【R语言基础操作】

简介: 【R语言基础操作】

该篇文章主要演示R语言中的基本数据操作方法,建议收藏!

文章包括:数据读取;数据基本的四则运算;向量操作及运算;矩阵操作及运算;数据框操作等方法。

1 数据读取

  运行程序:

data<- read.csv ( "G:\\Fonts\\Book1.csv")
head(data)

  运行结果:

##   X1 X2
## 1  2  5
## 2  2  2
## 3  3  7
## 4  4  0
## 5  4  2

2 写数据

  运行程序:

data1<-data.frame(1,2,2)
fix(data1)                           #直接写入
data2<-read.table("clipboard", header = T,sep = '\t')
head(data2)                          #通过粘贴板内容写入

  运行结果:

##   X119.367781 X25.99242
## 1    119.3678  25.99242
## 2    119.3678  25.99242
## 3    119.3678  25.99242
## 4    119.3678  25.99242
## 5    119.3678  25.99242

3 数据的四则运算

3.1 加法

  运行程序:

a1=20
a2=4
a1+a2              #加法

  运行结果:

## [1] 24

3.2 减法

  运行程序:

a1-a2              #减法

  运行结果:

## [1] 16

3.3 乘法

  运行程序:

a1*a2              #乘法

  运行结果:

## [1] 80

3.4 除法

  运行程序:

a1/a2              #除法

  运行结果:

## [1] 5

3.5 综合算法

  运行程序:

(3+5/4)**2-6       #综合算法

  运行结果:

## [1] 12.0625

3.6 余数

  运行程序:

5%%2               #余数

  运行结果:

## [1] 1

3.7 整除

  运行程序:

5%/%2              #整除

  运行结果:

## [1] 2

3.8 整除

  运行程序:

abs(-3)            #绝对值

  运行结果:

## [1] 3

3.9 判断正负

  运行程序:

sign(3)            #判断正负

  运行结果:

## [1] 1

3.10 幂指数

  运行程序:

3^2                #幂指数

  运行结果:

## [1] 9

3.11 平方根

  运行程序:

sqrt(4)            #平方根

  运行结果:

## [1] 2

4 向量

4.1 普通向量

  运行程序:

## [1] 5 3 4 2

  运行结果:

## [1] 2

4.2 逻辑向量

  运行程序:

y<-c(TRUE,FALSE,TRUE);y    #逻辑向量

  运行结果:

## [1]  TRUE FALSE  TRUE

4.3 向量填充

  运行程序:

numeric(5)                 #填充5个0向量

  运行结果:

## [1] 0 0 0 0 0

5 向量的运算

5.1 加法

  运行程序:

a1<-c(12,18,32,24)
a2<-c(3,6,2,4)
a1+a2                      #加法

  运行结果:

## [1] 15 24 34 28

5.2 减法

  运行程序:

a1-a2                      #减法

  运行结果:

## [1]  9 12 30 20

5.3 乘法

  运行程序:

a1*a2                      #乘法

  运行结果:

## [1]  36 108  64  96

5.4 除法

  运行程序:

a1/a2              #除法

  运行结果:

## [1]  4  3 16  6

5.5 内积

  运行程序:

a1%*%a1                    #内积

  运行结果:

##      [,1]
## [1,] 2068

5.6 外积

  运行程序:

a1%o%a2                    #外积

  运行结果:

##      [,1] [,2] [,3] [,4]
## [1,]   36   72   24   48
## [2,]   54  108   36   72
## [3,]   96  192   64  128
## [4,]   72  144   48   96

6 矩阵

6.1 普通矩阵

  运行程序:

A<-matrix(1:12,ncol=4,nrow=3,byrow=TRUE);
A                 #普通矩阵

  运行结果:

##      [,1] [,2] [,3] [,4]
## [1,]    1    2    3    4
## [2,]    5    6    7    8
## [3,]    9   10   11   12

6.2 转置矩阵

  运行程序:

t(A)              #转置矩阵

  运行结果:

##      [,1] [,2] [,3]
## [1,]    1    5    9
## [2,]    2    6   10
## [3,]    3    7   11
## [4,]    4    8   12

6.3 子矩阵

  运行程序:

A[1:2,c(1,2,3)]   #子矩阵

  运行结果:

##      [,1] [,2] [,3]
## [1,]    1    2    3
## [2,]    5    6    7

6.5 对角矩阵

  运行程序:

C=matrix(1:9,nrow = 3,ncol = 3,byrow = T);diag(C)
diag(c(1:3))

  运行结果:

##      [,1] [,2] [,3]
## [1,]    1    0    0
## [2,]    0    2    0
## [3,]    0    0    3

6.6 单位矩阵

  运行程序:

diag(3)           #单位矩阵

  运行结果:

##      [,1] [,2] [,3]
## [1,]    1    0    0
## [2,]    0    1    0
## [3,]    0    0    1

7 矩阵运算

7.1 矩阵加法

  运行程序:

A<-matrix(1:9,ncol=3,nrow=3,byrow=TRUE)
B<-matrix(4:12,ncol=3,nrow=3,byrow=TRUE)
A+B               #矩阵加法

  运行结果:

##      [,1] [,2] [,3]
## [1,]    5    7    9
## [2,]   11   13   15
## [3,]   17   19   21

7.2 矩阵减法

  运行程序:

A-B               #矩阵减法

  运行结果:

##      [,1] [,2] [,3]
## [1,]   -3   -3   -3
## [2,]   -3   -3   -3
## [3,]   -3   -3   -3

7.3 矩阵除法

  运行程序:

A/B               #矩阵除法

  运行结果:

##           [,1]      [,2]      [,3]
## [1,] 0.2500000 0.4000000 0.5000000
## [2,] 0.5714286 0.6250000 0.6666667
## [3,] 0.7000000 0.7272727 0.7500000

7.4 矩阵乘法

  运行程序:

A*B               #矩阵乘法

  运行结果:

##      [,1] [,2] [,3]
## [1,]    4   10   18
## [2,]   28   40   54
## [3,]   70   88  108

7.5 两矩阵相乘

  运行程序:

A%*%B             #矩阵A乘以矩阵B

  运行结果:

##      [,1] [,2] [,3]
## [1,]   48   54   60
## [2,]  111  126  141
## [3,]  174  198  222

8 数据框

8.1 数据框创建

  运行程序:

d=data.frame(name=c("小李","小张","小民"),age=c(18,19,16),height=c(175,172,177));d

  运行结果:

##   name age height
## 1 小李  18    175
## 2 小张  19    172
## 3 小民  16    177

8.2 数据框取数

  运行程序:

d[1,2]

  运行结果:

## [1] 18


相关文章
|
大数据
R语言基础操作①
基础指令 程序辅助性操作: 运行 q()——退出R程序 tab——自动补全 ctrl+L——清空console ESC——中断当前计算 调试查错 browser() 和 debug()——设置断点进行,运行到此可以进行浏览查看(具体调试看browser()帮助文档(c,n,Q)) stop(‘your message here.
1526 0
|
3月前
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
2月前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
45 3
|
7月前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
7月前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
3月前
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
4月前
|
机器学习/深度学习 数据采集 数据可视化
R语言在数据科学中的应用实例:探索与预测分析
【8月更文挑战第31天】通过上述实例,我们展示了R语言在数据科学中的强大应用。从数据准备、探索、预处理到建模与预测,R语言提供了完整的解决方案和丰富的工具集。当然,数据科学远不止于此,随着技术的不断发展和业务需求的不断变化,我们需要不断学习和探索新的方法和工具,以更好地应对挑战,挖掘数据的潜在价值。 未来,随着大数据和人工智能技术的普及,R语言在数据科学领域的应用将更加广泛和深入。我们期待看到更多创新的应用实例,为各行各业的发展注入新的动力。
|
4月前
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。
|
4月前
|
资源调度 数据挖掘
R语言回归分析:线性回归模型的构建与评估
【8月更文挑战第31天】线性回归模型是统计分析中一种重要且实用的工具,能够帮助我们理解和预测自变量与因变量之间的线性关系。在R语言中,我们可以轻松地构建和评估线性回归模型,从而对数据背后的关系进行深入的探索和分析。
|
4月前
|
机器学习/深度学习 数据采集
R语言逻辑回归、GAM、LDA、KNN、PCA主成分分类分析预测房价及交叉验证
上述介绍仅为简要概述,每个模型在实施时都需要仔细调整与优化。为了实现高度精确的预测,模型选择与调参是至关重要的步骤,并且交叉验证是提升模型稳健性的有效途径。在真实世界的房价预测问题中,可能还需要结合地域经济、市场趋势等宏观因素进行综合分析。
72 3
下一篇
无影云桌面