R是什麼?

R本來是由來自紐西蘭奧克蘭大學統計系的Ross Ihaka和Robert Gentleman 開發(因兩人名字都是以 R 開頭,所以也因此形象稱為 R)，現在由“R開發核心團隊”負責開發。
2015年IEEE Spectrum 各大程式設計語言總排行榜Top 10。最具人氣最熱門10大程式設計語言: Java, C, C++, Python, C#, R, PHP, JavaScript, Ruby, MATLAB
2016年2月TIOBE程式設計語言總排行榜 Top 20中，R 為第16名，其市場佔有率為1.192%，年增長0.23%； MATLAB的市場佔有率為1.091%，SAS的市場佔有率為0.984%。
R的最讓人驚豔之處在於你可以通過修改它來做所有的事情，而你已經擁有大量可用的套件，這無疑讓你是站在巨人的肩膀上工作 - by google首席經濟學家Hal Varian

為什麼要用R

Free! Free !! Free!!!
可線上更新軟體，操作界面不變
硬體需求小，擴充性大 (根據需求才線上安裝Package)
各領域學者都在網路上教大家如何使用R (英文網站非常多)
雖然入門門檻較高，但學會後再使用其他套裝軟體將簡單許多
可快速產生投影片或報告文件 (RMarkDown)
可建立使用者界面(Shiny 套件)，讓完全沒有R基礎的人使用

如何安裝 R

安裝 R 必須依使用者的作業系統來決定安裝的版本為何。通常會安裝兩個部份：

先安裝主程式，再安裝 RStudio

RStudio 的介面

主要分成四個常用的部分

撰寫程式文件 (script)
Console視窗，可直接輸入指令
變數/歷史指令視窗
其他常用功能視窗 (資料夾位置、圖形、Package 管理、Help)

Package的使用

可先上網尋找有用的Package名稱
然後按下 install R packages，再輸入名稱後。系統會自動安裝到R中。
確認在System Library中，有無已安裝的Package。

Demo: Package quantmod

library(quantmod)
# 基本抓取資料與繪圖
getSymbols("AAPL",from="2015-09-01",to="2015-10-31")

## [1] "AAPL"

head(AAPL)

##            AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume
## 2015-09-01    110.15    111.88   107.36     107.72    76845900
## 2015-09-02    110.23    112.34   109.13     112.34    61888800
## 2015-09-03    112.49    112.78   110.04     110.37    53233900
## 2015-09-04    108.97    110.45   108.51     109.27    49996300
## 2015-09-08    111.75    112.56   110.32     112.31    54843600
## 2015-09-09    113.76    114.02   109.77     110.15    85010800
##            AAPL.Adjusted
## 2015-09-01      104.9263
## 2015-09-02      109.4265
## 2015-09-03      107.5076
## 2015-09-04      106.4361
## 2015-09-08      109.3973
## 2015-09-09      107.2933

畫圖

chartSeries(AAPL,theme="white")

下載台股資料

X <- getSymbols("2330.tw", auto.assign=FALSE, from="2015-10-01",to="2015-11-13")
chartSeries(X)

## Just try it

getSymbols("AAPL",from="2015-06-01",to="2015-10-31")

## [1] "AAPL"

# barChart(AAPL)
# Add multi-coloring and change background to white
candleChart(AAPL,multi.col=TRUE,theme="white")
addMACD()
addBBands()

基本概念 (1): R 的計算

Addition: +
Subtraction: -
Multiplication: *
Division: /
Exponentiation: ^
Modulo: %%

範例

# 符號 # 在 R 中表示註解
# 加法 addition
5 + 5 

# 減法 subtraction
5 - 5 

# 乘法 multiplication
3 * 5

 # 除法 division
(5 + 5) / 2 

# 計算次方Exponentiation
3^4

# 計算餘數 Modulo
12 %% 5

基本概念 (2): 變數 (varialbe)

# 設定變數x，將100存放到x中
x = 100
# 另一種寫法，可用 "<-" 取代 "="
x <- 100
# 列印出x
print(x)

## [1] 100

# 也能直接輸入 x
x

## [1] 100

範例

# Assign a value to the variables x1 and x2
x1 <- 7
x2 <- 8

# Add these two variables together
x1+x2

# Create the variable my_x
my_x <- x1+x2
print(my_x)

基本概念 (3): 基本資料型態 (Basic data types)

數值：Decimals values like 3.78 are called numerics.
整數：Natural numbers like 10 are called integers. Integers are also numerics.
布林值：Boolean values (TRUE or FALSE) are called logical.
字串：Text (or string) values are called characters.

範例

# Change my_numeric1 to be 42
my_numeric1 <- 42
# Check class of my_numeric1
class(my_numeric1)

# Change my_numeric2 to be 42
my_numeric2 <- 42L
# Check class of my_numeric2
class(my_numeric2)

# Change my_character to be "universe"
my_character <- "universe"
# Check class of my_character
class(my_character)

# Change my_logical to be FALSE
my_logical <- FALSE
# Check class of my_logical
class(my_logical)

向量 Vectors (1)

You create a vector with the combine function c(). You place the vector elements separated by a comma between the parentheses.

# 數值向量
numeric_vector <- c(1,2,3,4,5)
print(numeric_vector)
# 字串向量
character_vector <- c("a", "b", "c")
print(character_vector)
# 布林值向量
boolean_vector <- c(TRUE, FALSE, TRUE, TRUE)
print(boolean_vector)

範例

A_vector <- c(1, 2, 3)
B_vector <- c(4, 5, 6)

# 加總 A_vector 和 B_vector
total_vector <- A_vector+B_vector
  
# 列印 total_vector
total_vector

# 計算 total_vector中元素的總和
sum(total_vector)

# 選擇total_vector中第2個元素
total_vector[2]

# 選擇total_vector中第1、3元素
total_vector[c(1,3)]

# 選擇total_vector中第2、3元素
total_vector[c(2,3)]
total_vector[2:3]
total_vector[-1]
total_vector[c(FALSE,TRUE,TRUE)]  #重要觀念

Generate regular sequences. seq is a standard generic with a default method.

x <- seq(1,10)
print(x)
y1 <- seq(1,10,2)
print(y1)
y2 <- seq(4,8, length=9)
print(y2)
c(1:12,0,-1)

向量 Vectors (2): 向量運算

array1 <- 1:3
array2 <- 2:4
array1*array2     # 兩向量中個別元素相乘
array1 %*% array2 # 兩向量的 inner product (內積)
array1+1
array1^2

More about vector

x <- c(2, -10, 4, 3, 1, 8)
print(x)
x[1] <- -2
print(x)
x[-2]
x>3
x[x>3]

Questions

x <- c(2, -10, 4, 3, 1, 8)
選擇第2個元素
選擇除了第2個元素外所有元素
選擇大於2的所有元素
那幾個元置小於3 (數值)
將陣列中負數改為正值

Answer

x <- c(2, -10, 4, 3, 1, 8)
x[2]                   # 選擇第2個元素
x[-2]                  # 選擇除了第2個元素外所有元素
x[x>2]                 # 選擇大於2的所有元素
x[x<3]                 # 那幾個元置小於3 (數值)
x[x<0] <- -x[x<0]         # Same result as x=abs(x)

矩陣 Matrices

A <- matrix(c(1:6),2,3)
#參教依序為資料、列數、行數，是否依列填入資料
show(A)

##      [,1] [,2] [,3]
## [1,]    1    3    5
## [2,]    2    4    6

B <- matrix(c(1:6),2,3,byrow=TRUE)
#若byrow=true，則依列填入資料，預設為false
show(B)

##      [,1] [,2] [,3]
## [1,]    1    2    3
## [2,]    4    5    6

讀取矩陣中元素

C <- matrix(seq(5,100,length=20),5,4,byrow=TRUE)
show(C)

##      [,1] [,2] [,3] [,4]
## [1,]    5   10   15   20
## [2,]   25   30   35   40
## [3,]   45   50   55   60
## [4,]   65   70   75   80
## [5,]   85   90   95  100

C[3,1]

## [1] 45

C[1:2,1]

## [1]  5 25

C[1,]

## [1]  5 10 15 20

範例

# Box office Star Wars (in millions!)
new_hope <- c(460.998, 314.4)
empire_strikes <- c(290.475, 247.900)
return_jedi <- c(309.306, 165.8)

# Construct matrix
star_wars_matrix <- matrix(c(new_hope, empire_strikes, return_jedi), nrow = 3, byrow = TRUE)

# Vectors region and titles, used for naming
region <- c("US", "non-US")
titles <- c("A New Hope", "The Empire Strikes Back", "Return of the Jedi")

# Name the columns with region
colnames(star_wars_matrix) <- region

# Name the rows with titles
rownames(star_wars_matrix) <- titles

# Print out star_wars_matrix
star_wars_matrix

##                              US non-US
## A New Hope              460.998  314.4
## The Empire Strikes Back 290.475  247.9
## Return of the Jedi      309.306  165.8

Questions

C <- matrix(seq(5,100,length=20),5,4,byrow=TRUE)
讀取第2到3行的所有元素
讀取第1、3列的所有元素
讀取除了第1列以外的所有元素

Answer

C <- matrix(seq(5,100,length=20),5,4,byrow=TRUE)
show(C)
C[,2:3]
C[c(1,3),]
C[-1,]

矩陣的運算 (1)

X1 <- matrix(c(1:4), nrow=2, ncol=2)
show(X1)

##      [,1] [,2]
## [1,]    1    3
## [2,]    2    4

X1+1

##      [,1] [,2]
## [1,]    2    4
## [2,]    3    5

X1^2

##      [,1] [,2]
## [1,]    1    9
## [2,]    4   16

矩陣的運算 (2): 轉置矩陣

X2 <- matrix(c(4:9),nrow=2, ncol=3)
show(X2)

##      [,1] [,2] [,3]
## [1,]    4    6    8
## [2,]    5    7    9

t(X2)

##      [,1] [,2]
## [1,]    4    5
## [2,]    6    7
## [3,]    8    9

矩陣的運算 (3): 維度計算

dim(X2)

## [1] 2 3

nrow(X2)

## [1] 2

ncol(X2)

## [1] 3

colSums(X2)

## [1]  9 13 17

rowSums(X2)

## [1] 18 21

矩陣的運算 (4): 反矩陣

X3 <- solve(X1) # inverse matrix
show(X3)

##      [,1] [,2]
## [1,]   -2  1.5
## [2,]    1 -0.5

X1*X3    # 元素間相加

##      [,1] [,2]
## [1,]   -2  4.5
## [2,]    2 -2.0

X1%*%X3  # 矩陣相乘

##      [,1] [,2]
## [1,]    1    0
## [2,]    0    1

矩陣的運算 (5): Joining Rows (Columns)

X1 <- matrix(c(1:6),nrow=2, ncol=3)
X2 <- matrix(c(4:9),nrow=2, ncol=3)
rbind(X1,X2)  #Joining Rows 矩陣合併

##      [,1] [,2] [,3]
## [1,]    1    3    5
## [2,]    2    4    6
## [3,]    4    6    8
## [4,]    5    7    9

cbind(X1,X2)  #Joining Columns 矩陣合併

##      [,1] [,2] [,3] [,4] [,5] [,6]
## [1,]    1    3    5    4    6    8
## [2,]    2    4    6    5    7    9

Questions

Let the regression equation be \[ y=\beta_0 + \beta_1 x_1 +\cdots + \beta_k x_k +\varepsilon \] thses can be arrayed in the matrix form \[ y=\mathbf{X} \beta +\varepsilon \] The ordinary least-square regression estimator \[ \hat{\beta}=(\mathbf{X}'\mathbf{X})^{-1} \mathbf{X}' y \] Now, we have the independent variable \(x\) and dependent variable \(y\) as following \[ x=[1,3,5,6,8],\;\;\; y=[2,4,5,8,13] \]

Use the above formula to find the OLS results.

Answers (1)

x0 <- seq(1,1,length=5)
x1 <- c(1,3,5,6,8)
X <- t(rbind(x0,x1))
show(X)

##      x0 x1
## [1,]  1  1
## [2,]  1  3
## [3,]  1  5
## [4,]  1  6
## [5,]  1  8

y <- c(2,4,5,8,13)
show(y)

## [1]  2  4  5  8 13

Answers (2)

beta <- solve(t(X)%*%X)%*%t(X)%*%y
show(beta)

##    [,1]
## x0 -0.5
## x1  1.5

資料框架 (Data frames)

Let’s see an example of data frames in R.

mtcars

##                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
## Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
## Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
## Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
## Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
## Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
## AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
## Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
## Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
## Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
## Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
## Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

# the structure of mtcars
str(mtcars)

## 'data.frame':    32 obs. of  11 variables:
##  $ mpg : num  21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
##  $ cyl : num  6 6 4 6 8 6 8 4 4 6 ...
##  $ disp: num  160 160 108 258 360 ...
##  $ hp  : num  110 110 93 110 175 105 245 62 95 123 ...
##  $ drat: num  3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
##  $ wt  : num  2.62 2.88 2.32 3.21 3.44 ...
##  $ qsec: num  16.5 17 18.6 19.4 17 ...
##  $ vs  : num  0 0 1 1 0 1 0 1 1 1 ...
##  $ am  : num  1 1 1 0 0 0 0 0 0 0 ...
##  $ gear: num  4 4 4 3 3 3 3 4 4 4 ...
##  $ carb: num  4 4 1 1 2 1 4 2 2 4 ...

資料框架: head() 和 tail()

head(mtcars)

##                    mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1

tail(mtcars)

##                 mpg cyl  disp  hp drat    wt qsec vs am gear carb
## Porsche 914-2  26.0   4 120.3  91 4.43 2.140 16.7  0  1    5    2
## Lotus Europa   30.4   4  95.1 113 3.77 1.513 16.9  1  1    5    2
## Ford Pantera L 15.8   8 351.0 264 4.22 3.170 14.5  0  1    5    4
## Ferrari Dino   19.7   6 145.0 175 3.62 2.770 15.5  0  1    5    6
## Maserati Bora  15.0   8 301.0 335 3.54 3.570 14.6  0  1    5    8
## Volvo 142E     21.4   4 121.0 109 4.11 2.780 18.6  1  1    4    2

head(mtcars,10)

##                    mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4         21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag     21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710        22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive    21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout 18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Valiant           18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Duster 360        14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Merc 240D         24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230          22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Merc 280          19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4

讀取資料框架

mtcars[2:5,1:2]

##                    mpg cyl
## Mazda RX4 Wag     21.0   6
## Datsun 710        22.8   4
## Hornet 4 Drive    21.4   6
## Hornet Sportabout 18.7   8

mtcars$cyl[1:5]

## [1] 6 6 4 6 8

cly4 <- mtcars$cyl==4
mtcars[cly4,]

##                 mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Datsun 710     22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Merc 240D      24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230       22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Fiat 128       32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Honda Civic    30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla 33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Toyota Corona  21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Fiat X1-9      27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Porsche 914-2  26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Lotus Europa   30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Volvo 142E     21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

資料框架: subset()

subset(mtcars, subset = wt>5)

##                      mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Cadillac Fleetwood  10.4   8  472 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8  460 215 3.00 5.424 17.82  0  0    3    4
## Chrysler Imperial   14.7   8  440 230 3.23 5.345 17.42  0  0    3    4

subset(mtcars, subset = cyl==6)

##                 mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4      21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag  21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Hornet 4 Drive 21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Valiant        18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Merc 280       19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C      17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Ferrari Dino   19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6

subset(mtcars, subset = cyl==6 & wt<3)

##                mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4     21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag 21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
## Ferrari Dino  19.7   6  145 175 3.62 2.770 15.50  0  1    5    6

subset(mtcars, subset = cyl==6 | wt<2)

##                 mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4      21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag  21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Hornet 4 Drive 21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Valiant        18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Merc 280       19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C      17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Honda Civic    30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla 33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Fiat X1-9      27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Lotus Europa   30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Ferrari Dino   19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6

建立資料框架

a <- c(1,2,3,4)
b <- c(2,4,6,8)
levels <- c("A","B","A","B")
result <- data.frame(first=a,second=b,f=levels)
# 讀取外部資料至R，常常資料會自動轉換為dataframe 的資料格式。
# The vectors can be of all different types.
str(result)

## 'data.frame':    4 obs. of  3 variables:
##  $ first : num  1 2 3 4
##  $ second: num  2 4 6 8
##  $ f     : Factor w/ 2 levels "A","B": 1 2 1 2

summary(result)

##      first          second    f    
##  Min.   :1.00   Min.   :2.0   A:2  
##  1st Qu.:1.75   1st Qu.:3.5   B:2  
##  Median :2.50   Median :5.0        
##  Mean   :2.50   Mean   :5.0        
##  3rd Qu.:3.25   3rd Qu.:6.5        
##  Max.   :4.00   Max.   :8.0

result

##   first second f
## 1     1      2 A
## 2     2      4 B
## 3     3      6 A
## 4     4      8 B

資料框架排序: order()

# order() is a function that gives you the ranked position of each element
order(c(30,40,10,20))

## [1] 3 4 1 2

order(c(30,40,10,20),decreasing = TRUE)

## [1] 2 1 4 3

positions <-  order(mtcars$mpg)
head(mtcars[positions,])

##                      mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Cadillac Fleetwood  10.4   8  472 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8  460 215 3.00 5.424 17.82  0  0    3    4
## Camaro Z28          13.3   8  350 245 3.73 3.840 15.41  0  0    3    4
## Duster 360          14.3   8  360 245 3.21 3.570 15.84  0  0    3    4
## Chrysler Imperial   14.7   8  440 230 3.23 5.345 17.42  0  0    3    4
## Maserati Bora       15.0   8  301 335 3.54 3.570 14.60  0  1    5    8

Lists

目前我們已經熟悉了以下三種資料類型：

Vectors (one dimensional array): can hold numeric, character or logical values. The elements in a vector all have the same data type.
Matrices (two dimensional array): can hold numeric, character or logical values. The elements in a matrix all have the same data type.
Data frames (two-dimensional objects): can hold numeric, character or logical values. Within a column all elements have the same data type, but different columns can be of different data type.

Lists 可以同時包各種不同型態的資料類型。

# Vector with numerics from 1 up to 10
my_vector <- 1:10 

# Matrix with numerics from 1 up to 9
my_matrix <- matrix(1:10, ncol = 2)

# First 10 elements of the built-in data frame mtcars
my_df <- mtcars[1:10,1:3]

# Construct list with these different elements:
my_list <- list(my_vector,my_matrix,my_df)
str(my_list)

## List of 3
##  $ : int [1:10] 1 2 3 4 5 6 7 8 9 10
##  $ : int [1:5, 1:2] 1 2 3 4 5 6 7 8 9 10
##  $ :'data.frame':    10 obs. of  3 variables:
##   ..$ mpg : num [1:10] 21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2
##   ..$ cyl : num [1:10] 6 6 4 6 8 6 8 4 4 6
##   ..$ disp: num [1:10] 160 160 108 258 360 ...

names(my_list) <- c("List1","List2","List3")
# Print out my_list
my_list

## $List1
##  [1]  1  2  3  4  5  6  7  8  9 10
## 
## $List2
##      [,1] [,2]
## [1,]    1    6
## [2,]    2    7
## [3,]    3    8
## [4,]    4    9
## [5,]    5   10
## 
## $List3
##                    mpg cyl  disp
## Mazda RX4         21.0   6 160.0
## Mazda RX4 Wag     21.0   6 160.0
## Datsun 710        22.8   4 108.0
## Hornet 4 Drive    21.4   6 258.0
## Hornet Sportabout 18.7   8 360.0
## Valiant           18.1   6 225.0
## Duster 360        14.3   8 360.0
## Merc 240D         24.4   4 146.7
## Merc 230          22.8   4 140.8
## Merc 280          19.2   6 167.6

讀取 list

my_list$List1

##  [1]  1  2  3  4  5  6  7  8  9 10

my_list[[1]]

##  [1]  1  2  3  4  5  6  7  8  9 10

my_list$List3$mpg

##  [1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2

my_list$List3[1:5,3]

## [1] 160 160 108 258 360

R 基本觀念

R是什麼?

為什麼要用R

如何安裝 R

RStudio 的介面

Package的使用

Demo: Package quantmod

畫圖

下載台股資料

基本概念 (1): R 的計算

基本概念 (2): 變數 (varialbe)

基本概念 (3): 基本資料型態 (Basic data types)

向量 Vectors (1)

向量 Vectors (2): 向量運算

Questions

Answer

矩陣 Matrices

讀取矩陣中元素

範例

Questions

Answer

矩陣的運算 (1)

矩陣的運算 (2): 轉置矩陣

矩陣的運算 (3): 維度計算

矩陣的運算 (4): 反矩陣

矩陣的運算 (5): Joining Rows (Columns)

Questions

X-Y Plot

Answers (1)

Answers (2)

資料框架 (Data frames)

資料框架: head() 和 tail()

讀取資料框架

資料框架: subset()

建立資料框架

資料框架排序: order()

Lists

讀取 list