R语言语法基础二

重塑数据

增加行和列

  1. # 创建向量
  2. city = c("Tampa","Seattle","Hartford","Denver")
  3. state = c("FL","WA","CT","CO")
  4. zipcode = c(33602, 98104, 06161, 80294)
  5. # 组合向量成数据帧
  6. address1 = cbind(city, state, zipcode)
  7. print(address1)
  9. # 另一种方式创建dataFrame
  10. address2 = data.frame(
  11.     city = c("Lowry","Charlotte"),
  12.     state = c("CO","FL"),
  13.     zipcode = c("80230","33949")
  14. )
  15. print(address2)
  17. # 组合数据帧，rbind是行组合，cbind是列组成
  18. address3 = rbind(address1,address2)
  19. print(address3)
  21.      city       state zipcode
  22. [1,] "Tampa"    "FL"  "33602"
  23. [2,] "Seattle"  "WA"  "98104"
  24. [3,] "Hartford" "CT"  "6161"
  25. [4,] "Denver"   "CO"  "80294"
  27.        city state zipcode
  28. 1     Lowry    CO   80230
  29. 2 Charlotte    FL   33949
  31.        city state zipcode
  32. 1     Tampa    FL   33602
  33. 2   Seattle    WA   98104
  34. 3  Hartford    CT    6161
  35. 4    Denver    CO   80294
  36. 5     Lowry    CO   80230
  37. 6 Charlotte    FL   33949

合并两个dataFrame

  1. #合并两个dataFrame，x和y
  2. #以c("bp","bmi","type")为key做join
  4. merged.Pima = merge(
  5.     x = MASS::Pima.te, #如果已经装载入MASS库，就不用加MASS::
  6.     y = MASS::Pima.tr,
  7.     by.x = c("bp","bmi","type"),
  8.     by.y = c("bp","bmi","type")
  9. )
  11. nrow(MASS::Pima.te)
  12. ncol(MASS::Pima.te)
  13. nrow(MASS::Pima.tr)
  14. ncol(MASS::Pima.tr)
  15. nrow(merged.Pima)
  16. ncol(merged.Pima)
  17. [1] 332
  18. [1] 8
  19. [1] 200
  20. [1] 8
  21. [1] 10
  22. [1] 13 # 8 + 8 - 3 = 13

分片

  1. MASS::ships[1:5,c("type","year")]
  3.    type year
  4. 1    A   60
  5. 2    A   60
  6. 3    A   65
  7. 4    A   65
  8. 5    A   70
  9. # head(ships)和tail(ships)查看前后6条

函数

内置函数举例

  1. seq(5, 9, by = 0.4) #默认by为1
  2. mean(1:5)
  3. sum(1:5)
  5. [1] 5.0 5.4 5.8 6.2 6.6 7.0 7.4 7.8 8.2 8.6 9.0
  6. [1] 3
  7. [1] 15

自定义函数

  1. #可以使用默认参数
  2. myfunc = function(a = 2, b)
  3. {
  4.     print(a + b)
  5.     #只能返回一个值
  6.     return(a * b)
  7. }
  8. product = myfunc(b = 3)
  9. print(product)
  11. [1] 5
  12. [1] 6

字符串

在R语言中，不区分单引号和双引号，但要求成对出现

  1. # 字符串拼接
  2. a = "Hello"
  3. b = "How"
  4. c = "are you?"
  5. # R语言非数值对象无法直接运算，字符串拼接要用paste
  6. #seperator分隔符默认为空格
  7. paste(a,b,c, sep = "-")
  9. [1] "Hello-How-are you?"
  11. #格式化输出
  12. format(23.123456, digits = 5) #digits表示显示5位有效数字
  13. format(3.14159, nsmall = 8) #nsmall表示小数点后至少8位
  14. format(23.123456, scientific = TRUE) #科学计数法
  15. format(23.123456, width = 10, justify = "right") #位宽为10,右对齐
  17. [1] "23.123"
  18. [1] "2.312346e+01"
  19. [1] "3.14159000"
  20. [1] "  23.12346"
  22. #统计字数
  23. nchar("hello world")
  24. [1] 11
  26. #大小写
  27. toupper("Hello World!")
  28. tolower("Hello World!")
  30. #字符串截取
  31. substring("Extract", 5, 7)
  32. [1] "act"

向量

向量是R语言中最基本的原子性数据对象，内部数据类型相同。即使只有一个值，也当做长度位1的向量

  1. #索引
  2. t = c("Sun", "Mon", "Tue", "Wed", "Thurs", "Fri", "Sat")
  3. t[c(1, 3, 5)]
  5. [1] "Sun"   "Tue"   "Thurs"
  7. #排序
  8. t = c("Sun", "Mon", "Tue", "Wed", "Thurs", "Fri", "Sat")
  9. sort(t, decreasing = TRUE) #默认是递增

列表

列表是比向量还要高级的数据对象，可以包含不同类型的元素，如数字、字符串、向量、其他列表等，使用list函数创建

创建

  1. #创建列表对象
  2. #本质上是5个对象
  3. list("Red", "Green", 21:25, TRUE, 51.23, 119.1)
  5. [[1]]
  6. [1] "Red"
  8. [[2]]
  9. [1] "Green"
  11. [[3]]
  12. [1] 21 22 23 24 25
  14. [[4]]
  15. [1] TRUE
  17. [[5]]
  18. [1] 51.23
  20. [[6]]
  21. [1] 119.1

索引

  1. # 可以命名列元素
  2. list_data = list(
  3.     c("Jan","Feb","Mar"),
  4.     matrix(1:6, nrow = 2),
  5.     list("green", 12.3)
  6. )
  7. # 用name函数进行命名
  8. names(list_data) = c("item1", "item2", "item3")
  9. print(list_data)
  11. # 索引访问
  12. print(list_data[1])
  13. # 符号(命名访问)访问
  14. print(list_data[["item3"]][1])

添加&删除

  1. # 添加一列
  2. list_data[["new"]] = c("A","B","C")
  3. print(list_data)
  4. # 删除一列只要把那一列设为NULL即可

合并&把list转化成vector

  1. #合并
  2. l1 = list(1,2,3)
  3. l2 = list("Sun","Mon","Tue")
  4. c(l1,l2)
  5. [[1]]
  6. [1] 1
  8. [[2]]
  9. [1] 2
  11. [[3]]
  12. [1] 3
  14. [[4]]
  15. [1] "Sun"
  17. [[5]]
  18. [1] "Mon"
  20. [[6]]
  21. [1] "Tue"
  23. #list转为向量
  24. r = unlist(l1)
  25. r
  26. [1] 1 2 3

矩阵

矩阵是其中元素以二维矩形布局布置的R对象。 它们包含相同原子类型的元素。

创建

  1. # 用向量生成矩阵，4行，默认byrow=FALSE，即数据按列生成
  2. # 可以添加dimnames给维度命名
  3. M = matrix(1:12, nrow = 4, byrow = FALSE,
  4.            dimnames = list(
  5.                c("row1","row2","row3","row4"),
  6.                c("col1","col2","col3")
  7.            ))
  8. M
  10.      col1 col2 col3
  11. row1    1    5    9
  12. row2    2    6   10
  13. row3    3    7   11
  14. row4    4    8   12

索引

  1. M[c("row1","row3"),1]
  3. # 行列索引，跟MATLAB一样，可以使用符号索引或者数字索引
  4. row1 row3
  5.    1    3

基本运算

  1. m1 = matrix(c(3, 9, -1, 4, 2, -6),nrow = 2)
  2. m2 = matrix(c(5, 2, 0, 9, 3, 4), nrow = 2)
  4. print(m1)
  5. print(m2)
  6. # 这里的直接+-*./都是一一对应的运算
  7. print(m1*m2)
  8. # %*%是整数乘法，t()函数是转置
  9. print(m1%*%t(m2))
  11.      [,1] [,2] [,3]
  12. [1,]    3   -1    2
  13. [2,]    9    4   -6
  15.      [,1] [,2] [,3]
  16. [1,]    5    0    3
  17. [2,]    2    9    4
  19.      [,1] [,2] [,3]
  20. [1,]   15    0    6
  21. [2,]   18   36  -24
  23.      [,1] [,2]
  24. [1,]   21    5
  25. [2,]   27   30

数组

数组可以储存2维以上的R数据对象

创建

  1. v1 = c(5,9,3)
  2. v2 = c(10:15)
  3. column.names <- c("COL1","COL2","COL3")
  4. row.names <- c("ROW1","ROW2","ROW3")
  5. matrix.names <- c("Matrix1","Matrix2")
  6. result = array(c(v1,v2),dim = c(3,3,2), #3x3x2维
  7.                dimnames = list(row.names, #给维度取名
  8.                             column.names,
  9.                             matrix.names))
  10. print(result) #这里的数据发生了循环补全
  12. , , Matrix1
  14.      COL1 COL2 COL3
  15. ROW1    5   10   13
  16. ROW2    9   11   14
  17. ROW3    3   12   15
  19. , , Matrix2
  21.      COL1 COL2 COL3
  22. ROW1    5   10   13
  23. ROW2    9   11   14
  24. ROW3    3   12   15

索引

  1. result[c("ROW1","ROW2"),c(2,3),"Matrix2"]
  3.      COL2 COL3
  4. ROW1   10   13
  5. ROW2   11   14

apply

  1. v3 = array(c(v1,v2),dim = c(2,3))
  2. print(v3)
  3. # apply传入的是数组，第二个参数是维度(此例中为列)即运算方向
  4. # 第三个参数为函数，也可以是自己写的
  5. apply(v3,c(2),sum)
  7.      [,1] [,2] [,3]
  8. [1,]    5    3   11
  9. [2,]    9   10   12
  10. [1] 14 13 23

因子

因子是用于对数据进行分类并将其存储为级别的数据对象

是一种离散的数据类型

  1. data = c("East","West","East","North","North",
  2.          "East","West","West","West","East","North")
  3. f = factor(data)
  4. f
  6.  [1] East  West  East  North North East  West  West  West  East  North
  7. Levels: East North West

数据帧

统计中最重要的数据集合类型，类似于表格的形式

创建

  1. data = data.frame(
  2.     id = 1:5,
  3.     name = c("Rick","Dan","Michelle","Ryan","Gary"),
  4.     salary = c(623.3,515.2,611.0,729.0,843.25),
  5.     start_date = as.Date(c("2012-01-01", "2013-09-23",
  6.                            "2014-11-15", "2014-05-11",
  7.                            "2015-03-27"))
  8.     stringsAsFactors = FALSE
  9. )
  10. data
  12.   id     name salary start_date
  13. 1  1     Rick 623.30 2012-01-01
  14. 2  2      Dan 515.20 2013-09-23
  15. 3  3 Michelle 611.00 2014-11-15
  16. 4  4     Ryan 729.00 2014-05-11
  17. 5  5     Gary 843.25 2015-03-27
  19. str(data) #structure查看数据帧结构
  20. 'data.frame':	5 obs. of  4 variables:
  21.  $ id        : int  1 2 3 4 5
  22.  $ name      : chr  "Rick" "Dan" "Michelle" "Ryan" ...
  23.  $ salary    : num  623 515 611 729 843
  24.  $ start_date: Date, format: "2012-01-01" "2013-09-23" ...

查看摘要信息

  1. summary(data)
  3.        id        name               salary        start_date
  4.  Min.   :1   Length:5           Min.   :515.2   Min.   :2012-01-01
  5.  1st Qu.:2   Class :character   1st Qu.:611.0   1st Qu.:2013-09-23
  6.  Median :3   Mode  :character   Median :623.3   Median :2014-05-11
  7.  Mean   :3                      Mean   :664.4   Mean   :2014-01-14
  8.  3rd Qu.:4                      3rd Qu.:729.0   3rd Qu.:2014-11-15
  9.  Max.   :5                      Max.   :843.2   Max.   :2015-03-27

索引

  1. data[1:3,c("name","salary")]
  3.       name salary
  4. 1     Rick  623.3
  5. 2      Dan  515.2
  6. 3 Michelle  611.0

扩展数据帧

  1. # 添加列
  2. data["dept"] = c("IT","Operations","IT","HR","Finance")
  3. data
  5.   id     name salary start_date       dept
  6. 1  1     Rick 623.30 2012-01-01         IT
  7. 2  2      Dan 515.20 2013-09-23 Operations
  8. 3  3 Michelle 611.00 2014-11-15         IT
  9. 4  4     Ryan 729.00 2014-05-11         HR
  10. 5  5     Gary 843.25 2015-03-27    Finance
  12. # 添加行
  13. emp.newdata = data.frame(
  14.     id = c (6:8),
  15.     name = c("Rasmi","Pranab","Tusar"),
  16.     salary = c(578.0,722.5,632.8),
  17.     start_date = as.Date(c("2013-05-21","2013-07-30","2014-06-17")),
  18.     dept = c("IT","Operations","Fianance"),
  19.     stringsAsFactors = FALSE
  20. )
  22. # 添加数据
  23. data
  24. emp.newdata
  25. rbind(data,emp.newdata)
  27.   id     name salary start_date       dept
  28. 1  1     Rick 623.30 2012-01-01         IT
  29. 2  2      Dan 515.20 2013-09-23 Operations
  30. 3  3 Michelle 611.00 2014-11-15         IT
  31. 4  4     Ryan 729.00 2014-05-11         HR
  32. 5  5     Gary 843.25 2015-03-27    Finance
  33. 6  6    Rasmi 578.00 2013-05-21         IT
  34. 7  7   Pranab 722.50 2013-07-30 Operations
  35. 8  8    Tusar 632.80 2014-06-17   Fianance

R语言语法基础二的更多相关文章

  1. R语言语法基础一

    R语言语法基础一 Hello world #这里是注释 myString = "hello world" print(myString) [1] "hello world ...

  2. Ruby语法基础(二)

    Ruby语法基础(二) 继续ruby的学习,这次主要把目光放到运算符,条件判断,循环,方法,以及其他ruby特有的基本概念上 运算符 算术运算符:+,-,/,%,**,值的注意的是,ruby中一切皆为 ...

  3. R语言入门（二）基础语法

    1.help可以提供帮助,如help(nchar), help("[["),或者用?nchar也能获取帮助.example(nchar)可以获取到某个主题的使用方法. 2.ncha ...

  4. R语言︱情感分析—基于监督算法R语言实现（二）

    每每以为攀得众山小,可.每每又切实来到起点,大牛们,缓缓脚步来俺笔记葩分享一下吧,please~ --------------------------- 笔者寄语:本文大多内容来自未出版的<数据 ...

  5. R语言编程艺术（3）R语言编程基础

    本文对应<R语言编程艺术> 第7章:R语言编程结构: 第9章:面向对象的编程: 第13章:调试 ============================================== ...

  6. R语言学习-基础篇1

    ###第一周:R基础 rm(list = ls())  #ctr+L###矩阵相乘,函数diag()a=matrix(1:12,nrow=3,ncol=4)b=matrix(1:12,nrow=4,n ...

  7. R语言实战（二）数据管理

    本文对应<R语言实战>第4章:基本数据管理:第5章:高级数据管理 创建新变量 #建议采用transform()函数 mydata <- transform(mydata, sumx ...

  8. 转载 R语言颜色基础设置

    原文链接:http://www.biostatistic.net/thread-5065-1-1.html R语言在画图形的时候,经常遇到颜色设定问题,用户可以根据color.rgb值和hsv值来设定 ...

  9. R 语言学习（二）—— 向量

    1. 入门 将摄氏度转化为华氏度 >> 27*1.8+32 [1] 80.6 [1]:表示数字的向量索引号,在 R 语言中任何一个数字都看作一个向量. 向量化 >> temp ...

随机推荐

  1. vs2017初学c++环境配置及使用教程

    https://blog.csdn.net/jmpan_sjtu/article/details/79053169 https://blog.csdn.net/luoyu510183/article/ ...

  2. C# 正则表达式匹配盘符

    if (!Regex.IsMatch(diskName, @"^[c-zC-Z](:\\)?$")) { throw new FormatException($"{dis ...

  3. DBEntityEntry类

    DBEntityEntry是一个重要的类,可用于检索有关实体的各种信息.您可以使用DBContext的Entry方法获取特定实体的DBEntityEntry实例. DBEntityEntry允许您访问 ...

  4. 用Web api /Nancy 通过Owin Self Host简易实现一个 Http 服务器

    过去做 端游的Http 服务器 用的WebApi 或者Mvc架构,都是放在iis...而我已经是懒出一个地步,并不想去配iis,或者去管理iis,所以我很喜欢 Self host 的启动方式. C#做 ...

  5. adb devices unauthorized解决办法

    进行Android项目调试时,连接完设备,进行adb install ******.apk时,偶遇 adb devices unauthorized 这个小东西,解决办法:将手机设置->辅助功能 ...

  6. 构建简单的json树形菜单

    json结构: var Menu = [{ tit:"一级菜单", submenu:[{ tit:"二级菜单", url:"", func: ...

  7. docker inspect命令

    docker inspect -f {{.NetworkSettings.Networks.crawling_pro.NetworkID}} crawling_internationalmacro_p ...

  8. 059 SparkStream介绍

    离线计算框架:MR,hive-->对时间要求不严格 实时计算框架:SparkCore-->要求job执行时间比较快 交互式计算框架:SparkSQL,Hive,-->提供SQL操作的 ...

  9. weka的基本使用

    目录: 1. 简介 2.界面初识 3.数据格式 4.数据准备 5.关联规则 6.分类与回归 7.聚类分析 8.Weka相关资料 9.Weka二次开发 10.Weka源代码导入 1. 简介 WEKA的全 ...

  10. 问题 L: An Invisible Hand - (2018年第二阶段个人训练赛第三场)

    题目描述 There are N towns located in a line, conveniently numbered 1 through N. Takahashi the merchant ...