已经指定了行数和值的话 ，列数就可以省略掉，R语言默认是以列为分布的，实质上就是按列来进行存取，可以看下面的截图 实质上若想以列进行分布的话 只要把byrow设为true即可 默认参数如下所示 最后一个还具体没搞清楚，等下再说
R语言矩阵的创建、使用和筛选
XIUXIU179的博客
06-20 9145
矩阵是按列储存的，也是说先储存第一列，再按顺序储存第二列，并依此类推。（当给定的行数和列数之积大于给定的向量中元素的个数时，系统会采取循环补齐方式来对矩阵进行填充），向量的赋值可以表示删除某行或者某个值。&gt; matrix(c(1,2,3,4,5,6),nrow = 2, ncol = 3) [,1] [,2] [,3] [1,] 1 3 5 [2,] 2 ...
矩阵乘以它的转置
热门推荐
jacke121的专栏
11-12 7万+
矩阵乘以它的转置
R语言 创建矩阵
张恒华的博客
04-03 2万+
矩阵 向量vector用于描述一维数据，是R语言中最基础的数据结构形式 矩阵matrix可以描述二维数据，和向量相似，其内部元素可以是实数、复数、字符、逻辑型数据 矩阵包含行和列，分为单位矩阵、对角矩阵和普通矩阵。矩阵可以进行四则运算，以及进行求特征值、特征向量等运算 矩阵matrix使用两个下标来访问元素，A[i,j]表示矩阵A第i行、第j列的元素 矩阵创建——matrix函数 matri...
R语言基础入门（10）之矩阵和数组
PY洋洋
02-06 3716
1.矩阵 创建矩阵 查看矩阵的行与列数 转置 2.矩阵子集 3.矩阵行列命名 4.命名后取子集 5.逻辑下标取子集 6.正整数向量的矩阵取子集 7.返回对角线向量 8.创建单位矩阵 9.cbind() 和 rbind() 函数 10.矩阵运算 10.1四则运算 10.2矩阵乘法 10.3向量与矩阵相乘 10.4 内积 10.5 外积 10.6逆矩阵与线性方程组求解 10.7apply() 函数 10.8多维数组
R语言建立矩阵
qq_24059779的博客
07-14 1万+
matrix(data=NA, nrow = 1, ncol = 1, byrow = FALSE, dimnames = NULL) data：矩阵的元素，默认为NA，即未给出元素值的话，各项为NA nrow：矩阵的行数，默认为1； ncol：矩阵的列数，默认为1； byrow：元素是否按行填充，默认按列； dimnames：以字符型向量表示的行名及列名。 （1）创建形式...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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