#لیست_ها
یک لیست مجموعه منظم از اشیا است که اشیا را مولفه های آن لیست می نامیم
مولفه های یک لیست لزومی ندارد هم نوع و یا هم اندازه باشندبه عبارتی برای یک لیست مس توانیم
مولفه هایی از قبیل ماتریس بردارهایی از اعداد یا کارکترها و . . . را داشته باشیم
@R_Experts
برای ساختن یک لیست از تابع
استفاده میکنیم ئر این تابع نام هر مولفه را وارد کرده و بعد از علامت مساوی
شی مورد نظر را وارد می کنیم
@R_Experts
یک لیست مجموعه منظم از اشیا است که اشیا را مولفه های آن لیست می نامیم
مولفه های یک لیست لزومی ندارد هم نوع و یا هم اندازه باشندبه عبارتی برای یک لیست مس توانیم
مولفه هایی از قبیل ماتریس بردارهایی از اعداد یا کارکترها و . . . را داشته باشیم
@R_Experts
برای ساختن یک لیست از تابع
list()
استفاده میکنیم ئر این تابع نام هر مولفه را وارد کرده و بعد از علامت مساوی
شی مورد نظر را وارد می کنیم
@R_Experts
#دیتا_فریم_ها
دیتا فریم ها از لحاظ ساختار شباهت زیادی به ماتریس ها دارند .یک دیتا فریم را می توان ماتریسی
در نظر گرفت که ستون های ان بردار هایی با ساختار های مختلف هستند
یک دیتا فریم در واقع لیستی از بردارهای هم اندازه و لا ساختار های متفاوت است
@R_Experts
برای ساختن یک دیتا فریم از تابع
استفاده میشود .دراین تابع می بایست نام مورد نظر برای هر ستون را به همراه بردار
شامل داده های ان ستون وارد کنیم
@R_Experts
دیتا فریم ها از لحاظ ساختار شباهت زیادی به ماتریس ها دارند .یک دیتا فریم را می توان ماتریسی
در نظر گرفت که ستون های ان بردار هایی با ساختار های مختلف هستند
یک دیتا فریم در واقع لیستی از بردارهای هم اندازه و لا ساختار های متفاوت است
@R_Experts
برای ساختن یک دیتا فریم از تابع
data.frame()
استفاده میشود .دراین تابع می بایست نام مورد نظر برای هر ستون را به همراه بردار
شامل داده های ان ستون وارد کنیم
@R_Experts
ابتدا پکیج MASS
را نصب و فراخوانی کنید
این داده ها مربوط به نقاشان کلاسیک قرن 18 میباشند که در رسته های ترکیب بندی ،رنگ بندی،... دسته بندی شده اند
با این دستور میتوانیم مشاهده کنیم که سطح جایی که اموزش دیدن چگونه است
که در 8 سطح میباشد
@R_Experts
را نصب و فراخوانی کنید
> library(MASS) # load the MASS package
> painters
Composition Drawing Colour Expression School
Da Udine 10 8 16 3 A
Da Vinci 15 16 4 14 A
Del Piombo 8 13 16 7 A
Del Sarto 12 16 9 8 A
Fr. Penni 0 15 8 0 A
Guilio Romano 15 16 4 14 A
این داده ها مربوط به نقاشان کلاسیک قرن 18 میباشند که در رسته های ترکیب بندی ،رنگ بندی،... دسته بندی شده اند
> painters$School
[1] A A A A A A A A A A B B B B B B C C C C C C D D D D
[27] D D D D D D E E E E E E E F F F F G G G G G G G H H
[53] H H
Levels: A B C D E F G H
با این دستور میتوانیم مشاهده کنیم که سطح جایی که اموزش دیدن چگونه است
که در 8 سطح میباشد
@R_Experts
> school = painters$School # the painter schools
> school.freq = table(school) # apply the table function
> school.freq
school
A B C D E F G H
10 6 6 10 7 4 7 4
> cbind(school.freq)
school.freq
A 10
B 6
C 6
D 10
E 7
F 4
G 7
H 4
همان طور که مشاهده میکنید جدول فراوانی بین تعداد نقاشان و سطح جایی که اموزش دیدن رو اوردیم و به یک جدول تبدیل کردیم
و این جدول رو سپس ستونی نمودیم
مثلا
A 10
نشان دهنده ی این است که در سطح اموزش A
10 نفر اموزش دیدند
@R_Experts
> school.relfreq = school.freq / nrow(painters)
> school.relfreq
school
A B C D E F
0.185185 0.111111 0.111111 0.185185 0.129630 0.074074
G H
0.129630 0.074074
> barplot(school.freq)
> colors = c("red", "yellow", "green", "violet", + "orange", "blue", "pink", "cyan")
> barplot(school.freq, # apply the barplot function
+ col=colors) # set the color palette
ابتدا فراوانی نسبی این داده ها را محاسبه و سپس نمودار هیستوگرام انها را رسم کرد هایم که نمودار ها را در پایین مشاهده میکنید 👇👇👇
@R_Experts
> pie(school.freq)
> colors = c("red", "yellow", "green", "violet",
+ "orange", "blue", "pink", "cyan")
> pie(school.freq, # apply the pie function
+ col=colors) # set the color palette
نمودار دایره ای مربوطه👇👇👇👇
@R_Experts
#Solution_Practice_3
> cc<-c(1,2,3,4,5,2,1,2,3,4,3,2,1,2,3,4,3,2,1,2,5,4,3,2,1)
> A<-matrix(cc,5,5)
> A
[,1] [,2] [,3] [,4] [,5]
[1,] 1 2 3 4 5
[2,] 2 1 2 3 4
[3,] 3 2 1 2 3
[4,] 4 3 2 1 2
[5,] 5 4 3 2 1
> b<-matrix(c(7,-1,-3,5,17),5,1)
> b
[,1]
[1,] 7
[2,] -1
[3,] -3
[4,] 5
[5,] 17
> x<-solve(A)%*%b
> x
[,1]
[1,] -2
[2,] 3
[3,] 5
[4,] 2
[5,] -4
#factor_function
فرم کلی این تابع به صورت :
factor(x = character(), levels, labels = levels,
exclude = NA, ordered = is.ordered(x))
که از یک رشته شی محتويات انها را خارج و در
Levels
قرار میدهد و میتوان به انها برچسب نیز نسبت داد ، و ordered ترتیب را برای ما مشخص میکند
ترتیب اعضای فاکتور را مشخص میکند
@R_Experts
فرم کلی این تابع به صورت :
factor(x = character(), levels, labels = levels,
exclude = NA, ordered = is.ordered(x))
که از یک رشته شی محتويات انها را خارج و در
Levels
قرار میدهد و میتوان به انها برچسب نیز نسبت داد ، و ordered ترتیب را برای ما مشخص میکند
> mons = c("March","April","January","November","January",
+ "September","October","September","November","August",
+ "January","November","November","February","May","August",
+ "July","December","August","August","September","November",
+ "February","April")
> mons = factor(mons)
> table(mons)
mons
April August December February January July
2 4 1 2 3 1
March May November October September
1 1 5 1 3
ordered=TRUEترتیب اعضای فاکتور را مشخص میکند
> fert = c(10,20,20,50,10,20,10,50,20)
> fert = factor(fert,levels=c(10,20,50),ordered=TRUE)
> fert
[1] 10 20 20 50 10 20 10 50 20
Levels: 10 < 20 < 50
@R_Experts
#abs
x: Numeric value, array or vector
@R_Experts
abs(x)
x: Numeric value, array or vector
> abs(-1)
[1] 1
> abs(20)
[1] 20
> abs(0)
[1] 0
> x <- c(-2,4,0,45,9,-4)
> abs(x)
[1] 2 4 0 45 9 4
> x <- matrix(c(-3,5,-7,1,-9,4),nrow=3,ncol=2,byrow=TRUE)
> abs(x[1,])
[1] 3 5
> abs(x[,1])
[1] 3 7 9
@R_Experts
#atan
atan() function returns the radian arctangent of number data.
x: Numeric value, array or vector
@R_Experts
atan() function returns the radian arctangent of number data.
atan(x)
x: Numeric value, array or vector
> atan(1)
[1] 0.7853982
> atan(0)
[1] 0
> atan(0.5)
[1] 0.4636476
> x <- c(1, 0, 0.5)
> atan(x)
[1] 0.7853982 0.0000000 0.4636476
@R_Experts
#beta
beta() function return the beta function and the natural logarithm of the beta function.
B(a,b) = Γ(a)Γ(b)/Γ(a+b)
beta(a, b)
a,b: non-negative numeric vectors
@R_Experts
beta() function return the beta function and the natural logarithm of the beta function.
B(a,b) = Γ(a)Γ(b)/Γ(a+b)
beta(a, b)
a,b: non-negative numeric vectors
> beta(4,9)
[1] 0.0005050505
> x <- c(3,6, 4)
> y <- c(7,4, 12)
> beta(x,y)
[1] 0.0039682540 0.0019841270 0.0001831502
@R_Experts
#choose()
choose(n,r)
n: n elements
r: r subset elements
...
nCr = n!/(r! * (n-r)!)
@R_Experts
choose(n,r)
n: n elements
r: r subset elements
...
nCr = n!/(r! * (n-r)!)
> choose(5,2)
[1] 10
> choose(2,1)
[1] 2
@R_Experts
#log( )
function computes natural logarithms (Ln) for a number or vector. log10 computes common logarithms (Lg).log2 computes binary logarithms (Log2). log(x,b) computes logarithms with base b.
@R_Experts
function computes natural logarithms (Ln) for a number or vector. log10 computes common logarithms (Lg).log2 computes binary logarithms (Log2). log(x,b) computes logarithms with base b.
>log(5) #ln5
[1] 1.609438
>log10(5) #lg5
[1] 0.69897
>log2(5) #log25
[1] 2.321928
>log(9,base=3) #log39 = 2
[1] 2
>x <- rep(1:12)
>x
[1] 1 2 3 4 5 6 7 8 9 10 11 12
>log(x)
[1] 0.0000000 0.6931472 1.0986123 1.3862944 1.6094379 1.7917595 1.9459101
[8] 2.0794415 2.1972246 2.3025851 2.3978953 2.4849066
>log(x,6)
[1] 0.0000000 0.3868528 0.6131472 0.7737056 0.8982444 1.0000000 1.0860331
[8] 1.1605584 1.2262944 1.2850972 1.3382908 1.3868528
@R_Experts
log10() function computes base 10 logarithm.
x: numeric vector
@R_Experts
log10(x)
x: numeric vector
> log10(100)
[1] 2
> x <- c(100,1000, 10000)
> log10(x)
[1] 2 3 4
@R_Experts