ประเภทข้อมูล R 5 อันดับแรก | R ประเภทข้อมูลที่คุณควรทราบเกี่ยวกับ

จำเป็นต้องใช้ตัวแปรบางตัวในการจัดเก็บข้อมูลที่คุณใช้ภายในโปรแกรมเพื่อสร้างแอปพลิเคชันหรือแสดงผลโปรแกรมในภาษาการเขียนโปรแกรมใดๆ อาจมีข้อสังเกต (โดยปกติในภาษาโปรแกรมทั่วไปหรือส่วนใหญ่ เช่น C หรือ C++) ว่าตัวแปรเหล่านี้ถูกกำหนดให้กับหมวดหมู่เฉพาะ หมวดหมู่เหล่านี้คือสิ่งที่เราเรียกว่าประเภทข้อมูล

ชนิดข้อมูลเป็นแนวคิดที่สำคัญมากในภาษาการเขียนโปรแกรมเกือบทั้งหมด ตามชื่อที่ระบุ ชนิดข้อมูลแสดงถึงประเภทข้อมูลเฉพาะที่สามารถประมวลผลได้โดยใช้โปรแกรมคอมพิวเตอร์ของคุณ เรียนรู้เกี่ยวกับประเภทข้อมูลต่างๆ ของ Python

ตรงกันข้ามกับภาษาโปรแกรมอื่น ๆ เช่น C ตัวแปรไม่ได้ถูกประกาศเป็น ข้อมูล R บางประเภท แต่ถูกกำหนดด้วยวัตถุ R ชนิดข้อมูลของวัตถุ R จะกลายเป็นชนิดข้อมูลของตัวแปร มีวัตถุ R หลายประเภทที่พบบ่อยที่สุด:

1. เวกเตอร์
2. เมทริกซ์
3. รายการ
4. อาร์เรย์
5. ปัจจัย
6. ดาต้าเฟรม

เวกเตอร์เป็น ประเภทข้อมูล R พื้นฐานที่สุด ที่ มีองค์ประกอบของคลาสต่างๆ เวกเตอร์อะตอมเหล่านี้มีประเภทข้อมูลหลักห้าประเภท R-Objects อื่นๆ ถูกสร้างขึ้นจากเวกเตอร์อะตอม

เรียนรู้ หลักสูตรวิทยาศาสตร์ข้อมูล จากมหาวิทยาลัยชั้นนำของโลก รับโปรแกรม PG สำหรับผู้บริหาร โปรแกรมประกาศนียบัตรขั้นสูง หรือโปรแกรมปริญญาโท เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

ด้านล่างนี้คือ ประเภทข้อมูล R บางประเภทที่ ใช้ในการสร้างเวกเตอร์:

ประเภทข้อมูล R ยอดนิยม

1. ประเภทข้อมูลตัวเลข

ในภาษาโปรแกรม R ค่าทศนิยมเรียกว่าตัวเลข เป็น ชนิดข้อมูล R เริ่มต้นที่ กำหนดให้กับค่าทั้งหมดใน R ให้เราเข้าใจโดยใช้ตัวอย่าง:

> y = 11.6 # กำหนดค่าทศนิยมให้กับตัวแปร y

> y # พิมพ์ค่าของ y

[1] 11.6

> class(y) # พิมพ์ชื่อคลาสของ y

[1] “ตัวเลข”

ในที่นี้ ค่าทศนิยม (11.6) ถูกกำหนดให้กับตัวแปร “y” ซึ่งประเภทข้อมูลเป็นตัวเลขโดยค่าเริ่มต้น

แม้ว่าคุณจะกำหนดค่าที่ไม่ใช่ทศนิยมให้กับตัวแปร แต่ชนิดข้อมูลเริ่มต้นจะยังคงเป็นตัวเลขและไม่ใช่จำนวนเต็ม นี่คือตัวอย่างสำหรับคุณ:

> y = 1

> y # พิมพ์ค่าของตัวแปร y

[1] 1

> class(y) # พิมพ์ชื่อคลาสของ y

[1] “ตัวเลข”

อ่าน: ตัวแปรและประเภทข้อมูลใน Python [คู่มือขั้นสูงสำหรับนักพัฒนา]

2. ประเภทข้อมูลจำนวนเต็ม

ตัวเลขที่ไม่มีค่าทศนิยมจะถูกประกาศภายใต้จำนวนเต็มชนิดข้อมูลในภาษาการเขียนโปรแกรม R ในการสร้างตัวแปรจำนวนเต็มใน R ฟังก์ชันจำนวนเต็มจะถูกเพิกถอน นอกจากนี้ สามารถใช้ฟังก์ชัน is.integer เพื่อให้แน่ใจว่า y เป็นจำนวนเต็มจริง ให้เราดูตัวอย่างบางส่วนเพื่อทำความเข้าใจประเภทข้อมูลจำนวนเต็ม:

> x = as.integer(5)

> x # พิมพ์ค่าของ x

[1] 5

> คลาส(x)

[1] “จำนวนเต็ม”

> is.integer(x) # ฟังก์ชั่นเพื่อให้แน่ใจว่า x เป็นจำนวนเต็มหรือไม่

[1] ทรู

อีกวิธีในการประกาศจำนวนเต็มคือการเติมคำต่อท้าย L

> x = 5L

> is.integer(x) # ฟังก์ชั่นเพื่อให้แน่ใจว่า x เป็นจำนวนเต็มหรือไม่

[1] ทรู

ค่าที่มีชนิดข้อมูลที่เป็นตัวเลขสามารถบังคับเป็นชนิดข้อมูลจำนวนเต็มได้ด้วยฟังก์ชัน as.integer

> as.integer(7.16) # บังคับค่าตัวเลข

[1] 7

สตริงที่มีค่าทศนิยมสามารถแยกวิเคราะห์ได้โดยใช้ฟังก์ชัน as.integer

> as.integer("7.16") # coercing a decimal string

[1] 7

อย่างไรก็ตาม การแยกวิเคราะห์สตริงที่ไม่ใช่ทศนิยมให้กับฟังก์ชันจำนวนเต็มถือเป็นเรื่องที่ไม่ถูกต้อง

ชำระเงิน: ประเภทข้อมูล MATLAB

3. ประเภทข้อมูลที่ซับซ้อน

ค่าที่ซับซ้อนในภาษาการเขียนโปรแกรม R ถูกกำหนดโดยใช้ค่าจินตภาพบริสุทธิ์ i

> k = 1 + 2i # การสร้างจำนวนเชิงซ้อน

> k

[1] 1+2i

> คลาส (k)

[1] “ซับซ้อน”

4. ประเภทข้อมูลลอจิก

ชนิดข้อมูลตรรกะใน R ใช้ค่าจริงหรือเท็จ ค่านี้สร้างขึ้นหลังจากเปรียบเทียบทั้งสองค่า กล่าวถึงด้านล่างเป็นตัวอย่างสำหรับคุณ:

> ล. = 4; ม. = 2

> n = l > m # ใหญ่กว่า y หรือไม่?

> n # กำลังพิมพ์ t ค่าตรรกะ

[1] ทรู

> class(n) # พิมพ์ชื่อคลาสของ z

[1] “ตรรกะ”

5. ประเภทข้อมูลตัวละคร

ชนิดข้อมูลอักขระใช้เพื่อแสดงค่าสตริงในภาษาการเขียนโปรแกรม R ออบเจ็กต์จะถูกแปลงเป็นค่าอักขระโดยใช้ฟังก์ชัน as.character () ด้านล่างนี้เป็นตัวอย่างเพื่อสร้างความเข้าใจที่ชัดเจนเกี่ยวกับประเภทข้อมูลอักขระ:

> y = อักขระ (7.16)

> y # พิมพ์สตริงอักขระ

[1] “7.16”

> class(y) # พิมพ์ชื่อคลาสของ y

[1] “ตัวละคร”

ในการเชื่อมค่าอักขระสองตัวเข้าด้วยกัน คุณสามารถใช้ฟังก์ชันการวางได้

> fname = “ริยา”; lname =”ชาร์มา”

> วาง (fname, lname)

[1] “ริยา ชาร์มา”

ตอนนี้ เนื่องจากคุณได้พัฒนาความเข้าใจเกี่ยวกับชนิดข้อมูลทั่วไปแล้ว ให้เรามาดูว่าเราสามารถสร้างวัตถุเวกเตอร์และใช้ชนิดข้อมูลเพื่อประกาศค่าได้อย่างไร

เวกเตอร์คือชุดขององค์ประกอบข้อมูลของข้อมูลประเภทเดียวกัน

รับด้านล่างเป็นเวกเตอร์ที่มีค่าตัวเลขสามค่า 4, 5 และ 6

> ค(4, 5, 6)

[1] 4 5 6

และนี่คือเวกเตอร์ของค่าตรรกะ

> c(เท็จจริงเท็จจริง)

[1] เท็จ จริง เท็จ จริง

เวกเตอร์สามารถมีสตริงอักขระได้

> c("AA", "BB", "CC", "DD", "EE")

[1] “AA” “บีบี” “ซีซี” “DD” “อี”

วัตถุ R อื่นๆ

เมทริกซ์

สร้างชุดข้อมูลสองมิติ นี่คือตัวอย่าง:

สร้างเมทริกซ์

M = เมทริกซ์ ( c('q','w','e','r','t','y'), nrow = 2, ncol = 3, byrow = TRUE)

พิมพ์ (ม)

เอาท์พุต –

[,1] [,2] [,3]

[1,] “q” “w” “e”

[2,] "r" "t" "y"

รายการ

รายการเป็นประเภทของวัตถุที่มีองค์ประกอบประเภทต่างๆ ได้แก่ เวกเตอร์ ฟังก์ชัน และแม้แต่รายการอื่นๆ

ตัวอย่าง

# สร้างรายการที่มีเวกเตอร์และค่าตัวเลข

list1 <- รายการ(c(2,5,3),7.9)

#พิมพ์รายชื่อ.

พิมพ์(รายการ1)

เอาท์พุต –

[1]]

[1] 2 5 3

[[2]]

[1] 7.9

อาร์เรย์

ไม่เหมือนกับเมทริกซ์ อาร์เรย์สามารถมีได้ n มิติ แอตทริบิวต์สลัวที่ใช้ในอาร์เรย์สร้างจำนวนมิติที่ต้องการ ที่กล่าวถึงด้านล่างเป็นตัวอย่างในการสร้างอาร์เรย์ที่มีสององค์ประกอบที่มีเมทริกซ์ 2X2

สร้างอาร์เรย์

a <- array(c('pink','blue'),dim = c(2,2,1))

พิมพ์ (ก)

เมื่อเรารันโค้ดข้างต้น มันจะให้ผลลัพธ์ดังต่อไปนี้ −

, , 1

[,1] [,2]

[1,] “ชมพู” “ฟ้า”

[2,] “ฟ้า” “ชมพู”

ปัจจัย

ปัจจัยคือวัตถุ r ที่สร้างขึ้นโดยใช้เวกเตอร์ ปัจจัยจะเก็บเวกเตอร์ที่มีค่าขององค์ประกอบที่แตกต่างกันในเวกเตอร์เป็นป้ายกำกับ ป้ายชื่อมีชนิดข้อมูลอักขระเสมอโดยไม่คำนึงถึงชนิดข้อมูลในเวกเตอร์อินพุต ปัจจัยมีประโยชน์อย่างยิ่งในการทำแบบจำลองทางสถิติ

ปัจจัยสามารถสร้างได้โดยใช้ฟังก์ชัน factor()

# สร้างเวกเตอร์

สี <- c('yellow','blue','pink')

# สร้างวัตถุปัจจัย

factor_colors <- ปัจจัย (สี)

#พิมพ์ปัจจัย

พิมพ์ (factor_colors)

[1] เหลือง ฟ้า ชมพู

ดาต้าเฟรม

กรอบข้อมูลเป็นวัตถุข้อมูลแบบตาราง แต่ละคอลัมน์ใน data frame สามารถมีโหมดข้อมูลที่แตกต่างกัน ทั้งสามคอลัมน์สามารถมีประเภทข้อมูลที่แตกต่างกันได้ อาจเป็นจำนวนเต็ม ตัวเลข หรืออักขระ

Data Frames ถูกสร้างขึ้นโดยใช้ฟังก์ชัน data.frame()

# สร้างกรอบข้อมูล

ข้อมูล <- data.frame(

เพศ = c("ชาย", "หญิง"),

ความสูง = ค (153, 160),

น้ำหนัก = c(80, 78),

อายุ = ค (40 29)

)

พิมพ์ (BMI)

เอาท์พุต

เพศ ส่วนสูง น้ำหนัก อายุ

1 ชาย 153.0 80 40

2 หญิง 160.0 78 29

อ่านเพิ่มเติม: เงินเดือนนักพัฒนา R ในอินเดีย: สำหรับ Freshers & มีประสบการณ์

อะไรต่อไป?

หากคุณอยากเรียนรู้เกี่ยวกับ R, data science, ลองดู PG Diploma in Data Science ซึ่งสร้างขึ้นสำหรับมืออาชีพด้านการทำงานและเสนอกรณีศึกษาและโครงการมากกว่า 10 รายการ, เวิร์กช็อปภาคปฏิบัติ, การให้คำปรึกษากับผู้เชี่ยวชาญในอุตสาหกรรม, ตัวต่อตัว ที่ 1 พร้อมที่ปรึกษาในอุตสาหกรรม การเรียนรู้มากกว่า 400 ชั่วโมงและความช่วยเหลือด้านงานกับบริษัทชั้นนำ