先言：R語言常用介面操作

1、一些簡單的基本統計量

#基本統計量
sum/mean/sd/min    #一些基本統計量

which.min()        #找出最小值的序號

以上是單數列，如果是多變數下的呢？

#多元資料
colMeans()    #每列,row是行（橫向）
colnames()    #列名
colSums()     #列求和
cov()         #協方差陣
cor()         #相關矩陣
cor.test()    #相關係數
 

物件操作：

簡單統計：

2、向量

向量在迴圈語句中較為廣泛

#向量
#向量在迴圈語句中較為廣泛
M=vector(length = 8);M  #生成一個長為8的布林向量
M[1]="1";M             #賦值之後就會定義為字元
M[1]=1;M              #賦值之後，定義為數值

邏輯向量使用

y[y < 0] <- -y[y < 0]      #表示將向量(-y)中 與向量y的負元素對應位置的元素 賦值給 向量y中 與向量y負元素對應的元素。作用相當於： y <- abs(y)

3、資料儲存形式

#資料儲存形式
data.frame(wi=iris,ci=cars)   #資料框形式，可以直接定義變數名
list(wi=iris,ci=cars)         #list，也可以直接定義變數名

注意：attach()、detach()

可以將資料框中的變數釋放到Rs記憶體中，然後就可以直接呼叫。

attach(iris)
names(setosa)   
detach(iris)

在data.frame中，是可以實現資料集重新命名的，比如data.frame(x=iris,y=cars)，

也可以實現橫向、縱向重新命名，data.frame(x=iris,y=cars,row.names=iris)

4、資料檢視函式——names、str、unique組合、typeof()、mode()、class()

##資料檢視函式
names(iris)           #檢視所有變數名字
str(iris)             #變數屬性（int整數,num數值）
unique(iris$setosa)   #檢視分類變數的水平
table(iris$setosa)    #分類水平，不同水平的個數（=unique+sum功能）
summary(iris)         #所有變數各自的均值、分位數、眾數、最大、最小值等統計量，在迴歸中就是係數表等
attributes(iris)      #包括names（變數名）、row.names（序號的名稱）、class(資料形式)

一般names、str、unique會組合使用。

如何檢視資料型別——typeof()、mode()、class()的區別？

1. 我這裡用個因子例子來說明，希望能講清楚  
2. > gl(2,5)            #新建一個因子  
3. [1] 1 1 1 1 1 2 2 2 2 2  
4. Levels: 1 2  
5. > class(gl(2,5))   #檢視變數的類，顯示為因子；  
6. [1] "factor"  
7. > mode(gl(2,5))     #檢視資料大類，顯示為數值型；  
8. [1] "numeric"  
9. > typeof(gl(2,5))    #檢視資料細類，顯示為整數型；  
10. [1] "integer"  
11. #來自：http://f.dataguru.cn/thread-99785-1-1.html  

5、矩陣的基本知識與注意

#矩陣的基本知識
t()       #轉置
det()     #行列式，方陣
x%*%y     #向量內積
x%o%y#向量外積


A=array(1:9,dim=c(3,3))
A*A    #這個代表矩陣內兩兩子元素相乘
A%*%A #才是我們想要的結果
crossprod(A,A)    #等於t(A)%*%A
crossprod(t(A),A) #等於A%*%A，所以需要t（A）一下

6、因子

##因子（≈文字+數字的組合）
#SPSS中值標籤定義有異曲同工之妙
M=factor(iris$setosa,levels=c(1,0),labels=c("M","F"));M  #能夠轉化因子格式+定義值標籤
M=as.factor(iris$setosa);M #上面的函式更有效，因為as.factor只能轉化成因子格式

7、輸入輸出

8、邏輯運算