R语言向量语法的详细教程

在R语言中，向量（Vector）是最基础、最核心的数据结构。R语言中的几乎所有标量（单个数字或字符）在底层都是作为长度为1的向量存在的。理解向量的运作机制，是精通R语言的关键。

以下是R语言向量语法的详细教程大全。

一、 向量的创建 (Creating Vectors)

在R中，向量是一维的，并且只能包含同一种基本数据类型。

1. 使用c()函数拼接

c()是 concatenate（连接）的缩写，是最常用的创建向量的方法。

# 创建数值型向量v_num<-c(1,2.5,4.8,10)# 创建字符型向量v_chr<-c("Apple","Banana","Cherry")# 创建逻辑型向量v_logi<-c(TRUE,FALSE,TRUE,TRUE)

2. 使用:生成连续整数序列

v_seq1<-1:10# 包含 1 到 10 的整数v_seq2<-10:1# 递减序列：10, 9, 8... 1v_seq3<-2.5:8.5# 生成 2.5, 3.5, 4.5, 5.5, 6.5, 7.5, 8.5

3. 使用seq()函数生成等差数列

seq()提供了比:更高的自由度。

# seq(from, to, by) - by表示步长seq(1,10,by=2)# 返回: 1 3 5 7 9# seq(from, to, length.out) - 指定生成的元素总个数seq(0,1,length.out=5)# 返回: 0.00 0.25 0.50 0.75 1.00

4. 使用rep()函数生成重复序列

# rep(x, times) - 整体重复rep(c(1,2),times=3)# 返回: 1 2 1 2 1 2# rep(x, each) - 逐个元素重复rep(c(1,2),each=3)# 返回: 1 1 1 2 2 2# 结合使用rep(c("A","B"),each=2,times=2)# 返回: "A" "A" "B" "B" "A" "A" "B" "B"

二、 向量的数据类型与强制转换

向量要求所有元素类型一致。如果用c()拼接不同类型的元素，R会自动进行隐式强制类型转换（Coercion）。

1. 隐式转换规则

转换优先级（从低到高，低优先级会被转换为高优先级）：
逻辑型 (Logical) -> 整型 (Integer) -> 数值型 (Numeric) -> 字符型 (Character)

c(TRUE,10)# TRUE 被转为 1，结果为数值型向量: 1 10c(3.14,"R")# 3.14 被转为字符，结果为字符型向量: "3.14" "R"c(FALSE,2L,"A")# 全部转为字符型: "FALSE" "2" "A"

2. 显式类型转换

你可以使用as.*()族函数强制改变向量的类型。

x<-c("12.5","8","99")as.numeric(x)# 转为数值: 12.5 8.0 99.0y<-c(0,1,-5)as.logical(y)# 0转为FALSE，所有非0值转为TRUE: FALSE TRUE TRUE

三、 为向量元素命名

你可以为向量的每一个元素指定一个名称，这在数据提取时非常有用。

# 方法1：创建时直接命名scores<-c(Math=90,English=85,History=88)# 方法2：使用 names() 函数后期命名ages<-c(25,30,22)names(ages)<-c("Alice","Bob","Charlie")# 查看向量的名称names(scores)# 返回: "Math" "English" "History"# 清除命名names(ages)<-NULL

四、 向量的索引与提取 (Subsetting)

注意：R语言的索引是从 1 开始的，不是 0。使用方括号[]进行索引提取。

1. 正整数索引（提取）

v<-c(10,20,30,40,50)v[1]# 提取第1个元素: 10v[c(1,3,5)]# 提取第1, 3, 5个元素: 10 30 50v[2:4]# 提取第2到第4个元素: 20 30 40

2. 负整数索引（剔除）

v[-1]# 提取除了第1个元素之外的所有元素: 20 30 40 50v[c(-1,-5)]# 剔除第1和第5个元素: 20 30 40# 注意：不能在同一个中括号里混用正整数和负整数（例如 v[c(1, -2)] 会报错）。

3. 名称索引

如果向量有名称，可以直接按名称提取。

scores<-c(Math=90,English=85,History=88)scores["English"]# 返回 85scores[c("Math","History")]# 返回 90 88

4. 逻辑向量索引（极其重要）

根据条件筛选元素是R语言数据清洗的核心技巧。

v<-c(15,8,22,5,30)# 返回一个逻辑向量: TRUE FALSE TRUE FALSE TRUEv>10# 将逻辑向量放入中括号，R会提取对应位置为 TRUE 的元素v[v>10]# 筛选出大于10的元素: 15 22 30# 复合条件 (与 &，或 |)v[v>10&v<25]# 筛选出大于10且小于25的元素: 15 22

五、 向量化运算与循环补齐 (Recycling Rule)

R语言针对向量运算进行了深度优化，你不需要写for循环就可以对所有元素进行计算。

1. 向量与标量的运算

v<-c(1,2,3,4)v*10# 每一个元素都乘以10: 10 20 30 40v+5# 每一个元素都加5: 6 7 8 9

2. 向量与向量的运算（长度相同）

v1<-c(1,2,3)v2<-c(10,20,30)v1+v2# 对应位置元素相加: 11 22 33

3. 循环补齐规则 (Recycling)

当两个不同长度的向量进行运算时，较短的向量会被重复使用（循环），直到与较长的向量长度一致。

v_long<-c(1,2,3,4,5,6)v_short<-c(10,100)v_long+v_short# v_short 会被隐式补齐为: c(10, 100, 10, 100, 10, 100)# 结果为: 11 102 13 104 15 106

注：如果长向量的长度不是短向量长度的整数倍，R会执行运算，但会弹出一个警告信息 (Warning message)。

六、 常用向量操作函数族

1. 基础信息查询

• length(v)：返回向量的长度（元素个数）。
• class(v)：返回向量的数据类型。
• typeof(v)：返回更底层的类型（如把 numeric 分为 double 和 integer）。

2. 统计与数学计算

• sum(v)：求和。
• mean(v)：求平均值。
• max(v),min(v)：求最大、最小值。
• sd(v),var(v)：求标准差、方差。
• summary(v)：提供最小值、四分位数、均值、最大值的综合统计摘要。

3. 排序与顺序

• sort(v)：对向量的值进行排序（默认升序，降序用sort(v, decreasing = TRUE)）。
• order(v)：返回向量排序后的索引值（非常常用于数据框按某列排序）。
• rev(v)：将向量元素首尾反转。

4. 元素查找与去重

• unique(v)：去除重复元素，返回唯一值。
• table(v)：进行频数统计，返回每个不同元素出现的次数。
• which(v > 10)：返回满足条件的元素的索引位置，而不是元素本身。
• match(v1, v2)或%in%：查找v1中的元素是否在v2中。

c("A","C")%in%c("A","B","C","D")# 返回: TRUE TRUE

七、 向量中的缺失值 (NA) 处理

在实际数据中，经常会遇到缺失值。在R中，缺失值用NA(Not Available) 表示。

1. 识别缺失值

绝对不能用v == NA来判断缺失值，因为缺失值和任何值比较的结果依然是缺失值（NA）。必须使用is.na()函数。

v<-c(1,2,NA,4,5)is.na(v)# 返回: FALSE FALSE TRUE FALSE FALSEv[!is.na(v)]# 提取所有非缺失值元素: 1 2 4 5 (这里用到了 ! 逻辑取反)

2. 计算时的na.rm参数

大多数统计函数如果遇到向量包含NA，默认会直接返回NA。为了跳过缺失值进行计算，需要添加参数na.rm = TRUE。

v<-c(10,20,NA,30)sum(v)# 返回: NAsum(v,na.rm=TRUE)# 忽略NA，返回: 60