r语言中mpg数据_R语言基础篇——数据对象

1、基本数据类型(numeric,logical,character,NA,double,complex,integer)

2、日期变量

常用函数

Sys.Date()-返回系统当前的日期，Sys.time()-返回系统当前的日期和时间，date()-返回系统当前的日期和时间，

as.Date()-将字符串形式的日期值转换为日期变量，as.Date(x,format="",...)

as.POSIXllt()-将字符串转化为包含时间及时区的日期变量，as.POSIXllt(x,tz="",format)

strptime()-将字符串变量转换为包含时间的日期变量，strptime(x,format,tz="")

strfttime()-将日期变量转换为指定格式的字符串变量，strfttime(x,format)

format()-将日期变量转换为指定格式的字符串变量,format(x,...)

3、查看对象的类型

class()、mode()、typeof()

4、数据结构

(1)向量

向量创建：c()函数创建向量

向量索引：#下标方式索引 vector

#按名称索引 names(vector)

#which方式索引  which(vector==1) which(vector==c(1,2))   which.max(vector)

#subser方式索引  subset(vector,vector>2&vector<4)

#%in%方式索引  c(1,5)%in%vector

向量编辑 ： #向量扩展(x

向量排序：sort(x,decreasing = FALSE,na.last = TRUE...)      倒序——rev()函数

等差数列的建立：seq(from = 1, to = 1, by =  ((to - from)/length.out - 1),length.out = NULL,...)   seq(1,-9,by = -2)

重复数列的建立：rep(x,times=1,length.out=NA,each=1)    rep(1:3, each=2, times=2)  112233112233112233

(2)矩阵

创建矩阵：matrix(data=NA,nrow=1,ncol=1,byrow=FALSE,dimnames=NULL)

x

a

矩阵和转换为向量：as.vector(),转换为向量时元素按列读取数据

矩阵索引：#根据位置索引   a[2,1]

#根据行和列的名称索引 a["r2","c2"]

#使用一维下标索引  a[,2]

#使用数值型向量索引 a[c(3:5)，2]

矩阵编辑：#矩阵合并(a1

#删除矩阵中元素  a5

矩阵的运算：colSums()-对矩阵的各列求和  rowSums()-对矩阵的各行求和   colMeans()-对矩阵各列求均值  rowMeans()-对矩阵各行求均值

t()-矩阵行列转换   det()-求解矩阵的行列式   crossprod()-求解两个矩阵的内积   outer()-求解矩阵的外积  %*%-矩阵乘法

diag()-对矩阵取对角元素    solve()-对矩阵求解逆矩阵  eigen()-对矩阵求解特征值和特征向量

(3)数组

创建数组：array(data,dim=length(data),dimnames=NULL)

x

dim1

dim2

dim3

a

数组索引：#按下标索引  a[2,4,2]

#按维度名称索引a["A2"，"B3","C1"]

#查看数组的维度  dim(a)

(4)数据框

创建数据框：data.frame()

#向量组成数据框

data_iris

#矩阵组成数据框

data_matrix

data_iris2

数据框索引：#列索引  data_iris[,1]     ||     data_iris$s.length    ||    data_iris["s,length"]

#行索引   data_iris[1,]   || data_iris[1:3,]

#元素索引  data_iris[1,1]         data_iris$s.length[1]       data_iris["s,length"][1]

#subset索引  subset(data_iris, s.length=1)

#sqldf函数索引  library(sqldf)  newdf

数据框编辑：#增加新的样本数据  data_iris

#增加数据集的新属性变量  data_iris

#数据框列名的编辑  names(data_iris)

(5)因子

创建因子序列 ：

将statistics分解成因子型变量，水平为26个小写字母 (ff

去除没有包含在向量中的水平  f

#创建因子型向量，水平名称为letter  factor(letters[1:20],labels="letter")

#创建有序的因子序列   z

通过gl()函数创建因子序列   gl(n,k,length=n*k,labels=seq_len(n),ordered=TRUE)

n-表示因子水平的个数

k-表示每个水平的重复数

length-表示生成的序列的长度

labels-一个n维向量，表示因子水平

ordered-一个逻辑值，为TRUE表示有序因子，为FALSE则表示无序因子

gl(2,3,labels=c("T","F"))

因子的存储方式：

> status

> class(status)    #查看向量的类型

[1] "character"

> s

> s

[1] Poor Improved Excellent Poor

Levels: Excellent < Improved < Poor

> class(s)

[1] "ordered" "factor"   #查看数据的类型

> storage.mode(s)  #查看存储类型，可以看出因子是按整数存储的

[1] "integer"

> as.numeric(s)   #转换为数值型向量

[1] 3 2 1 3

> levels(s)   #查看因子的水平

[1] "Excellent" "Improved" "Poor"

(6)列表

创建列表：list(object1,object2,...)

data

列表索引:#列索引 data[[1]]   ||   data$a     ||data[["a"]]

#元素索引  data[[1]][1]

列表编辑：列表的编辑和向量类似，使用c()函数进行合并。

#增加名称为e的一列

data1

或者data1