R语言常用函数整理本篇是基础篇，即R语言自带的函数。 vector：向量 numeric：数值型向量 logical：逻辑型向量 character；字符型向量 list：列表 data.frame：数据框 c：连接为向量或列表 length：求长度 subset：求子集 seq，from:to，sequence：等差序列 rep：重复 NA：缺失值 NULL：空对象 sort，order，unique，rev：排序 unlist：展平列表 attr，attributes：对象属性 mode，class，typeof：对象存储模式与类型 names：对象的名字属性 字符型向量 nchar：字符数 substr：取子串 format，formatC：把对象用格式转换为字符串 paste()、paste0()不仅可以连接多个字符串，还可以将对象自动转换为字符串再相连，另外还能处理向量。 strsplit：连接或拆分 charmatch，pmatch：字符串匹配 grep，sub，gsub：模式匹配与替换 complex，Re，Im，Mod，Arg，Conj：复数函数 factor：因子 codes：因子的编码 levels：因子的各水平的名字 nlevels：因子的水平个数 cut：把数值型对象分区间转换为因子 table：交叉频数表 split：按因子分组 aggregate：计算各数据子集的概括统计量 tapply：对“不规则”数组应用函数 dev.new() 新建画板 plot()绘制点线图,条形图,散点图. barplot( ) 绘制条形图 dotchart( ) 绘制点图 pie( )绘制饼图. pair( )绘制散点图阵 boxplot( )绘制箱线图 hist( )绘制直方图 scatterplot3D( )绘制3D散点图. par()可以添加很多参数来修改图形 title( )　添加标题 axis( )　调整刻度 rug( )　添加轴密度 grid( )　添加网格线 abline( )　添加直线 lines( )　添加曲线 text( )　添加标签 legend(）　添加图例 +, -, *, /, ^, %%, %/%：四则运算 ceiling，floor，round，signif 1、round() #四舍五入 例：x <- c(3.1416, 15.377, 269.7) round(x, 0) #保留整数位 round(x, 2) #保留两位小数 round(x, -1) #保留到十位 2、signif() #取有效数字(跟学过的有效数字不是一个意思) 例：略 3、trunc() #取整 floor() #向下取整 ceiling() #向上取整 例：xx <- c(3.60, 12.47, -3.60, -12.47) trunc(xx) floor(xx) ceiling(xx) max，min，pmax，pmin：最大最小值 range：最大值和最小值 sum，prod：向量元素和，积 cumsum，cumprod，cummax，cummin：累加、累乘 sort：排序 approx和approx fun：插值 diff：差分 sign：符号函数 abs，sqrt：绝对值，平方根 log, exp, log10, log2：对数与指数函数 sin，cos，tan，asin，acos，atan，atan2：三角函数 sinh，cosh，tanh，asinh，acosh，atanh：双曲函数 beta，lbeta，gamma，lgamma，digamma，trigamma，tetragamma，pentagamma，choose ，lchoose：与贝塔函数、伽玛函数、组合数有关的特殊函数 fft，mvfft，convolve：富利叶变换及卷积 polyroot：多项式求根 poly：正交多项式 spline，splinefun：样条差值 besselI，besselK，besselJ，besselY，gammaCody：Bessel函数 deriv：简单表达式的符号微分或算法微分 array：建立数组 matrix：生成矩阵 data.matrix：把数据框转换为数值型矩阵 lower.tri：矩阵的下三角部分 mat.or.vec：生成矩阵或向量 t：矩阵转置 cbind：把列合并为矩阵 rbind：把行合并为矩阵 diag：矩阵对角元素向量或生成对角矩阵 aperm：数组转置 nrow, ncol：计算数组的行数和列数 dim：对象的维向量 dimnames：对象的维名 rownames，colnames：行名或列名 %*%：矩阵乘法 crossprod：矩阵交叉乘积（内积） outer：数组外积 kronecker：数组的Kronecker积 apply：对数组的某些维应用函数 tapply：对“不规则”数组应用函数 sweep：计算数组的概括统计量 aggregate：计算数据子集的概括统计量 scale：矩阵标准化 matplot：对矩阵各列绘图 cor：相关阵或协差阵 Contrast：对照矩阵 row：矩阵的行下标集 col：求列下标集 solve：解线性方程组或求逆 eigen：矩阵的特征值分解 svd：矩阵的奇异值分解 backsolve：解上三角或下三角方程组 chol：Choleski分解 qr：矩阵的QR分解 chol2inv：由Choleski分解求逆 ><，>，<=，>=，==，!=：比较运算符 !，&，&&，|，||，xor()： 逻辑运算符 logical： 生成逻辑向量 all， any：逻辑向量都为真或存在真 ifelse()：二者择一 match， %in%：查找 unique：找出互不相同的元素 which：找到真值下标集合 duplicated：找到重复元素 optimize，uniroot，polyroot：一维优化与求根 if，else， ifelse， switch： 分支 for，while，repeat，break，next： 循环 apply，lapply，sapply，tapply，sweep：替代循环的函数。 function：函数定义 source：调用文件 ’ call：函数调用 . C，.Fortran：调用C或者Fortran子程序的动态链接库。 Recall：递归调用 browser，debug，trace，traceback：程序调试 options：指定系统参数 missing：判断虚参是否有对应实参 nargs：参数个数 stop：终止函数执行 on.exit：指定退出时执行 eval，expression：表达式计算 system.time：表达式计算计时 invisible：使变量不显示 menu：选择菜单（字符列表菜单） 其它与函数有关的还有： delay， delete.response， deparse， do.call， dput， environment ， formals， format.info， interactive， is.finite， is.function， is.language， is.recursive ， match.arg， match.call， match.fun， model.extract， name， parse 函数能将字符串转换为表达式expression deparse 将表达式expression转换为字符串 eval 函数能对表达式求解 substitute， sys.parent ， warning， machine cat，print：显示对象 sink：输出转向到指定文件 dump，save，dput，write：输出对象 scan，read.table，readlines, load，dget：读入 ls，objects：显示对象列表 rm, remove：删除对象 q，quit：退出系统 .First，.Last：初始运行函数与退出运行函数。 options：系统选项 ?，help，help.start，apropos：帮助功能 data：列出数据集 head()查看数据的头几行 tail()查看数据的最后几行 每一种分布有四个函数： d―density（密度函数），p―分布函数，q―分位数函数，r―随机数函数。 比如，正态分布的这四个函数为dnorm，pnorm，qnorm，rnorm。下面我们列出各分布后缀，前面加前缀d、p、q或r就构成函数名： norm：正态， t：t分布， f：F分布， chisq：卡方（包括非中心） unif：均匀， exp：指数， weibull：威布尔， gamma：伽玛， beta：贝塔 lnorm：对数正态， logis：逻辑分布， cauchy：柯西， binom：二项分布， geom：几何分布， hyper：超几何， nbinom：负二项， pois：泊松 signrank：符号秩， wilcox：秩和， tukey：学生化极差 sum, mean, var, sd, min, max, range, median, IQR（四分位间距）等为统计量， sort，order，rank与排序有关， 其它还有ave，fivenum，mad，quantile，stem等。 R中已实现的有chisq.test，prop.test，t.test。 cor，cov.wt，var：协方差阵及相关阵计算 biplot，biplot.princomp：多元数据biplot图 cancor：典则相关 princomp：主成分分析 hclust：谱系聚类 kmeans：k-均值聚类 cmdscale：经典多维标度 其它有dist，mahalanobis，cov.rob。 ts：时间序列对象 diff：计算差分 time：时间序列的采样时间 window：时间窗 lm，glm，aov：线性模型、广义线性模型、方差分析 quo()等价于quote() enquo()等价于substitute(）

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。

---