最简单的方法是使用 dplyr 包的 select_if 函数，但我们也可以通过 lapply 来实现。使用 dplyr> df df X1 X2 X3 X4 X5 1 1 11 21 a k 2 2 12 22 b l 3 3 13 23 c m 4 4 14 24 d n 5 5 15 25 e o 6 6 16 26 f p 7 7 17 27 g q 8 8 18 28 h r 9 9 19 29 i s 10 10 20 30 j t >library("dplyr") > select_if(df, is.numeric) X1 X2 X3 1 1 11 21 2 2 12 22 3 3 13 23 4 4 14 24 5 5 15 25 6 6 16 26 7 7 17 27 8 8 18 28 9 9 19 29 10 10 20 30使用 lapply> numeric_only df[ , numeric_only] X1 X2 X3 1 1 11 21 2 2 12 22 3 3 13 23 4 4 14 24 5 5 15 25 6 6 16 26 7 7 17 27 8 8 18 28 9 9 19 29 10 10 20 30

我们可以通过将列设置为 NULL 来实现示例> library(data.table) > df data_table data_table[, x:=NULL] > data_table numbers 1: 1 2: 2 3: 3 4: 4 5: 5 6: 6 7: 7 8: 8 9: 9 10: 10删除两列> df Data_table Data_table numbers 1: 0 2: 1 3: 2 4: 3 5: 4 6: 5 7: 6 8: 7 9: 8 10: 9

在基础 R 中没有像正态、泊松、指数等其他随机变量那样模拟离散均匀随机变量的函数，但是我们可以使用 purrr 包的 rdunif 函数来模拟它。rdunif 函数具有以下语法：-> rdunif(n, b , a)这里，n = 要返回的随机值个数b = 分布的最大值，它需要是一个整数，因为分布是离散的a = 分布的最小值，它需要是一个整数，因为分布是离散的示例假设您想模拟 21 到 ... 阅读更多

这可以通过使用 scale 函数来完成。示例> data data x y 1 49.57542 2.940931 2 49.51565 2.264866 3 50.70819 2.918803 4 49.09796 2.416676 5 49.90089 2.349696 6 49.03445 3.883145 7 51.29564 4.072614 8 49.11014 3.526852 9 49.41255 3.320530 10 49.42131 3.033730 > standardized_data standardized_data x y [1,] -0.1774447 -0.20927607 [2,] -0.2579076 -1.28232321 [3,] 1.3476023 -0.24439768 [4,] -0.8202493 -1.04137095 [5,] 0.2607412 -1.14768085 [6,] -0.9057468 1.28619932 [7,] 2.1384776 1.58692277 [8,] -0.8038439 0.72069363 [9,] -0.3967165 0.39321942 [10,] -0.3849124 -0.06198639 attr(,"scaled:center") x y 49.707220 3.072784 attr(,"scaled:scale") x y 0.7427788 0.6300430

这可以通过使用 weekdays 函数来完成。示例< df = data.frame(date=c("2020-07-01", "2020-08-10", "2020-11-15")) < df$day

我们可以使用 rm 删除所有或部分对象。示例< x>-rnorm(100,0.5) < y>-1:100 < z>-rpois(100,5) < a>-rep(1:5,20)删除所有对象> rm(list=ls()) ls() character(0)删除除 a 之外的所有对象> rm(list=setdiff(ls(), "a")) > ls() [1] "a"删除除 x 和 a 之外的所有对象> rm(list=ls()[! ls() %in% c("x","a")]) ls() [1] "a" "x"

考虑以下数据框：-> glucose fructose glucose$sweetener fructose$sweetener sweeteners library(ggplot2) > ggplot(sweeteners, aes(length, fill = sweetener)) + geom_density(alpha = 0.2)

这可以通过使用方括号来完成。示例> data data X1 X2 X3 X4 X5 1 4.371434 6.631030 5.585681 3.951680 5.174490 2 4.735757 4.376903 4.100580 4.512687 4.085132 3 4.656816 5.326476 6.188766 4.824059 5.401279 4 3.487443 4.253042 5.277751 6.121441 4.925158 5 5.174943 3.704238 5.813336 5.224412 4.990136 6 3.461819 5.102038 6.094579 5.536754 6.311731 7 4.772712 6.445479 5.254032 4.430560 7.183776 8 5.366510 5.232044 5.422526 3.746559 4.810256 9 4.786759 4.665812 4.634238 6.511210 4.959757 10 6.731195 5.083179 4.969842 4.976357 4.939117假设我们要删除第 4、7 和 9 行。我们将按如下方式进行：-> data data X1 X2 X3 X4 X5 1 4.371434 6.631030 5.585681 3.951680 5.174490 2 4.735757 4.376903 4.100580 4.512687 4.085132 3 4.656816 5.326476 6.188766 4.824059 5.401279 5 5.174943 3.704238 5.813336 5.224412 4.990136 6 3.461819 5.102038 6.094579 5.536754 6.311731 8 5.366510 5.232044 5.422526 3.746559 4.810256 10 6.731195 5.083179 4.969842 4.976357 4.939117

这可以在 seq_along、split 和 ceiling 的帮助下完成。示例> x x [1] 6 5 6 3 11 4 5 6 7 4 6 4 3 4 7 1 8 4 2 4 5 7 8 5 9 [26] 3 5 5 5 1 7 5 8 1 8 3 8 4 5 7 5 8 4 4 2 5 6 3 9 4 [51] 6 3 3 2 5 6 5 4 5 5 2 3 3 12 11 6 4 5 6 7 5 2 2 5 8 [76] 3 8 8 7 3 7 6 6 4 1 6 8 3 6 6 6 6 4 8 6 4 5 4 2 5 > max y chunks chunks $`1` [1] 6 5 6 3 11 4 5 6 7 4 6 4 3 4 7 1 8 4 2 4 $`2` [1] 5 7 8 5 9 3 5 5 5 1 7 5 8 1 8 3 8 4 5 7 $`3` [1] 5 8 4 4 2 5 6 3 9 4 6 3 3 2 5 6 5 4 5 5 $`4` [1] 2 3 3 12 11 6 4 5 6 7 5 2 2 5 8 3 8 8 7 3 $`5` [1] 7 6 6 4 1 6 8 3 6 6 6 6 4 8 6 4 5 4 2 5

这可以在 tidyr 包的帮助下完成。示例> library(tidyr) > data = data.frame(attr = c(1,5,12,17), type=c('class_and_memory','class_and_memory_2')) > data %>% + separate(type, c("class", "memory"), "_and_") attr class memory 1 1 class memory 2 5 class memory_2 3 12 class memory 4 17 class memory_2