向量

向量是R语言最基本的数据类型。

单个数值(标量)其实没有单独的数据类型，它只不过是只有一个元素的向量。

x <- c(1, 2, 4, 9)

x <- c(x[1:3], 88, x[4])   #在最后一个数前面插入一个数值88，可以看到用x[4]可以取出第4个元素，用x[1:3]可以取出前3个元素

typeof(x)    #查看向量里的元素的类型，注意默认是double。[1] "double"

mode(x)    #r语言中变量类型称为模式(mode)。[1] "numeric"

length(x)  #获取向量的长度

 

R不需要提前申明变量，大小写敏感，数组是从1开始。

冒号运算符

1:4     #R是一种函数式语言，冒号也是一种运算符（实际上这是一种中置运算符的表示法），可以产生序列。[1] 1 2 3 4

":"(1, 4)    #与1:4是等价的，用引号引起来，就是一种函数名了，不过这种写法看上去比1:4怪异多了

5:1 #结果：[1] 5 4 3 2 1

1:10 - 1 #冒号的优先级比加减运算要高，实际上就是(1:10) - 1，结果： [1] 0 1 2 3 4 5 6 7 8 9 
1:(10-1) #结果：[1] 1 2 3 4 5 6 7 8 9

 

循环补齐recycle

这种特性在其它语言中以前还没有看见过！超强的向量运算功能！

y <- c(1,2,3) + 4     # 单个的数值4会被补齐为c(4,4,4)，最后结果为c(5,6,7)

c(1,2,3) * c(4,5,6)   # 结果：[1]  4 10 18，这里表示的两个向量中的元素分别相乘，如果想求向量的点积(dot prod)，就需要用这个%*%函数了

c(1,2,3) %*% c(4,5,6)  #结果是一个1x1的矩阵，其中只有一个元素14

c(1,2,3) * c(4,5,6,7) #结果：[1]  4 10 18  7。同时给出警告信息：长的对象长度不是短的对象长度的整倍数

　　

取模运算%%

c(7,8,9) %% 3  #结果：[1] 1 2 0

　　

向量索引

普通的语言中索引只能是正整数，但这里的索引可以是向量，还可以是负数。严格说来这不能叫索引，而是筛选操作，看后面的filtering

x <- c(1,3,5,7,9)

x[2] #结果：[1] 3

x[c(5,4,3,2,1)]   #结果为：[1] 9 7 5 3 1

x[sample(1:5)]  #把1,3,5,7,9乱序排列，每次运行你会得到一个不同的结果

x[-1] #[1] 3 5 7 9，把第一个元素除掉，这是我非常喜欢的语法特性！

x[1:3] #结果：[1] 1 3 5

　　

seq()创建向量

seq(from=12, to=30, by=3)    # 也可以写成： seq(12,30,3) 
[1] 12 15 18 21 24 27 30

seq(from=1.1, to=2, length=10) 
[1] 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

x <- c(1,2,4,8) 
seq(x) 
[1] 1 2 3 4

seq(1,5) #与1:5是一个意思

　　

rep重复向量常数

rep(8, 4) 
[1] 8 8 8 8

rep(1:3, 2) 
[1] 1 2 3 1 2 3

rep(1:3, each=2) 
[1] 1 1 2 2 3 3

　　

all()和any()

x<-(1:10) 
any(x>8) #只要向量中有一个大于8，就返回真 
[1] TRUE 
all(x>8) #所有都大于8，才返回真 
[1] FALSE

　　

向量化

w <- function(x) return (x+1)   #加号运算符支持向量，所以自定义的函数w也是向量化的！看上去简单的x+1，但我们已经写出了一个向量函数

w(1) #这是我们最熟悉的函数调用 
[1] 2

w(c(1,3,5)) #可以对向量进行运算 
[1] 2 4 6

　　

NA与NULL

在统计过程中，经常会遇到缺失值，称为NA，即Not Available。

R语言中许多函数可以忽略NA值。

x <- c(1,2,NA,4) 
mean(x)  #有缺失值，无法计算平均值 
[1] NA

mean(x, na.rm=TRUE) #忽略NA值 
[1] 2.333333

mean(c(1,2,NULL,4))   # NULL值会自动略过 
[1] 2.333333

length(c(1,2,NA,4))    #统计个数时NA被计算在内 
[1] 4

length(c(1,2,NULL,4)) 
[1] 3

　　

筛选filtering

有点像索引，因为也是放在[]里，可以把满足一定条件的元素取出来。

z <- 1:10 
z 
[1]  1  2  3  4  5  6  7  8  9 10

z[z%%2==0] 
[1]  2  4  6  8 10

z%%2    #取模 
[1] 1 0 1 0 1 0 1 0 1 0

z%%2==0    #注意这里的0被自动循环补齐 
[1] FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE

x<-c(1,3,5,6,9) 
x[x>3] <- 0   #把大于3的数值都置为0 
x 
[1] 1 3 0 0 0

#subset也是筛选，区别在于处理NA的方式上 
x<-c(1,2,NA,4,5) 
x[x>3] 
[1] NA  4  5 
subset(x, x>3)    #自动把NA剔除掉了 
[1] 4 5

#which()可以找到满足条件的元素的位置 
x <- c(5,2,-3,9,1) 
x[x*x>8] 
[1]  5 -3  9 
which(x*x>8) 
[1] 1 3 4

　　

向量化的ifelse()

x <- c(5,2,-3,9,1) 
ifelse(x>3, 2*x, 3*x) 
[1] 10  6 -9 18  3

　　

判断向量是否相等

x <- 1:3 
y <- c(1,3,4) 
all(x==y) 
[1] FALSE 
identical(x,y) 
[1] FALSE

　　

注意1:3是整数，c(1,2,3)是浮点数，它们不相等： 

identical(1:3, c(1,2,3)) 
[1] FALSE 
typeof(1:3) 
[1] "integer" 
typeof(c(1,2,3)) 
[1] "double"

　　

给向量元素命名names()

workdays <- 1:5 
names(workdays) <- c("mon", "tue", "wed", "thu", "fri") 
workdays 
mon tue wed thu fri 
  1   2   3   4   5

#可以用名称来引用元素 
workdays["wed"] 
wed 
  3

　　

转载于:https://www.cnblogs.com/Martin-9/p/5310918.html