上节我们讲到R语言中的基本数据类型，包括数值型，复数型，字符型，逻辑型以及对应的操作和不同数值类型之间的转换。众所周知，R语言的优势在于进行数据挖掘，大数据处理等方面，因此单个的数据并不能满足我们的需要，于是向量，矩阵，数组，数据框等变量类型应运而生。
向量：与我们在数学里面所学到的向量不同，R语言中的向量类似于我们在C语言中学习的数组，表示一个同种数据类型的数据集。
向量的创建：在R语言中使用c( )命令就创建了一个向量，任何类型的数据都可以组成向量，但一个向量里面的数据最好类型一致，不然会发生一些变化。向量里面的元素用"，"分隔。由此可见，当数值型，字符型，逻辑型的数据放在同一个向量时，字符型优先级高于数值型高于逻辑型，逻辑型的TRUE转为数值型的1，逻辑型的FALSE转为数值型的0
> a <- c(1,2,3,4,5)> a[1] 1 2 3 4 5> b <- c("a","b","c","d")> b[1] "a" "b" "c" "d"> c <- c(1,2,"c",4,5)> c[1] "1" "2" "c" "4" "5"> d <- c(1,2,3,TRUE,4,5)> d[1] 1 2 3 1 4 5> e <- c("a",TRUE,"c","d")> e[1] "a" "TRUE" "c" "d" 向量的元素个数：与计算字符串字符个数的函数nchar( )以及str_lenth( )不同，函数length( )用来计算向量中元素的个数。
向量的读取：向量在创建过程中，系统就自动给向量里的每个元素都分配了一个索引（1~N，N为向量中元素个数，这与C语言，Python中都不同）
读取时用c[ m ]来读取向量c中第m个向量
用c[ m:n ]读取向量c中第m到n个向量
用c[x(m:n)]来表示读取m到n的数乘以x，即c[2*(1:5)]就是读取2*（1,2,3,4,5），也即第2,4,6,8,10五个数
> a <- c(1,2,3,4,5) > length(a)[1] 5> a[3][1] 3> a[2:4][1] 2 3 4
> a[2*(1:5)] #不存在的数用NaN表示[1] 2 4 NA NA NA
向量的计算：数值型的向量计算遵循计算法则，长度不同会警告，同时短的向量会顺次从第一位开始填充到与长的向量相同的长度，开始运算。有关单个数值相关的计算都可以用到向量中，来进行整组相同的运算。
> a <- c(1,2,3,4,5)> b <- c(3,1,4,6,2)> a+b[1] 4 3 7 10 7> a-b[1] -2 1 -1 -2 3> a*b[1] 3 2 12 24 10> a/b[1] 0.333 2.000 0.750 0.667 2.500> a.^2Error: object 'a.' not found> a^2[1] 1 4 9 16 25> log2(a)[1] 0.00 1.00 1.58 2.00 2.32> sqrt(a)[1] 1.00 1.41 1.73 2.00 2.24> a <- c(1,2,3,4,5)> c <- c(2,7,8)> a+c[1] 3 9 11 6 12Warning message:In a + c : longer object length is not a multiple of shorter object length
其他类型的向量，比如字符型以及逻辑型不能进行上述运算
逻辑型向量与数值型向量还能进行逻辑运算，返回值为布尔型
> a <- c(1,2,3,4,5)> b <- c(3,1,4,6,2)> d <- c("a","b","c")> e <- c("d","e","f")> d+eError in d + e : non-numeric argument to binary operator> a+dError in a + d : non-numeric argument to binary operator> d & eError in d & e : operations are possible only for numeric, logical or complex types> a & b[1] TRUE TRUE TRUE TRUE TRUE> f <- c(TRUE,TRUE,FALSE,FALSE,TRUE)> a & f[1] TRUE TRUE FALSE FALSE TRUE 与向量相关的其他函数：最小值min、最大值max、返回最大值与最小值range、谁是最小值which.min、谁是最大值which.max、求和sum、所有向量元素的乘积prod、向量元素排序sort、向量元素平均值mean、样本方差var，数据统计summary
> a <- c(1,2,3,4,5)> min(a)[1] 1> max(x)[1] 0.873> range(a)[1] 1 5> which.min(a)[1] 1> which.max(a)[1] 5> sum(a)[1] 15> prod(a)[1] 120> sort(a)[1] 1 2 3 4 5> sort(a,decreasing = TRUE)[1] 5 4 3 2 1> mean(a)[1] 3> var(a)[1] 2.5> summary(a) Min. 1st Qu. Median Mean 3rd Qu. Max. 1 2 3 3 4 5
矩阵：矩阵相当于我们在C语言中学习的二位数组，只不过在R语言中对矩阵的处理比在C语言中要方便快速得多
矩阵的创建：
常用matrix(data=NA, nrow = 1, ncol = 1, byrow = FALSE, dimnames = NULL)
参数含义如下：
data：矩阵的元素，默认为NA，即未给出元素值的话，各项为NA
nrow：矩阵的行数，默认为1；
ncol：矩阵的列数，默认为1；
byrow：元素是否按行填充，默认按列；
dimnames：以字符型向量表示的行名及列名，dimnames( )可以跟参数，参数需为向量格式，第一个向量为行名，第二个向量为列名
> mydata <- c(1:20)> mydata [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20> myarray <- matrix(mydata,nrow = 4,ncol = 5)> myarray [,1] [,2] [,3] [,4] [,5][1,] 1 5 9 13 17[2,] 2 6 10 14 18[3,] 3 7 11 15 19[4,] 4 8 12 16 20> cnames <- c("C1","C2","C3","C4","C5")> rnames <- c("R1","R2","R3","R4")> myarray <- matrix(mydata,nrow = 4,ncol = 5,dimnames = list(rnames,cnames))> myarray C1 C2 C3 C4 C5R1 1 5 9 13 17R2 2 6 10 14 18R3 3 7 11 15 19R4 4 8 12 16 20> myarray2 <- matrix(mydata,nrow = 4,ncol = 5,byrow = TRUE,dimnames = list(rnames,cnames))> myarray2 C1 C2 C3 C4 C5R1 1 2 3 4 5R2 6 7 8 9 10R3 11 12 13 14 15R4 16 17 18 19 20 矩阵的拼接：用rbind（用列拼接，拼接后的列数跟两矩阵相同）函数或者cbind（用行拼接，拼接后的行数跟两矩阵相同）函数可以将两个向量或者矩阵合并为一个矩阵。注意需要拼接的两个矩阵对应行和列的数量要相等，并且如果有行名和列名的话，要求对应行行名和列名也必须相同。
> mydata <- c(1:20)> mydata [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20> cnames <- c("C1","C2","C3","C4","C5")> rnames <- c("R1","R2","R3","R4")> myarray <- matrix(mydata,nrow = 4,ncol = 5)> myarray [,1] [,2] [,3] [,4] [,5][1,] 1 5 9 13 17[2,] 2 6 10 14 18[3,] 3 7 11 15 19[4,] 4 8 12 16 20> myarray <- matrix(mydata,nrow = 4,ncol = 5,dimnames = list(rnames,cnames))> myarray C1 C2 C3 C4 C5R1 1 5 9 13 17R2 2 6 10 14 18R3 3 7 11 15 19R4 4 8 12 16 20> myarray2 <- matrix(mydata,nrow = 4,ncol = 5,byrow = TRUE,dimnames = list(rnames,cnames))> myarray2 C1 C2 C3 C4 C5R1 1 2 3 4 5R2 6 7 8 9 10R3 11 12 13 14 15R4 16 17 18 19 20> myarray3 <- matrix(c(1:15),nrow=3,ncol=5)> myarray3 [,1] [,2] [,3] [,4] [,5][1,] 1 4 7 10 13[2,] 2 5 8 11 14[3,] 3 6 9 12 15> myarray4 <- matrix(c(1:15),nrow=3,ncol=5,dimnames=list(c("R11","R12","R13"),cnames))> myarray4 C1 C2 C3 C4 C5R11 1 4 7 10 13R12 2 5 8 11 14R13 3 6 9 12 15> cbind(myarray2,myarray4) #按行进行组合，行数不一致，分别为3和4Error in cbind(myarray2, myarray4) : number of rows of matrices must match (see arg 2)> rbind(myarray2,myarray4) #按列进行组合 C1 C2 C3 C4 C5R1 1 2 3 4 5R2 6 7 8 9 10R3 11 12 13 14 15R4 16 17 18 19 20R11 1 4 7 10 13R12 2 5 8 11 14R13 3 6 9 12 15>matrix(c(1:16),nrow=4,ncol=4,dimnames=list(c("R11","R12","R13","R14"),c("C11","C12","C13","C14")))> myarray5 C11 C12 C13 C14R11 1 5 9 13R12 2 6 10 14R13 3 7 11 15R14 4 8 12 16> rbind(myarray2,myarray5) #按列进行组合，列名不一致Error in rbind(myarray2, myarray5) : number of columns of matrices must match (see arg 2) 矩阵元素的读取：跟向量读取差不多，多加了一个列的索引而已
常用为c[a,b]，意为读取第a行b列的数据
也可以使用c[,b]读取第b列整个列的数据，返回值为向量
> myarray5[2,3][1] 10> myarray5[,3]R11 R12 R13 R14 9 10 11 12
矩阵操作中常用的函数：
+, -, * , / 矩阵的四则运算，对应位置的元素进行运算要求矩阵的维数必须相同 t() 矩阵的行列转置colSums() 分别对矩阵的每一列进行求和rowSums() 分别对矩阵的每一行进行求和colMeans() 分别对矩阵的每一列进行求平均值rowMeans() 分别对矩阵的每一行进行求平均值det() 解方程的行列式crossprod() 解两个矩阵的内积outer() 解两个矩阵的外积，又叫叉积%*%矩阵乘法，要求第一个矩阵的列数与行数相同diag() 对矩阵取对角元素，若对象为向量（不管有没有缺失值），则生成以向量为对角元素的对角矩阵solve() 在矩阵可逆的情况下，对矩阵求逆矩阵eigen() 对矩阵求解特征值和特征向量Data Frame一般被翻译为数据框，感觉就像是R中的表，由行和列组成，与Matrix不同的是，每个列可以是不同的数据类型，而Matrix是必须相同的。Data Frame每一列有列名，每一行也可以指定行名。如果不指定行名，那么就是从1开始自增的Sequence来标识每一行。
数据框的创建：使用data.frame( )函数。函数里面的每一个参数包含列索引与对应的值
student<-data.frame(ID=c(11,12,13),Name=c(“Devin”,”Edward”,”Wenli”),Gender=c(“M”,”M”,”F”),Birthdate=c(“1984-12-29″,”1983-5-6”,”1986-8-8”))
另外也可以使用read.table()或者read.csv()读取一个文本文件，返回的也是一个Data Frame对象。