| all(論理ベクトル ) | 論理ベクトルが全て真のとき真を返す |
| any(論理ベクトル ) | 論理ベクトルのいづれかが真のとき真を返す |
| length( x ) | オブジェクト x の長さを返す |
| apply( 行列(配列), 次元番号(のベクトル), 適用関数, ... ) | その"行列(配列)"を "次元番号"での添字組合せごとで部分抽出し、
抽出されたそれぞれに "適用関数" を適用する。
結果は、指定した次元のみが残り、残りの次元に関しては潰された
配列となる。"..."の対応する引数は適用関数へそのまま渡される。
例 |
| sweep( 行列(配列), 次元番号(のベクトル), 統計量, 適用関数="-", ... ) | その"行列(配列)"を "次元番号"での添字組合せごとで部分抽出し、
抽出されたそれぞれに "適用関数" で統計量を適用(掃き出し)する。
例 |
| tapply( ベクトル, 類別オブジェクト(のリスト), 適用関数, ... ) | その"ベクトル"を "類別オブジェクト"で(多重)分類し、 (多重)分類されたそれぞれに "適用関数" を適用する。 結果は、多重配列となる。 "..."の対応する引数は適用関数へそのまま渡される。 |
| outer(X, Y, FUN="*", ...) | 外積の一般化：X, Y の
要素のすべての組み合わせについて，FUN を適
用した配列。次元は c(dim(as.array(X)),dim(as.array(Y)))となる。
FUN は少なくとも 2 つの引数をもちは長さ 1 の値を返す
関数でなければならない．注：FUN="*"なら普通の外積 X %o% Y に等しい |
| by( データフレーム, 因子(のリスト), 適用関数, ... ) | tapply のオブジェクト版。
その"データフレーム"を "因子(のリスト)"の水準(組合せ)ごとで部分抽出し、
抽出されたそれぞれに "適用関数" を適用する。 例: by(kyphosis, kyphosis$Kyphosis, summary)：
kyphosis$Kyphosisで層別した各階層ごとにデータ要約を作成する。 |
| lapply( list, 適用関数, ... ) | list の各要素それぞれに "適用関数" を適用したlistを返す。 |
| split(v,g) | ベクトル v を、対応するベクトル(類別オブジェクト)の値に従って区分して、 区分されたベクトルを要素とするリストにする (cf. この結果を sapply へ渡せる )。 |
| sapply( list, 適用関数, ... ) | lapply と同様に処理したのち、 各要素に適用した結果がすべてスカラならベクトル、結果が同じ長さなら行列 にする。それ以外なら listになる。 |
| aggregate(x, by=リスト, FUN=適用関数, ...) | オブジェクトxの要素を、by で指定した項目が等しいグループに分割し、 それぞれに FUN(分割したx,...) を実施し、配列などの形式にして返す。 by には、xと長さが等しいベクトルのリストを指定する。 "..."の対応する引数は適用関数へそのまま渡される。（総称関数） |
特殊化することで、処理速度を向上させた次の関数群もある。 （ x は行列／配列／ベクトル／データフレームのいずれか。）
colMeans(x, na.rm=F, dims=1) colSums(x, na.rm=F, dims=1) colVars(x, na.rm=F, dims=1, unbiased=T, SumSquares=F) colStdevs(x, na.rm=F, dims=1, unbiased=T, SumSquares=F) rowMeans(x, na.rm=F, dims=1) rowSums(x, na.rm=F, dims=1) rowVars(x, na.rm=F, dims=1, unbiased=T, SumSquares=F) rowStdevs(x, na.rm=F, dims=1, unbiased=T, SumSquares=F)高速化については、 http://www.insightful.com/Hesterberg/articles/EfficientSplus.txt や http://www.insightful.com/Hesterberg/bootstrapも参照のこと。
| max( 数値ベクトル ) | 数値ベクトルのなかの最大値を返す |
| min( 数値ベクトル ) | 数値ベクトルのなかの最小値を返す |
| range( 数値ベクトル ) | 数値ベクトル x に対して、c(min(x),max(x))を返す |
| sort( ベクトル ) | xを昇順(文字ベクトルなら辞書順)に整序した結果を返す |
| order( 数値ベクトル ) | 数値ベクトルを整序したベクトル中の各要素が、
元のベクトルの何番目かを返す たとえば、 x[order(x)] は sort(x) に等しい。 |
| rank( 数値ベクトル ) | 数値ベクトルの各要素のベクトル中での順位を返す。 つまり、rank(x)[i] は x[i] の順位となる。 |
| rev( ベクトル ) | xを逆順にしたベクトルを返す。 たとえば、 rev(sort(x)) は降順の整序結果。 |
| sum( 数値ベクトル ) | 数値ベクトルの総和を返す |
| cumsum( 数値ベクトル ) | 数値ベクトルの先頭からi番目までの累積和を第i要素とするベクトルを返す |
| diff( 数値ベクトル ) | 数値ベクトルの階差ベクトルを返す cumsum(c(x[1], diff(x)))は元のxに等しくなる。 |
| prod( 数値ベクトル ) | 数値ベクトルの総積を返す |
| mean( x ) | x の算術平均を返す |
| median( x ) | x の中央値を返す |
| unique( x ) | x の反復を除いたもの |
| duplicated( x ) | x 中の反復した要素であるかの論理ベクトル. unique( x )は x[!duplicated(x)] に等しい |
| qunatile( x ) | 標本確率点を返す |
| cumsum( 数値ベクトル ) | 数値ベクトルの累積和を返す |
| var( x ) | ベクトルに対して(不偏な)分散を求める。 sum((x-mean(x))^2)/(length(x)-1)に同じ 行列に対して(不偏な)共分散行列を求める。 (平均偏差平方和を自由度 (=サンプル数-1) で割る) 参考関数：cov.wt, cov.mve, mahalanobis |
| cor( x,y ) | xとyの相関、相関行列を求める (varの結果を両標準偏差で割る) |
| acf( x ) | xの自己相関を求める |
| cut | 連続変量から類別オブジェクトを作成 例：cut(runif(100),(0:5)*0.2): [0,1]一様乱数を0.2刻みに類別した結果 |
| category | 離散変量から類別オブジェクトを作成 |
| levels | 類別/因子オブジェクトの水準 |
| table | 頻度の分割表を作成 |
| crosstabs | 同上(モデル式を与える) |
| lsfit | 線形回帰最小二乗法 |
| nnls.fit | 回帰係数の非負制約付き線形回帰最小二乗法 |
| glim | 最尤法による一般化線形回帰モデルの推定 |
| leaps | 跳躍限定法（leaps and bounds）による最良部分回帰 |
| avas | Additivity and Variance Stabilization for Regression |
| ppreg | Projection Pursuit Regression |
| ace | Regression Model Linearization |
| princomp | 主成分分析 (旧関数 prcomp) |
| factanal | 因子分析モデルの推定 |
| discr | 正準判別分析 |
| cancor | 正準相関分析 |
| cmdscale | 古典的多次元尺度構成法 |
| hclust | 階層的クラスタ分析 |
| mclust | Model-based階層的クラスタ分析 |
| mstree | 多次元データの最短距離木あるいは， 一次元，二次元の配置を求める |
| mahalanobis | ある点からのマハラノビスの距離 |
| data.frame | データフレームの作成 |
| factor | 因子変量の作成 |
| ordered | 順序因子変量の作成 |
| interaction | 複数の因子変量からそれらの交互作用因子データを作成する |
| bs | 多項式補間のための基底を生成する |
| ns | 自然３次補間のための基底を生成する |
| densityplot | モデル式で指定した変量の経験分布の表示 |
| dotplot | モデル式で指定した変量の(条件付き)プロット |
| splom | モデル式で指定した変量の多重散布図の表示 (pairsのモデル式版) |
| bwplot | モデル式で指定した変量の箱髭図 |
| wireframe | モデル式で指定した変量の３次元ワーヤーフレーム図 |
| lm | 線形回帰モデルの推定 |
| lmList | データクラスタごとの線形回帰モデルの推定結果リスト作成 |
| multicomp | 線形回帰モデル結果のパラメータの区間推定 |
| nls | 非線型回帰モデルの推定 |
| nlsList | データクラスタごとの非線型回帰モデルの推定結果リスト作成 |
| aov | 分散分析モデルの推定 |
| xyplot | 条件付プロット |
| glm | 一般化線形回帰モデルの推定 |
| lowess | 局所重み付き線形回帰モデルの推定 |
| gam | 一般化加法モデルの推定 |
| tree | 樹形回帰モデルの推定 |
| survReg | survival model を推定する。 |
| coxph | Cox proportional hazards regression modelを推定する。 |
| lme | 混合効果モデルを推定する。 |
| varcomp | y = Xa + Zb + e の分散成分などをMINQUE0などで推定する。 |
| glmmPQL | GLMM model with multivariate normal random effects, using Penalized Quasi-Likelihood.(MASS ライブラリ、MASS4) （cf. nlme() ) [logit modelも] |
| update | 推定されたモデルを変更点を指定して更新 |
| step | モデルの説明変数に関するモデル選択 |
| drop1 | モデルの説明変数を一つ選択して削除する |
| add1 | モデルに説明変数を一つ選択して追加する |
| formula | モデル式オブジェクトの作成 |
| aggregate( 数値ベクトル,nf,fun) | 時系列データをより短いnf周期に区分し、funによる集約値を求める。 cf. rts (時系列データの生成) |
| approx(x,y,xout) | x 上で y が観測された時、xout上での値を線形(定数)補間する。 |
| spline(x,y,n) | x 上で y が観測された時、n点の値を3次スプライン近似する。 |
| smooth.spline | 3次のBスプライン近似 |
| lowess(x,y) | x 上で y が観測された時、局所重み付き最小二乗平滑化する。 |
| ksmooth | 局所重み付き平均平滑化(kernel smoother) |