R语言中特殊值NaN、Inf 、NA、NULL

Python0825

R语言中特殊值NaN、Inf 、NA、NULL,第1张

1. NaN

R中的无定义数用NaN表示,即“Not a Number(非数)”。

不过在R中,R实际上是把NaN视作一个数的,当其参与运算时,返回结果总是NaN。我们可以使用is.nan()函数来检测计算结果有无定义,但是需要注意的是,对于NaN而言,is.finite()和is.infinite()都会返回FALSE。

2. NA

NA表示缺失值,即“Missing value”,是“not available”的缩写

3. Inf

R中的无穷大用Inf表示(即Infinity,无穷大),负无穷表示为-Inf。

要检查一个数是否为无穷,可以使用is.finite()或者is.infinite()函数

3. NULL

R语言中,NA代表位置上的值为空,NULL代表连位置都没有,变量为空,其长度为0,表明“空无一物”

将两个数据进行除法运算

而log2_foldchange就是我们需要的数据,发现里面有许多 NaN、 -Inf 、Inf ,想办法进行数据清洗。

都到这一步了,再绘制两个图形玩玩:

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。

从网上找了一下,整理如下:

NA:缺失数据

NaN:无意义的数,比如sqrt(-2), 0/0。

Inf:正无穷大

-Inf:负无穷大

NULL:不存在

下面是用程序来看:

rm是remove的意思,例如你指定na.rm=T,就会移除na数据