过函数matrix()创建矩阵。一般使用格式为
其中vector包含了矩阵的元素，nrow和ncol用以指定行和列的维数，dimnames包含了可选
的、以字符型向量表示的行名和列名。选项byrow则表明矩阵应当按行填充（byrow=TRUE）
还是按列填充（byrow=FALSE），默认情况下按列填充
数组（array）与矩阵类似，但是维度可以大于2， 数组可通过array函数创建，形式如下：
myarray <- array(vector, dimensions, dimnames)
其中vector包含了数组中的数据，dimensions是一个数值型向量，给出了各个维度下标的最大
值，而dimnames是可选的、各维度名称标签的列表
由于不同的列可以包含不同模式（数值型、字符型等）的数据，数据框的概念较矩阵来说更
为一般。它与你通常在SAS、SPSS和Stata中看到的数据集类似。数据框将是你在R中最常处理的
数据结构
数据框可通过函数data.frame()创建
其中的列向量col1、col2、col3等可为任何类型（如字符型、数值型或逻辑型）。每一列的名
称可由函数names指定
每一列数据的模式必须唯一，不过你却可以将多个模式的不同列放到一起组成数据框。由于数据框与分析人员通常设想的数据集的形态较为接近，我们在讨论数据框时将交替使用术语列和
变量
类别（名义型）变量和有序类别（有序型）变量在R中称为因子（factor）。因子在R中非常重要，因为它决定了数据的分析方式以及如何进行视觉呈现
函数factor()以一个整数向量的形式存储类别值，整数的取值范围是[1...k]（其中k是名义型变量中唯一值的个数），同时一个由字符串（原始值）组成的内部向量将映射到这些整数上
对于字符型向量，因子的水平默认依字母顺序创建。这对于因子status是有意义的，因为
“Excellent”“Improved”“Poor”的排序方式恰好与逻辑顺序相一致。如果“Poor”被编码为
“Ailing”，会有问题，因为顺序将为“Ailing”“Excellent”“Improved”。如果理想中的顺序是“Poor” “Improved”“Excellent”，则会出现类似的问题。按默认的字母顺序排序的因子很少能够让人满意.
你可以通过指定levels选项来覆盖默认排序。例如：
各水平的赋值将为1=Poor、2=Improved、3=Excellent。请保证指定的水平与数据中的真实值
相匹配，因为任何在数据中出现而未在参数中列举的数据都将被设为缺失值。数值型变量可以用levels和labels参数来编码成因子。如果男性被编码成1，女性被编码成2，则以下语句
列表（list）是R的数据类型中最为复杂的一种。一般来说，列表就是一些对象（或成分，component）的有序集合
在R中，常见的数据类型一共有5种：
字符型character,
数值型numeric,
整形integer,
复数型complex,
逻辑型logical
还需要注意的是，如果我们直接输入1,2,3,4...得到的是numeric类型。如果想要输入integer类型，需要输入1L,2L,3L,4L...
Inf表示无穷大，-Inf表示无穷小。
同理1/0表示无穷大，-1/0表示无穷小
如果输入0/0则会得到Nan这样的显示，Nan表示在计算的时候出现错误。
而如果出现Na则表示缺失值。我们可以认为Na包含了NaN。
在R语言中，常见的数据的结构有以下几种：
向量，列表，矩阵，数组，数据框，因子
特点：相同类型，序列
如何创建向量？
1、创建初始向量：vector（‘数据类型’，数据个数），例如，我们输入：x<-vector('numeric',10)，可以得到如下结果，可以看到x的类型为数值型numeric。
2、用vector其实等同于直接用数据类型后面跟数据个数，上面的例子其实就可以写成numeric(10)，运行之后可以得到相同的结果：
3、如果需要创建的向量是等差为1的等差数列，如1到20的数列，我们可以直接写成：
1:20
4、更多情况下，我们用c()函数用来创建向量，把数据对象连结在一起(concatenate)
例如：
c(1,2)
如上图可见，这里的数据类型class显示的是“numeric”，说明c(1,2)生成的向量里面的数据类型是数值型，而非整形integer。如果想要得到整形的向量，我们需要输入：
c(1L,2L)
如果输入c(TRUE,FALSE,FALSE,TRUE)，得到逻辑型向量
如果输入c('初中','高中','大学')，得到文本型向量
注意
就像我们之前提到的，向量里面必须得是相同类型的数据。如果在创建向量的时候，输入了不同类型的数据，R会强制将不同类型的数据转换成相同的数据类型。
例如，输入c(1.7,'a')，最后生成的结果如图，1.7被转成了字符型，我们也可以从class里面看到类型是字符型character。
输入c(T,2)，最后生成的结果如图，T由逻辑型转成了数值型。
输入c("a",T),得到的结果如图所示，T由逻辑型转成了字符型。
上面提到的这几种转换，通常都是R强制地悄悄地执行的。如果我们自己想要转换数据类型，则应该应用：
as.numeric/logical/character/complex(向量名) 来进行转换。
特点：列表和向量相同的地方在于，二者都是序列；不同的地方在于，列表是由不同类型的对象组成的，而向量则由同样类型的数据组成。
写作：list(name1=object1,name2=object2,…)
例如：输入x<-list(1,'a',T,b=c(1+4i,2-3i))，我们可以明显看到list()里面的每个部分类型都不同（数值，字符，逻辑值，向量），输出结果如图：
是一类特殊向量,维度属性。
matrix(数据, nrow = 几行, ncol = 几列, byrow = FALSE/T是否按行排列, dimnames = list(c(行名)，c(列名 )))
斜体的部分表示可以不写。
例如，我们想要输入1-8，2行，4列，按照行排列，行名为张三、王五，列名为吃喝玩乐。可以得到如下图：
matrix(1:8,2,4,byrow=T,dimnames = list(c('张三','王五'),c('吃','喝','玩','乐')))
矩阵还有另外一种方法可以创建，用cbind() rbind()创建
例如有x,y两个向量。cbind()是按照列来连接xy(x一列，y一列)rbind是按照行连接xy（x一行，y一行）
注意 ：如果用rbind（）来合并矩阵或者向量或者表格，必须要求二者列名一致
矩阵还有另外一种方法可以创建，创建一个向量，而后添加维度
t()表示矩阵的转置
array，和matrix最大的区别在于array的维度更多，有三个维度。
我们可以理解为matrix有行、列两个维度；但是array多了一个面板维度（分成几块）。
array(数据,dim=c(几行,几列,几块),dimnames = list(c(行名),c(列名),c(板块名)))
例如：
array(1:12,dim=c(2,3,2),dimnames=list(c('从前','现在'),c('衣','食','行'),c('北京','上海')))
得到如下结果：
数据框是R的一个重要数据类型,用来存储表格数据。可认为是特殊类型的列表,列表中每个元素(每类)都有同样的长度。每一列可以是不同的类型(矩阵是相同的)。可以通过调用data.matrix()将数据框转化为矩阵。
数据框很像我们在使用SQL的时候来定义表格之后，给表格中的各列赋值的情况。
data.frame(列1=向量,列2=向量)
例如：data.frame(foo=1:4,bar=c(T,T,F,F))
nrow(x)----x有几行
ncol(x)----x有几列
特点：用于创建分类数据,两种类型:有序/无序。
可以写成这样的形式：
factor(c("第一类","第二类","第三类",...),levels=c("第一类","第二类","第三类"),ordered = T)
ordered默认为F。
例如：factor(c("小学","初中","高中","小学"),levels=c("小学","初中","高中"),ordered = T)
得到如下结果：
我们如果不对level进行定义，出现如下结果：
此时虽然有比较，但是初中<高中<小学，这样的结果是根据字母发音排序的结果，或许并不是我们想要的，所以如果我们对排序有要求，还是要对levels进行定义。levels=c("第一类","第二类","第三类")，理解为
"第一类"<"第二类"<"第三类"
我们如果不对ordered进行定义，出现如下结果：
此时为无序数据，无比较。
我们还有另外一种方法来定义因子：gl
gl(有几类, 循环几次, labels = c("第一类名称", "第二类名称"),ordered=T)
例如：gl(2,4)，表示有两个变量（2），每一个循环4次
例如：gl(2, 8, labels = c("女", "男"),ordered=T)，表示有两个变量，各循环8次，这两个变量分别表示为“女”和“男”，排序。
注意，这里和上一个例子一样，本来应该是给出两个变量用1和2表示，labels相当于给1和2加了“女”和“男”的标签。所以排序之后显示“女”<“男”，其背后真实的情况是1<2 。
例如： gl(2, 8, labels = c("女", "男"),ordered=T,length=32)，在以上的基础上，规定一共有32个对象
通过我们以上的论述，我们知道了5种数据类型和几种常见的对象形态。
这些是R中非常基础但是十分重要的内容，需要多看几遍才能记得更清楚。
