列表的子集

x <- list(id=1:4,height=170,gender="male")  #创建列表

x[1]   #输出id和1234

x[[1]] #输出1234

x[["id"]] #输出1234

x$id    #输出1234

x[c(1,3)]  #输出第1和第3两个元素

x$名字   #不能 引用名字的变量

获取嵌套列表中列表的内容：

x[[i]][[j]]

x[[c(i,j)]]

列表的不完全匹配

l <- list(asdfghj = 1:10)

# l$asdfghj   与  l$a的结果相同那个

x[["a",exact = FALSE]]   #关闭精确匹配，输出结果与上相同

3-4列表的子集

3-4列表的子集

数据框的子集

x <- data.frame(v1=1:5,v2=6:10,v3=11:15)  #构造数据框

x$v3[c(2,4)] <- NA  #使v3的第2.4两位元素定义成缺失值

#数据框可以通过名称索引元素

x[(x$v1<4 & x$v2>=8),]   输出同时满足两个条件的行

？which  #查看which函数有什么功能

which(x$v1>2)  #输出满足条件的下标

x$v1>2              #输出x的逻辑向量

subset(x,条件)    #构件子集的函数，x可为数据框、矩阵等

矩阵的子集

创建矩阵后可以通过矩阵名进行元素的提取

x[2,c(1,3)]  #提取矩阵x的第二行的第一和第三 两个元素

x[1,2,drop = FALSE] #将所得元素以矩阵的类型返回

矩阵的子集

x<-matrix(1:12,3,4)#形成三行四列的矩阵
x[1,]#取出第一行元素
x[,1]#取出第一列元素
x[2,c(2,4)]#取出矩阵中的第2行的第2列和第4列元素
x[2,c(2:4)]#取出矩阵中的第2行的2-4个元素
class(x[1,2])#查看输出的数据类型（返回向量）
x[1,2,drop=FALSE]#关掉输出的向量（integer）形式而转变为矩阵（matrix）形式

构件子集基本方法：

1. []：提取一个或多个类型相同的元素

2. [[]]：从列表或数据框中提取元素

3.  $：按名字从列表或数据框中提取元素

   #与C和python不同的是，R的下标从‘1’开始

    #可以通过向量名称来索引与之对应的向量

日期和时间

x <- date() #获取当前本机时间

x2 <-  sys.date() #获取当前本机时间的年月日

x3 <-  as.Date("2015-01-01") #定义Date型日期

时间：POSIXct/POSIXlt

x <- Sys.time()  #获得本机时间 class(x) —"POSIXct" "POSIXt"

p <- as.POSIXlt(x)  转换类型  class(p) —“POSIXlt”“POSIXt”

names(unclass(p)) #查看p中存在哪些变量

p$sec  #获得秒

as.POSIXct(p)  #将时间类型转化为POSIXct

weekday(x3)#返回日期具体对应的周几

months(x3) #返回日期对应的月份

quarters(x3) #返回日期对应的季度

julian(x3)  #返回日期距离'1970-01-01'的天数

as.numerci(x4 -x3) #返回两个日期的相差的天数

striptime(待转化的日期，"%B %d, %Y %H:%M")  #时间标准化输出

                                        上述格式应当与带转化日期相对应

数据框:1.存储表格数据 2.视为各元素长度相同的列表（元素类型可以不同）

df <- data.frame(id=c(1,2,3,4),name=c("a","b","c"))#建立数据框

nrow(df)  #查看df的行数

ncol(df)    #查看df的列数

对于相同类型的数据的数据框可以直接转换为矩阵

data.matrix(df2)   #其中df2中元素类型相同

缺失值（missing value）—NA/NaN：其中NaN属于NA,NA不属于NaN

#NAN仅代表数值型的缺失值，而NA代表的是数值、字符型等缺失值

 is.na(x)#检验x中是否有NA

is.nan(x)#检验x中是否有NaN

因子（factor）—分类数据/有序 vs. 无序

                       —整数向量 + 标签（label）优于整数向量

x <- factor(c("female","female","male")，levels(“male”,"female"))                                 #可以构建因子，并且可以通过levels设立基线因子t

table(x)  #得出x因子的分布表

unclass(x) #将x因子转化为值标签

列表（list）:可以包含不同类型的对象

l2 <- list(a=1,b=2,c=3)   #其中a,b,c分别为1,2, 3的名词

l3 <- list(c(1,2,3),c(4,5,6))#生成两个元素，元素长度均大于1

dimnames(x)  #给矩阵x的行列标题进行命名

list（c("a","b"),c("c","d","e")） #可以用list给维数相对应的矩阵标题命名

#Matrix & Array

定义矩阵 C <- (data,nrow,ncol)  #其中data为矩阵的内容，nrow为行     

               数，ncol为列数，矩阵在填充的时候是以列的方式来填充的

dim(x)   #查看矩阵的维数m×n

arritubtes(x)  #查看x的属性

矩阵相当于向量+维度:y <- 1:6 ，dim(y) <- c(2,3) #构建2×3维度的矩阵

矩阵的拼接：

                    rbind(x,y)    #将矩阵x和y按行拼接，列数不变，行数增加

                    cbind(x,y)    #将矩阵x和y按列拼接，行数不变，列数相加

数组（array）-与矩阵相似，但是维度可以大于2

x <- array(1:24,dim=(4,6))   #用array直接建立数组

x<-  array(1:24,dim=(2,3,4)) #建立3维数组，其输出为4个2*3数组

向量（vector）：只能包含同一类型的对象

创建向量的方法：1. 定义 x <- vector(数据类型，数据长度)

                           2. x1 <- 1:4   #创建整型向量1-4

                           3. x3 <- c(向量的元素)  # 例如构建向量x3<-c(1，2）

#对于向量中元素类型不同的情况，R语言中会自动强制转化

 例如x3 <- c(TRUE,10,"a") 会转换为("TRUE","10","a"）

 as.numeric(x)   #将x转换为数值型向量

 as.logical(x)      #将x转换为逻辑向量

 as.character(x)  #将x转换为字符型向量

names(x1) <- c("a","b","c")  #给向量x1进行命名,“a”为第一个向量元    

                                              素的名字，依次类推

x <- 1   #‘<-’是R语言中的赋值符号

[1]        #表示它后面接着的元素是x第一个元素

 1         #x中存储的内容是1

class(x)#用于查看变量x的类型

x <- 3L#在数字后面加入大写L定义整型

x <- "" #定义字符串

x <- TRUE #定义逻辑型（真、假）  注意在定义时需要大写

x <- a+bi  #定义复数类型