R语言中numeric 和 integer 的区别

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了R语言中numeric 和 integer 的区别相关的知识,希望对你有一定的参考价值。

参考技术A 前边那个有小数,后边那个没有小数 参考技术B 你先分清楚int和Integer的区别,就能分清int[]和Integer[]的区别了! 首先: int类型是结构Int32的别名,学C#应该知道结构是什么- - Integer是类, 结构呢他是值类型的,而类呢是引用类型的。 另外你可以去查MSDN, 参考技术C 你先分清楚int和Integer的区别,就能分清int[]和Integer[]的区别了! 首先: int类型是结构Int32的别名,学C#应该知道结构是什么- - Integer是类, 结构呢他是值类型的,而类呢是引用类型的。 另外你可以去查MSDN,本回答被提问者和网友采纳 参考技术D 在R里面一般认为一个数字就是double类型的numeric数据,比如1;如果一定要integer数据需要给数字加上后缀L,即1L,或用到as.integer,将数据特别标明是integer类型。
integer类型的数据主要是为了存储和计算更省空间,以及方便和其他语言保持一致

R 语言-基础

R语言 1997年成为GNU项目 开源免费

R官方网址 www.r-project.org


R是数据分析领域的语言
小巧灵活,通过扩展包来增强功能
绘图功能
代码简单

开发环境
R + RStudio

 

1、数据类型
character 字符
numeric 数值型,实数或小数
integer 整型
complex 复数型
logical 逻辑型 类似于boollean

2、数据结构
Vector 向量
Factor 因子
Array 数组
Matrix 矩阵
Data Frame 数据框
List 列表


一维:向量、因子 向量属于数值型变量,因子对应于分类变量
二维:矩阵、数据框 矩阵中元素的数据类型是一致的,数据框由向量组成,每个向量中的数据类型保持一致,向量间的数据类型可以不一致,类似于表结构。
三维:数组、列表 数组用的比较少,多维数据结构;列表可以包含上面所有的数据结构

3、向量
向量表示一组数据,数据类型一致,向量可以表示行或者列
c() 如:
: 如: 1:10
seq(from(开始), to(到), by(步长), length.out(指定向量的元素个数), along.with(长度与指定的向量长度相同))

提取子集:
数字下标(正数:获取指定元素,从1开始,负数:排除的意思)
which()函数(按条件来进行筛选)

#向量
(x1<- c(10,11,12,13))
(x2<- 1:10)
x3<- seq(1,5,1) #from 1 to 5 by 1
x4<- seq(5,by=2,length.out=8) #向量中元素个数为8
x5<- seq(2,by=3, along.with = x4) # along.with向量个数与x4一致
x5[1:5]
x5[c(1,2,3,4,5)]
x5[-1:-5]   #不要下标为1-5的元素

which(x5>5) #大于5的向量下标
x5[which(x5>10)] #大于5的向量值

 

4、因子
因子用于分类变量,有类别
factor()
gl()

#因子
f<-c(\'a\',\'a\',\'b\',\'o\',\'ab\',\'ab\')
f<-factor(c(\'a\',\'a\',\'b\',\'o\',\'ab\',\'ab\')) #创建因子,level默认按字母排序

unclass(f) #查看因子

f<-factor(c(\'a\',\'a\',\'b\',\'o\',\'ab\',\'ab\'),levels = c(\'a\',\'b\',\'o\',\'ab\')) #指定因子对应的level

unclass(f) #

f1<- gl(4,3,labels = c(\'blue\',\'red\',\'green\',\'yellow\')) #4个级别,每个级别重复3次,labels的内容
f1

unclass(f1)

 

5、矩阵
行和列

生成矩阵
matrix()
由向量派生
由向量组合生成

操作
访问元素
行列命名

矩阵运算
矩阵加法
1.矩阵+n 各个元素加n
2.矩阵+矩阵 对应元素相加

矩阵乘法
1.矩阵*n 各个元素乘n
2.矩阵*矩阵 行列相乘(矩阵1 m行*n列 矩阵2 p*q 要求n==p 结果矩阵为 m*q)
3.矩阵元素*矩阵元素 对应元素相乘

单位矩阵
元素都为1 n*n方阵

对角矩阵
对角元素为1 其余的为0 n*n方阵

矩阵转置
n*m m*n

#矩阵

#创建矩阵:
#方法一:使用matric(nrow=?,ncol=?)
x<-matrix(nrow=2,ncol=3) #nrow 指定行, ncol指定列
x
x<-matrix(1:18,nrow = 3,ncol = 6) # 3行,6列,元素值由1:18填充,默认一列一列顺序填充
x
x<-matrix(1:18,nrow = 3, ncol = 6, byrow = T) # 3行,6列,元素值由1:18填充,指定行顺序填充
x

#方法二: dim(a) 通过dim 传递向量
a<-1:18
dim(a)<-c(3,6) #3行6列,行顺序填充
x

#方法三: rbind或cbind进行拼接
x<-1:10
y<-11:20
z<-21:30

m1 = rbind(x,y,z) #以行为单位进行拼接
m2 = cbind(x,y,z) #以列为单位进行拼接
m1
m2

#获取矩阵元素
x<-matrix(1:18,nrow = 3,ncol = 6,byrow = T)
x

x[1,2] #第1行第2列
x[1,] #第1行
x[,2] #第2列
x[,c(2,3,4)] #第2 3 4列
x[c(1,2),] #第1 2行
x[c(1,2),2:4] #第1 2行 第2 3 4列


#行列命名
colnames(x)<-c(\'C1\',\'C2\',\'C3\',\'C4\',\'C5\',\'C6\') #列的名字
rownames(x)<-c(\'R1\',\'R2\',\'R3\')  #行的名字

x[\'R1\',\'C1\']
x[c(\'R1\',\'R2\'),c(\'C1\',\'C2\')]


#矩阵运算

m1<-matrix(1:18,nrow = 3,ncol = 6, byrow = T)
m2<-matrix(19:36,nrow = 3, ncol = 6, byrow = T)
m1
m2

#矩阵加法
m1+10   #矩阵+n
m1+m2   #矩阵+矩阵

#矩阵乘法
m1*10  #矩阵*n
m1*m2  #矩阵对应元素相乘
m1 %*% t(m2)  #矩阵*矩阵 矩阵乘法 行列相乘

#对角矩阵
diag(4)  #4*4矩阵 对角元素都为1
diag(c(1,2,3,6))  #4*4矩阵,对角元素为1,2,3,6

x<-matrix(1:16,4,4)
diag(x) #显示矩阵x的对角元素值


#解方程组
m<-diag(4)
m
b<-1:4
solve(m,b) #m %*% x=b 求x

 

6、数据框
记录与域

#数据框

#创建数据框 
a<-data.frame(fx = rnorm(10,10,2),
              fy = runif(10,10,20),
              fmonth = 1:10 ) 

a[1,1]
a[1,]
a[,2]

a$fx  #通过$fx取列信息
a[[1]]#通过[[]]获取列信息



search()  #查询

attach(a)  #attach 数据到 search路径
fx         #直接使用
detach(a)  #detach 数据

search()  #查询


a<-with(a, fx)                #访问数据框成员


#新增修改列
a<-within(a,{fx=1:10          #通过within来进行修改,和新增列
             fz=11:20})

#新增列
a$fz = 11:20
a$fz = a$fx+a$fy

#列存在则修改
a$fx = 1:10

#查询数据集
b = subset(a,fx>1&fmonth==8,select=c(fx,fmonth))  #select 列过滤,fx>1&fmonth==8 行过滤


b=edit(a)  #修改后的数据集赋值给另一个数据集
b
fix(a)     #直接修改数据集内容
a

 

7、列表
成分


创建列表
list()

操作
列表成分
[[]]
$

#列表

#创建列表
a<-list(x=1:10,y=matrix(1:16,4,4),z=data.frame())

names(a) <- c(\'c1\',\'c2\',\'c3\') #修改成分名称

c
c=a[\'y\']  #在列表中通过[]取出的对象类型还是列表
c[2,1]    
class(c)  #查看类型为list

c=a[[\'y\']] #在列表中通过[[]]取出的对象类型为实际对象类型矩阵
c[2,1]
class(c)  #查看类型为matrix

a$y[2,1]  #获取矩阵的元素

 

8、数组
array

#数组
(a=array(1:60,c(3,4,5)))  #数组三维
a[1,2,3]


9、数据类型转换

检查数据类型 is.开头
is.character
转换数据类型 as.开头
as.character

x=c(1:2,\'hello\',T)
x
mode(x)      #查看数据类型
class(x)     #查看数据结构

is.vector(x)

y<-matrix(1:20,c(4,5))
mode(y)      #数据类型是numeric
class(y)     #数据结构是matrix

y<-as.data.frame(y) #数据类型转换matrix->dataframe
y

 

10、分之结构
if...else...结构
if(condition){...}
else{...}

ifelse函数

#分支结构
(Brand<-paste(c(\'Brand\'),1:9,sep=\'\')) #粘合一起
                                     #"Brand1" "Brand2" "Brand3" "Brand4" "Brand5" "Brand6" "Brand7" "Brand8" "Brand9"
(PName<-paste(c(\'Dell\'),1:9,sep=\' \'))
(Mem<-rep(c(\'1G\',\'2G\',\'4G\'),times=3)) #重复
                                      #"1G" "2G" "4G" "1G" "2G" "4G" "1G" "2G" "4G"
(Feq=rep(c(\'2.2G\',\'2.8G\',\'3.3G\'),each=3))
(Price=rep(c(1000,2000,5000),3))
PC=data.frame(Brand,PName,Mem,Feq,Price)
##分支结构
#if..else
PC
PC$PD=rep(\'Cheap\',9)

for (i in 1:nrow(PC)){     #1:nrow(PC)从第1行到最后一行
  if (PC[i,\'Price\']>3000){ #取值进行比较
    PC[i,\'PD\']=\'Expensive\' #修改值
  }
}

PC

#ifelse函数
PC$PD2=ifelse(PC$Price>3000,\'Expensive\',\'Cheap\')  #向量化运算

PC

c


11、循环结构
for(n in x){...}

while(condition){...}

repeat{...break}

break next

#循环结构
for (x in 1:5){
  print (x^2)
}

i=1
while (i<6){
  print (i^2)
  i=i+1
}

i=1
repeat {
  print (i^2)
  i=i+1
  if (i>5) break
}

 

12、函数
自定义函数

myfunc =function(par1,par2,...){
...
}

引用函数文件
source(\'D:/basic.R\', encoding = \'UTF-8\')

查看源码
myfunc #终端显示
page(myfunc) #用第三方编辑器查看

#函数
myadd=function(a,b,c){
  return (a+b+c)
}



mystat=function(x,na.omit=FALSE){
  if (na.omit){
    x=x[!is.na(x)]
  }
  m=mean(x)
  n=length(x)
  s=sd(x)
  skew=sum((x-m)^3/s^3)/n
  return (list(n=n,mean=m,stdev=s,skew=skew))
}

 

13、向量化运算和apply家族

#向量化
x=1:5

(y=x^2)

(y=matrix(1:16,4,4))
(z=y^2)

(x=1:5)
(y=11:15)
(x+y)

y>=13

ifelse(x%%2==0,\'A\',\'B\')

x=data.frame(pv=rnorm(100,20,3),
             uv=rnorm(100,40,4),
             ip=runif(100,40,50))

apply(x
,MARGIN = 2,mean) #在列的方向上进行mean运算 apply(x,MARGIN = 2,quantile,probs=c(0.1,0.5,0.9)) #在列的方向上进行quantile运行

 

以上是关于R语言中numeric 和 integer 的区别的主要内容,如果未能解决你的问题,请参考以下文章

SQLite 中的 NUMERIC 和 INTEGER 类型是不是完全相同?

R语言数据类型numeric

R数据分析学习之R语言学习

R 语言-基础

R语言之数据类型和数据结构

Laravel 验证:数字和整数之间的区别?