向量基础

向量类型

• 原子向量：逻辑型、整型、双精度型、字符型、复数型、原始型
• 列表

向量属性

• 类型 typeof()
• 长度 length()

扩展向量4种类型

• 因子（整型向量）
• 日期和时间（数值型）
• 数据框和tibble（列表）

原子向量 → 列表 → 扩展向量

原子向量

逻辑型

FALSE,TRUE,NA

数值型

R默认是双精度型的，创建整型在数值后添加L

二者的区别

• 双精度是浮点数，比较时不能用 ==，应使用dplyr::near()，可容忍些误差
• 整型数据有一个NA，双精度型有NA，NaN，Inf，-Inf，不可用==检查，应该用 is.finite(), is,infinite(). is.nan()

字符型

每个唯一的字符串在内存中只保存一次

缺失值

NA,NA_integer_, NA_real_.NA_character_

p204练习题

1. 前者意思是是否是双精度型的正数。返回逻辑值FALSE,TRUE
   后者与前者的结果相反。|| 答案

> x <- c(0, NA, NaN, Inf, -Inf)
> is.finite(x)
[1]  TRUE FALSE FALSE FALSE FALSE
!is.infinite(x)
[1]  TRUE  TRUE  TRUE FALSE FALSE

is.finite()认为非缺失的数值型是有限的，NA. Inf,-Inf均不是有限的
is.infinite() 认为Inf,-Inf是无限的，其他的包括NA都是有限的
NaN被二者嫌弃，都是FALSE

2. 此函数检查二者是否在一个可容忍的范围内，.Machine$double.eps是计算机中最小的浮点数
3. 整型向量可能有的值有 ±2^31-1个，那一个是NA_integer_
   双精度型可能有的值是2^64个
4. parse_logical()、parse_integer()、parse_integer()、parse_number()

原子向量的使用

强制转换

显式强制转换as.logical()等，还有隐式转换
！！！原子向量中不可包含不同类型的元素，类型是整个向量的属性！

标量与循环

• 标量is_scalar_atomic()检查长度为1的向量
• R中，基本数学运算是使用向量来进行
• R会扩展较短向量，称之为循环

向量命名

创建时命名或者 创建后用 set_names()

向量取子集

filter()只能筛选tibble
筛选向量，[]

• 使用仅包含整数的数值向量，全为正数、负数、或者0，不可混合。
• 使用逻辑向量
• 字符向量
• 最简方式x[],x若为二维，则 x [1,]取第一行和所有列，x[,-1]则取出所有行和除第一列的所有列
• [[ ，取出单个元素

p209练习题

1. mean(is.na(x))计算x中缺失值的占比
   sum(!is.finite(x))计算向量中 NA,NaN,Inf的总和
2. The function is.vector() only checks whether the object has no attributes other than names. Thus a list is a vector:
   The function is.atomic() explicitly checks whether an object is one of the atomic types (“logical”, “integer”, “numeric”, “complex”, “character”, and “raw”) or NULL
3. 二者最大区别是，purrr::set_names()可以允许函数或者公式转化名字
   当名称比向量短时，setNames()会返回缺失值，purrr::set_names()返回错误

递归向量

list()函数创建列表

列表可视化

列表用圆角矩形，原子向量用直角矩阵

特性

attr()读取和设置单个特性值
名称、维度、类

扩展向量

因子、日期、时间、tibble