R基础

李航 统计学习方法
统计学习导论 基于R应用
the element of statistical learning

R是一种区分大小写解释性语言，主要功能是由程序内置函数，用户自编函数以及对对象创建和操作所提供，每个对象都有一个类属性

library(package名）：加载包
setwd（）:设定工作路径
getwd:查看d工作路径
<- 赋值符号，等价于 =

对象object
字符型，数值型，整形，复数型，逻辑型
最常见基本对象是向量，包含相同类型的多个对象，不同对象组成的序列叫做列表

和对象有关的东西：属性，不是所有对象都有属性，但属性是对象一部分，常见属性有
名字，维度名字，维度，类属性，长度属性，其他用户定义的属性，可以直接用attribute()查看

注意：每个对象都有一个类属性

c：小写c用来创建向量
向量：相同类型的多个元素组成的序列

NaN：数值型缺失，numeric
NA：所有的缺失值都可用NA，所以NA包含NaN；另外，NA是逻辑型

冒号用来创建等差数列
vector也可以用来创建向量，但是它通常创建的是初始向量
ex:
vector(‘character’,5)
result: “” “” “” “” “”

逻辑型是最高级别，而字符型是最低级别，即逻辑型可以方便在强制转换时转换为任意类型，但是字符型却不能随意转换

as.type(x): as.是强制转换，将x强制转换为所需type类型
ex:
as.character(x):将x向量里的元素强制转换为character型

列表
和向量相似，不同的是每个元素可以是不同类型的对象，通过[[]]索引
也可给每个对象命名 list(name1=object1, name2=object2)

矩阵
是一类特殊向量，维度属性：长度2的整形向量：行数nrow，列数ncol

矩阵可以强制转换为向量
ex:
x2<-matrix(1:6, 2, byrow=T)
as.vector(x2)

t:转秩
t(x2)

rbind：按行合并
x <- 1:3
y <- 10:12
rbind(x,y)

cbind: 按列合并
cbind(x,y)

数据框：R的一个重要数据类型，用来存储表格数据
可认为是特殊类型的列表，列表中每个元素（每类）都有同样的长度
每一列可是不同类型（矩阵是相同的）
特殊属性：行名row.names
可通过读取表格函数read.table()或read.csv()读取数据框
可通过调用data.matrix()将数据框转化为矩阵


rownames:抽取数据框行名
colnames：抽取数据框列名

向量(vector) -> 矩阵(matrix) -> 数组(array）
它们都是相同元素组成的，向量没有维度，矩阵是二维的，数组是多维的

列表(list) -> 数据框(dataframe)
向量和列表都是序列，只是向量是相同元素，而列表可以是不同元素，数据框是特殊类型的列表，列表的每个元素可以是任意长度的，但数据框每个元素是相同长度

因子
因子 <-> 分类
分类：
用于创建分类数据，两种类型：有序/无序

• 一般由函数factor()创建，有序变量需指定参数ordered=True，等级从小到大
  输入是字符型向量，有一个单独的属性levels，本质上是整数变量有了levels的属性，每个整数有一个标签，可用unclass(x)查看
• 以一个整数向量形式存贮类别值，同时由一个字符串组成的内部向量映射到整数上
  重要原因在于建模函数会对因子进行特殊处理
  使用字符型标签作为因子比数字更有解释性

table:可以用来查看频数
ex:
table(x1)

NA和NaN虽然都是null，但是NA的范围要大于NaN的范围,NaN专门指numeric的null

数据框是特殊类型的列表，凡是对列表可以进行处理的函数，也基本可以对数据框进行

读写数据
读写数据常用函数
在R里读取数据时会用到的几个基本函数
读取表格形式数据：read.table(), read.csv(),读取以行列形式存储的文本数据，返回数据框
逐行读取文本文件readLines()，可以读取任何格式的文本文件
读取R代码文件source()（对应的相反的函数dump）
读取被逆句法分析成文本文件的R代码文件dput(对应的相反的函数dget)
load()和unserialize()函数能把二进制文件读取到R
对应的数据存贮函数有：
write.table();write.csv();writeLines();dput();save();serialize()

read.table(), read.csv()读取表格数据，返回一个数据框
file: 文件路径/文件名/连接
header：指明是否有表头(read.table默认为F,read.csv默认为T）
sep:指明列是如何分割的(read.table默认空格，read.csv默认逗号)
colClasses：字符向量（长度是列长度），指定每列的数据类型（指定会很大程度加快读取速度，尤其是数据两大时，可先读取前面几行，通过循环找到每列的类型，再赋值给这个参数读取所有数据）
nrows：读入的行数
comment.char 指定注释字符，此行注释符右边的字符会被忽略(默认为#，指定为空""可以提高效率)
skip：从开始跳过的行数
stringAsFactors：字符作为因子处理，默认为T

读取大型数据
对于大型表格数据而言，如下几点可提效且防止R卡住
仔细阅读read.table帮助文档，会发现大量优化函数的信息
估算一下读取的数据集需要多少存贮空间
如果文件没有注释行的话，设置comment.char=""
coClasses参数非常重要，如果不指定的话，R会遍历每一列来确定每列的数据类型，数据集不太大时可以，但如果很大会消耗内存且拖慢运行速度，如果能告诉R每一列数据类型，通常速度会提升两倍，如果每列都是数值型，可以直接设置colClasses=“numeric”
设置nrows,不会加速，但能提高内存使用率，如果能告诉R读取多少行信息的话，R能计算出将占用多大内存，不用边读边计算了，设置的比实际行数多一些也没关系，仍能准确读取

colClasses:在read.csv里提前定义每列的类型；通常read.csv会先读一遍数据确定每列的类型，再读一次来获得具体的数据；而如果在read.csv里用colClasses里定义好每列类型，那么能大大加快read.csv的读取速度
ex:
d5<-read.csv(“sale.csv”, colClasses =c(“integer”, “factor”, “numeric”,“numeric”))

取子集 – 向量
[]返回的对象和原对象类型相同（可能被简化），从一个对象提取多个元素
[[]]从列表或者数据框中提取元素，且仅可提取一个元素，返回的对象类型可以不同
$可以从有命名的列表或数据框中提取元素，和[[]]类似
三种索引类型：数字索引，逻辑索引，名字索引
[]: 单中括号返回的是变量；[[]]：双中括号返回的是向量

$:可以用来显示变量里的元素名，最后直接返回元素名对应的元素