1. 基本算术运算
基本的算术运算符是：
+（加法）
-（减法）
*（相乘）
/（除以）
^（取幂）
好啦，接下来让我们实践一下吧！打开你的RStudio，在控制台中直接键入以下命令：
4 + 7
[1] 11
7 - 4
[1] 3
4 * 7
[1] 28
7/4
[1] 1.75
2^4
[1] 16
在R中，“＃”用于添加注释以解释R代码的含义。
1.1 基本算术功能
常用的有：
log2(x) # x的对数以2为底 log10(x) # x的对数以10为底 exp(x) # x的指数 abs(x) # x的绝对值 sqrt(x) # x的平方根
和计算器一样，R语言也可以很方便地计算对数、指数、绝对值、平方根等，直接输入以上算术公式，按回车就可以啦，大家学会了吗？
接下来，我们要引入一个很重要的概念：变量。
简单来说，变量就是一个名称，就像你叫张三、李四一样。一个人有了名字就更方便交流了，变量也一样。通过设置变量，我们可以进行很多进阶的操作哦！
1.2 给变量赋值
例如，下面的R代码会将病人的年龄存储在一个变量中，例如"patient_age"：
patient_age <- 2
请注意，可以将<-或=用于变量分配。
请注意，R区分大小写。这意味着patient_age与Patient_Age不同。
要打印创建的对象的值，只需键入其名称：
patient_age
[1] 2
或使用函数 print()：
print(patient_age)
[1] 2
R将对象patient_age（也称为变量）保存在内存中，可以进行一些操作。
#5个病人的年龄 5 * patient_age
[1] 10
你可以更改对象的值：
patient_age <- 5 patient_age
[1] 5
函数ls()可用于查看我们创建的对象列表：
ls()
[1] "patient_age"
要删除变量，请使用函数rm()：
2. 基本数据类型
基本数据类型为数字，字符和逻辑。
my_age <- 28 my_name <- "Lily" #逻辑词 #(yes/no) <=> (TRUE/FALSE) is_female <- TRUE
可以使用函数类()来查看变量的类型：
class(my_age)
[1] "numeric"
class(my_name)
[1] "character"
你还可以使用函数is.numeric()，is.character()，is.logical()来检查变量分别是数字，字符还是逻辑。例如：
is.numeric(my_age)
[1] TRUE
is.numeric(my_name)
[1] FALSE
如果要将变量的类型更改为另一类型，请使用as。*函数，包括：as.numeric()，as.character()，as.logical()等。
my_age
[1] 28
#Convert my_age to a character variable as.character(my_age)
[1] "28"
请注意，将字符转换为数字将输出NA（不可用）。R无法将数字变量转换为字符变量。
3. 向量
向量是同一对象中多个值（数字，字符或逻辑）的组合。
在这种情况下，你可以具有数字向量，字符向量或逻辑向量。
3.1 创建一个向量
使用函数c()创建矢量，如下所示：
#储存病人的数据到一个数值向量 patient_ages <- c(27, 25, 29, 26) patient_ages
[1] 27 25 29 26
#保存病人的名字到一个字符向量
my_patients <- c("Zheng", "Wang", "Liu", "Li")
my_patients[1] "Zheng" "Wang" "Liu" "Li"
# 将病人的婚姻状况存储在逻辑向量中 # (yes/no <=> TRUE/FALSE) are_married <- c(TRUE, FALSE, TRUE, TRUE) are_married
[1] TRUE FALSE TRUE TRUE
使用函数names()可以给向量的元素命名。
#具有元素名称的向量
names(patient_ages) <- c("Zheng", "Wang", "Liu", "Li")
patient_agesZheng Wang Liu Li
27 25 29 26
#你还可以创建一个命名向量，如下所示 patient_ages <- c(Zheng = 27, Wang = 25, Liu = 29, Li = 26) patient_ages
Zheng Wang Liu Li
27 25 29 26
请注意，向量只能容纳相同类型的元素。例如，你不能有一个既包含字符又包含数字值的向量。
查找向量的长度（即向量中元素的数量）
#病人数量 length(my_patients)
[1] 4
3.2 缺失值的情况
我知道我的一些病人有两个孩子。但是对于其余的病人，此信息缺失（NA）。
在R中，缺失值（或缺失信息）用NA表示：
have_child <- c(Zheng = "yes", Wang = "yes", Liu = NA, Li = NA) have_child
Zheng Wang Liu Li
"yes" "yes" NA NA
可以使用函数is.na()来检查数据是否包含缺失值。函数is.na()的结果是一个逻辑向量，其中值TRUE指定x中的对应元素为NA。
#检查have_child是否包含缺失值 is.na(have_child)
Zheng Wang Liu Li
FALSE FALSE TRUE TRUE
请注意，还有第二种缺失值，称为NaN（“非数字”）。这是在数学函数无法正常运行的情况下产生的，例如0/0 = NaN。
还要注意，对于NA和NaN值，函数is.na()均为TRUE。为了区分这些，函数is.nan()仅对NaN是TRUE。
3.3 获取向量的子集
通过正索引选择：通过向量在方括号中的位置（索引）选择元素
#选取第二个病人名字 my_patients[2]
[1] "Wang"
#选取第二和第四个病人名字 my_patients[c(2, 4)]
[1] "Wang" "Li"
#选取第一到三个病人名字 my_patients[1:3]
[1] "Zheng" "Wang" "Liu"
请注意，R从1开始索引，而不是0。因此，你的第一列位于[1]而非[0]。
如果你有命名向量，也可以使用名称来选择元素：
patient_ages["Liu"] Liu
28
通过负索引进行选择：排除元素
#去除第二个病人 my_patients[-2]
[1] "Zheng" "Liu" "Li"
#去除第二和第四个病人 my_patients[-c(2, 4)]
[1] "Zheng" "Liu"
#去除第一到三个病人 my_patients[-(1:3)]
[1] "Li"
如果要删除丢失的数据，请使用以下方法：
have_child
Zheng Wang Liu Li
"yes" "yes" NA NA
#只保留无缺失的数据 have_child[!is.na(have_child)]
Zheng Wang
"yes" "yes"
#将缺失值转成 NOhave_child[is.na(have_child)] <- "NO" have_child
Zheng Wang Liu Li
"yes" "yes" "NO" "NO"
请注意，
R中可用的“逻辑”比较运算符为：
<：少于
>：大于
<=：小于或等于
> =：大于或等于
==：相等
！=：不相等
3.4 向量计算
如果对向量执行操作，则该操作将应用于向量的每个元素。下面提供了一个示例：
#病人的每周住院费用
payment <- c(2000, 1800, 2500, 3000)
names(payment) <- c("Zheng", "Wang", "Liu", "Li")
paymentZheng Wang Liu Li
2000 1800 2500 3000
#费用的两倍 payment * 2
Zheng Wang Liu Li
4000 3600 5000 6000
如你所见，R将费用向量中的每个元素乘以2。
假如你需要将费用乘以不同的系数。可以使用以下R代码：
#创建与付款相同长度的coefs向量 coefs <- c(2, 1.5, 1, 3) #乘以coefspayment * coefs
Zheng Wang Liu Li
4000 2700 2500 9000
请注意，计算是逐元素进行的。工资向量的第一个元素乘以coefs向量的第一个元素，依此类推。
计算数值向量的平方根：
my_vector <- c(4, 16, 9) sqrt(my_vector)
[1] 2 4 3
其他一些常用的功能，小编在这里列出，欢迎尝试：
max(x) min(x) range(x) length(x) sum(x) mean(x) sd(x) var(x) sort(x)
4. 因素
因子变量表示数据中的类别或组。函数factor()可用于创建因子变量。
创建一个因素
patient_groups <- factor(c(1, 2, 1, 2)) patient_groups
[1] 1 2 1 2
Levels: 1 2
变量patient_groups包含两类病人：1和2。在R术语中，类别称为因素水平（factor level）。
可以使用level()函数访问因素水平：
#查看因素水平 levels(patient_groups)
[1] "1" "2"
#更改因素水平1、2为具体内容
levels(patient_groups) <- c("recovered_patient", "not_recovered_patient")
patient_groups[1] recovered_patient not_recovered_patient recovered_patient not_recovered_patient
Levels: recovered_patient not_recovered_patient
好了，本期讲解就先到这里。
