R软件学习.2010.0120_003

多维数组和矩阵有关函数

> # 多维数组和矩阵

> # 将向量定义成数组

> z<-1:12

> dim(z)<-c(4,3)

> z

     [,1] [,2] [,3]

[1,]    1    5    9

[2,]    2    6   10

[3,]    3    7   11

[4,]    4    8   12

> # 可以看出元素是按列存放的

> # 把向量定义为一维数组

> dim(z)<-12

> z

 [1]  1  2  3  4  5  6  7  8  9 10 11 12

> # 构造多维数组

> #array(data= 向量数据 ,dim=length(data),dimnames= NULL);dim 是数组各维长度

> # 默认值是原向量长度 ,dimnames 是数组维的名字，默认为空值

> x<-array(1:10,dim=c(2,5))

> x

     [,1] [,2] [,3] [,4] [,5]

[1,]    1    3    5    7    9

[2,]    2    4    6    8   10

> # 数组初始化

> z<-array(0,dim=c(2,3,4))

> # 构造矩阵

> #matrix(data=NA,nrow=1,ncol=1,byrow=FALSE,dimnames=NULL)

> #data 是数据向量 ,nrow 是矩阵行数 ,ncol 是矩阵的列数 , 当 byrow=TRUE 时，生成矩阵的

> # 数据按行放置 , 默认 byrow=FALSE, 数据按列放置 ,dimnames 同上

> A<-matrix(1:15,nrow=3,ncol=5,byrow=T)

> A

     [,1] [,2] [,3] [,4] [,5]

[1,]    1    2    3    4    5

[2,]    6    7    8    9   10

[3,]   11   12   13   14   15

> B<-matrix(1:15,nrow=3,byrow=T)

> B

     [,1] [,2] [,3] [,4] [,5]

[1,]    1    2    3    4    5

[2,]    6    7    8    9   10

[3,]   11   12   13   14   15

> C<-matrix(1:15,ncol=5,byrow=T)

> C

     [,1] [,2] [,3] [,4] [,5]

[1,]    1    2    3    4    5

[2,]    6    7    8    9   10

[3,]   11   12   13   14   15

> # 数组下标

> a<-1:24

> dim(a)<-c(2,3,4)

> a[1,1,1]

[1] 1

> a[2,1,1]

[1] 2

> a[2,1:3,2:3]

     [,1] [,2]

[1,]    8   14

[2,]   10   16

[3,]   12   18

> a[1,,]

     [,1] [,2] [,3] [,4]

[1,]    1    7   13   19

[2,]    3    9   15   21

[3,]    5   11   17   23

> a[]<-7 # 整体赋值

 

> a<-1:24

> dim(a)<-c(2,3,4)

> b<-matrix(c(1,1,1,2,2,3,1,3,4,2,1,4),ncol=3,byrow=T)

> b

     [,1] [,2] [,3]

[1,]    1    1    1

[2,]    2    2    3

[3,]    1    3    4

[4,]    2    1    4

> a[b]

[1]  1 16 23 20

> # a[b] 意思是把 a 数组的第 [1,1,1],[2,2,3],[1,3,4],[2,1,4] 共四个元素作为一个整体访问

> # 数组的四则运算

> A<-matrix(1:6,nrow=2,byrow=T);A

     [,1] [,2] [,3]

[1,]    1    2    3

[2,]    4    5    6

> B<-matrix(1:6,nrow=2);B

     [,1] [,2] [,3]

[1,]    1    3    5

[2,]    2    4    6

> C<-matrix(c(1,2,2,3,3,4),nrow=2);C

     [,1] [,2] [,3]

[1,]    1    2    3

[2,]    2    3    4

> D<-2*C+A/B;D

     [,1]     [,2] [,3]

[1,]    3 4.666667  6.6

[2,]    6 7.250000  9.0

> # 数组的乘除法运算实际上是数组中对应位置元素作运算

> # 长度或形状不一样的向量或数组也可以进行四则运算，计算时短向量或数组的数据会

> # 重复使用，并尽可能保留共同的数组属性

> x1<-c(10,20)

> x2<-1:6

> x1+x2

[1] 11 22 13 24 15 26

> x3<-matrix(1:6,nrow=3)

> x1+x3

     [,1] [,2]

[1,]   11   24

[2,]   22   15

[3,]   13   26

> x2<-1:5

> x1+x2

[1] 11 22 13 24 15

警告信息：

In x1 + x2 : 长的对象长度不是短的对象长度的整倍数

> # 也就是说，长对象的长度只有是段对象的长度的整数倍时才能计算

> # 矩阵的运算

> #t() 函数表示矩阵的转置

> a<-matrix(1:6,nrow=3);a

     [,1] [,2]

[1,]    1    4

[2,]    2    5

[3,]    3    6

> t(a)

     [,1] [,2] [,3]

[1,]    1    2    3

[2,]    4    5    6

> #det() 函数可求方阵的行列式

> det(matrix(1:4,ncol=2))

[1] -2

> # 向量的内积

> x<-1:5;y<-2:6

> x%*%y

     [,1]

[1,]   70

> #crossprod() 函数是内积运算函数表示交叉乘积

> # 形式为 crossprod(x,y),crossprod(x) 表示 x 与 x 的内积

> crossprod(x)

     [,1]

[1,]   55

> tcrossprod(x,y)

     [,1] [,2] [,3] [,4] [,5]

[1,]    2    3    4    5    6

[2,]    4    6    8   10   12

[3,]    6    9   12   15   18

[4,]    8   12   16   20   24

[5,]   10   15   20   25   30

> #tcrossprod(x,y) 表示“ x%*%t(y) ”

> # 向量的外积 ( 叉积 )

> x<-1:5;y<-2:6

> x%o%y

     [,1] [,2] [,3] [,4] [,5]

[1,]    2    3    4    5    6

[2,]    4    6    8   10   12

[3,]    6    9   12   15   18

[4,]    8   12   16   20   24

[5,]   10   15   20   25   30

> #x%o%y 中间是字母 o

> #outer() 函数是外积运算函数， outer(x,y) 计算向量 x 与 y 的外积

> #outer 一般调用格式为 outer(x,y,fun="*",...), 其中 x,y 是矩阵， fun 是外积运算函数

> # 默认值是乘法运算 ,outer() 在绘制三维曲面时很有用

> # 矩阵的乘法

> # 如果矩阵 A 和 B 有相同的维数 ,A*B 表示矩阵中对应元素的乘积 ,A%*%B 表示矩阵相乘

> A<-array(1:9,dim=c(3,3))

> B<-array(9:1,dim=c(3,3))

> A*B

     [,1] [,2] [,3]

[1,]    9   24   21

[2,]   16   25   16

[3,]   21   24    9

> A%*%B

     [,1] [,2] [,3]

[1,]   90   54   18

[2,]  114   69   24

[3,]  138   84   30

> # 二次型就表示成 x%*%A%*%x

> #crossprod(A,B) 表示是 t(A)%*%B,tcrossprod(A,B) 表示是 A%*%t(B)

> # 对角矩阵

> #diag() 函数 , 当括号中是一个向量时 , 其表示以向量中元素为对角线元素的对角矩阵

> # 当括号中是一个矩阵时 , 其表示取矩阵对角线上元素的向量

> diag(c(1,2,3))

     [,1] [,2] [,3]

[1,]    1    0    0

[2,]    0    2    0

[3,]    0    0    3

> diag(array(1:9,dim=c(3,3)))

[1] 1 5 9

> # 解线性方程组和求矩阵的逆矩阵

> A<-t(array(c(1:8,10),dim=c(3,3)))

> B<-c(1,1,1)

> x<-solve(A,B);x

[1] -1.000000e+00  1.000000e+00  3.806634e-16

> solve(A)

           [,1]      [,2] [,3]

[1,] -0.6666667 -1.333333    1

[2,] -0.6666667  3.666667   -2

[3,]  1.0000000 -2.000000    1

> # 求解线性方程组 Ax=b, 其形式为 solve(A,b); 求矩阵 A 的逆，命令为 solve(A)

> # 求矩阵的特征值与特征向量

> # 对称矩阵 A 的特征值和特征向量用函数 eigen(A) 来求 ,$values 是特征值 ,$vectors 为特征向量

> A

     [,1] [,2] [,3]

[1,]    1    2    3

[2,]    4    5    6

[3,]    7    8   10

> eigen(A)

$values

[1] 16.7074933 -0.9057402  0.1982469

 

$vectors

           [,1]       [,2]       [,3]

[1,] -0.2235134 -0.8658458  0.2782965

[2,] -0.5039456  0.0856512 -0.8318468

[3,] -0.8343144  0.4929249  0.4801895

 

> # 矩阵的奇异值分解

> # 函数 svd() 是对矩阵做奇异值分解， A=UDt(V), 其中 U,V 是正交矩阵 ,D 为对角阵 , 即 A 的奇异值

> # 返回值中 $d 表示矩阵奇异值也是对角阵 D 中的对角线上元素 ,$U 和 $v 对应正交阵 U 和 V

> svd(A)

$d

[1] 17.4125052  0.8751614  0.1968665

 

$u

           [,1]        [,2]       [,3]

[1,] -0.2093373  0.96438514  0.1616762

[2,] -0.5038485  0.03532145 -0.8630696

[3,] -0.8380421 -0.26213299  0.4785099

 

$v

           [,1]         [,2]       [,3]

[1,] -0.4646675 -0.833286355  0.2995295

[2,] -0.5537546  0.009499485 -0.8326258

[3,] -0.6909703  0.552759994  0.4658502

 

> #det() 用于求矩阵行列式的值

> det(A)

[1] -3

> # 最小拟合与 QR 分解

> # 函数 lsfit() 的返回值是最小二乘拟合的结果

> x<-c(0,0.2,0.4,0.6,0.8)

> y<-c(0.9,1.9,2.8,3.3,4.2)

> lsfit.sol<-lsfit(x,y)

> lsfit.sol

$coefficients

Intercept         X

     1.02      4.00

 

$residuals

[1] -0.12  0.08  0.18 -0.12 -0.02

 

$intercept

[1] TRUE

 

$qr

$qt

[1] -5.85849810  2.52982213  0.23749843 -0.02946714  0.10356728

 

$qr

      Intercept          X

[1,] -2.2360680 -0.8944272

[2,]  0.4472136  0.6324555

[3,]  0.4472136 -0.1954395

[4,]  0.4472136 -0.5116673

[5,]  0.4472136 -0.8278950

 

$qraux

[1] 1.447214 1.120788

 

$rank

[1] 2

 

$pivot

[1] 1 2

 

$tol

[1] 1e-07

 

attr(,"class")

[1] "qr"

 

> #QR 分解

> X<-matrix(c(rep(1,5),x),ncol=2)

> Xplus<-qr(X);Xplus

$qr

           [,1]       [,2]

[1,] -2.2360680 -0.8944272

[2,]  0.4472136  0.6324555

[3,]  0.4472136 -0.1954395

[4,]  0.4472136 -0.5116673

[5,]  0.4472136 -0.8278950

 

$rank

[1] 2

 

$qraux

[1] 1.447214 1.120788

 

$pivot

[1] 1 2

 

attr(,"class")

[1] "qr"

> X

     [,1] [,2]

[1,]    1  0.0

[2,]    1  0.2

[3,]    1  0.4

[4,]    1  0.6

[5,]    1  0.8

> #QR 分解函数 qr() 输入的设计矩阵需要加以 1 为元素的列 , 返回值是列表 ,$qr 是 QR 分解中得到的

> #R 和正交 Q 矩阵的合写形式 , 上三角为 R, 下三角为 Q,$qraux 是 Q 的附加信息 , 这两个参数结果与

> # 函数 lsfit() 得到的结果相同

> # 可用 QR 分解的结果计算最小二乘系数

> b<-qr.coef(Xplus,y);b

[1] 1.02 4.00

> # 同样 QR 分解可得到最小二乘拟合的拟合值和残差

> qr.fitted(Xplus,y)

[1] 1.02 1.82 2.62 3.42 4.22

> qr.resid(Xplus,y)

[1] -0.12  0.08  0.18 -0.12 -0.02

> # 矩阵数组运算相关函数

> #dim() 求矩阵维数 ,nrow() 求矩阵行数 ,ncol() 求矩阵列数

> A<-matrix(1:6,nrow=3)

> A

     [,1] [,2]

[1,]    1    4

[2,]    2    5

[3,]    3    6

> dim(A)

[1] 3 2

> nrow(A)

[1] 3

> ncol(A)

[1] 2

> # 矩阵的合并

> #cbind() 把其自变量横向拼成一个大矩阵 ,rbind() 把其自变量纵向拼成一个矩阵

> x1<-rbind(c(1,2),c(3,4))

> x1

     [,1] [,2]

[1,]    1    2

[2,]    3    4

> x2<-10+x1

> x3<-cbind(x1,x2);x3

     [,1] [,2] [,3] [,4]

[1,]    1    2   11   12

[2,]    3    4   13   14

> x4<-rbind(x1,x2);x4

     [,1] [,2]

[1,]    1    2

[2,]    3    4

[3,]   11   12

[4,]   13   14

> cbind(1,x1)

     [,1] [,2] [,3]

[1,]    1    1    2

[2,]    1    3    4

> #as.vector(A) 可将矩阵转化成向量

> A

     [,1] [,2]

[1,]    1    4

[2,]    2    5

[3,]    3    6

> as.vector(A)

[1] 1 2 3 4 5 6

> # 可见它是按列转换的

> # 更改数组维名称

> X<-matrix(1:6,ncol=2,dimnames=list(c("a","b","c"),c("t","y")),byrow=T);X

  t y

a 1 2

b 3 4

c 5 6

> # 可在定义矩阵后，在为“维”赋值

> A

     [,1] [,2]

[1,]    1    4

[2,]    2    5

[3,]    3    6

> dimnames(A)<-list(c("as","df","gh"),c("qw","er"))

> A

   qw er

as  1  4

df  2  5

gh  3  6

> # 也可以使用 rownames(),colnames() 函数来命名

> rownames(A)<-c("mn","nh","90")

> A

   qw er

mn  1  4

nh  2  5

90  3  6

> # 数组的广义转置

> # 可用 aperm(A,perm) 函数把数组 A 的各维按 perm 中指定的新次序重新排序

> A<-array(1:24,dim=c(2,3,4))

> B<-aperm(A,c(2,3,1))

> # 上例中 B[i,j,k]=A[j,k,i]

> # 对于矩阵 A,aperm(A,c(2,1)) 恰好是矩阵转置 t(A)

> #apply() 函数用于对数组中的某维进行某种运算 ( 求和 , 求均值等 )

> # 一般形式 apply(A,MARGIN,FUN,...), 其中 A 为一个数组 ,MARGIN 是固定不变的维 ,FUN 是计算函数

> a<-matrix(1:6,nrow=2);a

     [,1] [,2] [,3]

[1,]    1    3    5

[2,]    2    4    6

> apply(a,1,sum)

[1]  9 12

> apply(a,2,sum)

[1]  3  7 11