Datentypen in R mit Beispiel

Was sind die Datentypen in R?

Im Folgenden sind die Datentypen oder Datenstrukturen in der R-Programmierung aufgeführt:

• Skalare
• Vektoren (numerisch, zeichenhaft, logisch)
• Matrizen
• Datenrahmen
• Listen

Diese Liste vermischt zwei verwandte Ideen; durch deren Trennung wird der Rest dieser Seite übersichtlicher. Datentyp Beschreibt, was ein einzelner Wert ist – eine Zahl, ein Textabschnitt, ein WAHR oder ein FALSCH. Datenstruktur Beschreibt, wie viele Werte zusammengefasst sind und welche Form sie haben. Skalare, Vektoren, Matrizen, Dataframes und Listen sind Strukturen; die darin enthaltenen Werte gehören dennoch zu einem der grundlegenden Datentypen von R.

R kennt keinen separaten Skalar-Typ: Ein Skalar ist einfach ein Vektor der Länge eins, weshalb so viel R-Code für ganze Vektoren auf einmal geschrieben wird.

Grundlegende Datentypen in R

Jeder Wert in R gehört zu einem von wenigen Basistypen (atomaren Typen):

• 4.5 ist ein Dezimalwert, der als numerisch bezeichnet wird.
• 4 sieht zwar aus wie eine ganze Zahl, aber R speichert sie trotzdem als Gleitkommazahl. Schreiben Sie 4L, wenn eine echte ganze Zahl benötigt wird.
• WAHR oder FALSCH ist ein boolescher Wert, in R als logischer Wert bezeichnet.
• Der Wert innerhalb von "" oder ' ' ist Text (eine Zeichenkette). Diese Werte werden Zeichen genannt.

Zwei weitere Typen vervollständigen die Menge. Komplexe Werte wie 3 + 2i enthalten einen Real- und einen Imaginärteil, und Rohwerte enthalten Bytes. Beide kommen in der alltäglichen Datenanalyse selten vor, sind aber in der Basis R aufgeführt. typeof()-Dokumentation neben den vier gängigen Typen.

Mit der Klassenfunktion können wir den Typ einer Variablen überprüfen.

Beispiel 1: Überprüfung einer numerischen Variable

# Declare variables of different types
# Numeric
x <- 28
class(x)

Ausgang:

## [1] "numeric"

Beispiel 2: Überprüfen einer Zeichenvariablen

# String
y <- "R is Fantastic"
class(y)

Ausgang:

## [1] "character"

Beispiel 3: Überprüfung einer logischen Variable

# Boolean
z <- TRUE
class(z)

Ausgang:

## [1] "logical"

Beachten Sie, dass `class()` für 28 „numerisch“ zurückgibt, obwohl 28 keine Nachkommastellen hat. R speichert den Wert als Gleitkommazahl (double), und nur `typeof()` zeigt dies an. Der nächste wichtige Unterschied betrifft die Benennung dieser Werte.

Variablen in R

Variablen gehören zu den grundlegenden Bausteinen in R, die Werte speichern, und sind für jeden, der im Bereich Data Science arbeitet, von Bedeutung. Eine Variable in R kann eine Zahl, ein Objekt, ein statistisches Ergebnis, einen Vektor, einen Datensatz oder eine Modellvorhersage speichern – im Grunde alles, was R ausgibt. Wir können diese Variable später einfach durch Aufruf ihres Namens verwenden.

Um in R eine Variable zu deklarieren, muss ihr ein Name zugewiesen werden. Dieser Name darf keine Leerzeichen enthalten. Zwei Wörter können mit einem Unterstrich (_) verbunden werden.

Variablennamen dürfen Buchstaben, Ziffern, Punkte und Unterstriche enthalten, müssen aber mit einem Buchstaben oder einem Punkt beginnen. Reservierte Wörter wie TRUE, FALSE und NULL sind als Namen nicht zulässig. Um einer Variablen einen Wert zuzuweisen, verwenden Sie <- oder =.

Hier ist die Syntax:

# First way to declare a variable:  use the `<-`
name_of_variable <- value
# Second way to declare a variable:  use the `=`
name_of_variable = value

In die Befehlszeile können wir die folgenden Codes schreiben, um zu sehen, was passiert:

Beispiel 1: Einen Wert zuweisen und ausgeben

# Print variable x
x <- 42
x

Ausgang:

## [1] 42

Beispiel 2: Eine zweite Variable deklarieren

y  <- 10
y

Ausgang:

## [1] 10

Beispiel 3: Zwei Variablen in einem Ausdruck verwenden

# We call x and y and apply a subtraction
x-y

Ausgang:

## [1] 32

Eine Variable, die mehrere Werte vom gleichen Typ enthält, ist ein Vektor. Dies ist die Struktur, die fast jede R-Funktion erwartet.

Vektoren in R

Ein Vektor ist eine eindimensionale Sammlung, deren Elemente alle vom gleichen Typ sind. Wir können einen Vektor mit allen grundlegenden R-Datentypen erstellen, die wir bereits kennengelernt haben. Am einfachsten lässt sich ein Vektor in R mit der Funktion `c()` erstellen.

Beispiel 1: Erstellen eines numerischen Vektors

# Numerical
vec_num <- c(1, 10, 49)
vec_num

Ausgang:

## [1]  1 10 49

Beispiel 2: Erstellen eines Zeichenvektors

# Character 
vec_chr <- c("a", "b", "c")
vec_chr

Ausgang:

## [1] "a" "b" "c"

Beispiel 3: Erstellen eines logischen Vektors

# Boolean 
vec_bool <-  c(TRUE, FALSE, TRUE)
vec_bool

Ausgang:

##[1] TRUE FALSE TRUE

Wenn c() verschiedene Datentypen empfängt, schlägt die Funktion nicht fehl. Sie wandelt jedes Element stillschweigend in den allgemeinsten vorhandenen Datentyp um, sodass c(1, "a", TRUE) zu einem Zeichenvektor wird. In R sind auch arithmetische Berechnungen mit Vektoren möglich.

Beispiel 4: Zwei Vektoren elementweise addieren

# Create the vectors
vect_1 <- c(1, 3, 5)
vect_2 <- c(2, 4, 6)
# Take the sum of A_vector and B_vector
sum_vect <- vect_1 + vect_2
# Print out total_vector
sum_vect

Ausgang:

[1]  3  7 11

Die Addition erfolgte elementweise, da beide Vektoren die gleiche Länge haben. Bei unterschiedlichen Längen verwendet R den kürzeren Vektor erneut, bis er mit dem längeren übereinstimmt, und gibt nur dann eine Warnung aus, wenn die Länge des längeren Vektors kein Vielfaches der kürzeren ist.

Beispiel 5: Die ersten fünf Elemente aufteilen

In R ist es möglich, einen Vektor zu segmentieren. Manchmal sind wir nur an den ersten fünf Elementen eines Vektors interessiert. Wir können den Befehl [1:5] verwenden, um diese Segmente zu extrahieren.tract die Werte 1 bis 5.

# Slice the first five rows of the vector
slice_vector <- c(1,2,3,4,5,6,7,8,9,10)
slice_vector[1:5]

Ausgang:

## [1] 1 2 3 4 5

Beispiel 6: Erstellen eines Bereichs mit dem Doppelpunkt OperaDo.

Die kürzeste Methode, einen Wertebereich zu erstellen, ist die Verwendung des Doppelpunktoperators (:) zwischen zwei Zahlen. Beispielsweise können wir im obigen Beispiel c(1:10) schreiben, um einen Vektor mit den Werten von eins bis zehn zu erzeugen.

# Faster way to create adjacent values
c(1:10)

Ausgang:

## [1]  1  2  3  4  5  6  7  8  9 10

Da sich der Typ eines Vektors beim Mischen stillschweigend ändert, lohnt es sich, zu wissen, wie man Typen bei Bedarf überprüft und konvertiert.

Wie man Datentypen in R prüft und konvertiert

Drei Funktionsfamilien beantworten die drei immer wiederkehrenden Fragen: Was ist das? Ist das ein vorgegebener Typ? Und kann das zu einem anderen Typ werden?

# Three different views of the same value
x <- 28
class(x)      # "numeric"  -- the class used for method dispatch
typeof(x)     # "double"   -- how R stores the value internally
mode(x)       # "numeric"  -- the older S-style mode

# Ask a yes/no question about a type
is.numeric(x)     # TRUE
is.character(x)   # FALSE

# Convert between types
as.character(x)   # "28"
as.integer("28")  # 28 stored as an integer
as.numeric("abc") # NA, with a coercion warning

Zwei Regeln erklären die meisten Überraschungen hier. Erstens: `class()` gibt die für die Methodenaufrufe verwendete Klasse zurück, während `typeof()` den internen Speicher zurückgibt. Daher ist 28 für den einen Typ „numerisch“ und für den anderen „double“. Zweitens: Eine fehlgeschlagene Konvertierung führt nicht zum Abbruch des Skripts: `as.numeric("abc")` gibt NA zurück und gibt eine Typumwandlungswarnung aus. Daher deuten stille NA-Werte nach einem Import fast immer auf ein Typproblem hin. Dieselbe Logik treibt … Faktoren, die Kategorien als ganzzahlige Codes plus eine Tabelle von Stufen speichern.

Nachdem die Datentypen festgelegt sind, geht es als nächstes um die Operatoren, die auf diese Datentypen angewendet werden.

R Arithmetik Operatoren

Zunächst betrachten wir die grundlegenden arithmetischen Operatoren in R. Im Folgenden sind die arithmetischen Operatoren in der R-Programmierung und ihre Bedeutung aufgeführt:

Jeder dieser Operatoren ist vektorisiert, sodass derselbe Ausdruck sowohl auf einen einzelnen Wert als auch auf eine ganze Spalte angewendet werden kann.

Beispiel 1: Addition

# An addition
3 + 4

Ausgang:

## [1] 7

Sie können den obigen R-Code einfach kopieren und einfügen in den RStudio Konsole. In diesem Artikel wird die Ausgabe in Zeilen angezeigt, die mit ## beginnen. Wenn wir beispielsweise den Code print(" schreibenGuru99") gibt die Konsole [1] aus.Guru99", was auf dieser Seite als ## [1] angezeigt würde.Guru99. "

Das ## kennzeichnet eine Zeile der gedruckten Ausgabe, und die Zahl in der eckigen Klammer ([1]) ist der Index des ersten Wertes in dieser Zeile und nicht Teil des Ergebnisses.

Sätze, die mit # beginnen, sind Kommentare. Wir können # innerhalb eines R-Skripts verwenden, um beliebige Anmerkungen hinzuzufügen, und R ignoriert diese zur Laufzeit.

Beispiel 2: Multiplikation

# A multiplication
3*5

Ausgang:

## [1] 15

Beispiel 3: Division

# A division
(5+5)/2

Ausgang:

## [1] 5

Beispiel 4: Potenzierung

# Exponentiation
2^5

Ausgang:

## [1] 32

Beispiel 5: Modulo

# Modulo
28%%6

Ausgang:

## [1] 4

Arithmetische Operationen erzeugen Zahlen. Die nächste Gruppe von Operatoren erzeugt stattdessen WAHR und FALSCH.

R Relational (Comparative) Operatoren

Relationale Operatoren vergleichen zwei Werte und geben ein logisches Ergebnis zurück. Sie sind die Operatoren, die die für die Filterung verwendeten Bedingungen erstellen, und sie werden auf genau die gleiche Weise vektorisiert wie die arithmetischen Operatoren.

a <- 10
b <- 3

a > b     # TRUE
a < b     # FALSE
a >= 10   # TRUE
a <= 3    # FALSE
a == b    # FALSE
a != b    # TRUE

# Relational operators are vectorised
scores <- c(45, 78, 90, 62)
scores >= 60   # FALSE TRUE TRUE TRUE

Zwei Gewohnheiten sparen hier Zeit. Verwenden Sie == für Vergleiche und <- für Zuweisungen, da ein einzelnes = innerhalb einer Bedingung ein häufiger Anfängerfehler ist. Vermeiden Sie außerdem == bei Gleitkommazahlen: Durch die Rundung von Gleitkommazahlen ist 0.1 + 0.2 == 0.3 FALSE, daher ist isTRUE(all.equal(0.1 + 0.2, 0.3)) die sichere Methode. Vergleiche auf sortierte Datenrahmen Befolgen Sie die gleichen Regeln.

R Logisch Operatoren

Mithilfe logischer Operatoren möchten wir Werte innerhalb eines Vektors basierend auf logischen Bedingungen zurückgeben. Die folgende Tabelle listet die in R verfügbaren logischen Operatoren auf.

Logische Anweisungen in R werden in eckige Klammern [] eingeschlossen. Wir können beliebig viele bedingte Anweisungen hinzufügen, diese müssen jedoch in Klammern gesetzt werden. Eine bedingte Anweisung kann folgendermaßen aufgebaut sein:

variable_name[(conditional_statement)]

Mit `variable_name` bezeichnen wir die Variable, die wir für die Anweisung verwenden möchten. Wir erstellen die logische Anweisung, zum Beispiel `variable_name > 0`. Abschließend setzen wir die eckigen Klammern, um die logische Anweisung abzuschließen. Nachfolgend finden Sie ein Beispiel für eine logische Anweisung.

Beispiel 1: Vergleich jedes Elements eines Vektors

# Create a vector from 1 to 10
logical_vector <- c(1:10)
logical_vector>5

Ausgang:

## [1]FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE

In der obigen Ausgabe liest R jeden Wert und vergleicht ihn mit der Bedingung `logical_vector>5`. Ist der Wert größer als fünf, ist die Bedingung WAHR, andernfalls FALSCH. R gibt einen Vektor mit den Werten WAHR und FALSCH zurück.

Beispiel 2: Nur die passenden Elemente behalten

Im folgenden Beispiel möchten wir extracWir wählen die Werte aus, die die Bedingung „ist strikt größer als fünf“ erfüllen. Dazu setzen wir die Bedingung in eckige Klammern, denen der Vektor mit den Werten vorangestellt wird.

# Print value strictly above 5
logical_vector[(logical_vector>5)]

Ausgang:

## [1]  6  7  8  9 10

Beispiel 3: Zwei Bedingungen kombinieren

# Print 5 and 6
logical_vector <- c(1:10)
logical_vector[(logical_vector>4) & (logical_vector<7)]

Ausgang:

## [1] 5 6

Beispiel 3 verwendet absichtlich das einzelne kaufmännische Und-Zeichen (&). Die einstelligen Operatoren & und | vergleichen Vektoren elementweise und geben einen Vektor zurück, was für die Teilmengenbildung erforderlich ist. Die doppelten Formen && und || geben einen Wert zurück und gehören in if()- und while()-Bedingungen. R4.3.0Die Übergabe eines Arguments mit mehr als einem Element an && oder || führt zu einem Fehler und nicht zu einer Warnung; daher sind die beiden Operatorfamilien nicht mehr austauschbar. Der !-Operator negiert eine Bedingung, und xor() führt ein exklusives ODER durch.

R-Zuweisung Operatoren

Zuweisungsoperatoren binden einen Wert an einen Namen. R bietet mehr davon als die meisten anderen Sprachen, und die Unterschiede spielen eine Rolle, sobald der Code in die Syntax verschoben wird. Funktionen.

# Left assignment -- the idiomatic form
count <- 5

# Equals sign: works, but reserve it for function arguments
count = 5
round(3.14159, digits = 2)

# Right assignment
5 -> count

# Superassignment, used inside functions to reach an outer scope
count <<- 5

Stilrichtlinien empfehlen <- zum Erstellen von Objekten und = zum Benennen von Argumenten innerhalb eines Funktionsaufrufs, da die beiden Rollen so visuell unterscheidbar bleiben. Verwenden Sie <<- sparsam: Es verändert ein Objekt außerhalb der aktuellen Funktion und erschwert das Verständnis des Codes. Sobald Sie mit Zuweisungen und Typen vertraut sind, folgen die nächsten Schritte. Importieren von Echtzeitdaten und Reshaping es mit dplyr; das R-Sprachübersicht setzt die gesamte Toolkette in den Kontext.

Häufig gestellte Fragen