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
- java基础之高级应用
在程序中涉及方法重写的地方使用@override Annotation(只作用于方法)注释可以很好的避免由于重写方法名字过长而造成的程序后期出现的难以调试的错误,特别是程序没有报任何的错误时,而程序的 ...
- C#程序之Main()方法
一.Main()方法的简介 1.一般情况下,一个C#可执行程序只有一个应用程序对象(也就是就程序入口),但是在某些情况,可能会有多个应用程序对象(程序入口),如单元测试中,这个时候我们就需要通过命令行 ...
- SQL Server 触发器2
触发器可以做很多事情,但也会带来很多问题.使用它的技巧在于在适当的时候使用,而不要在不适当的时候使用它们. 触发器的一些常见用途如下: 弹性参照完整性:实现很多DRI不能实现的操作(例如,跨数据库或服 ...
- asp.net预览图片
Aspx code <table> <tr> <td class="style3"> <asp:Label ID="Label1 ...
- DOM缘起
DOM是现在按W3C标准的浏览器均实现的标准.HTML.CSS.DOM共同在结构.表现.交互上共同支撑起一个页面.当然,必须以用户为中心.平稳退化.逐渐增强.DOM的操作是通过JS来实现的.JS最初在 ...
- C# datetimePicker控件格式设置
//必须先设置Format属性为Custom,然后才能自定义格式 this.dtPicker.Format = DateTimePickerFormat.Custom; this.dtPicker.C ...
- Python核心编程读笔 12：OOP
第13章 面向对象编程 一.基本概念 1.object类是所有类的基类,如果你的类没有继承任何其他父类,object 将作为默认的父类. 2.python创建实例时无需new: myFirstObje ...
- MySQL：Error : Tablespace for table '`database`.`temp`' exists. Please DISCARD the tablespace before IMPORT.解决办法
今天在navicat上操作mysql数据库表,突然没有响应了.随后重启,mysql服务也终止了.随后启动服务,检查表,发现一张表卡没了,就重新添加一张表.报了一个错: Error : Tablespa ...
- CMD Create Database & Table
Just do it: /* SQL 创建库 CREATE DATABASE jsp_demo DEFAULT CHARACTER SET utf8 COLLATE utf8_general_ci; ...
- PHP程序输出日历
以下代码只是简单实现日历的效果和逻辑思路,没有使用类封装,权当抛砖引玉,有兴趣的朋友可以封装起来,方便调用. <?php /** * PHP利用时间函数输出日历 * Rain.zen $ int ...