这其中有一些是我之前没有学习到的，第一次get感觉超级有用
R运行都是靠对象，所有的对象都有两个内在属性： 类型和长度
类型 包括四种：数值型、字符型、复数型、逻辑型（T/F/NA），用函数 mode() 查看。另外不管什么类型的数据，缺失值都是用NA（Not Available）表示，不是数值用 NaN (Not a Number)表示；
长度 是对象中元素的数目，用 length() 查看
只有数据框和列表支持多种对象并存；因子只有两种类型
向量是一个变量的取值；因子是一个分类变量；数组是一个k维的数据表；矩阵是数组的特例【数组或者矩阵的所有元素都是一种】；数据框是一个或几个向量/因子构成，并且它们必须等长，可以是不同的类型；列表可以包含任何类型的对象（也可以列表包含列表）
利用 ls() 可以查看当前在内存中的对象，但是这个函数只列出了对象名，并且是所有的；
想要查看名称中含有某个指定字符（如x）的对象，可以指定pattern： ls(pat = "x")
想要看以某个字母开头的对象，可以利用 ls(pat = "^x")
如果想看所有对象的详细信息呢？ ls.str()
注意引号在输入时应该写作： \" ； paste（） 可以连接多个参数成为字符串，其中如果有数值，那么数值会被强制转为字符串；默认空格分割各个字符，使用 sep= 自定义
TRUE、FALSE可以简写成T、F；如果转换为数值，FALSE为0，TRUE为1
利用 factor（） 建立
levels 指定因子水平（缺省值是向量x中不同的值）；
labels 指定水平名称；
ordered 是逻辑型选项，表示因子水平是否有顺序
这里简单说下根据逻辑值提取
相比于数组，矩阵使用频率更高，构建矩阵使用 matrix
矩阵的排列是有方向性的，规定矩阵 按列 排列，一般不说明的时候，统计函数也是按列计算（但是可以用MARGIN来改变，等于1代表列，等于2代表行）
cov() 与 cor() 分别计算矩阵的协方差矩阵和相关系数阵；
可以进行标准化 scale(x, center=T, scale=T) ；
按列求均值 apply(x, MARGIN=2, FUN=mean)
虽然说数据框与矩阵很相似，也是二维表格，也是要求各个变量的观测值长度相等，但是，在 数据框中，行和列的意义是不一样的 ， 其中列表示变量，行为观测
一般用 write.table() 或者 save()
R内置的基本数据集有100多个（常为数据框和列表）。它们随R的启动全部一次性自动载入，通过命令 data() 可以查看全部的数据集（也包含了通过 library() 加载的包中数据集）；使用 data(package = "pkname") 可以列出包 pkname 中的所有数据集，但是可能还未被加载，确定要用的时候可以加载包
涉及多个数据集的分析时，最常使用 load("/path/")
kmeans文档中时这样写的：
Description
Perform k-means clustering on a data matrix.
Usage
kmeans(x, centers, iter.max = 10, nstart = 1, algorithm = c("Hartigan-Wong", "Lloyd", "Forgy",
"MacQueen"), trace=FALSE)
所以，默认的最大迭代次数是10，当然我们使用的时候自己来设置！一般10、30、50都行吧！
最近找了一下RWR算法的介绍，发现中文的blog全是互相抄的，讲的不是很清楚。最后发现medium上面有个博文写的还不错，下面抄了一点。https://medium.com/@chaitanya_bhatia/random-walk-with-restart-and-its-applications-f53d7c98cb9
最基本的随机游走：给定一个连接图，以及图中每个节点的转移概率，目的就是找到从某个起点开始随机走动，最终停在每个点的概率。
重启随机游走的区别就是在每次游走之后有一定概率回到起点。
先看一下公式：
的大小在0,1之间， 为转移概率矩阵， 是从节点 到节点 的概率。 是起点向量，i为起点则 。r是终点向量。
下面来解释这个公式
当e为起点，下次移动的落点为 的概率可以用下面这个公式得到：
为 的第i行。所以如果没有重启机制的话，k次移动之后的落点为 的概率是：
如果有重启机制就只能用递推公式：
如果假定随着移动次数增加， 最终会收敛（事实也是如此），递推公式就可以写成最开始给出的那个公式：
暴力一点就是迭代直到收敛。
或者求逆矩阵
得到
感觉基本上都是把落点概率作为一种相似度度量。
Image segmentation
图像分割中，每个像素作为图中的节点，转移概率为像素之间的相似度，以某个像素为起点游走，落点概率高的可以作为一个cluster。
类似的应用还有Community detection， Recommender Systems等。
