R语言入门基础之矩阵

数模天下

矩阵(matrix)

矩阵生成函数matrix():matrix(data, nrow = , ncol = , byrow = F)，其中，数据data是必须的，其他都是选择参数，可以不选。byrow = F默认为按列来排列数据，如果想要按行排列，令byrow = T。
1、对角矩阵和单位阵。
7 M* Y" L* V$ w6 d# r& q$ h% ]例1：x <- 1:6; diag(x) #对角矩阵
8 i" ^' q! l4 m例2：y <- rep(1, 5); diag(y) #单位阵
  N4 }, @2 L' T* v' [
2、矩阵下标
" W& V$ C- t# Z' |% L2 _5 Y例1：xx <- matrix(1:20, 4, 5)
xx[2, 2]; xx[2, 3:5]; xx[3:4, 3:4]
xx[2, ]; xx[ , 2]
) a2 S+ B% ~% [' d. f$ ?. k1 v9 }
8 U6 `, K$ t9 g1 B; Y3、代数意义下的矩阵乘法"%*%"
例1：yy <- matrix(1:6, 3, 2); zz <- matrix(1:6, 2, 3)
yy %*% zz; zz %*% yy

4、矩阵行和列的维数
4 v% a; s3 I) M3 R( B; R例1：xx <- matrix(1:20, 4, 5)
dim(xx) #行和列的维数
nrow(xx); ncol(xx) #行数和列数
3 U7 K1 N. R% v& h
5、矩阵的主要运算函数
例1：x <- 1:6; y <- as.matrix(x) #转换成矩阵
& N$ X+ Q1 Q, Y& ais.matrix(x); is.matrix(y) #判断是否矩阵
例2：   diag() #方阵对角线元素或者生成对角矩阵
apply() #对矩阵应用函数
eigen() #求特征值和特征向量
solve() #求逆矩阵
chol() #Choleski分解
svd() #奇异值分解
qr() #QR分解
# M) v& j0 s/ F: x) Kdet() #求行列式
dim() #给出行列数
* S; K7 j; L9 E% \1 et() #矩阵转置
$ S9 t  r$ S0 D( J
2 t/ o- w6 j3 E) M, _3 D: k* X/ M6、矩阵合并
例1：aa <- matrix(1:6, 3, 2);  bb <- matrix(7:12, 3, 2)
5 C) y8 ^. V& R& }8 l0 l' \cbind(aa, bb) #按列合并
rbind(aa, bb) #按行合并
+ _9 B+ v9 E7 G' \/ a
7、矩阵apply()运算函数：语法是apply(data, dim, function),dim取1表示对行运用函数，取2表示对列运用函数。
0 _3 k; S5 q* l; Z% {% k; M例1：xx <- matrix(1:20, 4, 5)
colMeans(xx) #列均值
colSums(xx) #列和
. ~+ W, m. y. q7 @- L; x5 J其余大部分都要用到apply()函数
1 _& j" {  C6 M1 M4 T5 p: l3 W( z例2：xx <- matrix(1:20, 4, 5)
apply(xx, 2, mean) #列均值，等同于colMeans(xx)
: O( [" f: n7 M& o- m! @apply(xx, 2, sum) #列和，等同于colMeans(xx)，所以矩阵行和列的运算推荐用apply()。
apply(xx, 1, var) #行方差
5 J% }& u( U! Happly(xx, 2, max) #每列最大值
apply(xx, 2, rev) #每列的数反排列
4 B4 U& X# n$ `" k/ r) v& K( S% g3 T
/ X! P# F0 @2 n" D$ v
+ g( y# [1 `% x  ?2 o2 Y! K: }