2.4.4 数组与矩阵的建立

数组是一个K维的数据表；矩阵是数组的特例，k=2；向量也是，k=1；

向量、矩阵和数组的所有元素必须是同一类型的，这个和数据框（data.frame)和列表（list）是不一样的。

对于一个向量，属性由类型和长度组成，但是对于矩阵和数组，包括三个：类型，长度，维数（dim）。

数组的建立：

array（data，dim，dimnames）；dim(A);colnames(A);rownames(A);dimnames(A);

data为一个向量，元素用于构建数组；

dim为数组的维数向量，数值型的向量；

dimnames为和维数对应的名称的向量，缺省为空。

***数据填充规则：111,211,121,221,131,231,112,212,122,222,132,232

***data不够会使用循环准则。

Example：

> a <- array(1:12, dim=c(2,3,2), dimnames=list(c('a','b'),c('c','d','e'),c('f','g'))
+ )
> a
, , f

  c d e
a 1 3 5
b 2 4 6

, , g

  c  d  e
a 7  9 11
b 8 10 12

> colnames(a)
[1] "c" "d" "e"
> rownames(a)
[1] "a" "b"
> dimnames(a)
[[1]]
[1] "a" "b"

[[2]]
[1] "c" "d" "e"

[[3]]
[1] "f" "g"

矩阵的建立：

array（）；矩阵也是数组,row=行，column=列

matrix（data, nr, nc, rownames, dimnames, colnames, dim，byrow=FALSE）；矩阵建立

diag（data, nr, nc, rownames, dimnames, colnames, dim, byrow=FALSE）；对角矩阵

Example：

> a <- array(1:6, c(3,2)) #数组的建立方法，注意数字的排列
> a
     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6
> b <- array(1:4, c(3,2))
> b
     [,1] [,2]
[1,]    1    4
[2,]    2    1
[3,]    3    2
> c <- matrix(7,nr=2,nc=3)
> c
     [,1] [,2] [,3]
[1,]    7    7    7
[2,]    7    7    7
> c <- matrix(1:6,nr=2,nc=3)
> c
     [,1] [,2] [,3]
[1,]    1    3    5
[2,]    2    4    6
> c <- diag(3) #对角阵默认为1
> c
     [,1] [,2] [,3]
[1,]    1    0    0
[2,]    0    1    0
[3,]    0    0    1
> c <- c("a","b","c","d") #可以通过变量建立任意对角阵
> diag(c)
     [,1] [,2] [,3] [,4]
[1,] "a"  "0"  "0"  "0"
[2,] "0"  "b"  "0"  "0"
[3,] "0"  "0"  "c"  "0"
[4,] "0"  "0"  "0"  "d"
> diag(7, nr=3, nc=5) #非方阵的两种情况
     [,1] [,2] [,3] [,4] [,5]
[1,]    7    0    0    0    0
[2,]    0    7    0    0    0
[3,]    0    0    7    0    0
> diag(7, nr=5, nc=3)
     [,1] [,2] [,3]
[1,]    7    0    0
[2,]    0    7    0
[3,]    0    0    7
[4,]    0    0    0
[5,]    0    0    0
> X <- matrix(1:6,2)
> X
     [,1] [,2] [,3]
[1,]    1    3    5
[2,]    2    4    6
> rownames(X) <- c("a","b") #添加行标
> colnames(X) <- c('c','d','e') #添加列标
> X
  c d e
a 1 3 5
b 2 4 6
> dim(X)
[1] 2 3
> dimnames(X)  #提取维数的名称
[[1]]
[1] "a" "b"

[[2]]
[1] "c" "d" "e"

> X <- matrix(1:6,2,byrow=TRUE)  #默认情况按照列就行排序，可以按照行就行排序。
> X
     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
> X <- matrix(1:4,2,3,byrow=TRUE) #循环准则不是倍数，可以执行，但是会出警告
警告信息：
In matrix(1:4, 2, 3, byrow = TRUE) : 数据长度[4]不是矩阵列数[3]的整倍数
> X
     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    1    2
> diag(1:4, nr=5, nc=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
[5,]    0    0    0    0

数组与矩阵的下标（index）与子集（元素）的提取

 同向量的下标一样，矩阵和数组的小标可以使用正整数、负整数和逻辑表达式，从而实现子集的提取或修改。

Example：
> a <- matrix(1:6,2,3)  #构建矩阵
> a
     [,1] [,2] [,3]
[1,]    1    3    5
[2,]    2    4    6
> a[2,3]  #提取元素
[1] 6
> a[3,]  #无意义的报错
错误: 下标出界
> a[2,] #提取一行
[1] 2 4 6
> a[,3] #提取一列
[1] 5 6
> a[,3,drop=FALSE]  #格式化表示
     [,1]
[1,]    5
[2,]    6
> a[,c(2,3),drop=FALSE]
     [,1] [,2]
[1,]    3    5
[2,]    4    6
> a[-1,]   #去掉第一行
[1] 2 4 6
> a[,-1]  #去掉第一列
     [,1] [,2]
[1,]    3    5
[2,]    4    6
> a[,-2]  #去掉第二列
     [,1] [,2]
[1,]    1    5
[2,]    2    6
> a[,-3]  #去掉第三列
     [,1] [,2]
[1,]    1    3
[2,]    2    4
> a[3,] <- NA  #不能超过定义的值就行赋值
错误于a[3, ] <- NA : 下标出界
> a[2,] <- "o"   #修改原来的数值
> a
     [,1] [,2] [,3]
[1,] "1"  "3"  "5"
[2,] "o"  "o"  "o"
> a[2,] <- NA  #定义缺失 “NA”
> a
     [,1] [,2] [,3]
[1,] "1"  "3"  "5"
[2,] NA   NA   NA 
> a[is.na(a)] <- 7   #把缺失值赋值为7 is.na为判断函数
> a
     [,1] [,2] [,3]
[1,] "1"  "3"  "5"
[2,] "7"  "7"  "7"

对矩阵的运算（函数）

 1）矩阵的代数运算

 t()　　转置

diag()　　取矩阵的对角线元素

rbind()　　按行合并矩阵

cbind()　　按列合并矩阵

"*"　　矩阵的逐元乘积，也就是对应元素相乘，要求对应矩阵维数一致

"%*%"　　矩阵的代数乘积，就是矩阵乘法。

det()　　　方阵的行列式

crossprod()　　交叉乘积(cross product)，对应行列之间互乘

eigen()　　特征根与特征向量

qr()　　QR分解

Example：

> X <- matrix(1:6,2,byrow=TRUE)
> X
     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
> t(X)
     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6
> diag(X)
[1] 1 5
> Y <- matrix(7:12,2,byrow=TRUE)
> Y
     [,1] [,2] [,3]
[1,]    7    8    9
[2,]   10   11   12
> rbind(X,Y)
     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
[3,]    7    8    9
[4,]   10   11   12
> cbind(X,Y)
     [,1] [,2] [,3] [,4] [,5] [,6]
[1,]    1    2    3    7    8    9
[2,]    4    5    6   10   11   12
> cbind(X<Y)
     [,1] [,2] [,3]
[1,] TRUE TRUE TRUE
[2,] TRUE TRUE TRUE
> X
     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
> Y
     [,1] [,2] [,3]
[1,]    7    8    9
[2,]   10   11   12
> X*Y
     [,1] [,2] [,3]
[1,]    7   16   27
[2,]   40   55   72
> t(Y)
     [,1] [,2]
[1,]    7   10
[2,]    8   11
[3,]    9   12
> X%*%t(Y)
     [,1] [,2]
[1,]   50   68
[2,]  122  167
> det(X%*%t(Y))
[1] 54
> crossprod(X,Y)
     [,1] [,2] [,3]
[1,]   47   52   57
[2,]   64   71   78
[3,]   81   90   99
> eigen(crossprod(X,Y))
$values
[1]  2.167509e+02  2.491340e-01 -2.728224e-15

$vectors
           [,1]        [,2]       [,3]
[1,] -0.4129031 -0.75120198  0.4082483
[2,] -0.5640129 -0.04638054 -0.8164966
[3,] -0.7151227  0.65844090  0.4082483

> qr(crossprod(X,Y))
$qr
             [,1]         [,2]          [,3]
[1,] -113.4283915 -125.8767740 -1.383252e+02
[2,]    0.5642326   -0.1943553 -3.887106e-01
[3,]    0.7141069    0.9793598  7.556618e-15

$rank
[1] 2

$qraux
[1] 1.414358e+00 1.202124e+00 7.556618e-15

$pivot
[1] 1 2 3

attr(,"class")
[1] "qr"

2）矩阵的统计运算

 max();min();median();var();sd();sum();cumsum();cumprod();cummax();cummin();cov();cor();后面两个主要是为了计算矩阵的协方差阵和相关系数阵。

apply(X, MARGIN, FUN);

　　X　　矩阵

　　FUN　　函数名或“+-*/"

　　MARGIN=1　　按列计算

　　MARGIN=2　　按行计算

sweep（X,MARGIN，STATS，FUN）

　　表示从矩阵X中按照MARGIN计算STATS，并从X中除去（sweep out）；

Example：

> rnorm(n=12)  #随机数12个
 [1]  0.51283136  2.67288307  0.57151842 -0.85470819 -1.36383499 -1.93869581  2.70833337  1.78806889  0.72683697 -0.03599419
[11]  1.35793529  0.28600715
> a <- matrix(rnorm(n=12), nr=3)   #随机数矩阵
> a
            [,1]      [,2]       [,3]       [,4]
[1,] -0.60804198  1.608885 -0.6733028  0.4095975
[2,]  0.34911838  0.791119 -0.4506696 -0.9684538
[3,]  0.08997728 -2.008298 -1.1228689 -0.8552991
> apply(a, MARGIN=1, FUN=mean)   #按列计算平均值
[1]  0.18428437 -0.06972151 -0.97412210 
> apply(a, MARGIN=2, FUN=mean)  #按行计算平均值
[1] -0.05631544  0.13056867 -0.74894710 -0.47138512
> a <- matrix(1:12, 3 )
> a
     [,1] [,2] [,3] [,4]
[1,]    1    4    7   10
[2,]    2    5    8   11
[3,]    3    6    9   12
> apply(a, MARGIN=1, FUN=mean)
[1] 5.5 6.5 7.5
> apply(a, MARGIN=2, FUN=mean)
[1]  2  5  8 11
> scale(a, center=T, scale=T)  #标准化，具体怎么标准化的，没有看懂？？？？？？
     [,1] [,2] [,3] [,4]
[1,]   -1   -1   -1   -1
[2,]    0    0    0    0
[3,]    1    1    1    1
attr(,"scaled:center")
[1]  2  5  8 11
attr(,"scaled:scale")
[1] 1 1 1 1
> row.med <- apply(a, MARGIN=1, FUN=median)   #按列求取中位数
> row.med
[1] 5.5 6.5 7.5
> col.med
错误: 找不到对象'col.med'
> col.med <- apply(a, MARGIN=2, FUN=median)  #按行求取中位数
> col.med
[1]  2  5  8 11
> sweep(a,MARGIN=1, STATS=row.med, FUN='-') #按行减去求出的中位数
     [,1] [,2] [,3] [,4]
[1,] -4.5 -1.5  1.5  4.5
[2,] -4.5 -1.5  1.5  4.5
[3,] -4.5 -1.5  1.5  4.5

####

到此就结束了，内容比较多，比较杂，要多实践一下，没事就多重新造数据演示一下，反正免费的，呵呵

转载于:https://www.cnblogs.com/bangemantou/archive/2012/11/21/2780140.html