R学习——霍普金斯大学week1

在这里插入
"数据基本处理"
#创建函数
myfunction <- function(){
  x <- rnorm(100)
  mean(x)
}


#nothing print
second <- function(x){
  x + rnorm(length(x))
}


x <- 1:20
print(x)

#获取当前的空间
getwd()

#设置工作空间
setwd("D:")

#加载其它的包
source("mycode.R")

#显示当前有哪些函数
ls()


"数据类型：矢量"
g=c(1,"a")
g


'数据类型 matric '

## 数据类型 矩阵

#way1

m<- matrix(nrow=2,ncol=3)
m

#way2
m<- matrix(1:6,nrow=2,ncol=3)
m

#[,1] [,2] [,3]
#[1,]    1    3    5
#[2,]    2    4    6

#way3
m<- 1:10
m
dim(m)<-c(2,5)
m
#[,1] [,2] [,3] [,4] [,5]
#[1,]    1    3    5    7    9
#[2,]    2    4    6    8   10
#先列再行

#way4 cbind rbind
x<-1:3
y<-10:12
cbind(x,y)
rbind(x,y)



'数据类型 factors '

#function:记录分类的数据，可以记录有序的数据也可以记录无序的数据


x<- factor(c('yes','yes','no','yes','no'))
x

# 分类标签和数量
table(x)

#把分类用数字形象的表示出来，把数值类型变成整型
unclass(x)

#表示出label 表示单独的属性。这里默认为no为基线水平，而yes是第二个水平
attr(x,"levels")

#把yes设置为基线水平
x<- factor(c('yes','yes','no','yes','no'),
           levels=c('yes','no'))
x


'Missing Values的数据类型'
#NaN表示未定义的数学运算，NA表示其他缺失值
x<- c(1,2,NA,10,3)
is.na(x)
is.nan(x)
x<-c(1,2,NaN,NA,4)
is.na(x)
is.nan(x)



'Data Frames的数据类型'
# 是用来储存数据表格的重要数据类型
# 数据框内可以是不同的类型
# 可以通过read.table*()和read.csv()来创建数据框，也可以通过data.frame()来创建。

x<-data.frame(foo= 1:4,bar= c(T,F,T,F))
x
nrow(x)#输出类别
ncol(x)



'names的数据类型'
x<-1:3
names(x)
x
#null
names(x)<-c("foo","bar","norf")
x
names(x)


# 列表也是有名字的
x<-list(a=1,b=2,c=3)
x #会对应输出相应的名字

# metrix也有名字
m<-matrix(1:4,nrow = 2,ncol = 2)
dimnames(m)<-list(c('a','b'),c('c','d'))
m


"R读写数据"
read.table()是最常用的

#read.table()默认分割符为空格，而read.csv()默认分割符为逗号
# 其他就没有什么差别了
# csv comma separated value




"用R读取大量的数据集"
#如果没有注释的话
可以设置comment.char = ""

# 设置数据类型（加快速度），设置行（能够节约内存）
colClasses="numeric"
nrow =100

#了解自己电脑的情况
# 1、计算机有多大内存？
# 2、计算机有多大物力内存？




"保存的数据类型"
# dput
y<- data.frame(a =1, b="a")
dput(y)
structure(list(a=1,
               b=structure(1L, .Label= "a",
                           class = "factor")),
          .Names =c("a","b"),row.names=c(NA,-1L),
          class = "data.frame")
dput(y,file="y.R")
new.y<- dget("y.R")
new.y

#dump
x<-"foo"
y<- data.frame(a=1 ,b="a")
dump(c("x","y"),file="data.R")
rm(x,y)
source("data.R")
y



"与外界世界连接"
# connection 
con<- file("foo.txt","r")
data<-read.csv(con)
close(con)

# is the same as 
data<- read.csv("foo.txt")

#Reading Lines of a Text File
con<- gzfile("word.gz")
x<- readLines(con,10)
x

# html
con<- url("http:www.google.com","r")
x <-readLines(con)
head(x)



"基础数据类型"
#单括号只能一个数据类型，双括号可以多个数据类型
#可以创建一个逻辑符号

#数字索引
x<- c("a","b","c","d","e")
u<-x>"a"
u

#逻辑索引
x[u]


"Subsetting List"
x<- list(foo=1:4, bar= 0.6)
x[1]
#$foo
#[1] 1 2 3 4

x[[1]]
#[1] 1 2 3 4

#返回名字为"bar"的元素
x$bar
#[1] 0.6

#获取一个列表的多个元素，获取第1个和第3个元素
x<- list(foo=1:4, bar= 0.6, baz="hello")
x[c(1,3)]


#注意
x<- list(foo=1:4, bar= 0.6, baz="hello")
name<-"foo"
x[[name]]
#[1] 1 2 3 4

#对一个变量进行赋值，不能用$name
x$name
#NULL
x$foo
#[1] 1 2 3 4


x<- list(a=list(10,12,14),b=c(3.14,2.18))
x[[c(1,3)]]
#[1] 14

x[[1]][[3]]
# [1] 14

x[[c(2,1)]]
#[1] 3.14



"对矩阵子集化"
x<-matrix(1:6, 2, 3)
x[1, 2]

x[2,1]

x[1,]

x[,2]

#返回的是元素，而不是矩阵
#使用单层括号时，返回的对象和原对象类型相同

x<-matrix(1:6, 2, 3)
x[1, 2]

x[1, 2, drop = FALSE][,1]

#当drop为true时，对应的是个矩阵


x<-matrix(1:6, 2, 3)
x[1, ]

x[1, ,drop = FALSE]

#当不是自己想要的类型时，直接把drop = FALSE
#这样即为相反的值


"模糊匹配"
x<- list(aardvark = 1:5) # 数列
x$a

x[["a"]] # 准确搜索
x[["a", exact = FALSE]]


"去除缺失值"
x<- c(1 ,2 ,NA, 4, NA, 5)
bad <- is.na(x)
x[!bad]
#[1] 1 2 4 5

#Removing NA Value
x<- c(1, 2, NA, 4, NA,5)
y<- c("a","b",NA ,"d", NA, "f")
good <- complete.cases(x, y)
good
#[1]  TRUE  TRUE FALSE  TRUE FALSE  TRUE
x[good]
#[1] 1 2 4 5
y[good]
#[1] "a" "b" "d" "f"


"向量"
x<- 1:4; y<-6:9
x+y
#[1]  7  9 11 13
x>2
#[1] FALSE FALSE  TRUE  TRUE
y==8
#[1] FALSE FALSE  TRUE FALSE
x*y
#[1]  6 14 24 36
x/y
#[1] 0.1666667 0.2857143 0.3750000 0.4444444

x<- matrix(1:4, 2, 2);y<- matrix(rep(10,4), 2, 2)
x*y
#[,1] [,2]
#[1,]   10   30
#[2,]   20   40
x/y
#[,1] [,2]
#[1,]  0.1  0.3
#[2,]  0.2  0.4
x %*% y #matrix calculate
#[,1] [,2]
#[1,]   40   40
#[2,]   60   60代码片