R与数据分析旧笔记（一）基本数学函数的使用
创建向量矩阵
> x1=c(2,3,6,8)
> x2=c(1,2,3,4)
> a1=(1:100)
> length(a1)
[1] 100
> length(x1)
[1] 4
> mode(x1)
[1] "numeric"
> rbind(x1,x2)
[,1] [,2] [,3] [,4]
x1 2 3 6 8
x2 1 2 3 4
> cbind(x1,x2)
x1 x2
[1,] 2 1
[2,] 3 2
[3,] 6 3
[4,] 8 4
求平均值，和，连乘，最值，方差，标准差
> mean(x1) [1] 4.75 > sum(x1) [1] 19 > max(x1) [1] 8 > min(x1) [1] 2 > var(x1) [1] 7.583333 > prod(x1) [1] 288 > sd(x1) [1] 2.753785
产生向量
> 1:10 [1] 1 2 3 4 5 6 7 8 9 10 > 1:10-1 [1] 0 1 2 3 4 5 6 7 8 9 > 1:10*2 [1] 2 4 6 8 10 12 14 16 18 20 > a=2:60*2+1 > a [1] 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 [20] 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 [39] 81 83 85 87 89 91 93 95 97 99 101 103 105 107 109 111 113 115 117 [58] 119 121 > a[5] [1] 13 > a[-5] [1] 5 7 9 11 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 [20] 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 [39] 83 85 87 89 91 93 95 97 99 101 103 105 107 109 111 113 115 117 119 [58] 121 > a[c(2,3,8)] [1] 7 9 19 > a[a<20] [1] 5 7 9 11 13 15 17 19 > a[a[3]] [1] 21 > seq(6,20) [1] 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 > seq(5,121,by=2) [1] 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 [20] 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 [39] 81 83 85 87 89 91 93 95 97 99 101 103 105 107 109 111 113 115 117 [58] 119 121 > seq(5,121,length=10) [1] 5.00000 17.88889 30.77778 43.66667 56.55556 69.44444 82.33333 [8] 95.22222 108.11111 121.00000
新建向量
> a=c(2,3,4,2,3,2,1,4,3,2,1) > which.max(a) [1] 3 > a[which.max(a)] [1] 4 > which(a==2) [1] 1 4 6 10 > a[which(a==2)] [1] 2 2 2 2 > which(a>5) integer(0) > a[which(a>5)] numeric(0) > a=1:20 > a [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 > rev(a) [1] 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 > a=c(2,3,4,5,6,6,7,8,3,2) > sort(a) [1] 2 2 3 3 4 5 6 6 7 8 > rev(sort(a)) [1] 8 7 6 6 5 4 3 3 2 2
生成矩阵
> a1=c(1:12)
> matrix(a1,nrow=3,ncol=4)
[,1] [,2] [,3] [,4]
[1,] 1 4 7 10
[2,] 2 5 8 11
[3,] 3 6 9 12
> matrix(a1,nrow=4,ncol=3)
[,1] [,2] [,3]
[1,] 1 5 9
[2,] 2 6 10
[3,] 3 7 11
[4,] 4 8 12
> matrix(a1,nrow=4,ncol=3,byrow=T)
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 4 5 6
[3,] 7 8 9
[4,] 10 11 12
矩阵运算
矩阵相加
> a=matrix(1:12,nrow=3,ncol=4)
> t(a)
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 4 5 6
[3,] 7 8 9
[4,] 10 11 12
> a=b=matrix(1:12,nrow=3,ncol=4)
> a+b
[,1] [,2] [,3] [,4]
[1,] 2 8 14 20
[2,] 4 10 16 22
[3,] 6 12 18 24
> a-b
[,1] [,2] [,3] [,4]
[1,] 0 0 0 0
[2,] 0 0 0 0
[3,] 0 0 0 0
矩阵相乘
> a=matrix(1:12,nrow=3,ncol=4)
> b=matrix(1:12,nrow=4,ncol=3)
> a%*%b
[,1] [,2] [,3]
[1,] 70 158 246
[2,] 80 184 288
[3,] 90 210 330
> a=matrix(1:16,nrow=4,ncol=4)
> a
[,1] [,2] [,3] [,4]
[1,] 1 5 9 13
[2,] 2 6 10 14
[3,] 3 7 11 15
[4,] 4 8 12 16
> diag(a)
[1] 1 6 11 16
> diag(diag(a))
[,1] [,2] [,3] [,4]
[1,] 1 0 0 0
[2,] 0 6 0 0
[3,] 0 0 11 0
[4,] 0 0 0 16
> diag(4)
[,1] [,2] [,3] [,4]
[1,] 1 0 0 0
[2,] 0 1 0 0
[3,] 0 0 1 0
[4,] 0 0 0 1
矩阵求逆
> a=matrix(rnorm(16),4,4)
> a
[,1] [,2] [,3] [,4]
[1,] -1.604650746 -2.22482987 1.5094439 1.0070701
[2,] 0.006409861 -0.01506928 -0.6651050 -1.9342548
[3,] -1.606959408 -0.49430092 -0.9376593 0.1979031
[4,] 0.422441416 -0.33201336 0.3848287 1.1256368
> solve(a)
[,1] [,2] [,3] [,4]
[1,] -0.1426715 0.5944611 -0.1676185 1.1786143
[2,] -0.1804919 -0.9604913 -0.2055298 -1.4528592
[3,] 0.3168603 -0.5776493 -0.6252734 -1.1661647
[4,] -0.1080209 -0.3089139 0.2160497 0.4162172
解线性方程组
> a=matrix(rnorm(16),4,4)> a [,1] [,2] [,3] [,4][1,] -1.604650746 -2.22482987 1.5094439 1.0070701[2,] 0.006409861 -0.01506928 -0.6651050 -1.9342548[3,] -1.606959408 -0.49430092 -0.9376593 0.1979031[4,] 0.422441416 -0.33201336 0.3848287 1.1256368> solve(a) [,1] [,2] [,3] [,4][1,] -0.1426715 0.5944611 -0.1676185 1.1786143[2,] -0.1804919 -0.9604913 -0.2055298 -1.4528592[3,] 0.3168603 -0.5776493 -0.6252734 -1.1661647[4,] -0.1080209 -0.3089139 0.2160497 0.4162172> a=matrix(rnorm(16),4,4)> a [,1] [,2] [,3] [,4][1,] 1.0451867 -0.2426553 -0.51232551 -0.12062549[2,] -1.5518006 -0.1333096 0.03677731 -0.10715366[3,] -1.0620249 -1.3160312 0.01713207 0.09320016[4,] -0.6664664 2.2398778 1.94861889 0.01788447> b=c(1:4)> b[1] 1 2 3 4> solve(a,b)[1] 0.9840158 -4.6924392 8.0064010 -24.3295023
矩阵的特征值与特征向量
> a=diag(4)+1
> a
[,1] [,2] [,3] [,4]
[1,] 2 1 1 1
[2,] 1 2 1 1
[3,] 1 1 2 1
[4,] 1 1 1 2
> a.e=eigen(a,symmetric=T)
> a.e
$values
[1] 5 1 1 1
$vectors
[,1] [,2] [,3] [,4]
[1,] -0.5 0.8660254 0.0000000 0.0000000
[2,] -0.5 -0.2886751 -0.5773503 -0.5773503
[3,] -0.5 -0.2886751 -0.2113249 0.7886751
[4,] -0.5 -0.2886751 0.7886751 -0.2113249
> a.e$vectors%*%diag(a.e$values)%*%t(a.e$vectors)
[,1] [,2] [,3] [,4]
[1,] 2 1 1 1
[2,] 1 2 1 1
[3,] 1 1 2 1
[4,] 1 1 1 2
数据框
> x1=c(10,13,14,23,43) > x2=c(12,35,35,67,54) > x=data.frame(x1,x2) > x x1 x2 1 10 12 2 13 35 3 14 35 4 23 67 5 43 54 > plot(x)#散点图
读文本文件
(x=read.table("abc.txt"))
#读剪贴板
y=read.table("clipboard",header=F)
y
z=read.table("clipboard",header=T)
z
循环语句
for语句
> for(i in 1:59) {a[i]=1*2+3}
> a
[1] 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
[39] 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
>
> b=0
> for(i in 1:59) {a[i]=i*2+3;b[i]=i*5-4}
> b
[1] 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91
[20] 96 101 106 111 116 121 126 131 136 141 146 151 156 161 166 171 176 181 186
[39] 191 196 201 206 211 216 221 226 231 236 241 246 251 256 261 266 271 276 281
[58] 286 291
while语句
a[1]=5
> i=1
> while(a[i]<121) {i=i+1;a[i]=a[i-1]+2}
> a
[1] 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41
[20] 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79
[39] 81 83 85 87 89 91 93 95 97 99 101 103 105 107 109 111 113 115 117
[58] 119 121
R脚本引用
source() print()
R与数据分析旧笔记（一）基本数学函数的使用的更多相关文章
- R与数据分析旧笔记（十八完结） 因子分析
因子分析 因子分析 降维的一种方法,是主成分分析的推广和发展 是用于分析隐藏在表面现象背后的因子作用的统计模型.试图用最少的个数的不可测的公共因子的线性函数与特殊因子之和来描述原来观测的每一分量 因子 ...
- R与数据分析旧笔记（五）数学分析基本
R语言的各种分布函数 rnorm(n,mean=0,sd=1)#高斯(正态) rexp(n,rate=1)#指数 rgamma(n,shape,scale=1)#γ分布 rpois(n,lambda) ...
- R与数据分析旧笔记（三）不知道取什么题目
连线图 > a=c(2,3,4,5,6) > b=c(4,7,8,9,12) > plot(a,b,type="l") 多条曲线效果 plot(rain$Toky ...
- R与数据分析旧笔记（十七） 主成分分析
主成分分析 主成分分析 Pearson于1901年提出的,再由Hotelling(1933)加以发展的一种多变量统计方法 通过析取主成分显出最大的个别差异,也用来削减回归分析和聚类分析中变量的数目 可 ...
- R与数据分析旧笔记（十六） 基于密度的方法：DBSCAN
基于密度的方法:DBSCAN 基于密度的方法:DBSCAN DBSCAN=Density-Based Spatial Clustering of Applications with Noise 本算法 ...
- R与数据分析旧笔记（十五） 基于有代表性的点的技术：K中心聚类法
基于有代表性的点的技术:K中心聚类法 基于有代表性的点的技术:K中心聚类法 算法步骤 随机选择k个点作为"中心点" 计算剩余的点到这个k中心点的距离,每个点被分配到最近的中心点组成 ...
- R与数据分析旧笔记（十三） 聚类初步
聚类 聚类 关键度量指标:距离 常用距离 绝对值距离 绝对值距离也称为"棋盘距离"或"城市街区距离". 欧氏(Euclide)距离 闵可夫斯基(Minkowsk ...
- R与数据分析旧笔记（十一）数据挖掘初步
PART 1 PART 1 传统回归模型的困难 1.为什么一定是线性的?或某种非线性模型? 2.过分依赖于分析者的经验 3.对于非连续的离散数据难以处理 网格方法 <Science>上的文 ...
- R与数据分析旧笔记（⑨）广义线性回归模型
广义线性回归模型 广义线性回归模型 例题1 R.Norell实验 为研究高压电线对牲畜的影响,R.Norell研究小的电流对农场动物的影响.他在实验中,选择了7头,6种电击强度, 0,1,2,3,4, ...
随机推荐
- PHP与MySQL交互
<?php $con = mysql_connect("localhost","root","12345"); $dbcharset ...
- prob5 of 140
#include<stdio.h>int main(){ int n,i=1,j=1; double s=1,s1=0;; //scanf("%d",&n); ...
- ExtJS4.x Grid 单元格鼠标悬停提示
//每一个列都会出现鼠标悬浮上去显示内容 /** * //适用于Extjs4.x * @class Ext.grid.GridView * @override Ext.grid.GridView * ...
- Table的分割线偏移量设置 及其 UIEdgeInset详解
-(void)viewDidLayoutSubviews { if ([self.tableView respondsToSelector:@selector(setSeparatorInset:)] ...
- Mirror–使用证书配置镜像模板
–==================================================================–该文档主要用于内部配置模板–场景:–主服务器:192.168.3 ...
- vs指定QT的工作目录（其它项目也是如此）
当一个工程依赖第三方动态库时,这时vs编译出来后,运行会提示缺少动态库.解决方法: 项目->属性->调试: 工作目录:指定程序运行时的目录 环境:指定程序运行时的环境变量 我们可以在环境变 ...
- iOS6和iOS7代码的适配(1)
苹果的iOS7推出后,对于所有的应用来说都提出了一个天然的需求--适配不同版本的SDK.目前来说,用iOS6的SDK生成的应用,可以在iOS7的系统上跑,UI上也保持了原来的风格样式,这是苹果做的向下 ...
- 轻奢请向历史SAY NO_重青网_重庆青年报_重庆青年报电子版_重庆青年报网站_重庆青年报官方网站
轻奢请向历史SAY NO_重青网_重庆青年报_重庆青年报电子版_重庆青年报网站_重庆青年报官方网站 轻奢请向历史SAY NO 经济学家George Taylor在他著名的"裙摆指数" ...
- swig模板下拉框应用
<div class="form-group"> <label><span class="fa fa-asterisk red"& ...
- 利用sass构建组件化的ui库
创建公用的Sass项目模板 在做项目时,不管什么项目,他们之间总是有一些可以共用的部分.比如说重置样式.公用样式.模块组件.UI库等.那么在Sass项目中也是如此.为了避免在每个项目中做一些相同的事情 ...