本站分享:大数据、数据分析师考试认证培训,包括:Python培训Excel培训Matlab培训SPSS培训SAS培训R语言培训Hadoop培训Amos培训Stata培训Eviews培训广告位

R语言-数据类型|数据结构|对象类型

r语言 cdadata 1687℃

R语言-数据类型|数据结构|对象类型

  R是一种基于对象(Object)的语言,所以你在R语言中接触到的每样东西都是一个对象,一串数值向量是一个对象,一个函数是一个对象,一个图形也是一个对象。基于对象的编程(OOP)就是在定义类的基础上,创建与操作对象。
  对象中包含了我们需要的数据,同时对象也具有很多属性(Attribute)。其中一种重要的属性就是它的类(Class),R语言中最为基本的类包括了数值(numeric)、逻辑(logical)、字符(character)、列表(list),在此基础上构成了一些复合型的类,包括矩阵(matrix)、数组(array)、因子(factor)、数据框(dataframe)。除了这些内置的类外还有很多其它的,用户还可以自定义新的类,但所有的类都是建立在这些基本的类之上的。
    #常用函数
    class(x)
    typeof(x)
    mode(x)
    storage.mode(x)
    attributes(x)
    str(x)
    unclass(x)
  • 函数 class 返回R对象的类(基本类|复合型的类|其他类(lm函数)|自定义类),如果要消除对象的类则可用unclass()。
    class()
    unclass()
  • R语言特有的函数 typeof 返回R对象的类型。注意在 R 底层的 C 代码中,所有对象都是指向一个有类型定义 SEXPREC的结构体(structure)的指针;不同的R数据类型在 C 里面用 决定结构体各部分信息的 SEXPTYPE 表示。
    typeof()
    typeof 可能的返回值和涵义
    返回值 涵 义
    NULL
    symbol 一个变量名字
    pairlist 成对列表对象
    closure 一个函数
    environment 一个环境
    promise 一个用于实现悠闲赋值的对象
    language 一个 R 语言构建
    special 一个不可针对参数求值的内置函数
    builtin 一个可针对参数求值的内置函数
    logical 含逻辑值的向量
    integer 含整数值的向量
    double 含实数值的向量
    complex 含复数值的向量
    character 含字符值的向量
    特定变量长度参数 ***
    any 一个可以匹配任何类型的特殊类型 ***
    expression 一个表达式对象
    list 一个列表
    externalptr 一个外表指针对象
    weakref 一个弱引用对象(a weak reference object)
    raw 一个字节元素向量

我认为用户不用深入以’***’标记的条目,至少没有想象的那么容易, 但是可以多看一些例子。

R 在计算过程中,对象常常需要强制转换成不同的类型(type)。 有许多函数可用于显式的强制转换。 在仅仅用 R 语言编程的时候,一个对象的类型通常不会影响计算结果, 但是当混合使用外部编程语言或不同的操作系统时, 常常需要保证对象类型的正确。

  • 函数 mode 返回对象的模式信息
    mode()
  • 函数storage.mode返回其参数的存储模式(storage mode)
    attributes()
  • 举例1
    > 
    > x <- 1:3
    > class(x)
    [1] "integer"
    > typeof(x)
    [1] "integer"
    > mode(x)
    [1] "numeric"
    > storage.mode(x)
    [1] "integer"
    > unclass(x)
    [1] 1 2 3
    > attributes(x)
    NULL
    > str(x)
     int [1:3] 1 2 3
    >
    ##说明:
    ##如果运行attributes(x),会发现返回了空值。
    ##这是因为x是一个向量,对于向量这种内置的基本类,attributes是没有什么好显示的。
  • 举例2
    > 
    > x <- runif(10) 
    > y <- rnorm(10)+10*x
    > model <- lm(y ~ x)
    
    > class(model)
    [1] "lm"
    
    > typeof(model)
    [1] "list"
    
    > mode(model)
    [1] "list"
    
    > storage.mode(model)
    [1] "list"
    
    > unclass(model)
    $coefficients
    (Intercept)           x 
      -0.701304   10.104148 
    
    $residuals
              1           2           3           4           5 
     0.98690445 -0.86301894  0.04973016 -1.32000648  0.57173416 
              6           7           8           9          10 
    -0.66068807  1.39675119 -0.08431814 -0.31170431  0.23461598 
    
    $effects
    (Intercept)           x                                     
    -14.5796672  -7.6233656  -0.1266812  -1.2665738   0.4738679 
    
     -1.0809453   1.7945956   0.2192125  -0.0512103  -0.2297554 
    
    $rank
    [1] 2
    
    $fitted.values
           1        2        3        4        5        6        7 
    0.569911 3.881950 4.073688 5.717006 4.635263 2.330260 8.179452 
           8        9       10 
    7.505135 7.197435 2.014856 
    
    $assign
    [1] 0 1
    
    $qr
    $qr
       (Intercept)           x
    1   -3.1622777 -1.66242471
    2    0.3162278 -0.75447882
    3    0.3162278  0.05692437
    4    0.3162278  0.27248772
    5    0.3162278  0.13058931
    6    0.3162278 -0.17177094
    7    0.3162278  0.59550060
    8    0.3162278  0.50704667
    9    0.3162278  0.46668400
    10   0.3162278 -0.21314423
    attr(,"assign")
    [1] 0 1
    
    $qraux
    [1] 1.316228 1.031773
    
    $pivot
    [1] 1 2
    
    $tol
    [1] 1e-07
    
    $rank
    [1] 2
    
    attr(,"class")
    [1] "qr"
    
    $df.residual
    [1] 8
    
    $xlevels
    named list()
    
    $call
    lm(formula = y ~ x)
    
    $terms
    y ~ x
    attr(,"variables")
    list(y, x)
    attr(,"factors")
      x
    y 0
    x 1
    attr(,"term.labels")
    [1] "x"
    attr(,"order")
    [1] 1
    attr(,"intercept")
    [1] 1
    attr(,"response")
    [1] 1
    attr(,".Environment")
    <environment: R_GlobalEnv>
    attr(,"predvars")
    list(y, x)
    attr(,"dataClasses")
            y         x 
    "numeric" "numeric" 
    
    $model
              y         x
    1  1.556815 0.1258112
    2  3.018931 0.4536012
    3  4.123418 0.4725774
    4  4.397000 0.6352154
    5  5.206997 0.5281560
    6  1.669572 0.3000316
    7  9.576203 0.8789218
    8  7.420817 0.8121851
    9  6.885731 0.7817324
    10 2.249472 0.2688164
    
    
    > attributes(model)
    $names
     [1] "coefficients"  "residuals"     "effects"      
     [4] "rank"          "fitted.values" "assign"       
     [7] "qr"            "df.residual"   "xlevels"      
    [10] "call"          "terms"         "model"        
    
    $class
    [1] "lm"
    
    
    
    > str(model)
    List of 12
     $ coefficients : Named num [1:2] -0.701 10.104
      ..- attr(*, "names")= chr [1:2] "(Intercept)" "x"
     $ residuals    : Named num [1:10] 0.9869 -0.863 0.0497 -1.32 0.5717 ...
      ..- attr(*, "names")= chr [1:10] "1" "2" "3" "4" ...
     $ effects   
    ##内容太多次数省略
    
    ############################################
    ##说明:
    ##可以看到这个对象的类是“lm”,这意味着什么呢?我们知道对于不同的类有不同的处理方法,那么对于model这个对象,就有专门用来处理lm类对象的函数,
    ##例如plot.lm()。但如果你用普通的函数plot()也一样能显示其图形,
    ##Why?因为plot()这种函数会自动识别对象的类,从而选择合适的函数来对付它,这种函数就称为泛型函数(generic function)。
    ##你可以用methods(class=lm)来了解有哪些函数可适用于lm对象。
    ############################################

    

转载请注明:数据分析 » R语言-数据类型|数据结构|对象类型

喜欢 (0)or分享 (0)