Note2_Vector_H24071126葉嘉浤.rmd

---
title: "Note_Vector_H24071126葉嘉浤"
author: "H24071126葉嘉浤"
date: "2020/5/6"
output: html_document
---
# 數值型向量
## 建立向量
```{r}
#將一個向量與另外一個向量組合
vt1 <- c(1:5)
vt2 <- c(3:6)
vt2 <- c(vt2, vt1)
vt2
```
## 用相同的序列形成向量
```{r}
#用seq()和rep()產生相同的序列，形成向量
seq(1, 5, by = 0.5)
seq(1, 10, length.out = 5)
rep(3, 12)
rep(seq(2, 10, 2), 2)
```
## 建立空的向量(將向量初始化)
```{r}
#要指派物件到向量，須將向量初始化
null.v <- c()
null.v
```

```{r}
a <- c(3, 5, 9, 10)
b <- c(14, 15, 17)
V1 <- c()
V1 <- c(V1, a, b) 
V1
```

```{r}
b <- c(14, 15, 17)
V2 <- rep(0, 7) 
V2[1:4] <- a
V2
V2[5:7] <- b
V2
```

```{r}
a <- c(3, 5, 9, 10)
b <- c(14, 15, 17)
V3 <- rep(NA, 7) 
V3[1:4] <- a
V3
V3[5:7] <- b
V3
```
#### 何時使用空的向量或已知長度的向量
```{}
c( ):容易指派物件，且不需知道長度
rep(NA, n):知道長度和物件的位置
```
## 向量中的元素
```{r}
#用unique()回傳每個物件出現的次數
#用table()計算每個物件出現的次數
b <- c(3, 3, 3, 3, 5, 5, 1, 2, 10, 10, 8)
unique(b)
table(b)
```
## 集合運算
```{r}
B <- c(3, 1, 5, 4, 7); C <- c(23, 1, 44, 5, 3)
#聯集
union(B, C)
#交集
intersect(B, C)
#找出兩個向量中不同的物件
setdiff(B, C)
#檢驗是否量兩個向量相同
setequal(B, C)
```

```{r}
#用sort()或order()排序向量中的物件
#sort(x, decreasing = FALSE, . . . )
a <- c(3, 4, 2, 7, 10, 23, 8, 9, 11)
sort(a)
#遞減排序
sort(a, decreasing = TRUE)
```
## 在已排序的向量中，找物件的位置
```{r}
#每個物件都有自己的index
#order(. . . , na.last = TRUE, decreasing = FALSE)
a <- c(3, 4, 2, 7, 10, 23, 8, 9, 11)
inc.order <- order(a)
dec.order <- order(a, decreasing = TRUE)
inc.order    #輸出index
a[inc.order] #輸出物件
dec.order
a[dec.order]
```
## 將向量中的物件交換位置
```{r}
a <- c(3, 4, 2, 7, 10, 23, 8, 9, 11)
a[5] <- -3
a[8] <- -1
a
```
## 刪除向量中的物件
```{r}
vt1
vt1[-2]
vt2
vt2[-c(3:6)]
```
# 2.字串形向量
## 輸出字串
```{r}
"Hello World!!!"
print("Hello R World!!!")
```
## 分割字串
```{r}
TEXT1 <- "Let's go to a game."
strsplit(TEXT1, " ")
TEXT2 <- "Hurry! We are late!"
strsplit(TEXT2, "!")
```
## 大小寫
```{r}
#toupper():所有字元改為大寫
#tolower():所有字元改為小寫
toupper(TEXT1)
tolower(TEXT2)
```
## 字串型向量
```{r}
#Character vector:由字元或字串構成的向量
#向量中的所有物件必須是同型態
colors <- c("red", "yellow", "BLUE")
more.colors <- c(colors, "green", "cyan")
more.colors
#將不同型態的物件放到同一個向量
z <- c("red", "green", 12)
z
```
### (e).Basic operations for character vectors
```{r}
#用substr( )取出子字串
colors <- c("red", "yellow", "blue")
substr(colors, 1, 3)
#用grep()在向量中尋找字元
#grep ：global regular expression print
#grep()會回傳想找的字元所在的物件的index
grep("y", more.colors)
grep("e", more.colors)
#找到該字元所在的物件並顯示整個物件
y.in.V <- grep("y", more.colors)
e.in.V <- grep("e", more.colors)
more.colors[y.in.V]
more.colors[e.in.V]
#grep()會區分大小寫
E.in.V <- grep("E", more.colors)
more.colors[E.in.V]
#用paste建立字串()
#同一個字串中，用空白分隔
paste(colors, "line") 
#同一個字串中，無分隔
paste(colors, "line", sep = "" )
#用";"分隔兩個字串
paste("I like", colors, collapse = "; ")
```
## factor因子
```{r}
#factor(): actor(x = character())
colors <- c("red","yellow", "blue")
f.c <- factor(colors)
f.c
levels(f.c)
as.integer(f.c)
```
# 3.邏輯型向量
## 相關字元
```{r}
#TRUE and FALSE是被保留的字，在程式中用於判斷是否符合邏輯
#T、F被設定為代表TRUE、FALSE，在全球通用
TRUE
FALSE
T
F
```
## 邏輯
```{r}
c(3 < 5, 3 > 5)
c(3 <= 5, 3 >= 5)
#“==”:物件相等
3 == 5
#“!=”:物件不相等
3 != 5
```
## 布林運算
```{r}
A <- c(T, T, F, T, F)
B <- c(3, 1, 5, 4, 7) 
A
B[A] #只會output TRUE 對應的物件
!A   
B[!A] #output FALSE 對應的物件
#查看TRUE、FALSE的數量
A <- c(T, T, F, T, F)
sum(A) #TRUE的數量
sum(!A) #FALSE的數量
```
### (d).Logical vector
```{r}
#檢驗兩個向量中，每個位置的物件是否相同.
B <- c(3, 1, 5, 4, 7); C <- c(23, 1, 44, 5, 3)
B == C
D <- c(2, 5 ,6, 10)
B == D
```
### (e).“is.” series
```{r}
#is.XYZ()：檢驗()中的物件是否屬於XYZ的型態
#is.null();is.na();is.nan();is.infinite()
#is.character();is.integer();is.numeric()
is.null(c())
c(is.na(NA), is.na(2))
x1 <- 1:5
x2 <- c(1:3, 2.2)
x3 <- colors
c(is.integer(x1), is.numeric(x1), is.double(x1))
c(is.integer(x2), is.numeric(x2), is.double(x2))
c(is.character(x3), is.numeric(x3))
```
## 檢驗向量的型態
```{r}
#用class()檢驗向量的型態
a <- c(3, 4, 2, 7, 10, 23, 8, 9, 11)
b <- c("red", "yellow", "blue")
c <- c(TRUE, FALSE)
d <- factor(c)
c(class(a), class(b), class(c), class(d))
c(class(2), class(2.0), class(as.integer(2)))
```