北京时间：2019年8月25日 15:27 天气：晴朗 作者：多美丽
前记：
- 这两天学习英语学到怀疑人生，愣是被学英语的焦虑给搞到睡不着，所以下床学了点R给压压惊。以后当个走路睡觉吃饭都在thinking of 英语的洁妮吧。不然雅思怎么7分噢。
- 今天边学习R写这个文章，在用R做过那么多次分析建模之后，发现自己是一枚R基础小白。所以赶紧在慕课拾掇起来看了课程，现在就把学到的记录以此巩固吧。
正文：
- 说实话，我是现在才发现打基础是很重要的，在建模堆里摸爬滚打了这么多次，每次在遇到些小问题的时候，就暴露了自己基本功不扎实，对矩阵数组列表都不够熟悉，使用其他函数其实对数据的格式类型要求挺多的，就比如我连基本的数据分析排序 分类就不知道怎么用，每次还得求助SAS，这就很.....了。So now, let's move to our learning of R Basics.
第一部分：5种数据对象类型
1.1 向量（vector）
x1 = vector("character",length = 10) #创建空向量，向量里的值为字符型
x2 = 1:4 #创建连续型数值向量时很方便
x3 = c(2,3,5,6) #创建指定的数值向量很方便
x4 = c(TRUE,10,"a") #向量内容杂七杂八时，默认强制转换为字符型
names(x2)= c("a","b","c","d") #给向量命名，向量也要拥有姓名啊哈哈哈哈哈我之前就从来没给过她名分
1.2 矩阵（matrix）
向量+维度属性(nrow ncol)
x1 = matrix(nrow = 3, ncol = 2) #创建3行2列的空矩阵
x2 = matrix(1:6, nrow = 3, ncol = 2) #创建了内容是1到6的矩阵 需要说明的是，数字按列排
dim(x2) #查看矩阵x2的维度
attributes(x2) #查看矩阵x2的属性，在不了解x2里有啥属性的时候，用这个就很让人清楚
y1 = 1:6
dim(y1) = c(3,2) #把向量y1创建成矩阵了 和上面x2一样的效果
y2 = matrix(11:16, nrow = 3, ncol = 2)
rbind(y1,y2) #按行合并
cbind(y1,y2) #按列合并
#rbind cbind只要要合并的矩阵两者行数或列数不一致，就无法合并。所以要保证二者行列相等哦
1.3 数组（array）
与矩阵相似，但维度可大于2（说白了元素都是数 维度随便设）
x1 = array(1:24, dim = c(4,6)) #4行6列的数组
x2 = array(1:24, dim = c(2,3,4)) #2行3列，但有4个这样的
, , 1
[,1] [,2] [,3]
[1,] 1 3 5
[2,] 2 4 6
, , 2
[,1] [,2] [,3]
[1,] 7 9 11
[2,] 8 10 12
, , 3
[,1] [,2] [,3]
[1,] 13 15 17
[2,] 14 16 18
, , 4
[,1] [,2] [,3]
[1,] 19 21 23
[2,] 20 22 24
1.4 列表（list）
可以包含不同类型
l1 = list("a", 2, 10L, 3+4i, TRUE) #容得下任何类型，每个属性内容互补干涉，可同一类型，可不同类型
l2 = list(a = 1, b = 1, c = 3) #列表里的3个属性名称依次是a b c
l3 = list(c(1,2,3), c(4,5,6,7))
x = matrix(1:6,2,3)
dimnames(x) = list(c("a","b"), c("c","d","e")) #用list函数成功给矩阵命名
1.5 因子（factor）
整数向量+标签
x1 = factor(c("female", "male", "female", "male", "female")) #把向量设为因子型
x2 = factor(c("female", "male", "female", "male", "female"), levels = c("male","female")) #levels的设置告知male为基线水平，谁在前谁就是基线，在建模时候经常用到
table(x1)
x1
female male
3 2
unclass(x1) #去掉因子属性，看属性内容
[1] 1 2 1 2 1
attr(,"levels")
[1] "female" "male"
1.6 缺失值（missing value）
NA：各种类型的缺失值
NAN：数值型的缺失值
NAN 属于 NA
is.na 和 is.nan 判断向量中是否有缺失值
x = c(1, NA, 2, NA, 3)
is.na(x)
[1] FALSE TRUE FALSE TRUE FALSE
is.nan(x)
[1] FALSE FALSE FALSE FALSE FALSE
1.7 数据框（data.frame）
存储表格数据，视为各元素长度相同的列表
df1 = data.frame(id = c(1,2,3,4), name = c("a","b","c","d"), order = c(TRUE, TRUE, FALSE, TRUE))
id name order
1 1 a TRUE
2 2 b TRUE
3 3 c FALSE
4 4 d TRUE
df2 = list(id = c(1,2,3,4), name = c("a","b","c","d"), order = c(TRUE, TRUE, FALSE, TRUE))
$id
[1] 1 2 3 4
$name
[1] "a" "b" "c" "d"
$order
[1] TRUE TRUE FALSE TRUE
df3 = data.frame(id = c(1,2,3,4), score = c("81", "60", "15", "100"))
data.matrix(df3) # **若数据框全为数值，则可用该函数转换为矩阵**
1.8 日期与时间（date, time）
日期
x1 = date() #获取系统日期和数据
class(x1)
[1] "character"
x2 = Sys.Date() #获取系统日期
class(x2)
[1] "Date"
x3 = as.Date("2015-01-01") #格式必须包含年月日三者且用-或者/分隔
quarters(x3) #获取日期所在季度
months(x3) #获取日期所在月份
weekdays(x3) #获取日期所在星期
julian(x3) #距离1970-01-01的天数
x4 = as.Date("2019-05-01")
x4 - x3 #和SAS一样，日期是可以相减的，因为日期代表的是距离1970-01-01的天数
Time difference of 1581 days #结果显示为文字型
as.numeric(x4 - x3) #强制得到数值结果
[1] 1581
时间
POSIXct 整数 常用于存入数据框
POSIXIt 列表 还包括年月日等信息
x = Sys.time()
[1] "2019-08-25 18:18:28 CST"
class(x)
[1] "POSIXct" "POSIXt"
p = as.POSIXlt(x)
[1] "2019-08-25 18:18:28 CST"
class(p)
[1] "POSIXlt" "POSIXt" #Xct转换成了Xlt
unclass(p) #unclass 以后出现了很多p的信息，因为转换成了POSIXlt，是列表，包括很多信息
$sec
[1] 18.25399
$min
[1] 24
$hour
[1] 18
$mday
[1] 25
$mon
[1] 7
$year
[1] 119
$wday
[1] 0
$yday
[1] 236
$isdst
[1] 0
$zone
[1] "CST"
$gmtoff
[1] 28800
attr(,"tzone")
[1] "" "CST" "CDT"
names(unclass(p)) #去掉属性 内容留下
[1] "sec" "min" "hour" "mday" "mon" "year" "wday" "yday" "isdst"
[10] "zone" "gmtoff"
y = "Jan 1,2015 01:01"
strptime(y, "%B %d,%Y %H:%M") #此处耍宝失败 若您知晓原因 请告知噢
[1] NA
后续请参考：
R语言基础之第二部分 : 操纵数据取子集
R语言基础之第三部分：重要函数apply族函数的使用
R语言基础之第四部分 : 排序
R语言基础之第五部分 : 总结数据信息
