#向量(x1<- c(10,11,12,13))(x2<- 1:10)x3<- seq(1,5,1) #from 1 to 5 by 1x4<- seq(5,by=2,length.out=8) #向量中元素个数为8x5<- seq(2,by=3, along.with = x4) # along.with向量个数与x4一致x5[1:5]x5[c(1,2,3,4,5)]x5[-1:-5]   #不要下标为1-5的元素which(x5>5) #大于5的向量下标x5[which(x5>10)] #大于5的向量值

#因子f<-c(‘a‘,‘a‘,‘b‘,‘o‘,‘ab‘,‘ab‘)f<-factor(c(‘a‘,‘a‘,‘b‘,‘o‘,‘ab‘,‘ab‘)) #创建因子，level默认按字母排序unclass(f) #查看因子f<-factor(c(‘a‘,‘a‘,‘b‘,‘o‘,‘ab‘,‘ab‘),levels = c(‘a‘,‘b‘,‘o‘,‘ab‘)) #指定因子对应的levelunclass(f) #f1<- gl(4,3,labels = c(‘blue‘,‘red‘,‘green‘,‘yellow‘)) #4个级别，每个级别重复3次，labels的内容f1unclass(f1)

#矩阵#创建矩阵：#方法一：使用matric(nrow=?,ncol=?)x<-matrix(nrow=2,ncol=3) #nrow 指定行， ncol指定列xx<-matrix(1:18,nrow = 3,ncol = 6) # 3行，6列，元素值由1:18填充，默认一列一列顺序填充xx<-matrix(1:18,nrow = 3, ncol = 6, byrow = T) # 3行，6列，元素值由1:18填充，指定行顺序填充x#方法二： dim(a) 通过dim 传递向量a<-1:18dim(a)<-c(3,6) #3行6列，行顺序填充x#方法三： rbind或cbind进行拼接x<-1:10y<-11:20z<-21:30m1 = rbind(x,y,z) #以行为单位进行拼接m2 = cbind(x,y,z) #以列为单位进行拼接m1m2#获取矩阵元素x<-matrix(1:18,nrow = 3,ncol = 6,byrow = T)xx[1,2] #第1行第2列x[1,] #第1行x[,2] #第2列x[,c(2,3,4)] #第2 3 4列x[c(1,2),] #第1 2行x[c(1,2),2:4] #第1 2行 第2 3 4列#行列命名colnames(x)<-c(‘C1‘,‘C2‘,‘C3‘,‘C4‘,‘C5‘,‘C6‘) #列的名字rownames(x)<-c(‘R1‘,‘R2‘,‘R3‘)  #行的名字x[‘R1‘,‘C1‘]x[c(‘R1‘,‘R2‘),c(‘C1‘,‘C2‘)]#矩阵运算m1<-matrix(1:18,nrow = 3,ncol = 6, byrow = T)m2<-matrix(19:36,nrow = 3, ncol = 6, byrow = T)m1m2#矩阵加法m1+10   #矩阵+nm1+m2   #矩阵+矩阵#矩阵乘法m1*10  #矩阵*nm1*m2  #矩阵对应元素相乘m1 %*% t(m2)  #矩阵*矩阵 矩阵乘法 行列相乘#对角矩阵diag(4)  #4*4矩阵 对角元素都为1diag(c(1,2,3,6))  #4*4矩阵，对角元素为1,2,3,6x<-matrix(1:16,4,4)diag(x) #显示矩阵x的对角元素值#解方程组m<-diag(4)mb<-1:4solve(m,b) #m %*% x=b 求x

#数据框#创建数据框 a<-data.frame(fx = rnorm(10,10,2),              fy = runif(10,10,20),              fmonth = 1:10 ) a[1,1]a[1,]a[,2]a$fx  #通过$fx取列信息a[[1]]#通过[[]]获取列信息search()  #查询attach(a)  #attach 数据到 search路径fx         #直接使用detach(a)  #detach 数据search()  #查询a<-with(a, fx)                #访问数据框成员#新增修改列a<-within(a,{fx=1:10          #通过within来进行修改,和新增列             fz=11:20})#新增列a$fz = 11:20a$fz = a$fx+a$fy#列存在则修改a$fx = 1:10#查询数据集b = subset(a,fx>1&fmonth==8,select=c(fx,fmonth))  #select 列过滤，fx>1&fmonth==8 行过滤b=edit(a)  #修改后的数据集赋值给另一个数据集bfix(a)     #直接修改数据集内容a

#列表#创建列表a<-list(x=1:10,y=matrix(1:16,4,4),z=data.frame())names(a) <- c(‘c1‘,‘c2‘,‘c3‘) #修改成分名称cc=a[‘y‘]  #在列表中通过[]取出的对象类型还是列表c[2,1]    class(c)  #查看类型为listc=a[[‘y‘]] #在列表中通过[[]]取出的对象类型为实际对象类型矩阵c[2,1]class(c)  #查看类型为matrixa$y[2,1]  #获取矩阵的元素

#数组(a=array(1:60,c(3,4,5)))  #数组三维a[1,2,3]

x=c(1:2,‘hello‘,T)xmode(x)      #查看数据类型class(x)     #查看数据结构is.vector(x)y<-matrix(1:20,c(4,5))mode(y)      #数据类型是numericclass(y)     #数据结构是matrixy<-as.data.frame(y) #数据类型转换matrix->dataframey

#分支结构(Brand<-paste(c(‘Brand‘),1:9,sep=‘‘)) #粘合一起                                     #"Brand1" "Brand2" "Brand3" "Brand4" "Brand5" "Brand6" "Brand7" "Brand8" "Brand9"(PName<-paste(c(‘Dell‘),1:9,sep=‘ ‘))(Mem<-rep(c(‘1G‘,‘2G‘,‘4G‘),times=3)) #重复                                      #"1G" "2G" "4G" "1G" "2G" "4G" "1G" "2G" "4G"(Feq=rep(c(‘2.2G‘,‘2.8G‘,‘3.3G‘),each=3))(Price=rep(c(1000,2000,5000),3))PC=data.frame(Brand,PName,Mem,Feq,Price)##分支结构#if..elsePCPC$PD=rep(‘Cheap‘,9)for (i in 1:nrow(PC)){     #1:nrow(PC)从第1行到最后一行  if (PC[i,‘Price‘]>3000){ #取值进行比较    PC[i,‘PD‘]=‘Expensive‘ #修改值  }}PC#ifelse函数PC$PD2=ifelse(PC$Price>3000,‘Expensive‘,‘Cheap‘)  #向量化运算PCc

#循环结构for (x in 1:5){  print (x^2)}i=1while (i<6){  print (i^2)  i=i+1}i=1repeat {  print (i^2)  i=i+1  if (i>5) break}

#函数myadd=function(a,b,c){  return (a+b+c)}mystat=function(x,na.omit=FALSE){  if (na.omit){    x=x[!is.na(x)]  }  m=mean(x)  n=length(x)  s=sd(x)  skew=sum((x-m)^3/s^3)/n  return (list(n=n,mean=m,stdev=s,skew=skew))}

#向量化x=1:5(y=x^2)(y=matrix(1:16,4,4))(z=y^2)(x=1:5)(y=11:15)(x+y)y>=13ifelse(x%%2==0,‘A‘,‘B‘)x=data.frame(pv=rnorm(100,20,3),             uv=rnorm(100,40,4),             ip=runif(100,40,50))apply(x,MARGIN = 2,mean)apply(x,MARGIN = 2,quantile,probs=c(0.1,0.5,0.9))