1、向量的基础


1.1 一个向量中存储的数据的模式必须相同

1.2 向量中的值在内存中是连续存储的，因此向量没有添加或删除某元素的功能，如果想达到添加或删除的效果，创建一个新的变量再将元向量的指针指向它。

如：x<-c(x[1:3],168,x[4])

1.3 向量调用： 

</pre><pre name="code" class="plain">#方法1，每次循环，i的取值为x中的序号
for(i in length(x)){
}
#方法2，每次循环，i的取值为x中的一个值
for(i in x){

}
#注意，如果x为空，for(i in 1:length(x)) 语句会出错，r会进行两次循环（i分别取1和0），这显然不是我们想要的。

1.4 向量、矩阵和数组本质上都特殊的向量。

1.5 向量不需要声明，但直接调用一个不存在的向量中的某个元素，则会报错。

因此，应当这样操作：

>y<-vector(length=2)
>y[1]<-5
>y[2]<-12

另外，创建一个空的向量的方法： 

#方法1
x<-c()
#方法2
x<-vector()
#方法3
x<-NULL

1.6 循环补齐

#较短的向量会自动循环补齐，以填充满所需的长度
> c(1,2,3)+c(5,6,3,4,5,6,4)
[1] 6 8 6 5 7 9 5
#实质上是：c(1,2,3,1,2,3,1)+c(5,6,3,4,5,6,4)
</pre><p></p><h2>2 向量运算</h2><p>2.1 基本理念：向量的每个运算符都是一个函数，加减乘除取模等普通运算，都是针对向量中的每个元素进行的，如果运算向量数目不匹配，则采用循环补齐</p><p>2.2 运算符（可跳过）</p><p> + 加</p><p>- 减</p><p>* 乘</p><p>/ 除</p><p>%% 取模</p><p>%*% 向量点乘，注意，这个运算显然是针对整个向量的。</p><p></p><h2>3 向量索引（重要）</h2><p></p><p>3.1 索引格式：向量1[向量2]，它的返回结果是向量1中索引为向量2的那些元素</p><p></p><p></p><pre name="code" class="plain">> y<-c(1,2,3,4,5,6,7)
> y
[1] 1 2 3 4 5 6 7
> y[c(1,2,3)]
[1] 1 2 3
> y<-c(4,5,3,7,9,10)
> y[c(1,3)]
[1] 4 3
> y[1:5]
[1] 4 5 3 7 9
> y[c(1,1,3)]#选择的元素是可以复制的
[1] 4 4 3


3.2 负数表示把相应的元素删除，输出剩下的元素

> y[c(1,1,3)]
[1] 4 4 3
> y
[1]  4  5  3  7  9 10
> y[-1]
[1]  5  3  7  9 10
> y[-1:-3]
[1]  7  9 10



3.3 巧用length（）帮助筛选 

> y[-1]
[1]  5  3  7  9 10
#选择y除了最后一个元素的所有元素
#方法1
> y[1:length(y)-1]
[1] 4 5 3 7 9
#方法2
> y[-length(y)]
[1] 4 5 3 7 9


4 向量创建方式

4.1 v<-c(1,2,3) 

 （c的含义为combine）

4.2 v<-1:10 

4.3 seq()

(由sequence得来)

#方法1
> v<-seq(0,100,5)
> v
 [1]   0   5  10  15  20  25  30  35  40
[10]  45  50  55  60  65  70  75  80  85
[19]  90  95 100

#方法2
> v<-seq(from=12,to=30,by=3)
> v
[1] 12 15 18 21 24 27 30

#方法3
> v<-seq(from=1.1,to=2,length=10)
> v
 [1] 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9
[10] 2.0

4.4 rep() 重复向量常量

> rep(c(5,12,13),3)
[1]  5 12 13  5 12 13  5 12 13

5 all() 与any()

> x<-1:10
> all(x>8)
[1] FALSE
> any(x>8)
[1] TRUE



6向量化运算（重要）

6.1 向量化运算指：如果希望对向量v中每一元素应用function f()，在很多情况向可以简单地对向量v调用f()即可，这样不仅可以使代码简洁易读，还可使R的运算效率成百上千的提高。注意，运算符在r中的本质也是函数，因此，可以这样向量化：

> u<-c(2,4,5)
> v<-c(4,3,2)
> u>v
[1] FALSE  TRUE  TRUE


#向量输入，向量输出
> f<-function(x) return(x^2)
> x<-c(1,2,3)
> f(x)
[1] 1 4 9



#向量输入，矩阵输出
> f<-function(x) return(cbind(x,x^2))
> x<-c(1,2,3)
> f(x)
     x  
[1,] 1 1
[2,] 2 4
[3,] 3 9


6.2 ifelse() 是向量化的重要方法。


7 筛选

7.1 筛选机制：生成筛选索引

这里的关键是一定要理解R处理筛选背后的机制

> z<-c(3,4,-4,3)
> z<-z[z*z>10]
> z
[1]  4 -4


</pre><pre>

上面是对vector z的一个筛选，下面来讲解这次筛选背后的处理原理

> z*z>10
[1] FALSE  TRUE  TRUE FALSE

注意，>也是一个函数，这个函数作用是比较z*z与10的大小，并且返回比较的结果向量。


> z<-z[z*z>10]

这一步代码的实质是： 

z<-z[FALSE  TRUE  TRUE FALSE]

这样，我们就达到了筛选的目的。


7.2 使用subset()筛选

使用subset()筛选和使用筛选索引的区别在于，对NA值的处理

> c<-c(1,3,1:3,NA,5)
> c[c>2]
[1]  3  3 NA  5
> subset(c,c>2)
[1] 3 3 5



显然，筛选索引无法去除掉NA值，而subset()函数可以把NA自动剔除掉。


7.3 使用witch()

使用witch()函数可生成满足条件的元素在原向量中的索引。

> c
[1]  1  3  1  2  3 NA  5
> which(c>2)
[1] 2 5 7


8 NA 与NULL

8.1 NA与NULL的含义 

NA代表缺失值；NULL代表不存在的值，而非存在而不知道的值。

> a<-c(1,2,NULL,3)
> mean(a)
[1] 2
> a<-c(1,2,NA,3)
> mean(a)
[1] NA


NULL没有模式，长度为0；而NA长度为一，如下：

> length(NULL)
[1] 0
> length(NA)
[1] 1







重点知识点：循环补齐；筛选；向量化；所有运算符都是函数