基本的程式筆記設定，安裝、載入一些基本的套件
rm(list=ls(all=T))
knitr::opts_chunk$set(comment = NA)
knitr::opts_knit$set(global.par = TRUE)
par(cex=0.8); options(scipen=20, digits=4, width=90)
if(!require(pacman)) install.packages("pacman")
pacman::p_load(magrittr)Given a strategy which may lead to \(n\) different outcomes …
\[\pi = \sum_{i=1}^{n} p_i \times v_i \qquad(1)\]
1. 定義資料物件： 分別把報酬(\(v_i\))和機率(\(p_i\))放在v和p這兩個
2. 執行運算式 用sum(p * v)這一個pi這個
3. 印出結果 並且把它列印出來
[1] 5noTimes = 3L # 整數 integer
myWeight = 75.2 # 數值 numeric
isAsian = TRUE # 邏輯 Boolin
myName = "Tony Chuo" # 字串 character
date1 = as.Date("2019-01-01") # 日期 Date(基本值的)向量物件
noBuy = c(3L, 5L, 1L, 1L, 3L) # 整數向量
height = c(175, 168, 180, 181, 169) # 數值向量
isMale = c(FALSE, TRUE, FALSE, TRUE, TRUE) # 邏輯向量字串向量
類別向量
gender = factor( c("F", "M", "F", "M", "M") )
skin_color = factor( c("black", "black", "white", "yellow", "white") )
💡 學習重點：
■
■ noTime、myWeight、isAsian、myName、date1)其實都是長度為1的向量物件
■ 在物件導向的語言裡面，
■ 我們可以用str()和class()這兩個內建功能來查看物件的結構和種類
[1] "logical"[1] "factor" Factor w/ 2 levels "F","M": 1 2 1 2 2 ■ 早期的R，其最主要的目的就是要簡化向量運算
■ 四則運算和內建功能大多都可以直接作用在向量上面
[1] 1 20 300 4000連續的整數
[1] -1 -2 -3 -4 -5 -6次方運算和科學記號
[1] 0.01 0.10 1.00 10.00 100.00 1000.00當向量不一樣長時 …
[1] 10 10 30 20單值：長度為1的向量
[1] 10 20 30 40Warning in c(10, 20, 30, 40, 50, 60, 70, 80) + c(1, 2, 3): longer object length is not a
multiple of shorter object length[1] 11 22 33 41 52 63 71 82指定物件的名稱： = 和 <- Assignment Operator
[1] 12 20 -15 -24邏輯運算 Logic Operator
[1] TRUE FALSE FALSE FALSE[1] TRUE TRUE FALSE FALSE[1] FALSE FALSE TRUE FALSE[1] FALSE FALSE TRUE TRUE
💡 學習重點：
■ 『指定(=, <-)』與『測試相等(==)』是兩個不同的運算符號
■ 邏輯運算的結果通常是一個邏輯向量
The Expected Payoff is： \(\sum p \times v\)
[1] -7內建功能通常第一個參數都是向量物件
[1] 1.000 1.414 1.732 2.000 2.236 2.449 2.646 2.828 3.000
💡 學習重點： R的功能通常都有很多個參數，我們需要注意參數的：
■ 名稱
■ 位置
■ 預設值
[1] 2[1] 3[1] 3連續呼叫功能
[1] 1.00 1.41 1.73 2.00 2.24 2.45 2.65 2.83 3.00管線運算符號： %>%
[1] 1.00 1.41 1.73 2.00 2.24 2.45 2.65 2.83 3.00我們用索引來選擇資料結構中的子元件，索引本身也是向量，常用的索引方式包括：
位置索引：整數向量
[1] 3 3[1] 168 180 181[1] FALSE TRUE FALSE TRUE名稱索引：字串向量 資料結構的子元件有名稱的時候
[1] 175 168 180 181 169 Amy Bob Cindy Danny Edward
175 168 180 181 169 我們可以用子元件的名稱來做索引
Bob Danny
168 181 條件索引：邏輯向量
條件索引基本上是和原向量一樣長的一個邏輯向量
[1] 3 5 3 Amy Bob Edward
175 168 169 💡: 條件索引讓我們可以使用邏輯運算式的結果當索引、使用條件來挑選資料結構子中的子元件
[1] "Amy" "Cindy" "Danny"
🗿 練習：
請使用這些預先定義好的向量回答以下問題 …
noBuy = c(3L, 5L, 1L, 1L, 3L) # 整數向量
height = c(175, 168, 180, 181, 169) # 數值向量
isMale = c(FALSE, TRUE, FALSE, TRUE, TRUE) # 邏輯向量
name = c("Amy", "Bob", "Cindy", "Danny", "Edward") # 字串向量
gender = factor( c("F", "M", "F", "M", "M") ) # 邏輯向量
skin_color = factor( c("black", "black", "white", "yellow", "white") ) # 邏輯向量🗿: 請列出 所有男生的名字
[1] "Bob" "Danny" "Edward"🗿: 請列出 身高大於180cm的人的名字
🗿: 請列出 身高大於180cm的黃種人的名字
🗿: 請算出 男生的平均身高
[1] 172.7🗿: 請算出 女生總共買了多少次
🗿: 請算出 白種女生總共有多少人
通常資料框中的每一筆記錄代表一個分析單位，每個欄位值代表分析單位之中的某一種屬性
df = data.frame(
noBuy = c(3L, 5L, 1L, 1L, 3L),
height = c(175, 168, 180, 181, 169),
isMale = c(FALSE, TRUE, FALSE, TRUE, TRUE),
name = c("Amy", "Bob", "Cindy", "Danny", "Edward"),
gender = factor( c("F", "M", "F", "M", "M") ),
skin_color = factor( c("black", "black", "white", "yellow", "white")),
stringsAsFactors=FALSE
)
df noBuy height isMale name gender skin_color
1 3 175 FALSE Amy F black
2 5 168 TRUE Bob M black
3 1 180 FALSE Cindy F white
4 1 181 TRUE Danny M yellow
5 3 169 TRUE Edward M white方便篩選
noBuy height isMale name gender skin_color
2 5 168 TRUE Bob M black方便統計
[1] 174.6分類運算
F M
177.5 172.7 資料框有非常多種索引方式，光是靠這一些索引方式，就可以做很精緻的探索性資料分析：
df[c(1,2), c(2,3)]df[c(1,2), ]df[df$height < 175 & df$isMale, ]df[df$height < 175 & df$isMale, "name"]$)：df$name[df$height < 175 & df$isMale]subset(df, height<175 & isMale)subset(df, height<175 & isMale, name)subset(df, height<175 & isMale)$namesubset(df, height<175 & isMale, c(name, noBuy)) height isMale
1 175 FALSE
2 168 TRUE noBuy height isMale name gender skin_color
1 3 175 FALSE Amy F black
2 5 168 TRUE Bob M black noBuy height isMale name gender skin_color
2 5 168 TRUE Bob M black
5 3 169 TRUE Edward M white[1] "Bob" "Edward"[1] "Bob" "Edward" noBuy height isMale name gender skin_color
2 5 168 TRUE Bob M black
5 3 169 TRUE Edward M white name
2 Bob
5 Edward[1] "Bob" "Edward" name noBuy
2 Bob 5
5 Edward 3
🗿 練習：
以下的運算式分別代表什麼意思 …
[1] "Bob" "Danny" "Edward"[1] "Danny"[1] "Amy" "Cindy"[1] 172.7[1] 177.5[1] 4[1] 1[1] 1
📝 UNIT2A 學習重點：
■ 程式：使用『運算式』定義或變更『資料物件』的過程
■ 資料物件(object)的屬性：
§ 名稱(name)
§ 值(value)
§ 種類(data type): int, num, chr, logi, Date, …
§ 結構(class)： 向量(vector), 矩陣(matrix), 資料框(data_frame), 序列(list), …
§ 大小(dim)
■ 運算式(expression)的組成：
§ 物件(object)
§ 運算符號(operator): {+, -, *, /}, {>, >=, ==}, {&, |}, …
§ 功能函數(function): 名稱, 參數, 參數次序, 預設值 …
■ 索引(Index)：
§ 位置索引
§ 邏輯索引與條件選擇
§ 名稱索引
■ 資料框(data.frame)：
§ 每一筆紀錄都有固定的欄位
§ 每一個欄位都有固定的格式
§ 每一筆紀錄和欄位都可以有名稱