1、基本數據類型(numeric,logical,character,NA,double,complex,integer)

2、日期變量

常用函數

Sys.Date()-返回系統當前的日期，Sys.time()-返回系統當前的日期和時間，date()-返回系統當前的日期和時間，

as.Date()-將字符串形式的日期值轉換為日期變量，as.Date(x,format="",...)

as.POSIXllt()-將字符串轉化為包含時間及時區的日期變量，as.POSIXllt(x,tz="",format)

strptime()-將字符串變量轉換為包含時間的日期變量，strptime(x,format,tz="")

strfttime()-將日期變量轉換為指定格式的字符串變量，strfttime(x,format)

format()-將日期變量轉換為指定格式的字符串變量,format(x,...)

3、查看對象的類型

class()、mode()、typeof()

4、數據結構

（1）向量

向量創建：c()函數創建向量

向量索引：#下標方式索引 vector<-c(1,2,3,4)? vector[1]? ?vector[c(1:3)]

　　　　　#按名稱索引 names(vector)<-c("one","two","three","four")? ? ?vector[c("one","two")]

　　　　　#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

向量編輯 ： #向量擴展(x<-c(x,c(5,6,7)))? #單個元素的刪除? x<-x[-1]? ?#多個元素的刪除? (x<-x[c(3:5)])

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

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

重復數列的建立：rep(x,times=1,length.out=NA,each=1)? ? rep(1:3, each=2, times=2)? 112233112233112233

（2）矩陣

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

x<-c(1:9)

a<-matrix(x,nrow=5,ncol=2,byrow=FAlSE,dimnames=list(c("r1","r2","r3","r4","r5"),c("c1","c2")))

矩陣和轉換為向量：as.vector(),轉換為向量時元素按列讀取數據

矩陣索引：#根據位置索引? ?a[2,1]

　　　　　#根據行和列的名稱索引?a["r2","c2"]

　　　　　#使用一維下標索引? a[,2]?

　　　　　#使用數值型向量索引?a[c(3:5)，2]

矩陣編輯：#矩陣合并（a1<-rbind(a,c(11,12))） (a2<-rbind(a,c(11:15)))

　　　　　#刪除矩陣中元素? a5<-a[-1,]? #刪除矩陣中的第一行

矩陣的運算：colSums()-對矩陣的各列求和? rowSums()-對矩陣的各行求和? ?colMeans()-對矩陣各列求均值? rowMeans()-對矩陣各行求均值

　　　　　　t()-矩陣行列轉換? ?det()-求解矩陣的行列式? ?crossprod()-求解兩個矩陣的內積? ?outer()-求解矩陣的外積? %*%-矩陣乘法

　　　　　　diag()-對矩陣取對角元素? ? solve()-對矩陣求解逆矩陣? eigen()-對矩陣求解特征值和特征向量

（3）數組

創建數組：array(data,dim=length(data),dimnames=NULL)

x<-c(1:9)??

dim1<-c("A1","A2","A3")

dim2<-c("B1","B2","B3","B4","B5")

dim3<-c("C1","C2")

a<-array(x,dim=c(3,5,2),dimnames=list(dim1,dim2,dim3))

數組索引：#按下標索引? a[2,4,2]

　　　　　#按維度名稱索引a["A2"，"B3","C1"]

　　? ? ? ? ? ?#查看數組的維度? dim(a)

（4）數據框

創建數據框：data.frame()

#向量組成數據框

data_iris<-data.frame(s.length=c(1,1,1,1),s.width=c(2,2,2,2),w.length=c(3,3,3,3),w.width=c(4,4,4,4))

#矩陣組成數據框

data_matrix<-matrix(c(1:8),c(4,2))

data_iris2<-data.frame(data_matrix)

數據框索引：#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函數索引? library(sqldf)? newdf<-sqldf("select * from mtcars where carb=1 order by mpg",row.names=TRUE)

數據框編輯：#增加新的樣本數據? data_iris<-rbind(data_iris,list(9,9,9,9))

　　　　　　#增加數據集的新屬性變量? data_iris<-rbind(data_iris,Species=rep(7,5))

　　　　　　#數據框列名的編輯? names(data_iris)

（5）因子

創建因子序列 ：

將statistics分解成因子型變量，水平為26個小寫字母 (ff<-factor(substring("statistics"),1:10,1:10,levels=letters))

去除沒有包含在向量中的水平? f<-factor(ff)

#創建因子型向量，水平名稱為letter? factor(letters[1:20],labels="letter")

#創建有序的因子序列? ?z<-factor(LETTERS[1:4],ordered=TRUE)

通過gl()函數創建因子序列? ?gl(n,k,length=n*k,labels=seq_len(n),ordered=TRUE)

n-表示因子水平的個數??

k-表示每個水平的重復數

length-表示生成的序列的長度

labels-一個n維向量，表示因子水平

ordered-一個邏輯值，為TRUE表示有序因子，為FALSE則表示無序因子

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

因子的存儲方式：

> status<-c("Poor","Improved","Excellent","Poor")
> class(status)? ? #查看向量的類型
[1] "character"
> s<-factor(status,ordered=TRUE)
> s
[1] Poor Improved Excellent Poor
Levels: Excellent < Improved < Poor
> class(s)
[1] "ordered" "factor"? ?#查看數據的類型
> storage.mode(s)? #查看存儲類型，可以看出因子是按整數存儲的
[1] "integer"
> as.numeric(s)? ?#轉換為數值型向量
[1] 3 2 1 3
> levels(s)? ?#查看因子的水平
[1] "Excellent" "Improved" "Poor"

?

（6）列表

創建列表：list(object1,object2,...)

data<-list(a=c(1,2,3,4),b=c("true","false"),c=c("one","two","three","four"),d=(1+3i))

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

　　　　#元素索引? data[[1]][1]

列表編輯：列表的編輯和向量類似，使用c()函數進行合并。??

#增加名稱為e的一列

data1<-c(data,list(e=c(3,4,5)))

或者data1<-c(data,e=list(c(3,4,5)))

?

轉載于:https://www.cnblogs.com/bigdream6/p/8289898.html

總結

以上是生活随笔為你收集整理的R语言基础篇——数据对象的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。