R语言入门 Chapter02 | 矩阵与数组
【摘要】
不登高山,不知天之高也；不临深溪,不知地之厚也。 ——荀子
这篇文章讲述的是R语言中关于矩阵与数组的相关知识。希望这篇R语言文章对您有所帮助！如果您有想学习的知识或建议，可以给作者留言~
Chapter02 | 矩阵与数组
1、创建矩阵2、创建数组3、通过索引访问矩阵4、通过名称访问矩阵5、矩阵的运算6、添加
矩阵是一个按照长方阵列排...
不登高山,不知天之高也；不临深溪,不知地之厚也。 ——荀子
这篇文章讲述的是R语言中关于矩阵与数组的相关知识。希望这篇R语言文章对您有所帮助！如果您有想学习的知识或建议，可以给作者留言~
矩阵是一个按照长方阵列排列的复合或实数集合。向量是一维的，而矩阵是二维的，需要有行和列。
在R软件中，矩阵是有维数的向量，这里的矩阵元素可以是数值型，字符型或者逻辑型，但是每个元素必须都拥有相同的模式，这个和向量是一致的。
R语言中比较出名的矩阵
iris3
state.x77 # 美国五十个州八个指标
- 1
- 2
- 使用heatmap()函数可以直接绘制热图
矩阵其实就是给向量加一个维度
1、创建矩阵
> x <- 1:20
> x
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
# 定义一个对象m， 用来存储矩阵，第二个参数指定行数，第三个参数用来指定列数，可以省略，直接写4，5
> m <- matrix(x,nrow = 4,ncol = 5)
> m [,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
# 此为上述代码的简写
> m <- matrix(x,4,5)
> m [,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
# 行和列必须要满足条件 4行6列会报错，超过了限制
> m <- matrix(x,nrow = 4,ncol = 6)
Warning message:
In matrix(x, nrow = 4, ncol = 6) :
data length [20] is not a sub-multiple or multiple of the number of columns [6]
#
> matrix(x,4,4) [,1] [,2] [,3] [,4]
[1,] 1 5 9 13
[2,] 2 6 10 14
[3,] 3 7 11 15
[4,] 4 8 12 16
# 行和列要有一个满足条件，否则会报错 报错原因，因为20不是3的整数倍
> matrix(x,3,3) [,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
Warning message:
In matrix(x, 3, 3) :
data length [20] is not a sub-multiple or multiple of the number of rows [3]
# 只给一个行或者列会自动分配，矩阵是按照列进行分配的
> matrix(x,4) [,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
# byrow=TURE按行排列，否则按列排列
> m <- matrix(x,nrow = 4,ncol = 5,byrow = TRUE)
> m [,1] [,2] [,3] [,4] [,5]
[1,] 1 2 3 4 5
[2,] 6 7 8 9 10
[3,] 11 12 13 14 15
[4,] 16 17 18 19 20
# 修改行和列的名称
> rnames <- c("R1","R2","R3","R4")
> cnames <- c("C1","C2","C3","C4","C5")
> dimnames(m)=list (rnames,cnames)
> m C1 C2 C3 C4 C5
R1 1 2 3 4 5
R2 6 7 8 9 10
R3 11 12 13 14 15
R4 16 17 18 19 20
# dim()函数可以显示向量的维数
> dim(x)
NULL
# 为向量添加函数构建矩阵
> dim(x) <- c(4,5)
> x [,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
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
2、创建数组
# 三维数组，可以理解为一个长宽高分别为2，2，5的矩阵
> dim(x) <- c(2,2,5)
> x
, , 1 [,1] [,2]
[1,] 1 3
[2,] 2 4
, , 2 [,1] [,2]
[1,] 5 7
[2,] 6 8
, , 3 [,1] [,2]
[1,] 9 11
[2,] 10 12
, , 4 [,1] [,2]
[1,] 13 15
[2,] 14 16
, , 5 [,1] [,2]
[1,] 17 19
[2,] 18 20
# Creating an array
> x <- 1:20
> dim(x) <- c(2,2,5)
> dim1 <- c("A1", "A2") # 行
> dim2 <- c("B1", "B2", "B3") # 列
> dim3 <- c("C1", "C2", "C3", "C4") # 给几个值就为几维数组
# dimnames用来定义每个维度的标签
> z <- array(1:24, c(2,3,4), dimnames=list(dim1, dim2, dim3))
> z
, , C1 B1 B2 B3
A1 1 3 5
A2 2 4 6
, , C2 B1 B2 B3
A1 7 9 11
A2 8 10 12
, , C3 B1 B2 B3
A1 13 15 17
A2 14 16 18
, , C4 B1 B2 B3
A1 19 21 23
A2 20 22 24
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
3、通过索引访问矩阵
# 4x5的矩阵m
> m <- matrix(x,nrow = 4,ncol = 5)
> m [,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
# 访问第一行第二列的元素
> m[1,2]
[1] 5
# 访问第一行二，三，四列的元素
> m[1,c(2,3,4)]
[1] 5 9 13
# 访问矩阵一个子集
> m[c(2,4),c(2,3)] [,1] [,2]
[1,] 6 10
[2,] 8 12
# 访问第二行
> m[2,]
[1] 2 6 10 14 18
# 访问第二列
> m[,2]
[1] 5 6 7 8
# 访问对应的行
> m[2]
[1] 2
# 去除第一行再取第二列
> m[-1,2]
[1] 6 7 8
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
4、通过名称访问矩阵
> dimnames(m)=list (rnames,cnames)
> m C1 C2 C3 C4 C5
R1 1 5 9 13 17
R2 2 6 10 14 18
R3 3 7 11 15 19
R4 4 8 12 16 20
# 此行出错
> m["C1","C2"]
Error in m["C1", "C2"] : subscript out of bounds
# 通过行名列名访问元素
> m["R1","C2"]
[1] 5
# 出错部分
> m["R1"]
[1] NA
> m["C1"]
[1] NA
> m[,"R1"]
Error in m[, "R1"] : subscript out of bounds
# 想要访问列的名字，访问列
> m["R1",]
C1 C2 C3 C4 C5
1 5 9 13 17
# 想要访问行的名字 ，访问行
> m[,"C1"]
R1 R2 R3 R4
1 2 3 4
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
5、矩阵的运算
此部分为矩阵的一些写法以及计算技巧
- 1、t()函数
实现矩阵的转置，行变列，列变行
> a <- matrix(1:12,nrow = 3,ncol = 4)
> a [,1] [,2] [,3] [,4]
[1,] 1 4 7 10
[2,] 2 5 8 11
[3,] 3 6 9 12
# 行列互换
> t(a) [,1] [,2] [,3]
[1,] 1 2 3
[2,] 4 5 6
[3,] 7 8 9
[4,] 10 11 12
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 2、矩阵加减
> a <- b <- matrix(1:12,nrow = 3,ncol = 4)
> a+b [,1] [,2] [,3] [,4]
[1,] 2 8 14 20
[2,] 4 10 16 22
[3,] 6 12 18 24
> a-b [,1] [,2] [,3] [,4]
[1,] 0 0 0 0
[2,] 0 0 0 0
[3,] 0 0 0 0
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 3、矩阵相乘
> a <- matrix(1:12,nrow = 3,ncol = 4)
> b <- matrix(1:12,nrow = 4,ncol = 3)
> a%*%b 线代矩阵相乘 [,1] [,2] [,3]
[1,] 70 158 246
[2,] 80 184 288
[3,] 90 210 330
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 4、diag()函数
求对角线，diag()函数
> a <- matrix(1:16,nrow = 4,ncol = 4)
> a [,1] [,2] [,3] [,4]
[1,] 1 5 9 13
[2,] 2 6 10 14
[3,] 3 7 11 15
[4,] 4 8 12 16
# 返回对角线
> diag(a)
[1] 1 6 11 16
# 对角线矩阵
> diag(diag(a)) [,1] [,2] [,3] [,4]
[1,] 1 0 0 0
[2,] 0 6 0 0
[3,] 0 0 11 0
[4,] 0 0 0 16
# 产生一个四阶的单位矩阵
> diag(4) [,1] [,2] [,3] [,4]
[1,] 1 0 0 0
[2,] 0 1 0 0
[3,] 0 0 1 0
[4,] 0 0 0 1
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 5、矩阵求逆，逆矩阵
solve()函数
# 先使用rnorm函数随机生成16个随机数，并创建矩阵
> a <- matrix(rnorm(16),4,4)
> a [,1] [,2] [,3] [,4]
[1,] 0.19496384 -1.32876618 0.8009854 0.1090159
[2,] 0.83996855 -1.31302374 0.4815483 -0.2333306
[3,] -1.71094415 0.03186264 -0.5280415 2.3790375
[4,] -0.03161188 0.85040187 0.4736652 -0.5227957
# solve()函数可以直接求逆
> solve(a) [,1] [,2] [,3] [,4]
[1,] -2.3313965 3.2960835 0.7418279 1.418528
[2,] -1.1575768 1.2092526 0.4392610 1.217815
[3,] 0.1181362 0.8574405 0.4068229 1.493238
[4,] -1.6349574 2.5445791 1.0382558 1.335292
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 6、解线性方程组
solve()函数还能解线性方程
eg: ax=b
> a <- matrix(rnorm(16),4,4)
> a [,1] [,2] [,3] [,4]
[1,] 1.2319870 -0.1801956 0.1470676 0.01413551
[2,] -0.2092927 0.2776381 1.0411766 0.44004831
[3,] 1.3762975 -0.6371769 -1.3026650 -1.20290275
[4,] 0.1149844 0.4075077 0.1193776 -0.21052398
> b <- c(1:4)
> b
[1] 1 2 3 4
> solve(a,b)
[1] 0.894783 3.750849 4.723690 -8.572473
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 7、eigen()函数
用来求矩阵的特征值与特征向量
> a <- diag(4)+1
> a [,1] [,2] [,3] [,4]
[1,] 2 1 1 1
[2,] 1 2 1 1
[3,] 1 1 2 1
[4,] 1 1 1 2
> a.e = eigen(a,symmetric = T)
> a.e
eigen() decomposition
$values
[1] 5 1 1 1
$vectors [,1] [,2] [,3] [,4]
[1,] -0.5 0.8660254 0.0000000 0.0000000
[2,] -0.5 -0.2886751 -0.5773503 -0.5773503
[3,] -0.5 -0.2886751 -0.2113249 0.7886751
[4,] -0.5 -0.2886751 0.7886751 -0.2113249
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
6、添加
colSums(m) # 求矩阵每一列的和
rowSums(m) # 求矩阵每一行的和
colMeans(m) # 求矩阵每一列的平均值
rowMeans(m) # 求矩阵每一行的平均值
n <- matrix (1:9,3,3) # 3行3列的矩阵
t <- matrix (2:10,3,3) # 3行3列的矩阵
n*t # 矩阵的内积
n%*%t # 矩阵的外积
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
各位路过的朋友，如果觉得可以学到些什么的话，点个赞再走吧，欢迎各位路过的大佬评论，指正错误，也欢迎有问题的小伙伴评论留言，私信。每个小伙伴的关注都是本人更新博客的动力！！！
文章来源: buwenbuhuo.blog.csdn.net，作者：不温卜火，版权归原作者所有，如需转载，请联系作者。
原文链接：buwenbuhuo.blog.csdn.net/article/details/105410413
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）