京公网安备 11010802034615号
经营许可证编号:京B2-20210330
R语言-向量构造及函数构造
1,生成向量的方法
(1) seq()函数
[ruby] view plain copy
> x=seq(from=1, to=5, by=0.5)
> x
# [1] 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0

(2)rep()函数
[ruby] view plain copy
> x=rep(pi, times=5)
> x
# [1] 3.141593 3.141593 3.141593 3.141593 3.141593
(3)seq 与 rep 结合使用
[ruby] view plain copy
> x=rep(seq(from=1,to=5,by=1), times=5)
> x
# [1] 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
(4)自主建立向量
[ruby] view plain copy
> x=c(rep(seq(from=1,to=5,by=1), times=2),pi,17,24)
> x
# [1] 1.000000 2.000000 3.000000 4.000000 5.000000 1.000000 2.000000 3.000000
# [9] 4.000000 5.000000 3.141593 17.000000 24.000000
2,选择向量元素
(1)x[ i ] 形式,i表示下标位
[ruby] view plain copy
> x
# [1] 1.000000 2.000000 3.000000 4.000000 5.000000 1.000000 2.000000 3.000000
# [9] 4.000000 5.000000 3.141593 17.000000 24.000000
> x[11]
# [1] 3.141593
(2)x[ m: n] 形式,选择一段元素
[ruby] view plain copy
> x[c(11:13)]
# [1] 3.141593 17.000000 24.000000
> x[seq(from=11,to=13,b=1)] #用了seq函数
# [1] 3.141593 17.000000 24.000000
(3)使用逻辑向量从数据向量中选择元素
[ruby] view plain copy
> x>3 # 逻辑判断x的各元素
# [1] FALSE FALSE FALSE TRUE TRUE FALSE FALSE FALSE TRUE TRUE TRUE TRUE TRUE
> x[x>3] #选择TRUE的位置的元素
# [1] 4.000000 5.000000 4.000000 5.000000 3.141593 17.000000 24.000000
> x%%2==0 #选择奇数
# [1] FALSE TRUE FALSE TRUE FALSE FALSE TRUE FALSE TRUE FALSE FALSE FALSE TRUE
> x[x%%2==1]
# [1] 1 3 5 1 3 5 17
(4)自定义行名,取数
[ruby] view plain copy
> year=c(1983,1982,1988,1990)
> names(year)=c('A','B','C','D')
> year
# A B C D
# 1983 1982 1988 1990
> year[c('A','D')]
# A D
# 1983 1990
3,函数编写
(1)if选择函数
[ruby] view plain copy
fun.test <- function(a, b, method = "add"){ ## function关键字,fun.test函数名
if(method == "add"){ ## 如果if或者for/while等后面的语句只有一行,则无需使用花括号
res <- a + b
}
if(method == "subtract"){
res <- a - b
}
return(res) ## 返回值
}
[ruby] view plain copy
> ### 检验结果
> fun.test(a = 10, b = 8, method = "add")
# [1] 18
> ### 检验结果
> fun.test(a = 10, b = 8, method = "subtract")
# [1] 2
(2)for循环函数
[ruby] view plain copy
### for循环与算法
test.sum <- function(x)
{
res <- 0 ## 设置初始值,在第一次循环的时候使用
for(i in 1:length(x)){
res <- res + x[i] ## 这部分是算法的核心,总是从右面开始计算,结果存到左边的对象
}
return(res)
}
### 检验函数
a <- c(1,2,1,6,1,8,9,8)
test.sum(a)
sum(a)
(3)return函数
[ruby] view plain copy
## 计算标准差
sd2 <- function(x)
{
# 异常处理,当输入的数据不是数值类型时报错
if(!is.numeric(x)){
stop("the input data must be numeric!\n")
}
# 异常处理,当仅输入一个数据的时候,告知不能计算标准差
if(length(x) == 1){
stop("can not compute sd for one number,
a numeric vector required.\n")
}
## 初始化一个临时向量,保存循环的结果,
## 求每个值与平均值的平方
x2 <- c()
## 求该向量的平均值
meanx <- mean(x)
## 循环
for(i in 1:length(x)){
xn <- x[i] - meanx
x2[i] <- xn^2
}
## 求总平方和
sum2 <- sum(x2)
# 计算标准差
sd <- sqrt(sum2/(length(x)-1))
# 返回值
return(sd)
}
## 程序的检验
## 正常的情况
sd2(c(2,6,4,9,12))
## 一个数值的情况
sd2(3)
## 输入数据不为数值类型时
sd2(c("1", "2"))
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19