R数据结构

8.日期（date）：距离1970-01-01的天数

常用日期函数：date()/Sys.Date()/weekdays()/months/quarters()

> x <- date()
> x
[1] "Tue Nov 13 16:29:11 2018"
> class(x)
[1] "character"
> x2 <- Sys.Date()
> x2
[1] "2018-11-13"
> class(x2)
[1] "Date"

> x3 <- as.Date("2019-01-01") #获取Date对象，格式: year-month-day
> x3
[1] "2019-01-01"
> class(x3)
[1] "Date"
> weekdays(x3)  #获取日期的星期
[1] "星期二"
> months(x3)
[1] "一月"
> quarters(x3) #获取日期所在的季度
[1] "Q1"
> julian(x3)  #获取指定日期距离1970年1月1日的天数
[1] 17897
attr(,"origin")
[1] "1970-01-01"

> x4 <- as.Date("2020-08-20")
> x4-x3 #计算两个日期相差天数
Time difference of 597 days
> as.numeric(x4-x3) #只获取天数，剔除文字
[1] 597

9.时间（time）：距离1970年1月1日的秒数

函数：Sys.time()（获取当前系统时间）

POSIXct：整数，常用于存入数据框；POSIXlt：列表，还包含星期、年月日等信息

> x <- Sys.time()
> x
[1] "2018-11-13 16:43:30 CST"
> class(x)
[1] "POSIXct" "POSIXt" 
> p <- as.POSIXlt(x) #类型转换为POSIXlt
> p[1] "2018-11-13 16:43:30 CST"
> class(p)
[1] "POSIXlt" "POSIXt" 
> names(unclass(p)) #查看存储了哪些变量
 [1] "sec"    "min"    "hour"   "mday"   "mon"    "year"   "wday"   
 [8] "yday"   "isdst"  "zone"   "gmtoff"
 > p$sec #获取某个变量的值
 [1] 30.6498
 > as.POSIXct(p) #转换类型

R数据结构

7.数据框（data frame）：用于存储表格数据，可视为各元素长度相同的列表。每个元素代表一列数据，每个元素的长度代表行数，元素类型可以不同。（数学理解：相当于几个列向量构成的向量组）

创建数据框：df <- data.frame(id = c(1,2,3,4), name=c("a","b","c","d"), gender=c(TRUE, TRUE, FALSE, FALSE)) #每个参数定义一个字段

查看数据框行数与列数：nrow(df), ncol(df)

将数据框转换成矩阵：

> df2 <- data.frame(id=c(1,2,3,4), score=c(80,86,90,100))
> df2
  id score
1  1    80
2  2    86
3  3    90
4  4   100
> data.matrix(df2)
     id score
[1,]  1    80
[2,]  2    86
[3,]  3    90
[4,]  4   100

R数据结构

6.缺失值（missing value）：NA/NaN，其中NaN属于NA。NaN表示数字的缺失值，NA可以表示数字缺失值、字符缺失值等

判断是否有缺失值：is.na()/is.nan()

> x <- c(1, NaN, 2, NA, 3)
> is.na(x)
[1] FALSE  TRUE FALSE  TRUE FALSE
> is.nan(x)
[1] FALSE  TRUE FALSE FALSE FALSE

R数据结构

5.因子（factor）：整数向量+标签（label），用于处理分类数据（有序和无序）

创建因子：x <- factor(c("female", "female", "male", "male", "female"))

                 y <- factor(c("female", "female", "male", "male", "female"), levels = c("male", "female")) #通过参数2设置基线水平

table(factor)：查看因子数据各类型数量

unclass(facotr)：去掉因子数据的水平（level）

R数据结构

4.列表（list）：可以包含不同类型的对象

创建列表：l1 <- list("a", 2, 10L, 3+4i, TRUE)

                l2 <- list(a=1, b=2, c=3) #给元素指定名称，a,b,c是名称

                l3 <- list(c(1, 2, 3), c(4, 5, 6, 7)) #创建一个列表，该列表的元素所包含的元素个数大于1

※给矩阵的行和列命名：
x <- matrix(1:6, nrow=2, ncol=3)
dimnames(x) <- list(c("a", "b"), c("c", "d", "e"))

R数据结构

2.矩阵（matrix）：向量+维度属性（整数向量：nrow, ncol）

2.1 创建矩阵：

        方法一： x <- matrix(nrow=3, ncol=2) #创建一个3行2列矩阵，元素为NA。该函数创建矩阵时先列后行。

                        x <- matrix(1 : 6, nrow=3, ncol=2) #按列填充元素

        方法二： y <- 1 : 6  #生成一个向量

                       dim(y) <- c(2, 3) #指定行数与列数

其他：dim(matrix)：查看矩阵matrix的行数与列数

attributes(matrix)：查看矩阵matrix有哪些属性

2.2 拼接矩阵

y1 <- 1 : 6
dim(y1) <- c(2 : 3)
y2 <- matrix(1:6, nrow =2, ncol=3)

rbind(y1, y2) #按行拼接
cbind(y1, y2) #按列拼接

3.数组：与矩阵类似，但维度可以大于2

创建数组：x <- array(1:24, dim=c(4, 6)) #参数1填充元素，参数2指定维度

                y <- array(1:24, dim=c(2, 3, 4))

R数据结构

1. 向量（vector）：只能包含同一类型的对象

   创建向量：

         方法一：x <- vector("character", length = 10) #生成一个空向量，参数1：指定数据类型，参数2：指定向量长度

        方法二：y <- 1 : 4 #生成一个包含1至4四个数字的向量

        方法三：z <- c(1, 2, 3, 4) #使用函数c，参数：想要添加的元素 

        ※如果传入的元素类型不一样，R会强制转换为相同类型。如： vec <- c(TRUE, 10, "a")，会生成向量char[1:3] "TRUE" "10" "a"
   

   其他：(1) RStudio中，选中脚本文件中的某行，点击Run按钮，可直接执行该行代码。

   (2) 强制类型转换：as.type(var) #将var转换为type类型，如as.numericx(), as.logical(y), as.character(z)

   (3) 给向量元素赋名称：names(var) <- c("a", "b", "c", "d")

1.R对象基本数据类型：

(1)字符（character）："time"；

(2)数值（numeric）:2, 2.3；

(3)整数（integer）: 2L；

(4)复数（complex）：1+2i；

(5)逻辑（logical）：TRUE, FALSE

查看类型：class(variable)

R区分大小写，字母相同大小写不同的变量名是不同的变量名。

2.R对象属性

(1)名称（name）

(2)维度（dimensions: matrix, array）

(3)类型（class）

(4)长度（length）

R语言 对象类型 小结

1. df<-data.frame(id=c(1,2,3,4),name=c("a","b","c","d"),sex=c(TRUE,TRUE,FALSE,TRUE))
   

1. 判断是否有缺失值用is.na()\is.nan()

2. 
   

1. 创建矩阵  x<-matrix(nrow= ,ncol= )

2. dim()查看矩阵的维度

3. attributes()查看矩阵的信息

4. 创建矩阵 x<-1:9   dim(x)<-c(3,3)

5. 两个矩阵合并成一个，行拼接rbind(x,x1)

6. 列拼接cbind(x,x1)

7. 数组 x<-array(1:10,dim=c(4,6))

1. 向量：只包含同一类型的对象

2. 创建向量：vector();c();as.logical();as.character()
   

原始数据（raw dataset）->预处理后的数据（clean dataset）

[]:提取一个或多个类型相同的元素

[[]]:从列表或数据框中提取元素

$:按名字从列表或数据框中提取元素

缺失值

NA/NaN：NaN属于NA,NA不属于NaN

类型属性：integer NA,character NA

is.na()/is.nan()