基于学习总结和网上收集！汇总供以后查看学习！
运算符
数学运算：
+，-，*，/，^，%%。(加，减，乘，除，乘方，求余。)
比较运算：
>，<，>=，<=，==，!=。
(大于，小于，大于等于，小于等于，等于，不等于。)
逻辑运算：
&，|，!。(与，或，非。)
初始基本操作
获取工作目录。
> getwd()
设定工作目录
setwd("")
寻求帮助
help(com)
?com
??con
查看实例
example(com)
查看变量格式
args()
列出已安装的包
library()
载入包
library(AER)
require(AER)
获取包的信息
library(help = ggplot2)
去除载入的包ggplot2
detach(package:ggplot2)
列出已载入的包
search()
列出已载入的包中的所有数据集
data()
列出已安装的包中的所有数据集
data(package = .packages(all.available = TRUE))
列出包ggplot2里的所有数据集
try(data(package = "ggplot2") )
获取数据集的信息
help(iris)
贴上数据集iris，其作用是可以直接对数据集里的变量进行操作。
attach(Affairs)
上述操作的逆操作
detach(Affairs)
一般的操作
列出所有对象
objects()
ls()
查看对象x的模式：空，数值，字符，逻辑，复数，列表，函数
(NULL，numeric，character，logical，complex，list，function)。
mode(x)
查看对象x的类型：除了mode里列出的几种类型外，还有整数，矩阵，因子，阵列，数据框，时间序列(integer，matrix，factor，array，data frame，ts)等其他类型。mode主要用于区别数据存放的方式，而class是一种更细微的分类方式，比如矩阵，就是一种更“有序”的数据存放方式。此命令比mode常用。
class(x)
把对象x转为矩阵型
as.matrix(x)
把对象x转为数值型
as.numeric(x)
查看对象x的结构，str是structure的缩写
str(x)
移除对象x
rm(x)
移除所有对象
rm(list=ls(all=TRUE))
rm(list=ls())
与向量有关的操作
生成向量
x = c(1,2,4)
#生成元素依次为"a","b","cd"的字符向量x
x = c("a","b","cd")
生成"a b cd"的字符x
x = paste("a","b","cd")
向量x的第a到b个元素
x[a:b]
剔除向量x第i个元素所得的向量
x[-i]
向量x的长度
length(x)
生成以一个n维数值型向量x，第一个元素为a，最后一个元素为b，中间元素依次等距递增。(假设a
x = seq(a, b, length = n)
生成一个数值型向量x，第一个元素为a，其后元素依次加c，直到最后一个元素加c大于b。(假设a
x = seq(a, b, c)
从1开始生成一个递增或递减数值型向量x，最后一个元素绝对值为小于等于|a|的最大整数。
x = seq(a)
生成一个从a递增(减)到b的数值型向量x。(a和b都是整数)
x = a:b
对向量v进行n次复制生成新的向量x
x = rep(v, n)
依次对向量v的每个元素复制n此生成新的向量x
x = rep(v, each = n)
生成一个向量x，其中每个元素是v对应元素的最近整数
x = round(v)
排序
order(x)
获得向量x每个元素大小位置
rank(x)
对向量x从小到大进行排序。降序：sort(x, decreasing = TRUE)。
sort(x)
根据因子f对向量x分类执行函数g
tapply(x,f,g)
向量x按因子f分类
split(x,f)
返回向量x的差分向量
diff(x)
返回向量x的累加向量
cumsum(x)
与矩阵有关的基本操作
生成m行n列的0矩阵
M = matrix(0,c(m,n))
按行合并矩阵X和Y形成新矩阵M。(X和Y列数需相同）
> M = rbind(X,Y)
按列合并矩阵X和Y形成新矩阵M。(X和Y行数需相同）
> M = cbind(X,Y)
矩阵M的列名
> colnames(M)
矩阵M的行名
> rownames(M)
矩阵M的行数
> nrow(M)
矩阵M的列数
> ncol(M)
矩阵M的对角线元素形成的向量
> diag(M)
生成以向量x为对角线元素，其他位置元素为0的矩阵M
> M = diag(x)
矩阵M的维度
> dim(M)
矩阵M第i行。(数值型)
> M[i,]
矩阵M第i行。(矩阵型)
> M[i,,drop = FALSE]
删除第i行
> M = M[-i,]
矩阵M第j列
> M[,j]
矩阵M第i行j列元素
> M[i,j]
矩阵M的转置。若M为数值型向量，则t(M)为矩阵型行向量
> t(M)
矩阵X乘矩阵Y。若Y是数值型的向量，R会自动判断其为行向量还是列向量。若X与Y为维度匹配的数值型向量，则返回的是矩阵型向量的内积
> X%*%Y
数值型向量x与y的外积(矩阵型)
> x%o%y
矩阵X与矩阵Y的Hadamard乘积。加、减、除、求余的规则和乘相同，即相同位置的元素进行运算
> X*Y
求矩阵M的特征值和特征向量
> eigen(M)$val
> eigen(M)$vec
矩阵M求逆
> solve(M)
求解线性方程Ax=b
> solve(A,b)
对矩阵M的行(dimcode=1)或列(dimcode=2)依次进行函数f操作，f的变量(arguments)方正fargs里
> apply(M, dimcode, f, fargs)
与列表有关的基本操作
建立列表L
> L = list(a = , b = , c = ,...)
返回列表L里的对象a
> L$a
> L[[a]]
去除列表L里的对象a
> L$a = NULL
列出列表L里的对象名
> names(L)
去掉列表L里的对象名
> unname(L)
list apply。功能与apply类似(参考上面的apply)，用于列表型数据
> lapply(...)
simplified apply。功能与lapply类似，区别在于函数结果的类型不是列表(list)
> sapply(...)
与数据框有关的基本操作
数据框是一种特殊的列表，所以对列表适用的函数往往对数据框也适用。此外，数据框也有矩阵型数据的特征，所以一些适用于矩阵型数据的函数，不如rbind，cbind，apply等也可以作用在数据框上。
创建数据框Data
> Data = data.frame(...)
编辑数据框Data
> fix(Data)
显示数据框Data的前几行
> head(Data)
列出数据框Data的组成部分
> attribute(Data)
显示数据框Data的变量名
> names(Data)
显示数据框Data的行名
> row.names(Data)
数据框Data中名为name1的变量
> Data$name1
数据框Data中第i个变量形成的数据框
> Data[i]
合并数据框D1和D2，需要D1和D2中有至少一个相同的变量
> merge(D1,D2)
与逻辑型数据有关的基本操作
判断是否对象x是数据框
> is.data.frame(x)
判断是否对象x的每个元素都大于a
> all(x>a)
判断对象x的元素中是否存在一个大于a
> any(x>a)
判断x的每个元素是否大于y的每个元素
> x>y
向量x中大于a的元素组成的新向量
> x[x>a]
向量x中大于a的元素组成的新向量。与上面例子的区别在于若向量元素里有NA，上面的例子会保留在结果中，而subset命令会剔除掉
> subset(x, x>a)
返回向量中大于a的元素的位置
> which(x, x>a)
生成一个与b(逻辑向量)维度相同的数值向量，若b[i]为TRUE，则x[i]为u，反之为v
x = ifelse(b, u, v)
x = seq(a, b, length = n)
生成一个数值型向量x，第一个元素为a，其后元素依次加c，直到最后一个元素加c大于b。(假设a
x = seq(a, b, c)
从1开始生成一个递增或递减数值型向量x，最后一个元素绝对值为小于等于|a|的最大整数。
x = seq(a)
生成一个从a递增(减)到b的数值型向量x。(a和b都是整数)
x = a:b
对向量v进行n次复制生成新的向量x
x = rep(v, n)
依次对向量v的每个元素复制n此生成新的向量x
x = rep(v, each = n)
生成一个向量x，其中每个元素是v对应元素的最近整数
x = round(v)
排序
order(x)
获得向量x每个元素大小位置
rank(x)
对向量x从小到大进行排序。降序：sort(x, decreasing = TRUE)。
sort(x)
根据因子f对向量x分类执行函数g
tapply(x,f,g)
向量x按因子f分类
split(x,f)
返回向量x的差分向量
diff(x)
返回向量x的累加向量
cumsum(x)
与矩阵有关的基本操作
生成m行n列的0矩阵
M = matrix(0,c(m,n))
按行合并矩阵X和Y形成新矩阵M。(X和Y列数需相同）
> M = rbind(X,Y)
按列合并矩阵X和Y形成新矩阵M。(X和Y行数需相同）
> M = cbind(X,Y)
矩阵M的列名
> colnames(M)
矩阵M的行名
> rownames(M)
矩阵M的行数
> nrow(M)
矩阵M的列数
> ncol(M)
矩阵M的对角线元素形成的向量
> diag(M)
生成以向量x为对角线元素，其他位置元素为0的矩阵M
> M = diag(x)
矩阵M的维度
> dim(M)
矩阵M第i行。(数值型)
> M[i,]
矩阵M第i行。(矩阵型)
> M[i,,drop = FALSE]
删除第i行
> M = M[-i,]
矩阵M第j列
> M[,j]
矩阵M第i行j列元素
> M[i,j]
矩阵M的转置。若M为数值型向量，则t(M)为矩阵型行向量
> t(M)
矩阵X乘矩阵Y。若Y是数值型的向量，R会自动判断其为行向量还是列向量。若X与Y为维度匹配的数值型向量，则返回的是矩阵型向量的内积
> X%*%Y
数值型向量x与y的外积(矩阵型)
> x%o%y
矩阵X与矩阵Y的Hadamard乘积。加、减、除、求余的规则和乘相同，即相同位置的元素进行运算
> X*Y
求矩阵M的特征值和特征向量
> eigen(M)$val
> eigen(M)$vec
矩阵M求逆
> solve(M)
求解线性方程Ax=b
> solve(A,b)
对矩阵M的行(dimcode=1)或列(dimcode=2)依次进行函数f操作，f的变量(arguments)方正fargs里
> apply(M, dimcode, f, fargs)
与列表有关的基本操作
建立列表L
> L = list(a = , b = , c = ,...)
返回列表L里的对象a
> L$a
> L[[a]]
去除列表L里的对象a
> L$a = NULL
列出列表L里的对象名
> names(L)
去掉列表L里的对象名
> unname(L)
list apply。功能与apply类似(参考上面的apply)，用于列表型数据
> lapply(...)
simplified apply。功能与lapply类似，区别在于函数结果的类型不是列表(list)
> sapply(...)
与数据框有关的基本操作
数据框是一种特殊的列表，所以对列表适用的函数往往对数据框也适用。此外，数据框也有矩阵型数据的特征，所以一些适用于矩阵型数据的函数，不如rbind，cbind，apply等也可以作用在数据框上。
创建数据框Data
> Data = data.frame(...)
编辑数据框Data
> fix(Data)
显示数据框Data的前几行
> head(Data)
列出数据框Data的组成部分
> attribute(Data)
显示数据框Data的变量名
> names(Data)
显示数据框Data的行名
> row.names(Data)
数据框Data中名为name1的变量
> Data$name1
数据框Data中第i个变量形成的数据框
> Data[i]
合并数据框D1和D2，需要D1和D2中有至少一个相同的变量
> merge(D1,D2)
与逻辑型数据有关的基本操作
判断是否对象x是数据框
> is.data.frame(x)
判断是否对象x的每个元素都大于a
> all(x>a)
判断对象x的元素中是否存在一个大于a
> any(x>a)
判断x的每个元素是否大于y的每个元素
> x>y
向量x中大于a的元素组成的新向量
> x[x>a]
向量x中大于a的元素组成的新向量。与上面例子的区别在于若向量元素里有NA，上面的例子会保留在结果中，而subset命令会剔除掉
> subset(x, x>a)
返回向量中大于a的元素的位置
> which(x, x>a)
生成一个与b(逻辑向量)维度相同的数值向量，若b[i]为TRUE，则x[i]为u，反之为v
x = ifelse(b, u, v)
x = seq(a, b, c)
从1开始生成一个递增或递减数值型向量x，最后一个元素绝对值为小于等于|a|的最大整数。
x = seq(a)
生成一个从a递增(减)到b的数值型向量x。(a和b都是整数)
x = a:b
对向量v进行n次复制生成新的向量x
x = rep(v, n)
依次对向量v的每个元素复制n此生成新的向量x
x = rep(v, each = n)
生成一个向量x，其中每个元素是v对应元素的最近整数
x = round(v)
排序
order(x)
获得向量x每个元素大小位置
rank(x)
对向量x从小到大进行排序。降序：sort(x, decreasing = TRUE)。
sort(x)
根据因子f对向量x分类执行函数g
tapply(x,f,g)
向量x按因子f分类
split(x,f)
返回向量x的差分向量
diff(x)
返回向量x的累加向量
cumsum(x)
与矩阵有关的基本操作
生成m行n列的0矩阵
M = matrix(0,c(m,n))
按行合并矩阵X和Y形成新矩阵M。(X和Y列数需相同）
> M = rbind(X,Y)
按列合并矩阵X和Y形成新矩阵M。(X和Y行数需相同）
> M = cbind(X,Y)
矩阵M的列名
> colnames(M)
矩阵M的行名
> rownames(M)
矩阵M的行数
> nrow(M)
矩阵M的列数
> ncol(M)
矩阵M的对角线元素形成的向量
> diag(M)
生成以向量x为对角线元素，其他位置元素为0的矩阵M
> M = diag(x)
矩阵M的维度
> dim(M)
矩阵M第i行。(数值型)
> M[i,]
矩阵M第i行。(矩阵型)
> M[i,,drop = FALSE]
删除第i行
> M = M[-i,]
矩阵M第j列
> M[,j]
矩阵M第i行j列元素
> M[i,j]
矩阵M的转置。若M为数值型向量，则t(M)为矩阵型行向量
> t(M)
矩阵X乘矩阵Y。若Y是数值型的向量，R会自动判断其为行向量还是列向量。若X与Y为维度匹配的数值型向量，则返回的是矩阵型向量的内积
> X%*%Y
数值型向量x与y的外积(矩阵型)
> x%o%y
矩阵X与矩阵Y的Hadamard乘积。加、减、除、求余的规则和乘相同，即相同位置的元素进行运算
> X*Y
求矩阵M的特征值和特征向量
> eigen(M)$val
> eigen(M)$vec
矩阵M求逆
> solve(M)
求解线性方程Ax=b
> solve(A,b)
对矩阵M的行(dimcode=1)或列(dimcode=2)依次进行函数f操作，f的变量(arguments)方正fargs里
> apply(M, dimcode, f, fargs)
与列表有关的基本操作
建立列表L
> L = list(a = , b = , c = ,...)
返回列表L里的对象a
> L$a
> L[[a]]
去除列表L里的对象a
> L$a = NULL
列出列表L里的对象名
> names(L)
去掉列表L里的对象名
> unname(L)
list apply。功能与apply类似(参考上面的apply)，用于列表型数据
> lapply(...)
simplified apply。功能与lapply类似，区别在于函数结果的类型不是列表(list)
> sapply(...)
与数据框有关的基本操作
数据框是一种特殊的列表，所以对列表适用的函数往往对数据框也适用。此外，数据框也有矩阵型数据的特征，所以一些适用于矩阵型数据的函数，不如rbind，cbind，apply等也可以作用在数据框上。
创建数据框Data
> Data = data.frame(...)
编辑数据框Data
> fix(Data)
显示数据框Data的前几行
> head(Data)
列出数据框Data的组成部分
> attribute(Data)
显示数据框Data的变量名
> names(Data)
显示数据框Data的行名
> row.names(Data)
数据框Data中名为name1的变量
> Data$name1
数据框Data中第i个变量形成的数据框
> Data[i]
合并数据框D1和D2，需要D1和D2中有至少一个相同的变量
> merge(D1,D2)
与逻辑型数据有关的基本操作
判断是否对象x是数据框
> is.data.frame(x)
判断是否对象x的每个元素都大于a
> all(x>a)
判断对象x的元素中是否存在一个大于a
> any(x>a)
判断x的每个元素是否大于y的每个元素
> x>y
向量x中大于a的元素组成的新向量
> x[x>a]
向量x中大于a的元素组成的新向量。与上面例子的区别在于若向量元素里有NA，上面的例子会保留在结果中，而subset命令会剔除掉
> subset(x, x>a)
返回向量中大于a的元素的位置
> which(x, x>a)
生成一个与b(逻辑向量)维度相同的数值向量，若b[i]为TRUE，则x[i]为u，反之为v
x = ifelse(b, u, v)