首先, R似乎默认所有的变量都为向量vector, 即使一个单独的数字也是长度为1的, 所以1等价于c(1).
> a <- 1
> a
[1] 1
> length(a)
[1] 1
> a[1]
[1] 1
> typeof(a)
[1] "double" # means "double vector" (I think)
> 1 == c(1)
[1] TRUE
fancy indexing
R的vector/list/matrix支持类似numpy(稍有不同)的fancy indexing, 以下是例子:
> v <- 1:10
> v[1:3] # slicing
[1] 1 2 3
> v[-(1:3)] # EXCLUDING first 3 elements
[1] 4 5 6 7 8 9 10
> v[-1] # EXCLUDING first element
[1] 2 3 4 5 6 7 8 9 10
> v[c(2,4,9)]
[1] 2 4 9
> v[v%%2==0] # indexing using logical array
[1] 2 4 6 8 10
# works also for lists
> l <- list(1,2,3,"aa")
> l[-1]
[[1]]
[1] 2
[[2]]
[1] 3
[[3]]
[1] "aa"
以下是矩阵的fancy indexing例子:
> mat <- matrix(1:9, nrow=3, ncol=3)
> mat
[,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
> mat[1,]
[1] 1 4 7
> mat[1,c(2,3)]
[1] 4 7
> mat[-1,]
[,1] [,2] [,3]
[1,] 2 5 8
[2,] 3 6 9
> mat[,2]
[1] 4 5 6
names / dimnames
好玩的是可以用names/dimnames函数给每个值加上一个名字:
> names(v) <- paste("elem", sep="-", 1:length(v))
> v
elem-1 elem-2 elem-3 elem-4 elem-5 elem-6 elem-7 elem-8 elem-9 elem-10
1 2 3 4 5 6 7 8 9 10
> names(v) <- paste("elem", sep="_", 1:length(v))
> v
elem_1 elem_2 elem_3 elem_4 elem_5 elem_6 elem_7 elem_8 elem_9 elem_10
1 2 3 4 5 6 7 8 9 10
> v$elem_1
Error in v$elem_1 : $ operator is invalid for atomic vectors
> v["elem_1"]
elem_1
1
> names(l) <- paste("elem", sep="_", 1:length(l))
> l$elem_1
[1] 1
> l[1]
$elem_1
[1] 1
> l["elem_1"]
$elem_1
[1] 1
上面例子看到, vector不能使用$来获得"field", 但是list可以, 这是list和vector的一个区别.
下面是矩阵的例子:
> dimnames(mat) <- list( paste("row",sep="_", 1:nrow(mat)), paste("col",sep="_", 1:ncol(mat)) )
> mat
col_1 col_2 col_3
row_1 1 4 7
row_2 2 5 8
row_3 3 6 9
> mat["row_1","col_1"]
[1] 1
c()
关于c这个函数, 值得一提的除了它自动"展开"参数的list/vector以外(上次博客提到), 还有就是它会自动cast, 文档里是这么说的:
The output type is determined from the highest type of the components in the hierarchy NULL < raw < logical < integer < double < complex < character < list < expression.
其中的logical, integer, character都属于(atomic) vector, list和他们不同, 见后文.
以下是例子:
> c(1,2,TRUE) # logical < integer
[1] 1 2 1
> c(1,2,"char") # integer < character
[1] "1" "2" "char"
> c(1,2,list(1)) # integer < list
[[1]]
[1] 1
[[2]]
[1] 2
[[3]]
[1] 1
vector VS list ( matrix VS data.frame )
用于集合主要是vector和list, 他们的区别是: vector只能存放同样类型的元素, 而list可以存放不同类型的元素.
vector可以是: numeric, logical, char... 类比一下, vector类似java里的array, list类似python的list.
另外访问第i个元素, vector是 v[i], 而list需要用两个括号 l[[i]](l[i]还是一个list, l[[i]]才是想要的东西... )
看例子:
> c(1,2,3) # numeric vector
[1] 1 2 3
> c(1,2,"a") # c() 自动cast把前两个数字转成了char, 变成一个char类型的vector
[1] "1" "2" "a"
> list(1,2,"a") # list
[[1]]
[1] 1
[[2]]
[1] 2
[[3]]
[1] "a"
同理, matrix和data.frame也类似, matrix的所有元素必须相同, 而data.frame可以每一列各不相同(不过一列之中需要相同). 另外data.frame也支持用$选取一列, matrix则不支持.
functions
R的函数定义为如下形式, 注意, 函数体的最后一句就是返回值, 不用显示写"return" (类似scala).
myfunnction <- function(params, ...){
# ...
the.return.value
}
另外注意到上面函数定义, 参数里有三个点..., 这个不是必须的, 它的的作用见下一节.
R是函数式语言: 一个function可以作为参数传递, 例子就是apply, 见下一节.
apply/lapply/sapply
apply
apply这个函数的doc写到用法为:
apply(X, MARGIN, FUN, ...)
X是操作的数据(一般为matrix), MARGIN为选择对行或列操作(类似numpy的axis参数), FUN就是作为参数传入的函数了.
> mat <- matrix(1:12, nrow=3, ncol=4)
> mat
[,1] [,2] [,3] [,4]
[1,] 1 4 7 10
[2,] 2 5 8 11
[3,] 3 6 9 12
> apply(mat, 1, sum) # apply on row
[1] 22 26 30
> apply(mat, 2, sum) # apply on col
[1] 6 15 24 33
这里类似做reduce操作, 而MARGIN就是指定要reduce哪一个维度.
另外文档里的三个点...很有意思, 它是参数FUN的额外参数 ! 下面是一个例子, 给FUN传入了一个匿名函数: function(x,power) sum(x^power), 它计算x里元素的power次方, 然后加起来. 所以在apply里可以指定FUN这个power参数的数值, 这就对应着apply用法里的这三个点....
> apply(mat, 1, function(x,power) sum(x^power), power=1 )
[1] 22 26 30
> apply(mat, 1, function(x,power) sum(x^power), power=2 )
[1] 166 214 270
lapply/sapply
如果说上面apply一般用在matrix上, 用于将一个matrix reduce为向量的话, lapply/sapply就是map操作了: 作用在一个vector/list上, 返回对每一个元素进行操作后的新list.
它们的区别大概是: lapply返回list, sapply返回vector.
> sq <- function(x) x^2
> l <- list(1,2,3,4)
> v <- 1:4
> lapply(v, sq) # lapply returns a list
[[1]]
[1] 1
[[2]]
[1] 4
[[3]]
[1] 9
[[4]]
[1] 16
> lapply(l, sq) # lapply returns a list
[[1]]
[1] 1
[[2]]
[1] 4
[[3]]
[1] 9
[[4]]
[1] 16
> sapply(v, sq) # sapply returns a vector
[1] 1 4 9 16
> sapply(l, sq) # sapply returns a vector
[1] 1 4 9 16
Disqus 留言