اعداد در زبان R - بابلز لرن

در این بخش به بررسی اعداد در زبان R می پردازیم، زبان برنامه‌نویسی R یکی از زبان‌های قدرتمند در تحلیل داده‌ها و محاسبات آماری است که به دلیل انعطاف‌پذیری و ابزارهای متنوع، میان محققان و متخصصان داده بسیار محبوب است. یکی از مهم‌ترین بخش‌های هر زبان برنامه‌نویسی، کار با اعداد است و R نیز در این زمینه بسیار قوی عمل می‌کند. با یادگیری نحوه‌ی کار با اعداد در R، می‌توان تحلیل‌ها و محاسبات پیچیده‌ی آماری را به راحتی انجام داد و به نتایج دقیق‌تری دست یافت.

اعداد در R شامل دسته‌بندی‌های مختلفی هستند، از جمله اعداد صحیح (Integer)، اعداد اعشاری (Numeric)، اعداد مختلط (Complex)، و اعداد منطقی (Logical). هر یک از این دسته‌بندی‌ها کاربردهای خاص خود را دارند و در شرایط مختلف به کار گرفته می‌شوند. این مقاله به بررسی انواع داده‌های عددی در R، عملیات قابل اجرا روی آن‌ها، و نحوه استفاده در برنامه‌نویسی می‌پردازد.

انواع داده‌های عددی در R

1. اعداد اعشاری (Numeric)

اعداد اعشاری یا Numeric رایج‌ترین نوع اعداد در R هستند که برای نمایش اعداد اعشاری و مقادیر بزرگ استفاده می‌شوند. این نوع داده شامل مقادیر با دقت اعشاری بالاست.

x <- 3.14
y <- -7.5
print(class(x)) # [1] "numeric"

در مثال بالا، عدد $x$ به عنوان یک مقدار اعشاری تعریف شده است. با استفاده از تابع class() می‌توان نوع داده را شناسایی کرد.

2. اعداد صحیح (Integer)

اعداد صحیح یا Integer به عنوان اعداد کامل بدون قسمت اعشاری تعریف می‌شوند. برای تعریف یک عدد صحیح، از پسوند L استفاده می‌شود.

z <- 10L
print(class(z)) # [1] "integer"

در این مثال، مقدار $z$ یک عدد صحیح است و با استفاده از L به صورت مشخص به عنوان عدد صحیح تعریف شده است.

3. اعداد مختلط (Complex)

اعداد مختلط شامل قسمت حقیقی و قسمت موهومی هستند و در R می‌توان به راحتی این نوع داده را ایجاد کرد.

c <- 3 + 2i
print(class(c)) # [1] "complex"

در این کد، مقدار $c$ به صورت $3 + 2 i$ تعریف شده که شامل قسمت حقیقی ۳ و قسمت موهومی ۲ است.

4. داده‌های منطقی (Logical)

اعداد منطقی یا Logical تنها دو مقدار TRUE و FALSE را می‌پذیرند. این نوع داده معمولاً در شرایط و تصمیم‌گیری‌ها استفاده می‌شود.

logical_val <- TRUE
print(class(logical_val)) # [1] "logical"

5. اعداد بدون مقدار (NA و NaN)

در R مقادیر خاصی برای نمایش داده‌های غیرمعتبر یا گم‌شده استفاده می‌شوند:

NA: نشان‌دهنده یک مقدار گم‌شده است.
NaN: نشان‌دهنده یک نتیجه غیرمعتبر (مثلاً تقسیم صفر بر صفر) است.

a <- NA
b <- NaN
print(is.na(a)) # [1] TRUE
print(is.nan(b)) # [1] TRUE

عملیات ریاضیاتی روی اعداد

R امکانات گسترده‌ای برای انجام عملیات ریاضیاتی ساده و پیچیده ارائه می‌دهد. در این بخش به برخی از عملیات پایه و توابع کاربردی پرداخته می‌شود.

1. عملیات پایه

عملیات جمع، تفریق، ضرب و تقسیم به راحتی در R قابل اجرا هستند.

a <- 5
b <- 3
print(a + b) # [1] 8
print(a - b) # [1] 2
print(a * b) # [1] 15
print(a / b) # [1] 1.666667

2. توان و ریشه‌گیری

برای محاسبه توان، از علامت ^ و برای ریشه‌گیری از تابع sqrt() استفاده می‌شود.

x <- 4
print(x^2) # [1] 16
print(sqrt(x)) # [1] 2

3. توابع ریاضی پیشرفته

توابعی مانند sin(), cos(), exp() و log() برای محاسبات پیشرفته‌تر به کار می‌روند.

print(sin(pi/2)) # [1] 1
print(log(10))   # [1] 2.302585

مقایسه و تبدیل اعداد

1. مقایسه اعداد

عملگرهای مقایسه‌ای مانند >, <, == و != برای بررسی روابط بین اعداد استفاده می‌شوند.

a <- 7
b <- 5
print(a > b) # [1] TRUE
print(a == b) # [1] FALSE

2. تبدیل نوع داده

با استفاده از توابعی مانند as.numeric(), as.integer() و as.logical() می‌توان نوع داده‌ها را تغییر داد.

x <- "42"
y <- as.numeric(x)
print(class(y)) # [1] "numeric"

ذخیره‌سازی و نمایش اعداد

1. محدودیت دقت

R برای نمایش و ذخیره‌سازی اعداد محدودیت دقت دارد. گاهی ممکن است دقت اعداد اعشاری کاهش یابد.

x <- 0.1 + 0.2
print(x == 0.3) # [1] FALSE

2. قالب‌بندی نمایش

برای قالب‌بندی اعداد می‌توان از توابعی مانند format() استفاده کرد.

تماشا در حالت تمام صفحه

کاربردهای عملی اعداد در R

اعداد در R معمولاً در تحلیل داده‌ها، محاسبات آماری، و مدل‌سازی ریاضی استفاده می‌شوند. برای مثال، می‌توان از آن‌ها در ایجاد مدل‌های رگرسیون، شبیه‌سازی داده‌ها، و تجزیه‌وتحلیل‌های مالی استفاده کرد.

مثال: میانگین و انحراف معیار

تماشا در حالت تمام صفحه

در این مثال، میانگین و انحراف معیار مقادیر محاسبه می‌شوند که کاربرد زیادی در آمار دارند.

اعداد در R یکی از اجزای کلیدی برای انجام تحلیل‌های داده و محاسبات آماری هستند. با تسلط بر انواع داده‌های عددی، عملیات ریاضی، و توابع کاربردی، می‌توان پروژه‌های داده‌محور را به شکلی حرفه‌ای پیش برد. یادگیری این مباحث، درک عمیق‌تری از قدرت و انعطاف‌پذیری زبان R فراهم می‌کند.

منابع

مستندات رسمی R: https://www.r-project.org/
کتاب “R for Data Science” نوشته Hadley Wickham و Garrett Grolemund

آیا این مطلب برای شما مفید بود ؟

خیر

بله

اعداد در زبان برنامه نویسی R