diff --git a/zh-cn/r-cn.html.markdown b/zh-cn/r-cn.html.markdown index 68867d92..9a1414bb 100644 --- a/zh-cn/r-cn.html.markdown +++ b/zh-cn/r-cn.html.markdown @@ -299,42 +299,32 @@ jiggle(5) # 5±ε. 使用 set.seed(2716057) 后, jiggle(5)==5.005043 ######################### # 单维度 -# You can vectorize anything, so long as all components have the same type -#你可以将任何东西矢量化,因此所有的组分都有相同的类型 +# 你可以将目前我们学习到的任何类型矢量化,只要它们拥有相同的类型 vec <- c(8, 9, 10, 11) vec # 8 9 10 11 -# The class of a vector is the class of its components -#矢量class表示这一组分的类型 +# 矢量的类型是这一组数据元素的类型 class(vec) # "numeric" # If you vectorize items of different classes, weird coercions happen -#如果你强制的将不同类型的classes矢量化,会发生超自然形式的函数,例如都转变成数值型、字符型 +#如果你强制的将不同类型数值矢量化,会出现特殊值 c(TRUE, 4) # 1 4 c("dog", TRUE, 4) # "dog" "TRUE" "4" -# We ask for specific components like so (R starts counting from 1) -#我们可以找寻特定的组分,例如这个例子(R从1算起) +#我们这样来取内部数据,(R 的下标索引顺序 1 开始) vec[1] # 8 -# We can also search for the indices of specific components, -#我们也可以从这些特定组分中找寻这些指标 +# 我们可以根据条件查找特定数据 which(vec %% 2 == 0) # 1 3 -# or grab just the first or last entry in the vector -#抓取矢量中第1个和最后一个字符 +# 抓取矢量中第一个和最后一个字符 head(vec, 1) # 8 tail(vec, 1) # 11 -#如果指数结束或不存在即"goes over" 可以获得NA -# If an index "goes over" you'll get NA: +#如果下标溢出或不存会得到 NA vec[6] # NA -# You can find the length of your vector with length() -#你也可以找到矢量的长度 +# 你可以使用 length() 获取矢量的长度 length(vec) # 4 -# You can perform operations on entire vectors or subsets of vectors -#你可以将整个矢量或者子矢量集进行展示 +# 你可以直接操作矢量或者矢量的子集 vec * 4 # 16 20 24 28 -# vec[2:3] * 5 # 25 30 -# and there are many built-in functions to summarize vectors -#这里有许多内置的功能函数,并且可对矢量特征进行总结 +# 这里有许多内置的函数,来表现向量 mean(vec) # 9.5 var(vec) # 1.666667 sd(vec) # 1.290994 @@ -342,40 +332,32 @@ max(vec) # 11 min(vec) # 8 sum(vec) # 38 -# TWO-DIMENSIONAL (ALL ONE CLASS) -#二维函数 +# 二维(相同元素类型) -# You can make a matrix out of entries all of the same type like so: -#你可以建立矩阵,保证所有的变量形式相同 +#你可以为同样类型的变量建立矩阵 mat <- matrix(nrow = 3, ncol = 2, c(1,2,3,4,5,6)) -#建立mat矩阵,3行2列,从1到6排列,默认按列排布 mat # => # [,1] [,2] # [1,] 1 4 # [2,] 2 5 # [3,] 3 6 -# Unlike a vector, the class of a matrix is "matrix", no matter what's in it +# 和 vector 不一样的是,一个矩阵的类型真的是 「matrix」,而不是内部元素的类型 class(mat) # => "matrix" -# Ask for the first row -#访问第一行的字符 +# 访问第一行的字符 mat[1,] # 1 4 -# Perform operation on the first column -#优先输入第一列,分别×3输出 +# 操作第一行数据 3 * mat[,1] # 3 6 9 -# Ask for a specific cell -#访问特殊的单元,第3行第二列 +# 访问一个特定数据 mat[3,2] # 6 -# Transpose the whole matrix -#转置整个矩阵,变成2行3列 +# 转置整个矩阵(译者注:变成 2 行 3 列) t(mat) # => # [,1] [,2] [,3] # [1,] 1 2 3 # [2,] 4 5 6 -# cbind() sticks vectors together column-wise to make a matrix -把两个矩阵按列合并,形成新的矩阵 +# 使用 cbind() 函数把两个矩阵按列合并,形成新的矩阵 mat2 <- cbind(1:4, c("dog", "cat", "bird", "dog")) mat2 # => @@ -385,36 +367,27 @@ mat2 # [3,] "3" "bird" # [4,] "4" "dog" class(mat2) # matrix -#定义mat2矩阵 # Again, note what happened! -#同样的注释 -# Because matrices must contain entries all of the same class, -#矩阵必须包含同样的形式 -# everything got converted to the character class -#每一个变量都可以转化成字符串形式 +# 注意 +# 因为矩阵内部元素必须包含同样的类型 +# 所以现在每一个元素都转化成字符串 c(class(mat2[,1]), class(mat2[,2])) -# rbind() sticks vectors together row-wise to make a matrix -#按行合并两个向量,建立新的矩阵 +# 按行合并两个向量,建立新的矩阵 mat3 <- rbind(c(1,2,4,5), c(6,7,0,4)) mat3 # => # [,1] [,2] [,3] [,4] # [1,] 1 2 4 5 # [2,] 6 7 0 4 -# Aah, everything of the same class. No coercions. Much better. +# 哈哈,数据类型都一样的,没有发生强制转换,生活真美好 -# TWO-DIMENSIONAL (DIFFERENT CLASSES) -##二维函数(不同的变量类型) +# 二维(不同的元素类型) -# For columns of different classes, use the data frame -利用数组可以将不同类型放在一起 +# 利用 data frame 可以将不同类型数据放在一起 dat <- data.frame(c(5,2,1,4), c("dog", "cat", "bird", "dog")) -#dat<-数据集(c(5,2,1,4), c("dog", "cat", "bird", "dog")) -names(dat) <- c("number", "species") # name the columns -#给每一个向量命名 +names(dat) <- c("number", "species") # 给数据列命名 class(dat) # "data.frame" -#建立数据集dat dat # => # number species @@ -425,18 +398,16 @@ dat class(dat$number) # "numeric" class(dat[,2]) # "factor" # The data.frame() function converts character vectors to factor vectors -#数据集,将字符特征转化为因子矢量 +# data.frame() 会将字符向量转换为 factor 向量 -# There are many twisty ways to subset data frames, all subtly unalike -#这里有许多种生成数据集的方法,所有的都很巧妙但又不相似 +# 有很多精妙的方法来获取 data frame 的子数据集 dat$number # 5 2 1 4 dat[,1] # 5 2 1 4 dat[,"number"] # 5 2 1 4 -# MULTI-DIMENSIONAL (ALL OF ONE CLASS) -#多维函数 -# Arrays creates n-dimensional tables -#利用数组创造一个n维的表格 +# 多维(相同元素类型) + +# 利用数组创造一个 n 维的表格 # You can make a two-dimensional table (sort of like a matrix) #你可以建立一个2维表格(类型和矩阵相似) array(c(c(1,2,4,5),c(8,9,3,6)), dim=c(2,4))