R语言中向量的加法和乘法运算

在R语言中,不同长度的向量也是可以相加和相乘的,乘法的规则和加法类似

1,相同长度的向量相加

> x<- 1:4
> y<- 1:4
> z<- x+y
> z
[1] 2 4 6 8

规则就是 x[1]+y[1],x[2]+y[2],x[3]+y[3],x[4]+y[4]

> x<- 1:4
> y<- 1:4
> z<- x*y
> z
[1] 1 4 9 16

乘法也类似

2,不同长度的向量相加

> x<- 1:4
> y<- 1:3
> z<-x+y
警告信息:
In x + y : 长的对象长度不是短的对象长度的整倍数
> z
[1] 2 4 6 5
>

注意R返回了一个警告消息而不是一个错误消息, 因此这个操作实际上是被执行了的。

这一类的规则就是 x[1]+y[1],x[2]+y[2],x[3]+y[3],x[4]+y[1](因为y[3]就结束了,进入了又一次循环)

乘法规则类似

> x<- 1:4
> y<- 1:3
> z<- x*y
警告信息:
In x * y : 长的对象长度不是短的对象长度的整倍数
> z
[1] 1 4 9 4

另外,所得的向量长度为最长的那个向量的长度

> x<- 1:4
> y<- 1:3
> z<- 2:3
> w<- x+y+z
警告信息:
In x + y : 长的对象长度不是短的对象长度的整倍数
> w
[1] 4 7 8 8
> v<-x*y*z
警告信息:
In x * y : 长的对象长度不是短的对象长度的整倍数
> v
[1] 2 12 18 12
>

但是这里出了一个问题,

> x<- 1:4
> y<- 1:3
> z<- 2:3
> x+y+z
[1] 4 7 8 8
警告信息:
In x + y : 长的对象长度不是短的对象长度的整倍数
> x+z+y
[1] 4 7 8 8
警告信息:
In x + z + y : 长的对象长度不是短的对象长度的整倍数
> z+x+y
[1] 4 7 8 8
警告信息:
In z + x + y : 长的对象长度不是短的对象长度的整倍数
><span style="color:#ff0000;"> z+y+x
[1] 4 7 8 7</span>
警告信息:
1: In z + y : 长的对象长度不是短的对象长度的整倍数
2: In z + y + x : 长的对象长度不是短的对象长度的整倍数
> z*x*y
[1] 2 12 18 12
警告信息:
In z * x * y : 长的对象长度不是短的对象长度的整倍数
> z*y*x
[1] 2 12 18 8
警告信息:
1: In z * y : 长的对象长度不是短的对象长度的整倍数
2: In z * y * x : 长的对象长度不是短的对象长度的整倍数
>

不知道各位注意到了没有,难道我们的方法不对么

首先,加法和乘法运算,在没有括号等其他优先级的情况下是从左至右依次算的

我们来看一下

> x<- c(1,2,3,4)
> y<- c(1,2,3)
> z<- c(2,3)
> x+y
[1] 2 4 6 5
> x+y+z
[1] 4 7 8 8
> z+y
[1] 3 5 5
> z+y+x
[1] 4 7 8 7

所以说,不同长度的向量相加,顺序也是很重要的。

补充:R语言向量_常用的向量运算

向量运算与逻辑运算

> 2+3
[1] 5
> "+"(2,3)
[1] 5
> x<-c(1,2,4)
> x+c(5,0,-1)
[1] 6 2 3

这些都比较简单,就是简单的标量运算和向量运算,只不过是运算符可以放到前面,并且向量的对应元素需要相加罢了。

> x<-c(1,2,4)
> x*c(5,0,-1)
[1] 5 0 -4
> x<-c(1,2,4)
> x/c(5,4,-1)
[1] 0.2 0.5 -4.0
> x%%c(5,4,-1)
[1] 1 2 0

对于这几步的运算需要注意一下几点:*运算就是向量对应元素相乘,和线性代数里面的矩阵相乘并不一样。/运算就是对应元素相除就好。%%运算就是对应元素相除取余数。

向量索引

> y<-c(1.2,3.9,0.4,0.12)
> y[c(1,3)]
[1] 1.2 0.4
> y[2:3]
[1] 3.9 0.4
> v<-3:4
> y[v]
[1] 0.40 0.12

这些都比较容易,一看就会,不做详细解释

> x<-c(4,2,17,5)
> y<-x[c(1,1,3)]
> y
[1] 4 4 17

这个例子是想讲元素重复是允许的

> z<-c(5,12,13)
> z[-1]
[1] 12 13
> z[-1:-2]
[1] 13

带负号的下标代表我们想要把相应的元素剔除掉。

用:运算符创建向量

> 5:8
[1] 5 6 7 8
> 5:1
[1] 5 4 3 2 1
> i<-2
> 1:i-1
[1] 0 1
> 1:(i-1)
[1] 1

:运算符实际上就是为了得到一串等差数列,比较简单,但是要特别讲一下的是1:i-1和1:(i-1),这里面实际上及一个运算符优先级的问题,1:i-1是先计算1:i得到1 2,然后再减1得到0 1,而1:(i-1)是先计算i-1得到1后然后计算1:1,最后答案就是1.

使用seq()创建向量

这个函数也是用来生成等差数列的,具体用法看例子

> seq(from=12,to=30,by=3)
[1] 12 15 18 21 24 27 30

这一段代码表示从12到30生成等差数列,公差为3

> seq(from=1.1,to=2,length=10)
 [1] 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

这个表示从1.1到2生成10个数的等差数列

使用rep()重复向量常数

调用的格式是rep(x,times),表示创建times*length(x)个元素的向量,这个向量是有x重复times此构成。

> x<-rep(8,4)
> x
[1] 8 8 8 8
> rep(c(5,12,13),3)
[1] 5 12 13 5 12 13 5 12 13
> rep(1:3,2)
[1] 1 2 3 1 2 3
> rep(c(5,12,13),each=2)
[1] 5 5 12 12 13 13

最后一个each表示向量中每一个元素重复的次数,一个个元素重复的,不再是整个向量重复。

以上为个人经验,希望能给大家一个参考,也希望大家多多支持我们。如有错误或未考虑完全的地方,望不吝赐教。

(0)

相关推荐

  • R语言最简单的向量赋值方法示例

    1. 生成等差数列的向量x x <- 1:10 #将x向量赋值为1 2 3 4 5 6 7 8 9 10 结果为 > x  [1]  1  2  3  4  5  6  7  8  9 10 2. 将x的值全部修改成0 x[] <- 0 #非常简洁的赋值方法,建议使用 x[1:length(x)] <- 0 #不建议使用的赋值方法 结果为: > x[] <- 0 > x  [1] 0 0 0 0 0 0 0 0 0 0 3.使用seq函数 x <- seq(

  • R语言-因子与向量的转换方式

    一.因子的特点或性质 1.因子可视为C或JAVA语言中的枚举,适用于有限状态的表示. 2.因子不可以赋枚举集合外的值,如一个因子包含male,female,则不能再赋male和female以为的值,赋其他值会将该元素设置为空值. 二.因子的建立 1.因子的建立 假定有因子gendor,为一组人的性别: > gendor<-factor(c('m','f','f','m'),labels=c('male','female')) 则通过上式建立一个性别因子. > gendor [1] fem

  • R语言-如何将list转换为向量

    从excel中直接读取的数据为list,如下转换为向量 as.vector(unlist(x)) 补充:R语言基本运算,向量,矩阵,list,数组 1. 基本运算 1.1 加.减.乘.除 赋值可以使用a=数值,亦可以用a<-数值 1.2 余数.整除 1.3 绝对值: abs() .判断正负:sign() .幂.指数:^ .平方根:sqrt() 1.4 以二为底的对数: log2() .以十为底的对数:log10() .自定义底的对数:log(c,base=) .自然常数e的对数:log(a,ba

  • R语言-实现将向量转换成一个字符串

    将向量a,b装换成一个字符串,其中: a=c(1,2,3,4) b=c(2,3,4,5) 为了将其转化成一个字符串可以通过引入包stringr,使用str_c实现,使用paste也一样可以达到目的,如下: library(stringr) a_b=str_c(a,b,collapse='') paste(a,b,sep='') 输出为: [1] "12233445" 在实际的数据处理中看可以用来给数据框建联合索引,比如数据框中需要用到的索引列联接成一列,则在实际中可以方便很多,避免很多

  • R语言中向量和矩阵简单运算的实现

    一.向量运算 向量是有相同基本类型的元素序列,一维数组,定义向量的最常用办法是使用函数c(),它把若干个数值或字符串组合为一个向量. 1.R语言向量的产生方法 > x <- c(1,2,3) > x [1] 1 2 3 2.向量加减乘除都是对其对应元素进行的,例如下面 > x <- c(1,2,3) > y <- x*2 > y [1] 2 4 6 (注:向量的整数除法是%/%,取余是%%.) 3.向量的内积,有两种方法. 第一种方法:%*% > x

  • R语言中的vector(向量),array(数组)使用总结

    对于那些有一点编程经验的人来说,vector,matrix,array,list,data.frame就相当于编程语言中的容器,因为只是将R看做数据处理工具所以它们的底层是靠什么实现的,内存怎么处理的具体也不要深究. R语言很奇怪的是它是面向对象的语言,所以经常会调用系统的方法,而且更奇怪的是总是调用"谓语"的方法,用起来像是写句子一样,记起来真是让人费解.比如is.vector(),read.table(),as.vector().. 直接开始吧:(由于习惯,大部分用"=&

  • R语言向量知识点及实例讲解

    有常见的六种基本的向量类型 创建向量 设定recursive = T,c函数可以从其他数据结构中递归形成向量 > v <- c(.295, .300, .250, .287, list(.102, .200, .303), recursive = T) > v [1] 0.295 0.300 0.250 0.287 0.102 0.200 0.303 > typeof(v) [1] "double" > v <- c(.295, .300, .250

  • R语言中向量的加法和乘法运算

    在R语言中,不同长度的向量也是可以相加和相乘的,乘法的规则和加法类似 1,相同长度的向量相加 > x<- 1:4 > y<- 1:4 > z<- x+y > z [1] 2 4 6 8 规则就是 x[1]+y[1],x[2]+y[2],x[3]+y[3],x[4]+y[4] > x<- 1:4 > y<- 1:4 > z<- x*y > z [1] 1 4 9 16 乘法也类似 2,不同长度的向量相加 > x<

  • 详解R语言中生存分析模型与时间依赖性ROC曲线可视化

    R语言简介 R是用于统计分析.绘图的语言和操作环境.R是属于GNU系统的一个自由.免费.源代码开放的软件,它是一个用于统计计算和统计制图的优秀工具. 人们通常使用接收者操作特征曲线(ROC)进行二元结果逻辑回归.但是,流行病学研究中感兴趣的结果通常是事件发生时间.使用随时间变化的时间依赖性ROC可以更全面地描述这种情况下的预测模型. 时间依赖性ROC定义 令 Mi为用于死亡率预测的基线(时间0)标量标记. 当随时间推移观察到结果时,其预测性能取决于评估时间 t.直观地说,在零时间测量的标记值应该

  • 详解R语言中的多项式回归、局部回归、核平滑和平滑样条回归模型

    在标准线性模型中,我们假设 .当线性假设无法满足时,可以考虑使用其他方法. 多项式回归 扩展可能是假设某些多项式函数, 同样,在标准线性模型方法(使用GLM的条件正态分布)中,参数  可以使用最小二乘法获得,其中  在  . 即使此多项式模型不是真正的多项式模型,也可能仍然是一个很好的近似值 .实际上,根据 Stone-Weierstrass定理,如果  在某个区间上是连续的,则有一个统一的近似值  ,通过多项式函数. 仅作说明,请考虑以下数据集 db = data.frame(x=xr,y=y

  • R语言中对数据框的列名重命名的实现

    报错类型 Error: All arguments must be named plyr中的rename和dplyr中的rename用法是不同的. plyr::rename rename(data, c(old=new)) dplyr::rename rename(data, new = old) Example 比如, 默认的是plyr的rename, 运行下面命令, 会报错: d <- data.frame(old1=1:3, old2=4:6, old3=7:9) d library(ti

  • 详解R语言中的表达式、数学公式、特殊符号

      在R语言的绘图函数中,如果文本参数是合法的R语言表达式,那么这个表达式就被用Tex类似的规则进行文本格式化. y <- function(x) (exp(-(x^2)/2))/sqrt(2*pi) plot(y, -5, 5, main = expression(f(x) == frac(1,sqrt(2*pi))*e^(-frac(x^2,2))), lwd = 3, col = "blue") library(ggplot2) x <- seq(0, 2*pi, b

  • R语言中矩阵matrix和数据框data.frame的使用详解

    本文主要介绍了R语言中矩阵matrix和数据框data.frame的一些使用,分享给大家,具体如下: "一,矩阵matrix" "创建向量" x_1=c(1,2,3) x_1=c(1:3) x_2=1:3 typeof(x_1)==typeof(x_2)#查看目标类型 x_3=seq(1,6,length=3)#将1--6分为3个数 a<-rep(1:3,each=3) #1到3依次重复 c<-rep(1:3,times=3) #1到3重复3次 d<

  • R语言中常见的几种创建矩阵形式总结

    矩阵概述 R语言的实质实质上是与matlab差不多的,都是以矩阵为基础的 在R语言中,矩阵(matrix)是将数据按行和列组织数据的一种数据对象,相当于二维数组,可以用于描述二维的数据.与向量相似,矩阵的每个元素都拥有相同的数据类型.通常用列来表示来自不同变量的数据,用行来表示相同的数据. R中创建矩阵的语法格式 在R语言中可以使用matrix()函数来创建矩阵,其语法格式如下: matrix(data=NA, nrow = 1, ncol = 1, byrow = FALSE, dimname

  • R语言中字符串的拼接操作实例讲解

    在R语言中 paste 是一个很有用的字符串处理函数,可以连接不同类型的变量及常量. 函数paste的一般使用格式为: paste(..., sep = " ", collapse = NULL) 其 中-表示一个或多个R可以被转化为字符型的对象:参数sep表示分隔符,默认为空格:参数collapse可选,如果不指定值,那么函数paste的返回值是自变量之间通过sep指定的分隔符连接后得到的一个字符型向量:如果为其指定了特定的值,那么自变量连接后的字符型向量会再被连接成一个字符串,之间

  • R语言中其它对象知识点总结

    其他对象 矩阵 二维向量 矩阵操作更类似于向量,而不是向量的向量或者向量列表 下标可以用用来引用元素,但并不反应矩阵的存储方式 矩阵没有一个确定的属性 数组 具有两个以上维度的向量 数组可用来表示多个维度的同类型数据 数组的底层存储机制是向量 数组也没有确定的类属性 因子 因子型变量表示分类信息 因子型变量通常是一个有序项目的集合 因子型变量可以取得的所有值被称为因子水平 因子型变量的输出结果中各个因子水平没有加引号,且都明确显示出来了 > (eye.colors <- factor(c(&q

随机推荐