• 创建向量矩阵

> x1=c(2,3,6,8)
> x2=c(1,2,3,4)
> a1=(1:100)
> length(a1)
[1] 100
> length(x1)
[1] 4
> mode(x1)
[1] "numeric"
> rbind(x1,x2)
   [,1] [,2] [,3] [,4]
x1    2    3    6    8
x2    1    2    3    4
> cbind(x1,x2)
     x1 x2
[1,]  2  1
[2,]  3  2
[3,]  6  3
[4,]  8  4

  • 求平均值，和，连乘，最值，方差，标准差

> mean(x1)
[1] 4.75
> sum(x1)
[1] 19
> max(x1)
[1] 8
> min(x1)
[1] 2
> var(x1)
[1] 7.583333
> prod(x1)
[1] 288
> sd(x1)
[1] 2.753785

  • 产生向量

> 1:10
 [1]  1  2  3  4  5  6  7  8  9 10
> 1:10-1
 [1] 0 1 2 3 4 5 6 7 8 9
> 1:10*2
 [1]  2  4  6  8 10 12 14 16 18 20
> a=2:60*2+1
> a
 [1]   5   7   9  11  13  15  17  19  21  23  25  27  29  31  33  35  37  39  41
[20]  43  45  47  49  51  53  55  57  59  61  63  65  67  69  71  73  75  77  79
[39]  81  83  85  87  89  91  93  95  97  99 101 103 105 107 109 111 113 115 117
[58] 119 121
> a[5]
[1] 13
> a[-5]
 [1]   5   7   9  11  15  17  19  21  23  25  27  29  31  33  35  37  39  41  43
[20]  45  47  49  51  53  55  57  59  61  63  65  67  69  71  73  75  77  79  81
[39]  83  85  87  89  91  93  95  97  99 101 103 105 107 109 111 113 115 117 119
[58] 121
> a[c(2,3,8)]
[1]  7  9 19
> a[a<20]
[1]  5  7  9 11 13 15 17 19
> a[a[3]]
[1] 21
> seq(6,20)
 [1]  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20
> seq(5,121,by=2)
 [1]   5   7   9  11  13  15  17  19  21  23  25  27  29  31  33  35  37  39  41
[20]  43  45  47  49  51  53  55  57  59  61  63  65  67  69  71  73  75  77  79
[39]  81  83  85  87  89  91  93  95  97  99 101 103 105 107 109 111 113 115 117
[58] 119 121
> seq(5,121,length=10)
 [1]   5.00000  17.88889  30.77778  43.66667  56.55556  69.44444  82.33333
 [8]  95.22222 108.11111 121.00000

  • 新建向量

> a=c(2,3,4,2,3,2,1,4,3,2,1)
> which.max(a)
[1] 3
> a[which.max(a)]
[1] 4
> which(a==2)
[1]  1  4  6 10
> a[which(a==2)]
[1] 2 2 2 2
> which(a>5)
integer(0)
> a[which(a>5)]
numeric(0)
> a=1:20
> a
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20
> rev(a)
 [1] 20 19 18 17 16 15 14 13 12 11 10  9  8  7  6  5  4  3  2  1
> a=c(2,3,4,5,6,6,7,8,3,2)
> sort(a)
 [1] 2 2 3 3 4 5 6 6 7 8
> rev(sort(a))
 [1] 8 7 6 6 5 4 3 3 2 2

  • 生成矩阵

> a1=c(1:12)
> matrix(a1,nrow=3,ncol=4)
     [,1] [,2] [,3] [,4]
[1,]    1    4    7   10
[2,]    2    5    8   11
[3,]    3    6    9   12
> matrix(a1,nrow=4,ncol=3)
     [,1] [,2] [,3]
[1,]    1    5    9
[2,]    2    6   10
[3,]    3    7   11
[4,]    4    8   12
> matrix(a1,nrow=4,ncol=3,byrow=T)
     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
[3,]    7    8    9
[4,]   10   11   12

  • 矩阵运算

矩阵相加

> a=matrix(1:12,nrow=3,ncol=4)
> t(a)
     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
[3,]    7    8    9
[4,]   10   11   12
> a=b=matrix(1:12,nrow=3,ncol=4)
> a+b
     [,1] [,2] [,3] [,4]
[1,]    2    8   14   20
[2,]    4   10   16   22
[3,]    6   12   18   24
> a-b
     [,1] [,2] [,3] [,4]
[1,]    0    0    0    0
[2,]    0    0    0    0
[3,]    0    0    0    0

矩阵相乘

> a=matrix(1:12,nrow=3,ncol=4)
> b=matrix(1:12,nrow=4,ncol=3)
> a%*%b
     [,1] [,2] [,3]
[1,]   70  158  246
[2,]   80  184  288
[3,]   90  210  330
> a=matrix(1:16,nrow=4,ncol=4)
> a
     [,1] [,2] [,3] [,4]
[1,]    1    5    9   13
[2,]    2    6   10   14
[3,]    3    7   11   15
[4,]    4    8   12   16
> diag(a)
[1]  1  6 11 16
> diag(diag(a))
     [,1] [,2] [,3] [,4]
[1,]    1    0    0    0
[2,]    0    6    0    0
[3,]    0    0   11    0
[4,]    0    0    0   16
> diag(4)
     [,1] [,2] [,3] [,4]
[1,]    1    0    0    0
[2,]    0    1    0    0
[3,]    0    0    1    0
[4,]    0    0    0    1

矩阵求逆

> a=matrix(rnorm(16),4,4)
> a
             [,1]        [,2]       [,3]       [,4]
[1,] -1.604650746 -2.22482987  1.5094439  1.0070701
[2,]  0.006409861 -0.01506928 -0.6651050 -1.9342548
[3,] -1.606959408 -0.49430092 -0.9376593  0.1979031
[4,]  0.422441416 -0.33201336  0.3848287  1.1256368
> solve(a)
           [,1]       [,2]       [,3]       [,4]
[1,] -0.1426715  0.5944611 -0.1676185  1.1786143
[2,] -0.1804919 -0.9604913 -0.2055298 -1.4528592
[3,]  0.3168603 -0.5776493 -0.6252734 -1.1661647
[4,] -0.1080209 -0.3089139  0.2160497  0.4162172

解线性方程组

> a=matrix(rnorm(16),4,4)> a             [,1]        [,2]       [,3]       [,4][1,] -1.604650746 -2.22482987  1.5094439  1.0070701[2,]  0.006409861 -0.01506928 -0.6651050 -1.9342548[3,] -1.606959408 -0.49430092 -0.9376593  0.1979031[4,]  0.422441416 -0.33201336  0.3848287  1.1256368> solve(a)           [,1]       [,2]       [,3]       [,4][1,] -0.1426715  0.5944611 -0.1676185  1.1786143[2,] -0.1804919 -0.9604913 -0.2055298 -1.4528592[3,]  0.3168603 -0.5776493 -0.6252734 -1.1661647[4,] -0.1080209 -0.3089139  0.2160497  0.4162172> a=matrix(rnorm(16),4,4)> a           [,1]       [,2]        [,3]        [,4][1,]  1.0451867 -0.2426553 -0.51232551 -0.12062549[2,] -1.5518006 -0.1333096  0.03677731 -0.10715366[3,] -1.0620249 -1.3160312  0.01713207  0.09320016[4,] -0.6664664  2.2398778  1.94861889  0.01788447> b=c(1:4)> b[1] 1 2 3 4> solve(a,b)[1]   0.9840158  -4.6924392   8.0064010 -24.3295023

矩阵的特征值与特征向量

> a=diag(4)+1
> a
     [,1] [,2] [,3] [,4]
[1,]    2    1    1    1
[2,]    1    2    1    1
[3,]    1    1    2    1
[4,]    1    1    1    2
> a.e=eigen(a,symmetric=T)
> a.e
$values
[1] 5 1 1 1

$vectors
     [,1]       [,2]       [,3]       [,4]
[1,] -0.5  0.8660254  0.0000000  0.0000000
[2,] -0.5 -0.2886751 -0.5773503 -0.5773503
[3,] -0.5 -0.2886751 -0.2113249  0.7886751
[4,] -0.5 -0.2886751  0.7886751 -0.2113249

> a.e$vectors%*%diag(a.e$values)%*%t(a.e$vectors)
     [,1] [,2] [,3] [,4]
[1,]    2    1    1    1
[2,]    1    2    1    1
[3,]    1    1    2    1
[4,]    1    1    1    2

  • 数据框

> x1=c(10,13,14,23,43)
> x2=c(12,35,35,67,54)
> x=data.frame(x1,x2)
> x
  x1 x2
1 10 12
2 13 35
3 14 35
4 23 67
5 43 54
> plot(x)#散点图

  • 读文本文件

(x=read.table("abc.txt"))
#读剪贴板
y=read.table("clipboard",header=F)
y
z=read.table("clipboard",header=T)
z

  • 循环语句

for语句

> for(i in 1:59) {a[i]=1*2+3}
> a
 [1] 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
[39] 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
>
> b=0
> for(i in 1:59) {a[i]=i*2+3;b[i]=i*5-4}
> b
 [1]   1   6  11  16  21  26  31  36  41  46  51  56  61  66  71  76  81  86  91
[20]  96 101 106 111 116 121 126 131 136 141 146 151 156 161 166 171 176 181 186
[39] 191 196 201 206 211 216 221 226 231 236 241 246 251 256 261 266 271 276 281
[58] 286 291

while语句

a[1]=5
> i=1
> while(a[i]<121) {i=i+1;a[i]=a[i-1]+2}
> a
 [1]   5   7   9  11  13  15  17  19  21  23  25  27  29  31  33  35  37  39  41
[20]  43  45  47  49  51  53  55  57  59  61  63  65  67  69  71  73  75  77  79
[39]  81  83  85  87  89  91  93  95  97  99 101 103 105 107 109 111 113 115 117
[58] 119 121

  • R脚本引用

source()
print()

R与数据分析旧笔记（一）基本数学函数的使用的更多相关文章

  1. R与数据分析旧笔记（十八完结） 因子分析

    因子分析 因子分析 降维的一种方法,是主成分分析的推广和发展 是用于分析隐藏在表面现象背后的因子作用的统计模型.试图用最少的个数的不可测的公共因子的线性函数与特殊因子之和来描述原来观测的每一分量 因子 ...

  2. R与数据分析旧笔记（五）数学分析基本

    R语言的各种分布函数 rnorm(n,mean=0,sd=1)#高斯(正态) rexp(n,rate=1)#指数 rgamma(n,shape,scale=1)#γ分布 rpois(n,lambda) ...

  3. R与数据分析旧笔记（三）不知道取什么题目

    连线图 > a=c(2,3,4,5,6) > b=c(4,7,8,9,12) > plot(a,b,type="l") 多条曲线效果 plot(rain$Toky ...

  4. R与数据分析旧笔记（十七） 主成分分析

    主成分分析 主成分分析 Pearson于1901年提出的,再由Hotelling(1933)加以发展的一种多变量统计方法 通过析取主成分显出最大的个别差异,也用来削减回归分析和聚类分析中变量的数目 可 ...

  5. R与数据分析旧笔记（十六） 基于密度的方法：DBSCAN

    基于密度的方法:DBSCAN 基于密度的方法:DBSCAN DBSCAN=Density-Based Spatial Clustering of Applications with Noise 本算法 ...

  6. R与数据分析旧笔记（十五） 基于有代表性的点的技术：K中心聚类法

    基于有代表性的点的技术:K中心聚类法 基于有代表性的点的技术:K中心聚类法 算法步骤 随机选择k个点作为"中心点" 计算剩余的点到这个k中心点的距离,每个点被分配到最近的中心点组成 ...

  7. R与数据分析旧笔记（十三） 聚类初步

    聚类 聚类 关键度量指标:距离 常用距离 绝对值距离 绝对值距离也称为"棋盘距离"或"城市街区距离". 欧氏(Euclide)距离 闵可夫斯基(Minkowsk ...

  8. R与数据分析旧笔记（十一）数据挖掘初步

    PART 1 PART 1 传统回归模型的困难 1.为什么一定是线性的?或某种非线性模型? 2.过分依赖于分析者的经验 3.对于非连续的离散数据难以处理 网格方法 <Science>上的文 ...

  9. R与数据分析旧笔记（⑨）广义线性回归模型

    广义线性回归模型 广义线性回归模型 例题1 R.Norell实验 为研究高压电线对牲畜的影响,R.Norell研究小的电流对农场动物的影响.他在实验中,选择了7头,6种电击强度, 0,1,2,3,4, ...

随机推荐

  1. [置顶] 浅析objc的消息机制

    学习ios的同学都知道ojbc一种runtime的语言,runtime表明函数的真正执行的时候来确定函数执行的.这样的好处就是我们能很灵活的设计我们的代码,也能在看似合法的情况下做一些非常有意思的事情 ...

  2. 让ie支持placeholder属性，一段js搞定

    placeholder属性真的是超级好用的新属性,可惜,只有新版浏览器才支持,为了写出输入框贴心提示,老方法就是加span标签覆盖,营造出placeholder提示的感觉,现在安利一款好用的js,好用 ...

  3. 在 PL/SQL Developer 中执行SQL文件的方法

    打开 command Window SQL> @'D:\My Documents\Downloads\bde_chk_cbo.sql'; 整个路径及文件两边要有单引号哦!

  4. Mysql Cluster 集群 windows版本

    VM1:192.168.220.102 管理节点(MGM) VM2:192.168.220.103 数据节点(NDBD1),SQL节点(SQL1) VM3:192.168.220.104 数据节点(N ...

  5. iOS坐标转换

    // 将像素point由point所在视图转换到目标视图view中,返回在目标视图view中的像素值 - (CGPoint)convertPoint:(CGPoint)point toView:(UI ...

  6. jboss清楚缓存

    在服务器上部署或更新时,常常会忘记删除JBOSS的缓存.忘记删除缓存的后果,经常就是改好了代码却还是原来的错误,然后查找半天,浪费时间.所以在重新部署JBOSS,在启动JBOSS前一定要删除JBOSS ...

  7. C++中，new/delete和malloc/free的区别

    1.new/delete是C++的操作符,而malloc/free是C中的函数. 2.new做两件事,一是分配内存,二是调用类的构造函数:同样,delete会调用类的析构函数和释放内存.而malloc ...

  8. Android setOnTouchListener识别滑动手势

    setOnTouchListener(new OnTouchListener() { private float startX, startY, offsetX, offsetY; @Override ...

  9. Swift 断言

    assert(条件,"输出信息"); 如: let age=-1; assert(age>=0,"age要大于0");

  10. Windows下bat命令

    一.简单批处理内部命令简介  1.Echo 命令 打开回显或关闭请求回显功能,或显示消息.如果没有任何参数,echo 命令将显示当前回显设置.    语法  echo [{on│off}] [mess ...