在R中，最基础的两个概念是对象和函数
下面介绍R中的数据对象
R的数据对象可以初步划分为数据类型相同的:如向量，因子factors，矩阵matrix，数组array
和数据类型不同的：如列表list和数据框DataFrame
通过Is(),objects()可以查看对象。
通过rm()可以移除对象。
对于向量，向量化是R相较于其他语言最优势莫过于它的向量化，向量化也是R中最有效率的。
example:
1
2
x<-c(1,3,5,7,9)
sqrt(x)如果是c语言，就需要用for语句取出数据，再一个个的取平方根
如果是python也是用for语句一个个遍历
对于向量，一个向量里面的所有数据必须是同一数据格式，如果不是的话，就要进行强制转换，一般是将数值型数据转化为字符型
对于向量，可以创建空向量，向量内的数据也可以为NA（缺失值）
因子factor
因子代表着对象的类别，将相同的数据归为一个类别
example
1
2
3
4
5
6
> g<-factor(c("man","woman","man","woman"))
> g
[1] man
woman man
woman
Levels: man womanlevels代表的向量C的类型，只有man和woman
注意因子在R语言中是以数值类型表示，如”man”在R中的表示就是1,”woman”在R中表示就是2
在因子有个函数table()应用比较广泛，table可以统计因子各level的频数，也可以结合两个因子构成交叉表
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
> table(g)
g
man woman
2
2
> factor(c("adult","children","children","children"))
[1] adult
children children children
Levels: adult children
> m<-factor(c("adult","children","children","children"))
> table(g,m)
m
g
adult children
man
1
1
woman
0
2还有margin.table 和prop.table两个函数作为table的统计函数也很重要
margin.table(data,n)
n有两个值，一和二，如果是1的话统计行的频数，如果是2的话统计列的频数
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
> margin.table(g,m)
Error in margin.table(g, m) : 'x'不是陈列
> t<-table(g.m)
Error in table(g.m) : object 'g.m' not found
> t<-table(g,m)
> margin.table(t)
[1] 4
> margin.table(t,1)
g
man woman
2
2
> margin.table(t,2)
m
adult children
1
3 prop.table(data,n)同样也是统计因子，只不过统计的是占比
n=1时候以行为标准，n=2时候以列为标准
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
> prop.table(t)
m
g
adult children
man
0.25
0.25
woman
0.00
0.50
> prop.table(t,1)
m
g
adult children
man
0.5
0.5
woman
0.0
1.0
> prop.table(t,2)
m
g
adult
children
man
1.0000000 0.3333333
woman 0.0000000 0.6666667
> 序列
生成序列的方法有很多种，主干是生成有序数列和无序数列
有序序列的生成方法
第一种是向量法 c<-1:10000
第二种是用seq函数 seq(from=,to=,length=)其实seq中有很多默认参数，一般常用的就只有by(代表步长和length(长度)
第三种就是rep(data,n) rep是一种复制函数，能将n代表的复制次数
最后一种gl(k,n,lables=c( )) k代表的因子水平个数，n代表k重复个数，lables是因子的标签
终上四种方式都是有序的，序列里面的data都是有迹可循的
生成无序序列的方法
第一种，用rnorm(n,mean=x,sd=y) mean代表平均值，sd代表标准差
生成的是长度为n，平均值为x，标准差为y的随机序列
第二种，用rt(n,df=x)
生成的是自由度为x，长度为n的随机序列
example如下
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
> seq(-4,100,2)
[1]
-4
-2
0
2
4
6
8
10
12
14
16
18
[13]
20
22
24
26
28
30
32
34
36
38
40
42
[25]
44
46
48
50
52
54
56
58
60
62
64
66
[37]
68
70
72
74
76
78
80
82
84
86
88
90
[49]
92
94
96
98 100
> seq(from=1,to=5,length=4)
[1] 1.000000 2.333333 3.666667 5.000000
> length(length=10,from=-4,by=0.5)
Error in length(length = 10, from = -4, by = 0.5) :
3 arguments passed to 'length' which requires 1
> seq(length=10,from=-4,by=0.5)
[1] -4.0 -3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5
0.0
0.5
> rep("nihao",each=10)
[1] "nihao" "nihao" "nihao" "nihao" "nihao" "nihao"
[7] "nihao" "nihao" "nihao" "nihao"
> gl(2,5)
[1] 1 1 1 1 1 2 2 2 2 2
Levels: 1 2
> a<-gl(2,5)
> type(a)
Error in type(a) : could not find function "type"
> class(a)
[1] "factor"
> a<-gl(2,5,labels = c("man","female"))
> a
[1] man
man
man
man
man
female female
[8] female female female
Levels: man female
> rnorm(5,mean = 10,sd=2)
[1] 12.096249 11.499978 10.603317
8.949008
6.570919
> rt(5,df=100)
[1] -0.7648056 -0.7490618 -2.6534510 -0.3552033
[5] -0.1059763数据子集
[]是数据子集重要的概念，数据对象带有[]和数据对象不带[]返回的结果完全是不一样的
example
1
2
3
4
5
6
7
8
> x<-c(-1,0,-2,3,4,8,-100)
> x>0
[1] FALSE FALSE FALSE
TRUE
TRUE
TRUE FALSE
> x[x>0]
[1] 3 4 8在这个例子中，如果是x>0,返回的就是布尔类型的数据
但是如果输入x[x>0]返回的就是数值类型的数据
[]里面可以加很多条件来筛选符合条件的数据值
example
1
2
3
4
5
6
7
8
9
> x[x>2|x<0]
[1]
-1
-2
3
4
8 -100
> x[x>0&x<5]
[1] 3 4有个比较重要的概率是”-“号，在python中，列表等数据对象中”-“号代表是从右向左进行索引，而在R中不同的是，”-“号代表除去该数值索引的所有数据
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
> x[-1]
[1]
0
-2
3
4
8 -100
> x[-(3:5)]
[1]
-1
0
8 -100
> x[-c(3,5,7)]
[1] -1
0
3
8还有一个重要的概念是name属性
我们可以给R中的数据对象赋予name属性
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
> length(x)
[1] 7
> names(x)<-c("a","b","c","d","e","f","g")
> x
a
b
c
d
e
f
g
-1
0
-2
3
4
8 -100
> x[a]
a
a
a
a
a
b
b
b
b
b
-1 -1 -1 -1 -1
0
0
0
0
0
> x["a"]
a
-1
> x[c("a","e")]
a
e
-1
4然后是二维的数据对象，数组和矩阵
矩阵是数组的特殊形式具有两个维度
下面是矩阵生成的几种方法：
第一种是由向量转化为矩阵，即一维数据对象转化为二维数据对象，需要有dim函数
examle
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
> m<-(1:10)
> m
[1]
1
2
3
4
5
6
7
8
9 10
> ?dim
> a<-dim(m)<-(2,5)
Error: unexpected ',' in "a<-dim(m)<-(2,"
> a<-dim(m)<-c(2,5)
> a
[1] 2 5
> m
[,1] [,2] [,3] [,4] [,5]
[1,]
1
3
5
7
9
[2,]
2
4
6
8
10
> dim(m)
[1] 2 5第二种方法是用matrix直接生成矩阵，有一个参数需要特别注意byrow一般默认值为byrow=FLASE 也就是说数据填满矩阵的方式是按照列填满的，但是我们可以通过设置byrow=TRUE使数据按照行填满矩阵
我们同样可以设置colname和rowname给矩阵添加属性
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
> a<-matrix(seq(from=1,to=10,length=10),2,5)
> a
[,1] [,2] [,3] [,4] [,5]
[1,]
1
3
5
7
9
[2,]
2
4
6
8
10
> a<-matrix(seq(from=1,to=10,length=10),2,5,byrow=T)
> colnames(a)<-c("dasheng","tq","miss","you","so")
> rownames(a)<-c("nihao","bye")然后是数组，矩阵是数组的特殊化，数组一般具有两个及以上的维度，具体的生成方法和矩阵相似
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
> a1<-array(seq(from=1,to=15,length=15),dim=c(1,3,5))
> a1
, , 1
[,1] [,2] [,3]
[1,]
1
2
3
, , 2
[,1] [,2] [,3]
[1,]
4
5
6
, , 3
[,1] [,2] [,3]
[1,]
7
8
9
, , 4
[,1] [,2] [,3]
[1,]
10
11
12
, , 5
[,1] [,2] [,3]
[1,]
13
14
15
> a<-matrix(seq(from=1,to=10,length=10),dim=c(2,5),byrow=T)
Error in matrix(seq(from = 1, to = 10, length = 10), dim = c(2, 5), byrow = T) :
'dimnames' must be a list
> a<-matrix(seq(from=1,to=10,length=10),2,5,byrow=T)下面介绍数据类型可以不同的两个数据对象，列表和数据框
在R中列表是挺重要的，因为它允许异质的数据类型，在列表中可以同时存在字符串类型，数值类型和布尔类型的数据
list的一个突出特点在于[]索引和[[]]索引返回的值不一样
[]还返回列表名，而[[]]只返回值
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
> my.lst<-list(stud.id=34453,stud.name="John",stud.marks=c(14.3,12.0,15.0,190))
> my.lst
$`id`
[1] 1
$name
[1] "John"
$mark
[1]
14.3
12.0
15.0 190.0
$new
[1] 1 3 5 7 9
> my.lst[[1]]
[1] 1
>
> my.lst[1]
$`id`
[1] 1
list相较于其他数据对象还有一个特点在于它的”[Math Processing Error]
"
符
号
，
"
”是代表列表里面不同类的数据，可以直接通过”[Math Processing Error]
"
符
号
索
引
，
来
获
取
值
，
也
可
以
直
接
改
值
,
也
可
以
通
过
"
”直接生成一个新的数据
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
> my.lst
$`stud.id`
[1] 34453
$stud.name
[1] "John"
$stud.marks
[1]
14.3
12.0
15.0 190.0
> my.lst$stud.id
[1] 34453
> my.lst$stud.id<-1
> my.lst$stud.id
[1] 1
> my.lst$new<-(seq(1,10,2))
> my.lst$new
[1] 1 3 5 7 9names也是list的属性，可以较方便的更改list的数据名
example
1
2
3
4
5
6
7
8
9
10
11
> names(my.lst)
[1] "stud.id"
"stud.name"
"stud.marks"
> names(my.lst)<-c(id,name,marks)
Error: object 'name' not found
> names(my.lst)<-c("id","name","mark")
> names(my.lst)
[1] "id"
"name" "mark"
> 再介绍c()函数和unlist()函数
c()函数将两个list直接连接在一起
unlist()取消list的属性，将数据直接化为向量形式
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
> other<-list(age=1,sex="man")
> c(other,my.lst)
$`age`
[1] 1
$sex
[1] "man"
$id
[1] 1
$name
[1] "John"
$mark
[1]
14.3
12.0
15.0 190.0
$new
[1] 1 3 5 7 9
> unlist(other)
age
sex
"1" "man" 最后的就是数据框了，数据框是允许数据类型不同的二维数据对象，和matrix的定义有些类似而有些又相反
数据框的创建和list的创建类似
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
> my.dataset<-data.frame(site=c("A","B","A","A","B"),
+
season=c("Winter","Summer","Summer","Spring","Fall"),
+
PH=c(7.4,6.3,8.6,7.2,8.9),stringsAsFactors=F)
> my.dataset
site season
PH
1
A Winter 7.4
2
B Summer 6.3
3
A Summer 8.6
4
A Spring 7.2
5
B
Fall 8.9按照条件筛选数据，通过subset函数
example
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
> subset(my.dataset,PH>8)
site season
PH
3
A Summer 8.6
5
B
Fall 8.9
> subset(my.dataset,PH>8,site,PH)
Error in `[.data.frame`(x, r, vars, drop = drop) : object 'PH' not found
> subset(my.dataset,PH>8,"site","PH")
Error in drop && length(x) == 1L : invalid 'x' type in 'x && y'
> subset(my.dataset,PH>8,site:PH)
site season
PH
3
A Summer 8.6
5
B
Fall 8.9
> subset(my.dataset,PH>8,season:PH)
season
PH
3 Summer 8.6
5
Fall 8.9看names属性
example
1
2
3
4
5
6
> colnames(my.dataset)
[1] "site"
"season" "PH"
> rownames(my.dataset)
[1] "1" "2" "3" "4" "5"
添加新列
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
> my.dataset$new<-c(1,20,15,12,21)
> my.dataset
site season
PH new
1
A Winter 7.4
1
2
B Summer 6.3
20
3
A Summer 8.6
15
4
A Spring 7.2
12
5
B
Fall 8.9
21看行数和列数
example
1
2
3
4
> nrow(my.dataset)
[1] 5
> ncol(my.dataset)
[1] 4这些就是R语言的数据对象和一些初步的函数
是R语言的基础，是更深入学习R的基石。写下文章来做复习和总结，希望自己以后能够熟练的掌握R语言
最后
以上就是外向野狼最近收集整理的关于R的数据对象的初步概括的全部内容，更多相关R内容请搜索靠谱客的其他文章。
![[R语言]3. R语言自定义函数](/uploads/reation/bcimg13.png)
发表评论 取消回复