变量名:变量名仅包含任何大小写字母,数字
以及下划线_(但数字和下划线不能用于变量名开头);且要注意区分大小写
\(\mathrm{a\neq
A}\),比如,如下的语句就会报错
a <- 1
A三个赋值符号:
<- (在RStudio中可以使用快捷键
alt/option + - 快速插入)=->以将变量 a 赋值为 1
为例,以下三种赋值方式等价
a <- 1
a = 1 # 注意:变量名必须在等号的左侧,而值在等号的右侧
1 -> aR语言中变量类型主要包括逻辑型,数值型和字符型三类
可以使用
class(变量名)的方式查看变量的类型
逻辑型 (logical):即对于“对(True)”或“错(False)”的表述。仅有
TRUE (可简写为 T) 和 FALSE
(可简写为 F)两类。
# l1,l2,l3, l4 均为逻辑型变量
l1 <- TRUE
l2 <- FALSE
l3 <- T # 等价于l1
l4 <- F # 等价于l2
paste("l1 = ", l1, ", l1 is ", class(l1))
## [1] "l1 = TRUE , l1 is logical"
paste("l2 = ", l2, ", l2 is ", class(l2))
## [1] "l2 = FALSE , l2 is logical"
paste("l3 = ", l3, ", l3 is ", class(l3))
## [1] "l3 = TRUE , l3 is logical"
paste("l4 = ", l4, ", l4 is ", class(l4))
## [1] "l4 = FALSE , l4 is logical"试试看下面三个语句的结果,并判断结果是什么类型的变量
1 > 21 == 01 != 0我们可以使用 is.logical(变量)
的方式判断一个变量是否为逻辑型
x <- 1 > 2
is.logical(x)
## [1] TRUE
is.logical(1 > 2)
## [1] TRUE数值型 (numeric):例如人的身高,体重,学生的成绩。我们可以用一个数值来表述这些性质。
# n1, n2, n3, n4 均为数值型变量。R语言默认存储为浮点型
n1 <- 3
n2 <- 1/3
n3 <- 0.33333
n4 <- 3.3333e-1 # 科学计数法:3.3333e-1 等同于 3.3333 * (10^-1)
paste("n1 = ", n1,", n1 is the ", class(n1))
## [1] "n1 = 3 , n1 is the numeric"
paste("n2 = ", n2,", n2 is the ", class(n2))
## [1] "n2 = 0.333333333333333 , n2 is the numeric"
paste("n3 = ", n3,", n3 is the ", class(n3))
## [1] "n3 = 0.33333 , n3 is the numeric"
paste("n4 = ", n4,", n4 is the ", class(n4))
## [1] "n4 = 0.33333 , n4 is the numeric"试试看:
TRUE + TRUETRUE - FALSE3 + FALSE字符型 (character):例如人的性别
(gender),姓名。一般我们使用一串字符来表示这些性质,字符型变量两边由
" 或 ' 包裹。
c1 = "TRUE"
c2 = "FALSE"
c3 = "this is 'test'" # 若希望在字符串中加'可以在外侧用"
c4 = 'this is \'test\'' # 也可以在'前加\实现字符的转意
print(c1)
## [1] "TRUE"
print(c2)
## [1] "FALSE"
print(c3)
## [1] "this is 'test'"
print(c4)
## [1] "this is 'test'"试试看
'this is "test"'"this is \"test\"转化为数值型 as.numeric()
a <- "123"
as.numeric(a)
## [1] 123
b <- T
as.numeric(b)
## [1] 1转化为字符型 as.character()
a <- T
as.character(a)
## [1] "TRUE"
b <- 1e-3
as.character(b)
## [1] "0.001"转化为逻辑型 as.logical() 一切非零的数值都会被转化为
TRUE,而零会被转化为 FALSE
a <- 1
as.logical(a)
## [1] TRUE
b <- -1
as.logical(b)
## [1] TRUE
c <- 0
as.logical(c)
## [1] FALSE对于无法转换的类型,R会自动转化为 NA 即缺失值
a <- "0"
as.logical(a)
## [1] NA
b <- "1this is characters"
as.numeric(b)
## Warning: NAs introduced by coercion
## [1] NA| 变量名 | 含义 |
|---|---|
pi |
圆周率,3.1415… |
Inf |
无穷大 1/0 |
NaN |
不定量,0/0 |
NA |
缺失值 |
pi
## [1] 3.141593
1/0
## [1] Inf
0/0
## [1] NaN
NA
## [1] NA
\[ \begin{bmatrix} 1 & 2 & 3 & 4 \end{bmatrix} \]
通过 c()
来生成向量,只用按顺序输入向量的各个分量即可
v1 <- c(1,2,3,4)
v1
## [1] 1 2 3 4对于 \([1,2,3,4,5,...,n]\)
这样的等差数列,可以使用 1:n 来直接生成
v2 <- 1:4
v2
## [1] 1 2 3 4对于有规则的等差数列,可以使用 seq() 来生成
seq(-2, 3, by=0.5) # 公差为 0.5,首项为-2,尾项最接近3的等差数列
## [1] -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0
seq(2, 4, length.out=4) # 生成首项和尾项分别为2和4的4维向量
## [1] 2.000000 2.666667 3.333333 4.000000
seq(2, by=0.5, length=4) # 生成首项为2,公差为0.5,长度为4的向量
## [1] 2.0 2.5 3.0 3.5注意:向量中的数据类型需要保持一致,否则会出现强制转换!优先级为
字符型 > 数值型 > 逻辑型
(优先级低的类型会被强制转换为优先级高的类型)
c(1,2,"3") # 字符型最优先
## [1] "1" "2" "3"
c(1,2,TRUE) # 其次是数值型
## [1] 1 2 1使用 a[i] 来索引向量 a 中第
i 个元素
a <- c(1,2,3)
a[2]
## [1] 2a[i] 中的 [i] 也可以是个列表
b <- c(2,2,2,1,3)
a[b]
## [1] 2 2 2 1 3
c <- a >= 2 # 返回一个由逻辑值组成的向量
a[c]
## [1] 2 3通过对第 i 个元素进行赋值,来修改向量中第
i 个元素的值
a <- c(1,2,3)
a[1] <- 100
a
## [1] 100 2 3
a[2] = 300
a
## [1] 100 300 3matrix(x,m,n) 的形式来生成矩阵(将向量
x 转换为 m 行 n 列的矩阵)
列优先
a <- 1:6
m1 <- matrix(a, 3, 2)
m1
## [,1] [,2]
## [1,] 1 4
## [2,] 2 5
## [3,] 3 6
行优先
a <- 1:6
m2 <- matrix(a, 3, 2, byrow=T)
m2
## [,1] [,2]
## [1,] 1 2
## [2,] 3 4
## [3,] 5 6
byrow=T改为行优先字符型 > 数值型 > 逻辑型
(优先级低的类型会被强制转换为优先级高的类型)
尝试如下代码:
a1 <- c(1,2,3,4,"5",6)
m3 <- matrix(a1, 3,2)
m3
a2 <- c(T,2,3,4,5,6)
m4 <- matrix(a2, 3,2)
m4和向量类似我们用 a[i,j] 的形式索引矩阵第
i 行 (row),第 j 列 (column) 的元素;
x <- 1:9
m <- matrix(x, 3, 3)
m
## [,1] [,2] [,3]
## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9
m[3,2] # 矩阵m第3行第2列的元素
## [1] 6和向量类似,我们也可以用一组向量来索引矩阵
i <- c(1,3)
j <- c(1,2)
m[i,j] # 挑选出第1行和第1,2列,第3行和第1,2列相交的元素组成新的矩阵
## [,1] [,2]
## [1,] 1 4
## [2,] 3 6索引某一列或某一行 a[,n] a[m,]
m[3,] # 索引第3行
## [1] 3 6 9
m[,2] # 索引第2列
## [1] 4 5 6我们同样可以用赋值的方式来修改矩阵中元素的值
x <- 1:9
m <- matrix(x, 3, 3)
m
## [,1] [,2] [,3]
## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9
i <- c(1,3)
j <- c(1,2)
m[i,j] <- 1:4 # 挑选出第1行和第1,2列,第3行和第1,2列相交的元素组成新的矩阵
m
## [,1] [,2] [,3]
## [1,] 1 3 7
## [2,] 2 5 8
## [3,] 2 4 9属于矩阵的一种拓展形式,类似于我们常见的表格:每一行代表每一个 subject 的数据,每一列代表不同的数据(可能拥有不同的数据类型)
data.frame()
x <- c(160, 175)
y <- c(51, 72)
sex <- c("female", "male")
df <- data.frame(x,y,sex) # 使用列变量名 (x, y, sex)
df2 <- data.frame(height=x, weight=y, sex) # 设置列变量名分别为(height, weight, sex)names() 用于显示数据框各列的名称
names(df)
## [1] "x" "y" "sex"
names(df2)
## [1] "height" "weight" "sex"对列进行索引:使用 df$列变量
对于数据框的列进行索引,也可使用 df[j] 直接检索第
j 列
df$sex
## [1] "female" "male"
df[3]
df2$height
## [1] 160 175
df2[2]
对行进行索引:使用 df[i,] 索引第
i 行 (注意 i 后面有个
,)
df[1,]
df2[2,]
对于元素进行索引:使用 df$x[i]
索引第 i 个 subject 的 x
属性,类似于矩阵,我们也可以用行和列的方式进行索引 df[i,j]
索引第i行第 j 列的元素。
df$x[1]
## [1] 160
df[1,1]
## [1] 160list(key1=value1,key2=value2, ...)
list1 <- list(1,"2",3)
list1
## [[1]]
## [1] 1
##
## [[2]]
## [1] "2"
##
## [[3]]
## [1] 3
list2 <- list(x=1, y="2", z=3) # x,y,z 为我们索引使用的键值
list2
## $x
## [1] 1
##
## $y
## [1] "2"
##
## $z
## [1] 3若我们像向量一样进行索引 a[i]
我们得到的还是一个列表而非列表内的值
class(list1[1]) # 运行后我们可以发现 list1[1] 返回的还是一个列表
## [1] "list"我们需要使用 a[[i]] 才能得到具体的数值
class(list1[[1]]) # list[[1]] 返回的才是具体的元素值
## [1] "numeric"类似于数据框,当我们定义键值后,可以使用 list2$key
来进行索引,这时可直接得到列表内元素的值
list2$y
## [1] "2"
class(list2$y) # $key 的方式可以直接返回列表的元素值
## [1] "character"基础运算:+ - *
/ ^
1 + 2 * 10 # 乘除以的优先级高于加减
## [1] 21
(1 + 2) * 10 # () 可以提高计算的优先级
## [1] 30
2 ^ 3 # 2的3次方
## [1] 8
2 ** 3 # 2的3次方, 同上
## [1] 8常用函数
指数函数:exp(x) \(e^{x}\) (\(e\approx 2.718281828459045\)
称为自然常数)
x <- seq(-5,2,by=0.001)
y = exp(x)
对数函数:
log(x) \(\ln(x)\)log(x, base=n) \(\log_{n}
x\)x <- seq(exp(-5),exp(2), by=0.001)
y = log(x)
三角函数:sin(x)
cos(x) 其中x 采用弧度制
x <- seq(-3* pi,3*pi,by=1e-3)
y_sin = sin(x)
y_cos = cos(x)
sum(x) 求和函数:计算数值型向量 x
的所有元素的和;对于矩阵我们有 colSums()
对矩阵的列求和,rowSums() 对矩阵的行求和。
exp(1)
## [1] 2.718282
log(exp(1))
## [1] 1
log(2^3, base=2) # 以2为底,8的对数
## [1] 3
sin(pi/6)
## [1] 0.5
x <- 1:9
sum(x)
## [1] 45
m <- matrix(x,3,3)
colSums(m)
## [1] 6 15 24
rowSums(m)
## [1] 12 15 18' 或 ";