R语言常用数组函数

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！！❤❤❤