R语言入门

R语言基础

对象和属性

几种数据结构

x <- "a"
class(x)
## [1] "character"
x <- 3.14
class(x)
## [1] "numeric"
x <- 3
class(x)
## [1] "numeric"
x <- 1+2i
class(x)
## [1] "complex"
x <- TRUE
class(x)
## [1] "logical"

向量

x <- vector("character",length = 10)
x1 <- 1:4
x2 <- c(1,2,3,4)
x3 <- c(TRUE,10,"a")

矩阵和数组

x <- matrix(1:6,nrow = 3,ncol = 2)
dim(x)
## [1] 3 2
attributes(x)
## $dim
## [1] 3 2
y <- 1:6
dim(y) <-c(2,3)
rbind(x,x)
##      [,1] [,2]
## [1,]    1    4
## [2,]    2    5
## [3,]    3    6
## [4,]    1    4
## [5,]    2    5
## [6,]    3    6
cbind(x,x)
##      [,1] [,2] [,3] [,4]
## [1,]    1    4    1    4
## [2,]    2    5    2    5
## [3,]    3    6    3    6
x <- array(1:24,dim = c(4,6))
x <- array(1:24,dim = c(2,3,4))

列表

l <- list("a",2,10.3,3+4i,TRUE)
l <- list(a =1,b=2)
x <- matrix(1:6,nrow = 2,ncol = 3)
l <- list(c("a","b"),c("a","b","c"))
dimnames(x) = l

因子(factor)

x <- factor(c("f","f","f","t","t"))
table(x)
## x
## f t 
## 3 2
unclass(x)
## [1] 1 1 1 2 2
## attr(,"levels")
## [1] "f" "t"

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
x <- c(1,NaN,2,NaN,3)
is.na(x)
## [1] FALSE  TRUE FALSE  TRUE FALSE
is.nan(x)
## [1] FALSE  TRUE FALSE  TRUE FALSE

数据框

df <- data.frame(id = c(1,2,3),name = c("a","b","c"),gender = c(TRUE,FALSE,TRUE))
df <- data.frame(id = c(1,2,3),name = c(1,2,3))
data.matrix(df)
##      id name
## [1,]  1    1
## [2,]  2    2
## [3,]  3    3

日期和时间

x <- date()
x1 <- Sys.Date()
x2 <- as.Date("2017-01-01")
weekdays(x2)
## [1] "星期日"
months(x2)
## [1] "一月"
julian(x2)
## [1] 17167
## attr(,"origin")
## [1] "1970-01-01"
x <- Sys.time()
class(x)
## [1] "POSIXct" "POSIXt"
p = as.POSIXlt(x)

names(unclass(p))
##  [1] "sec"    "min"    "hour"   "mday"   "mon"    "year"   "wday"  
##  [8] "yday"   "isdst"  "zone"   "gmtoff"
p$sec
## [1] 12.33149
p <- "一月 1, 2015 02:36"
strptime(p, "%B %d, %Y %H:%M")
## [1] "2015-01-01 02:36:00 CST"

小结

构建子集

基本方法

x <- 1:10
x[1]
## [1] 1
x[1:5]
## [1] 1 2 3 4 5
x[6:10]
## [1]  6  7  8  9 10
x[x>5]
## [1]  6  7  8  9 10
x[x>5&x<7]
## [1] 6
y <-1:4
names(y) <- c("a","b","c","d")
y
## a b c d 
## 1 2 3 4
y[2]
## b 
## 2
y["b"]
## b 
## 2

矩阵子集

x <- matrix(1:6,nrow = 2,ncol = 3)
x
##      [,1] [,2] [,3]
## [1,]    1    3    5
## [2,]    2    4    6
x[1,2]
## [1] 3
x[2,3]
## [1] 6
x[1,]
## [1] 1 3 5
x[,1]
## [1] 1 2
x[2,c(1,3)]
## [1] 2 6
x[1,2,drop = FALSE]#返回矩阵
##      [,1]
## [1,]    3

数据框子集

x <- data.frame(v1=1:5,v2=6:10,v3=11:15)
x
##   v1 v2 v3
## 1  1  6 11
## 2  2  7 12
## 3  3  8 13
## 4  4  9 14
## 5  5 10 15
x$v3[c(2,4)] <- NA
x
##   v1 v2 v3
## 1  1  6 11
## 2  2  7 NA
## 3  3  8 13
## 4  4  9 NA
## 5  5 10 15
x[,2]
## [1]  6  7  8  9 10
x[,"v2"]
## [1]  6  7  8  9 10
x[(x$v1<4&x$v2>=8),]
##   v1 v2 v3
## 3  3  8 13
x[x$v1>2,]
##   v1 v2 v3
## 3  3  8 13
## 4  4  9 NA
## 5  5 10 15
x[which(x$v1>2),]
##   v1 v2 v3
## 3  3  8 13
## 4  4  9 NA
## 5  5 10 15
x$v1>2
## [1] FALSE FALSE  TRUE  TRUE  TRUE
which(x$v1>2)
## [1] 3 4 5
subset(x,x$v1>2)
##   v1 v2 v3
## 3  3  8 13
## 4  4  9 NA
## 5  5 10 15

列表子集

x <- list(id=1:4, height=170, gender="male")
x["id"]#与x[1]等效，返回的是名字和内容
## $id
## [1] 1 2 3 4
#只返回内容
x[["id"]]
## [1] 1 2 3 4
x$id
## [1] 1 2 3 4
x[c(1,3)]#返回指定列
## $id
## [1] 1 2 3 4
## 
## $gender
## [1] "male"
#可以用变量代替引用
y <- "id"
x[[y]]
## [1] 1 2 3 4
#不可以用变量代替引用($)
x$id
## [1] 1 2 3 4
x$y
## NULL
#获取嵌套列表中的元素
x <- list(a=list(1,2,3,4),b=c("Monday","Tuesdat"))
x[[1]][[2]]#方法一：连续两个双括号
## [1] 2
x[[c(1,3)]]#方法二：一个双括号，里面用c()函数
## [1] 3
#不完全匹配
#如果一个不完全匹配有多个成功匹配，返回结果为NULL
l <- list(asdfghj=1:10)
l$asdfghj
##  [1]  1  2  3  4  5  6  7  8  9 10
l$a
##  [1]  1  2  3  4  5  6  7  8  9 10
l[["a",exact=FALSE]]#双括号关闭精确匹配
##  [1]  1  2  3  4  5  6  7  8  9 10

处理缺失值

x <- c(1, NA, 2, NA, 3)
x[!is.na(x)]#取得非缺失值
## [1] 1 2 3
x <- c(1, NA, 2, NA, 3)
y <- c("a","b",NA,"c",NA)
z <- complete.cases(x,y) #取对应位置都不是缺失值

x[z]
## [1] 1
y[z]#取得两个向量中都不为NA的列
## [1] "a"
library(datasets)#导入R自带的数据集包
head(airquality)#head()方法查看数据集前几行
##   Ozone Solar.R Wind Temp Month Day
## 1    41     190  7.4   67     5   1
## 2    36     118  8.0   72     5   2
## 3    12     149 12.6   74     5   3
## 4    18     313 11.5   62     5   4
## 5    NA      NA 14.3   56     5   5
## 6    28      NA 14.9   66     5   6
g <- complete.cases(airquality)
airquality[g,][1:10,]#显示前10条不含NA属性的记录?[g,]
##    Ozone Solar.R Wind Temp Month Day
## 1     41     190  7.4   67     5   1
## 2     36     118  8.0   72     5   2
## 3     12     149 12.6   74     5   3
## 4     18     313 11.5   62     5   4
## 7     23     299  8.6   65     5   7
## 8     19      99 13.8   59     5   8
## 9      8      19 20.1   61     5   9
## 12    16     256  9.7   69     5  12
## 13    11     290  9.2   66     5  13
## 14    14     274 10.9   68     5  14

向量化操作

x <- 1:5
y <- 6:10

x+y
## [1]  7  9 11 13 15
x*y
## [1]  6 14 24 36 50
x/y
## [1] 0.1666667 0.2857143 0.3750000 0.4444444 0.5000000
#以上结果都一一对应

x <- matrix(1:4, nrow = 2, ncol = 2, byrow = T)
y <- matrix(rep(2,4), nrow = 2, ncol = 2) #函数rep（2,4）表示把2重复4次
x %*% y #矩阵真正乘/除法需要如此。
##      [,1] [,2]
## [1,]    6    6
## [2,]   14   14
x * y #只是对应元素相乘
##      [,1] [,2]
## [1,]    2    4
## [2,]    6    8

重要函数的使用

lapply

str(lapply)
## function (X, FUN, ...)
x <- list(a=1:10,b = c(11,21,31,41,51))
lapply(x,mean)
## $a
## [1] 5.5
## 
## $b
## [1] 31
#sapply:简化结果
#结果列表元素长度均为1，返回向量
#结果列表元素长度相同且大于1，返回矩阵
sapply(x,mean)
##    a    b 
##  5.5 31.0
x<-1:4
lapply(x,runif)
## [[1]]
## [1] 0.5492342
## 
## [[2]]
## [1] 0.6183434 0.1522713
## 
## [[3]]
## [1] 0.6454553 0.7390807 0.7526788
## 
## [[4]]
## [1] 0.7943832 0.6664156 0.2864188 0.2150539
lapply(x,runif,min=0,max =100)
## [[1]]
## [1] 25.45416
## 
## [[2]]
## [1] 28.21838 75.90251
## 
## [[3]]
## [1] 54.27880 42.61973 41.30445
## 
## [[4]]
## [1] 47.68680 44.93604 36.89763  1.23020
x<-list(a=matrix(1:6,2,3),b=matrix(4:7,2,2))
lapply(x,function(m) m[1,])
## $a
## [1] 1 3 5
## 
## $b
## [1] 4 6

apply

#沿着数组的某一维度处理数据
#将函数用于矩阵的行或者列
#一句话就可以完成for/while函数
#apply(数组,维度,函数/函数名)
x <- matrix(1:16,4,4)
apply(x, 2, mean)#求列的平均rowSums(x)
## [1]  2.5  6.5 10.5 14.5
apply(x, 2, sum)#求列和
## [1] 10 26 42 58
apply(x, 1, mean)#求行的平均
## [1]  7  8  9 10
apply(x, 1, sum)#求行和
## [1] 28 32 36 40
x <- matrix(rnorm(100),10,10)
apply(x, 1, quantile, probs = c(0.25, 0.75)) #quantile 求数据的百分位点 probs = c(0.25, 0.75)表示取25%、75%位点
##           [,1]       [,2]       [,3]       [,4]       [,5]       [,6]
## 25% -0.5730587 -0.5742401 -0.4449251 -0.5983579 -0.5054332 -1.0739440
## 75%  0.1647651  0.5436005  0.6467494  0.9513756  0.6277096  0.6775467
##           [,7]       [,8]       [,9]      [,10]
## 25% -1.2209648 -0.3635073 -0.7862123 -0.2682258
## 75%  0.7735006  0.9409280  0.8353105  0.3755603
x <- array(rnorm(2*3*4),c(2,3,4))
apply(x,c(1,2), mean) #c(1,2)表示1和2平面沿着第3维度压下去
##           [,1]       [,2]        [,3]
## [1,] 0.1011687  0.5728817 -0.06759604
## [2,] 0.7331838 -0.0461645 -0.25580312
apply(x,c(1,3), mean) #同理
##            [,1]        [,2]       [,3]      [,4]
## [1,] -0.7733867  0.44088528  0.9215759 0.2195313
## [2,]  0.4363613 -0.06334287 -0.2483996 0.4503362
apply(x,c(2,3), mean) #同理
##            [,1]      [,2]        [,3]       [,4]
## [1,]  0.2050038 0.1728889  0.12774627  1.1630660
## [2,] -0.1592614 0.1972115  0.89517401  0.1203102
## [3,] -0.5512805 0.1962132 -0.01315594 -0.2785751

mapply

#lapply的多元版本
#mapply（参数）
#mapply(函数/函数名，数据， 函数相关的参数)
a<-list(rep(1,4), rep(2,3), rep(3,2),rep(4,1))
b<-mapply(rep,1:4,4:1) #等价于上面的list，rep是函数，1：4表示数据来源于这几个数，最后一个4：1表示要重复多少次

s <- function(n, mean ,std){
rnorm(n, mean, std)
} #n表示从正态分布中取数的个数，mean表示均值，std表示标准差
s(4,0,1) #从s中抽取4个均值为0，标准差为1的数值
## [1] -1.1298121  0.5491142  1.1766728  0.1346312
#调用函数s,生成1到5四个元素，其中均值是5到1，标准差是2
mapply(s, 1:5,5:1,2) #第二个表示个数，第三个表示均值，第四个表示标准差
## [[1]]
## [1] 5.604684
## 
## [[2]]
## [1] 5.232657 6.132522
## 
## [[3]]
## [1] 2.7868800 0.6771235 4.0905246
## 
## [[4]]
## [1]  4.6004507  3.5785187 -0.8828502  3.5718702
## 
## [[5]]
## [1]  1.7658713  2.2977775  4.3826147 -0.3973626  1.7977228
list(s(1,5,2),s(2,4,2),s(3,3,2),s(4,2,2),s(5,1,2)) #这个list的效果跟mapply函数一样
## [[1]]
## [1] 6.462947
## 
## [[2]]
## [1] 4.860135 5.522239
## 
## [[3]]
## [1]  4.3545863  5.1025989 -0.8612773
## 
## [[4]]
## [1] 1.013272 4.208057 3.417460 2.997981
## 
## [[5]]
## [1]  3.0405550 -0.3997026  3.2907657 -1.8208597  1.6011254
#得到的结果就是第一个为均值为5，标准差为2，的一个数值；
#第二个就是均值为4，标准差为2，的2个数值
#以此类推

taplly

x <- c(rnorm(5), runif(5),rnorm(5,1))
f <- gl(3,5)#
tapply(x,f,mean)
##         1         2         3 
## 0.4557796 0.4417913 2.0062974
tapply(x,f,mean, simplify = FALSE)
## $`1`
## [1] 0.4557796
## 
## $`2`
## [1] 0.4417913
## 
## $`3`
## [1] 2.006297

split

根据因子或者因子列表将向量或其他对象分组 通常与lapply一起使用 *参数格式：split(向量/列表/数据框,因子/因子列表)

x <- c(rnorm(5), runif(5),rnorm(5,1))
f <- gl(3,5)
split(x,f)
## $`1`
## [1]  1.01248686  0.09475982 -3.04033829 -1.24508167 -1.93456948
## 
## $`2`
## [1] 0.1701324 0.5625662 0.2379305 0.8464871 0.2316612
## 
## $`3`
## [1] 1.207715 1.841184 1.931470 1.434442 2.790525
lapply(split(x,f), mean)
## $`1`
## [1] -1.022549
## 
## $`2`
## [1] 0.4097555
## 
## $`3`
## [1] 1.841067
lapply(split(x,f), sum)
## $`1`
## [1] -5.112743
## 
## $`2`
## [1] 2.048777
## 
## $`3`
## [1] 9.205336
head(airquality)
##   Ozone Solar.R Wind Temp Month Day
## 1    41     190  7.4   67     5   1
## 2    36     118  8.0   72     5   2
## 3    12     149 12.6   74     5   3
## 4    18     313 11.5   62     5   4
## 5    NA      NA 14.3   56     5   5
## 6    28      NA 14.9   66     5   6
split(airquality,airquality$Month)#按照month分组查看
## $`5`
##    Ozone Solar.R Wind Temp Month Day
## 1     41     190  7.4   67     5   1
## 2     36     118  8.0   72     5   2
## 3     12     149 12.6   74     5   3
## 4     18     313 11.5   62     5   4
## 5     NA      NA 14.3   56     5   5
## 6     28      NA 14.9   66     5   6
## 7     23     299  8.6   65     5   7
## 8     19      99 13.8   59     5   8
## 9      8      19 20.1   61     5   9
## 10    NA     194  8.6   69     5  10
## 11     7      NA  6.9   74     5  11
## 12    16     256  9.7   69     5  12
## 13    11     290  9.2   66     5  13
## 14    14     274 10.9   68     5  14
## 15    18      65 13.2   58     5  15
## 16    14     334 11.5   64     5  16
## 17    34     307 12.0   66     5  17
## 18     6      78 18.4   57     5  18
## 19    30     322 11.5   68     5  19
## 20    11      44  9.7   62     5  20
## 21     1       8  9.7   59     5  21
## 22    11     320 16.6   73     5  22
## 23     4      25  9.7   61     5  23
## 24    32      92 12.0   61     5  24
## 25    NA      66 16.6   57     5  25
## 26    NA     266 14.9   58     5  26
## 27    NA      NA  8.0   57     5  27
## 28    23      13 12.0   67     5  28
## 29    45     252 14.9   81     5  29
## 30   115     223  5.7   79     5  30
## 31    37     279  7.4   76     5  31
## 
## $`6`
##    Ozone Solar.R Wind Temp Month Day
## 32    NA     286  8.6   78     6   1
## 33    NA     287  9.7   74     6   2
## 34    NA     242 16.1   67     6   3
## 35    NA     186  9.2   84     6   4
## 36    NA     220  8.6   85     6   5
## 37    NA     264 14.3   79     6   6
## 38    29     127  9.7   82     6   7
## 39    NA     273  6.9   87     6   8
## 40    71     291 13.8   90     6   9
## 41    39     323 11.5   87     6  10
## 42    NA     259 10.9   93     6  11
## 43    NA     250  9.2   92     6  12
## 44    23     148  8.0   82     6  13
## 45    NA     332 13.8   80     6  14
## 46    NA     322 11.5   79     6  15
## 47    21     191 14.9   77     6  16
## 48    37     284 20.7   72     6  17
## 49    20      37  9.2   65     6  18
## 50    12     120 11.5   73     6  19
## 51    13     137 10.3   76     6  20
## 52    NA     150  6.3   77     6  21
## 53    NA      59  1.7   76     6  22
## 54    NA      91  4.6   76     6  23
## 55    NA     250  6.3   76     6  24
## 56    NA     135  8.0   75     6  25
## 57    NA     127  8.0   78     6  26
## 58    NA      47 10.3   73     6  27
## 59    NA      98 11.5   80     6  28
## 60    NA      31 14.9   77     6  29
## 61    NA     138  8.0   83     6  30
## 
## $`7`
##    Ozone Solar.R Wind Temp Month Day
## 62   135     269  4.1   84     7   1
## 63    49     248  9.2   85     7   2
## 64    32     236  9.2   81     7   3
## 65    NA     101 10.9   84     7   4
## 66    64     175  4.6   83     7   5
## 67    40     314 10.9   83     7   6
## 68    77     276  5.1   88     7   7
## 69    97     267  6.3   92     7   8
## 70    97     272  5.7   92     7   9
## 71    85     175  7.4   89     7  10
## 72    NA     139  8.6   82     7  11
## 73    10     264 14.3   73     7  12
## 74    27     175 14.9   81     7  13
## 75    NA     291 14.9   91     7  14
## 76     7      48 14.3   80     7  15
## 77    48     260  6.9   81     7  16
## 78    35     274 10.3   82     7  17
## 79    61     285  6.3   84     7  18
## 80    79     187  5.1   87     7  19
## 81    63     220 11.5   85     7  20
## 82    16       7  6.9   74     7  21
## 83    NA     258  9.7   81     7  22
## 84    NA     295 11.5   82     7  23
## 85    80     294  8.6   86     7  24
## 86   108     223  8.0   85     7  25
## 87    20      81  8.6   82     7  26
## 88    52      82 12.0   86     7  27
## 89    82     213  7.4   88     7  28
## 90    50     275  7.4   86     7  29
## 91    64     253  7.4   83     7  30
## 92    59     254  9.2   81     7  31
## 
## $`8`
##     Ozone Solar.R Wind Temp Month Day
## 93     39      83  6.9   81     8   1
## 94      9      24 13.8   81     8   2
## 95     16      77  7.4   82     8   3
## 96     78      NA  6.9   86     8   4
## 97     35      NA  7.4   85     8   5
## 98     66      NA  4.6   87     8   6
## 99    122     255  4.0   89     8   7
## 100    89     229 10.3   90     8   8
## 101   110     207  8.0   90     8   9
## 102    NA     222  8.6   92     8  10
## 103    NA     137 11.5   86     8  11
## 104    44     192 11.5   86     8  12
## 105    28     273 11.5   82     8  13
## 106    65     157  9.7   80     8  14
## 107    NA      64 11.5   79     8  15
## 108    22      71 10.3   77     8  16
## 109    59      51  6.3   79     8  17
## 110    23     115  7.4   76     8  18
## 111    31     244 10.9   78     8  19
## 112    44     190 10.3   78     8  20
## 113    21     259 15.5   77     8  21
## 114     9      36 14.3   72     8  22
## 115    NA     255 12.6   75     8  23
## 116    45     212  9.7   79     8  24
## 117   168     238  3.4   81     8  25
## 118    73     215  8.0   86     8  26
## 119    NA     153  5.7   88     8  27
## 120    76     203  9.7   97     8  28
## 121   118     225  2.3   94     8  29
## 122    84     237  6.3   96     8  30
## 123    85     188  6.3   94     8  31
## 
## $`9`
##     Ozone Solar.R Wind Temp Month Day
## 124    96     167  6.9   91     9   1
## 125    78     197  5.1   92     9   2
## 126    73     183  2.8   93     9   3
## 127    91     189  4.6   93     9   4
## 128    47      95  7.4   87     9   5
## 129    32      92 15.5   84     9   6
## 130    20     252 10.9   80     9   7
## 131    23     220 10.3   78     9   8
## 132    21     230 10.9   75     9   9
## 133    24     259  9.7   73     9  10
## 134    44     236 14.9   81     9  11
## 135    21     259 15.5   76     9  12
## 136    28     238  6.3   77     9  13
## 137     9      24 10.9   71     9  14
## 138    13     112 11.5   71     9  15
## 139    46     237  6.9   78     9  16
## 140    18     224 13.8   67     9  17
## 141    13      27 10.3   76     9  18
## 142    24     238 10.3   68     9  19
## 143    16     201  8.0   82     9  20
## 144    13     238 12.6   64     9  21
## 145    23      14  9.2   71     9  22
## 146    36     139 10.3   81     9  23
## 147     7      49 10.3   69     9  24
## 148    14      20 16.6   63     9  25
## 149    30     193  6.9   70     9  26
## 150    NA     145 13.2   77     9  27
## 151    14     191 14.3   75     9  28
## 152    18     131  8.0   76     9  29
## 153    20     223 11.5   68     9  30
s <- split(airquality,airquality$Month)

table(airquality$Month)#查看每个Month下包含的记录数
## 
##  5  6  7  8  9 
## 31 30 31 31 30
lapply(s, function(x) colMeans(x[,c("Ozone","Wind","Temp")]))# 求平均值
## $`5`
##    Ozone     Wind     Temp 
##       NA 11.62258 65.54839 
## 
## $`6`
##    Ozone     Wind     Temp 
##       NA 10.26667 79.10000 
## 
## $`7`
##     Ozone      Wind      Temp 
##        NA  8.941935 83.903226 
## 
## $`8`
##     Ozone      Wind      Temp 
##        NA  8.793548 83.967742 
## 
## $`9`
## Ozone  Wind  Temp 
##    NA 10.18 76.90
sapply(s, function(x) colMeans(x[,c("Ozone","Wind","Temp")]))#简化显示结果
##              5        6         7         8     9
## Ozone       NA       NA        NA        NA    NA
## Wind  11.62258 10.26667  8.941935  8.793548 10.18
## Temp  65.54839 79.10000 83.903226 83.967742 76.90
sapply(s, function(x) colMeans(x[,c("Ozone","Wind","Temp")],na.rm = T))#处理缺失值
##              5        6         7         8        9
## Ozone 23.61538 29.44444 59.115385 59.961538 31.44828
## Wind  11.62258 10.26667  8.941935  8.793548 10.18000
## Temp  65.54839 79.10000 83.903226 83.967742 76.90000

排序

x <- data.frame(v1=1:5, v2=c(10,7,9,6,8), v3=11:15, v4=c(1,1,2,2,1))
x
##   v1 v2 v3 v4
## 1  1 10 11  1
## 2  2  7 12  1
## 3  3  9 13  2
## 4  4  6 14  2
## 5  5  8 15  1
sort(x$v2)#v2列按照升序排列
## [1]  6  7  8  9 10
sort(x$v2,decreasing = TRUE)#v2列按照降序排列
## [1] 10  9  8  7  6
order(x$v2)#返回的不是内容本身，是内容的下标
## [1] 4 2 5 3 1
x[order(x$v2),]#对x数据框按照v2进行排序
##   v1 v2 v3 v4
## 4  4  6 14  2
## 2  2  7 12  1
## 5  5  8 15  1
## 3  3  9 13  2
## 1  1 10 11  1
x[order(x$v4, x$v2, decreasing = TRUE), ]#将序排列x,先按照v4,次要按照v2
##   v1 v2 v3 v4
## 3  3  9 13  2
## 4  4  6 14  2
## 1  1 10 11  1
## 5  5  8 15  1
## 2  2  7 12  1

总结数据信息

#默认前六行或者后六行
head(airquality, 10)#查看前10行
##    Ozone Solar.R Wind Temp Month Day
## 1     41     190  7.4   67     5   1
## 2     36     118  8.0   72     5   2
## 3     12     149 12.6   74     5   3
## 4     18     313 11.5   62     5   4
## 5     NA      NA 14.3   56     5   5
## 6     28      NA 14.9   66     5   6
## 7     23     299  8.6   65     5   7
## 8     19      99 13.8   59     5   8
## 9      8      19 20.1   61     5   9
## 10    NA     194  8.6   69     5  10
tail(airquality, 10)#查看后10行
##     Ozone Solar.R Wind Temp Month Day
## 144    13     238 12.6   64     9  21
## 145    23      14  9.2   71     9  22
## 146    36     139 10.3   81     9  23
## 147     7      49 10.3   69     9  24
## 148    14      20 16.6   63     9  25
## 149    30     193  6.9   70     9  26
## 150    NA     145 13.2   77     9  27
## 151    14     191 14.3   75     9  28
## 152    18     131  8.0   76     9  29
## 153    20     223 11.5   68     9  30
summary(airquality)#总结，数据分布整体把握
##      Ozone           Solar.R           Wind             Temp      
##  Min.   :  1.00   Min.   :  7.0   Min.   : 1.700   Min.   :56.00  
##  1st Qu.: 18.00   1st Qu.:115.8   1st Qu.: 7.400   1st Qu.:72.00  
##  Median : 31.50   Median :205.0   Median : 9.700   Median :79.00  
##  Mean   : 42.13   Mean   :185.9   Mean   : 9.958   Mean   :77.88  
##  3rd Qu.: 63.25   3rd Qu.:258.8   3rd Qu.:11.500   3rd Qu.:85.00  
##  Max.   :168.00   Max.   :334.0   Max.   :20.700   Max.   :97.00  
##  NA's   :37       NA's   :7                                       
##      Month            Day      
##  Min.   :5.000   Min.   : 1.0  
##  1st Qu.:6.000   1st Qu.: 8.0  
##  Median :7.000   Median :16.0  
##  Mean   :6.993   Mean   :15.8  
##  3rd Qu.:8.000   3rd Qu.:23.0  
##  Max.   :9.000   Max.   :31.0  
## 
str(airquality)#以简洁方式对数据总结
## 'data.frame':    153 obs. of  6 variables:
##  $ Ozone  : int  41 36 12 18 NA 28 23 19 8 NA ...
##  $ Solar.R: int  190 118 149 313 NA NA 299 99 19 194 ...
##  $ Wind   : num  7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...
##  $ Temp   : int  67 72 74 62 56 66 65 59 61 69 ...
##  $ Month  : int  5 5 5 5 5 5 5 5 5 5 ...
##  $ Day    : int  1 2 3 4 5 6 7 8 9 10 ...
table(airquality$Month)#对列进行频数统计
## 
##  5  6  7  8  9 
## 31 30 31 31 30
table(airquality$Ozone, useNA = "ifany")#将Ozone中NA的数值统计出来
## 
##    1    4    6    7    8    9   10   11   12   13   14   16   18   19   20 
##    1    1    1    3    1    3    1    3    2    4    4    4    4    1    4 
##   21   22   23   24   27   28   29   30   31   32   34   35   36   37   39 
##    4    1    6    2    1    3    1    2    1    3    1    2    2    2    2 
##   40   41   44   45   46   47   48   49   50   52   59   61   63   64   65 
##    1    1    3    2    1    1    1    1    1    1    2    1    1    2    1 
##   66   71   73   76   77   78   79   80   82   84   85   89   91   96   97 
##    1    1    2    1    1    2    1    1    1    1    2    1    1    1    2 
##  108  110  115  118  122  135  168 <NA> 
##    1    1    1    1    1    1    1   37
any(is.na(airquality$Ozone))#判断是否有缺失值，true是有缺失值
## [1] TRUE
sum(is.na(airquality$Ozone))#统计缺失值数量
## [1] 37
all(airquality$Month < 12)#查看是不是所有的月份都小于12
## [1] TRUE
#将Titanic强制转换为数据框
t <- as.data.frame(Titanic)
x <- xtabs(Freq ~ Class + Age, data = t)#按照Class和Age生成交叉表
x
##       Age
## Class  Child Adult
##   1st      6   319
##   2nd     24   261
##   3rd     79   627
##   Crew     0   885
ftable(x)#扁平化显示
##       Age Child Adult
## Class                
## 1st           6   319
## 2nd          24   261
## 3rd          79   627
## Crew          0   885
object.size(airquality)#查看对象大小
## 5496 bytes
print(object.size(airquality),units="Kb")#按照kb显示大小
## 5.4 Kb