1. 因子

    分类数据/有序 vs.无序

    整数向量+标签（label）（优于整数向量）

    常用于lm(),glm()

    创建因子

    factor()

    table()/unclass()

1. 列表 list

        可以包含不同类型的对象

        创建列表 list()

        dimnames(x) <- list()

1、矩阵

    向量+纬度属性（整数向量：nrow，ncol）

    创建矩阵

        matrix（）先列后行

        vector()+dim()

        cbind(),rbind()

        attributes()

2、数组

    与矩阵类似，但是纬度可以大于2

    创建数组 array()

• 向量

    只能包含同一类型的对象

    创建向量

    vector()

    c()

     as.logical()/as.numeric()/as.character()

对象的属性：名称、纬度、类型、长度

对象的5种基本类型

字符、数值、整数、复数、逻辑

#rnorm(100) 随机从正态分布的总体里抽取100个数

x <- matrix(rnorm(100), 10, 10)

#quantile函数求百分位点的值，probs参数设置具体求哪些百分位点

#apply的第2个参数，1表示行，2表示列

apply(x, 1, quantile, probs = c(0.25, 0.75))

rnorm(2*3*4)是什么意思？

> strptime(x1,"%B %d, %Y %H:%M")

[1] NA

为什么得到的是缺失值？

NaN属于NA，NaN一般指数字的缺失值

描述factor可以用table函数，如

x<-factor("female","female","male","male","male")

table(x)

x female  male

     2           3

levels用在factor内描述其水平 如levels=c（"male","female"）

#一句话函数
#遍历列表的函数 lapply,总是返回列表
str(lapply)
x<-list(a=1:10,b=c(11,21,31,41,51))
lapply(x,mean)
x<-1:4
lapply(x, runif)#默认从0-1抽取
lapply(x, runif,min=0,max=100)

x<-list(a=matrix(1:6,2,3),b=matrix(4:7,2,2))

lapply(x,function(m) m[1,])
#sapply，结果列表元素长度都是1返回向量，
#结果列表长度相同且大于1时返回矩阵
x<-list(a=1:10,b=c(11,21,31,41,51))
sapply(x, mean)

#apply
x<-matrix(1:16,4,4)
x
apply(x, 2,mean)#对第2维度进行操作
x<-matrix(rnorm(100),10,10)
x
apply(x,1,quantile,probs=c(0.25,0.75))

x<-array(rnorm(2*3*4),c(2,3,4))

apply(x,c(1,3),mean)#第1维和第2维的平面沿着第3维求均值
apply(x,c(1,2),mean)
apply(x,c(2,3),mean)

#mapply ,lapply的多元版本
list(rep(1,4),rep(2,3),rep(3,2),rep(4,1))
mapply(rep,1:4,4:1)

s<-function(n,mean,std){rnorm(n,mean,std)}
s(4,0,1)#从均值为0，标准差为1的正态分布里抽取4个数据
mapply(s,1:5,5:1,2)
list(s(1,5,2),s(2,4,2),s(3,3,2),s(4,2,2),s(5,1,2))

#tapply对向量的子集进行操作
#tapply(向量，因子/因子列表，函数/函数名)
x<-c(rnorm(5),runif(5),rnorm(5,1))
x
f<-gl(3,5)#生成因子水平，3个水平每个水平5个元素
f
#对向量X按照因子的水平进行分组，对每组求均值
tapply(x,f,mean)
tapply(x,f,mean,simplify = FALSE)

#split函数
#根据因子或因子列表将向量或其他对象分组，
#通常与lapply一起使用
#aplit(向量/列表/数据框，因子/因子列表)
x<-c(rnorm(5),runif(5),rnorm(5,1))
f<-gl(3,5)#生成因子水平，3个水平每个水平5个元素
split(x,f)
lapply(split(x,f), mean)

head(airquality)
s<-split(airquality,airquality$Month)
s
table(airquality$Month)
lapply(s, function(x) colMeans(x[,c('Ozone','Wind','Temp')]))
sapply(s, function(x) colMeans(x[,c('Ozone','Wind','Temp')]))
lapply(s, function(x) colMeans(x[,c('Ozone','Wind','Temp')],na.rm = TRUE))
sapply(s, function(x) colMeans(x[,c('Ozone','Wind','Temp')],na.rm=TRUE))

#排序
x<-data.frame(v1=1:5,v2=c(10,7,9,6,8),v3=11:15,v4=c(1,1,2,2,1))
x
sort(x$v2)#升序
sort(x$v2,decreasing = TRUE)
order(x$v2)
x[order(x$v2),]
x[order(x$v4,x$v2),]
#总结数据信息
head(airquality)
head(airquality,10)
tail(airquality)
summary(airquality)
str(airquality)
table(airquality$Ozone)
table(airquality$Ozone,useNA = 'ifany')
table(airquality$Month,airquality$Day)
is.na(airquality$Ozone)
any(is.na(airquality$Ozone))#是否有缺失值
sum(is.na(airquality$Ozone))
all(airquality$Month<12)
tianic<-as.data.frame(Titanic)
head(tianic)
dim(tianic)
summary(tianic)
x<-xtabs(Freq~Class +Age ,data = tianic)
ftable(x)#排版扁平化

object.size(airquality)
print(object.size(airquality),units = kb)
print(object.size(airquality),units = 'kb')
print(object.size(airquality),units = 'Kb')

列表（元素可以不同）