贵阳网站设计,网站开发有哪些,建设网站是什么,东莞路桥公司是国企吗目录
1.array
2.matrix
3.data.matrix
4.lower.tri
5.mat.or.vec
6.t:转置矩阵
7.cbind
8.rbind
9.diag
10.aperm#xff1a;对数组进行轴置换#xff08;维度重排#xff09;操作
11.%*%#xff1a;乘法操作要求矩阵 A 的列数等于矩阵 B 的行数
12.crossprod…目录
1.array
2.matrix
3.data.matrix
4.lower.tri
5.mat.or.vec
6.t:转置矩阵
7.cbind
8.rbind
9.diag
10.aperm对数组进行轴置换维度重排操作
11.%*%乘法操作要求矩阵 A 的列数等于矩阵 B 的行数
12.crossprod:用于计算矩阵的交叉积
13.outer
14.Kronecker
15. apply
16.tapply
17.sweep:对矩阵的某个维度进行操作
18.aggregate
19.scale
20.matplot
21.cor
22.Contrast,row,col 1.array
array(data, dim NULL, dimnames NULL)data填充数组的数据向量或矩阵。dim指定数组的维度即一个整数向量。例如dim c(3, 4, 2) 表示创建一个3行、4列、2个深度即三维的数组。dimnames指定数组维度的名称通常是一个包含维度名称的列表。每个元素可以是字符向量用于为相应维度的标签命名。 1创建一个二维数组
arr_2d - array(data c(1, 2, 3, 4), dim c(2, 2))2创建一个三维数组
arr_3d - array(data c(1, 2, 3, 4, 5, 6), dim c(2, 3, 1))3创建一个具有维度名称的数组
arr_named - array(data c(1, 2, 3, 4), dim c(2, 2), dimnames list(c(row1, row2), c(col1, col2)))2.matrix
matrix(data, nrow 1, ncol 1, byrow FALSE, dimnames NULL)data用于填充矩阵的数据向量或矩阵。nrow指定矩阵的行数。ncol指定矩阵的列数。byrow逻辑值指定是否按行填充矩阵默认为FALSE表示按列填充。dimnames矩阵维度的名称。 # 创建一个2行3列的矩阵
mat - matrix(data c(1, 2, 3, 4, 5, 6), nrow 2, ncol 3)3.data.matrix
# 创建一个数据框
df - data.frame(a c(1, 2, 3),b c(4, 5, 6),c c(7, 8, 9))# 将数据框转换为数值型矩阵
mat - data.matrix(df)# 打印输出结果
print(mat)4.lower.tri
# 创建一个3x3的矩阵
mat - matrix(c(1, 2, 3, 4, 5, 6, 7, 8, 9), nrow 3)# 提取矩阵的下三角部分
lower_tri - lower.tri(mat)# 打印输出结果
print(lower_tri)5.mat.or.vec
# 生成一个2行3列的零矩阵
m - mat.or.vec(nr 2, nc 3)# 生成一个含有5个元素的零向量
v - mat.or.vec(nr 5, nc 1)6.t:转置矩阵
# 创建一个3x2的矩阵
mat - matrix(c(1, 2, 3, 4, 5, 6), nrow 3)# 对矩阵进行转置
transposed_mat - t(mat)# 打印输出结果
print(transposed_mat)7.cbind
# 创建两个向量
v1 - c(1, 2, 3)
v2 - c(4, 5, 6)# 将两个向量按列合并
result - cbind(v1, v2)# 打印输出结果
print(result)8.rbind
# 创建两个向量
v1 - c(1, 2, 3)
v2 - c(4, 5, 6)# 将两个向量按行合并
result - rbind(v1, v2)# 打印输出结果
print(result)9.diag
获取对角矩阵元素
# 创建一个3x3的矩阵
mat - matrix(c(1, 2, 3, 4, 5, 6, 7, 8, 9), nrow 3)# 获取矩阵的对角元素向量
diag_vec - diag(mat)# 打印输出结果
print(diag_vec)#输出 [1] 1 5 9生成对角矩阵
# 创建一个5x5的对角矩阵对角线上的元素为1
diag_mat - diag(1, nrow 5)# 打印输出结果
print(diag_mat)10.aperm对数组进行轴置换维度重排操作
# 创建一个3x4x2的三维数组
arr - array(1:24, dim c(3, 4, 2))第一个维度行数第二个维度列数第三个维度层数# 对数组进行轴置换重新排列维度
permuted_arr - aperm(arr, perm c(3, 2, 1))
#将第一个元素排在最后第二个元素排在中间第三个元素排在第一个即(2,4,3)# 打印输出结果
print(permuted_arr)11.%*%乘法操作要求矩阵 A 的列数等于矩阵 B 的行数
# 创建两个矩阵
A - matrix(c(1, 2, 3, 4), nrow 2, ncol 2)
B - matrix(c(5, 6, 7, 8), nrow 2, ncol 2)# 执行矩阵乘法
C - A %*% B# 打印结果
print(C)矩阵A [,1] [,2] [1,] 1 3 [2,] 2 4 矩阵B [,1] [,2] [1,] 5 7 [2,] 6 8 矩阵乘法运算 c_11 (1*5) (3*6) 5 18 23#A的第一行B的第一列 c_12 (1*7) (3*8) 7 24 31#A的第一行B的第二列 c_21 (2*5) (4*6) 10 24 34#A的第二行B的第一列 c_22 (2*7) (4*8) 14 32 46#A的第二行B的第二列 矩阵C的值 [,1] [,2] [1,] 23 31 [2,] 34 46 12.crossprod:用于计算矩阵的交叉积
# 创建向量
x - c(1, 2, 3)
y - c(4, 5, 6)# 计算向量的内积
result - crossprod(x, y)# 打印结果
print(result)[,1] [1,] 32 计算过程 [1, 2, 3] * [4, 5, 6] (1 * 4) (2 * 5) (3 * 6) 4 10 18 32 # 创建矩阵
A - matrix(c(1, 2, 3, 4), nrow 2, ncol 2)# 计算矩阵的交叉积
result - crossprod(A)# 打印结果
print(result)矩阵A [,1] [,2] [1,] 1 3 [2,] 2 4 转置后的矩阵A [,1] [,2] [1,] 1 2 [2,] 3 4 [,1] [,2] [1,] 1*1 2*2 1*3 2*4 [2,] 3*1 4*2 3*3 4*4 [,1] [,2] [1,] 5 11 [2,] 11 25 13.outer
# 创建向量
x - c(1, 2, 3)# 计算向量元素之间的外积
result - outer(x, x)# 打印结果
print(result) #矩阵中的第 i 行和第 j 列的元素是向量 x 中的第 i 个元素与第 j 个元素的乘积。 [,1] [,2] [,3] [1,] 1*1 1*2 1*3 [2,] 2*1 2*2 2*3 [3,] 3*1 3*2 3*3 14.Kronecker
# 创建两个矩阵
A - matrix(c(1, 2, 3, 4), nrow 2)
B - matrix(c(5, 6, 7, 8), nrow 2)# 计算Kronecker积
result - kronecker(A, B)# 打印结果
print(result)[,1] [,2] [,3] [,4] [1,] 1*5 1*6 2*5 2*6#第一列*第一列 [2,] 1*7 1*8 2*7 2*8#第一列*第二列 [3,] 3*5 3*6 4*5 4*6#第二列*第一列 [4,] 3*7 3*8 4*7 4*8#第二列*第二列 15. apply
apply(X, MARGIN, FUN)X 是要操作的矩阵或数组 MARGIN 指定要应用函数的维度1表示行2表示列其他值表示整个维度 FUN 是要应用的函数。 # 创建一个矩阵
X - matrix(1:9, nrow 3)# 对每一行求和
row_sums - apply(X, 1, sum)
print(row_sums)# 对每一列取平均值
col_means - apply(X, 2, mean)
print(col_means)# 对整个矩阵进行乘法运算
matrix_product - apply(X, c(1, 2), function(x) x * 2)
print(matrix_product)[1] 6 15 24 [1] 2 5 8 [,1] [,2] [,3] [1,] 2 8 18 [2,] 4 10 20 [3,] 6 12 22 16.tapply
tapply(X, INDEX, FUN)X 是要操作的向量或矩阵 INDEX 是一个或多个因子用于指定分组依据 FUN 是要应用的函数。 # 创建一个向量
x - c(1, 2, 3, 4, 5, 6)# 定义一个因子用于分组
group - c(A, B, A, B, A, B)# 对向量按照因子进行分组并对每个组求和
result - tapply(x, group, sum)
print(result)A B 9 12 17.sweep:对矩阵的某个维度进行操作
sweep(x, MARGIN, STATS, FUN -, ...)x是要进行操作的矩阵 MARGIN指定要操作的维度1为行2为列 STATS是要进行操作的向量或矩阵FUN是要应用的函数它将用于在矩阵的指定维度上进行操作默认为减法-。 # 创建一个矩阵
x - matrix(1:6, nrow 2)# 创建一个要进行操作的向量
stats - c(3, 2)# 对矩阵的每一列进行减法操作
result - sweep(x, 2, stats, FUN -)
print(result)每个元素-2 [,1] [,2] [1,] -2 -1 [2,] -1 0 18.aggregate
aggregate(formula, data, FUN, ...)formula 是一个公式指定了要汇总的变量和分组因子 data 是包含要汇总的数据的数据框 FUN 是要应用的函数 sum(): 求和mean(): 平均值median(): 中位数min(): 最小值max(): 最大值length(): 长度计数 # 创建一个数据框
df - data.frame(group c(A, A, B, B, A, B),value c(1, 2, 3, 4, 5, 6)
)# 对数据框按照 group 列进行分组并对每个组计算平均值
result - aggregate(value ~ group, data df, FUN mean)
print(result)group value 1 A 2.666667 2 B 4.333333 19.scale
scaled_data - scale(x, center TRUE, scale TRUE)x 是要进行标准化处理的向量、矩阵或数据框 center 参数用于指定是否进行中心化默认为 TRUE表示进行中心化 scale 参数用于指定是否进行缩放默认为 TRUE表示进行缩放。 # 创建一个矩阵
x - matrix(c(1, 2, 3, 4, 5, 6), nrow 3)# 对矩阵按列进行标准化处理
scaled_data - scale(x, center TRUE, scale TRUE)
print(scaled_data)#通过标准化处理每列的均值被转换成了 0标准差变成了 1 #第一列的标准化结果是 [-1.2247449, 0.0000000, 1.2247449] #第二列的标准化结果也是 [-1.2247449, 0.0000000, 1.2247449]。 [,1] [,2] [1,] -1.2247449 -1.2247449 [2,] 0.0000000 0.0000000 [3,] 1.2247449 1.2247449 20.matplot
matplot(x, y NULL, type l, lty 1, lwd 1, col 1, pch NULL, ...)x 是一个矩阵或数据框它的每列或每行代表一个变量 y 是一个可选参数当 x 为单个矩阵时y 可以为 NULL当 x 为两个矩阵时y 表示第二个矩阵 type 参数指定绘图类型可以是 l线图或 p点图 lty、lwd、col 和 pch 分别指定线型、线宽、颜色和点的形状等。 # 创建一个矩阵
x - matrix(c(1, 2, 3, 4, 5, 6), nrow 3)# 使用 matplot() 绘制线图
matplot(x, type l, lwd 2, col c(red, blue), xlab X, ylab Y)21.cor
cor(x, y NULL, use everything, method c(pearson, kendall, spearman))x 和 y 是要计算相关系数的向量、矩阵或数据框 use 参数用于指定处理缺失值的方式默认为 everything表示包括所有的缺失值method 参数用于指定使用的相关系数类型默认为 pearson还可以是 kendall肯德尔相关系数或 spearman斯皮尔曼相关系数。 # 创建两个向量
x - c(1, 2, 3, 4, 5)
y - c(2, 4, 6, 8, 10)# 使用 cor() 计算两个向量的相关系数
correlation - cor(x, y)
print(correlation)[1] 1 向量 x 和 y 是完全正相关的相关系数为 1。 22.Contrast,row,col #假设有一个包含销售数据的矩阵其中行表示不同的产品列表示不同的地区。 Contrast对照矩阵:其每一行代表一种对照或比较每一列表示一种变量或影响因素。对照矩阵描述了不同对照之间的差异 row矩阵的行下标集可以使用行下标集来选择该产品所在的行 col求列下标集 :使用列下标集来选择这几个地区所在的列。 整理不易若有遗漏或错误请大佬们不吝赐教❤❤❤
