mean(x)[1] NAWarning message:In mean.default(x) : 参数不是数值也不是逻辑值:回覆NA#mean函数不适用于列表,对列表本身使用mean()函数将报错 apply( ) apply( )对数组的各个维度(如行或列)进行运算。 str(apply)function(X, MARGIN, FUN, ...) 1...
x 1:lapply(x, mean)$a[1] 2.5$b[1] 0.2616772$c[1] 1.054757$d[1] 5.055208sapply(x, mean) a b c d 2.5000000 0.2616772 1.0547574 5.0552082 mean(x)[1] NAWarning message:In mean.default(x) : 参数不是数值也不是逻辑值:回覆NA#mean函数不适用于列表,对列表本身使用mean()函数将报错 1. ap...
mean(data[,1]) 1. 注意不能是 mean(data),否则会出现如下警告: [1] NA 警告信息: In mean.default(data) : 参数不是数值也不是逻辑值:回覆NA data[,1]表示矩阵data的第一列(其实这里也就仅有一列,但也要这么写)。 ③想画出散点图,但是坐标精度太小,分辨不出,这还要继续研究: c<-data[,1] m...
R113R214R315R416> mean(mydataframe["C4"])[1]NA Warning message: In mean.default(mydataframe["C4"]) : 参数不是数值也不是逻辑值:回覆NA > is.data.frame(mydataframe["C4"]) [1] TRUE AI代码助手复制代码 方法一:将数据框格式重新转化为矩阵格式,然后按照矩阵索引的方式来找寻要处理的数据组,利用...
[,3][,4][1,]16NA16[2,]271217[3,]381318[4,]491419[5,]5101520>mean(matrix1)[1]NA>data=as.data.frame(matrix1)#将矩阵转化为数据框>dataV1V2V3V4116NA1622712173381318449141955101520>mean(data)[1]NAWarning message:In mean.default(data):参数不是数值也不是逻辑值:回覆NA>mean(data[4,4])[...
> number_factors <- factor(c(10,20,20,20,10)) > mean(number_factors) [1] NA Warning message: In mean.default(number_factors) : 参数不是数值也不是逻辑值:回覆NA > mean(as.numeric(number_factors)) [1] 1.6 > as.numeric(number_factors) [1] 1 2 2 2 1 > mean(as.numeric(as.cha...
In mean.default(factor(fert)) : 参数不是数值也不是逻辑值:回覆NA 那我们这里,是不是可以直接用as.numeric() 转化呢? mean(as.numeric(factor(fert))) [1] 1.888889 发现上面是错误的! 这里需要这么转回去: ff<- factor(fert) mean(as.numeric(levels(ff)[ff])) ...
当然，后⾯还有很多参数的具体⽤法，在此不做⼀⼀赘述，主要⽤到的就是前两个。⾸先，“...”代表了表格数据，就是要构成数据框的数据主体，row.names( )为要构成数据框的⾏名，那么既然数据框相当于R语⾔的⼀个表格，应该既有⾏名也有列名才对，那么列名⼜是如何给出的呢？我们知道，...
R语⾔中的factor 对于初学者来说，R语⾔中的factor有些难以理解。如果直译factor为“因⼦”，使得其更加难以理解。我倾向于不要翻译，就称其为factor，然后从⼏个例⼦中理解：[html]1. data <- c(1,2,2,3,1,2,3,3,1,2,3,3,1)2. data 3. 显⽰结果：[html]1. [1] 1 2 2 3 ...
[1] NA Warning message: In mean.default(mydataframe["C4"]) : 参数不是数值也不是逻辑值:回覆NA > is.data.frame(mydataframe["C4"]) [1] TRUE 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18.