Python
1.列表（list）
list1 = [i for i in range(10)]
list1
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
特点：可遍历，可索引，可切片
列表的遍历：
方式1：
for i in range(len(list1)):
print(list1[i])
0
1
2
3
4
5
6
7
8
9
方式2：
list1 = [i+1 for i in range(10)]
for i,j in enumerate(list1):
print(i,j)
0 1
1 2
2 3
3 4
4 5
5 6
6 7
7 8
8 9
9 10
*这里的enumerate()方法用于返回序列对应元素的下标及值
列表的索引：
print(list[0])
0
列表的切片：
list1[2:6]
[2, 3, 4, 5]
2.字典（dictionary）
dic1 = {'a':1,'b':2,'c':3}
dic1
{'a': 1, 'b': 2, 'c': 3}
特点：只可通过字典特有方法遍历，可通过'键-值‘的方式进行索引，键名不可重复，值可以重复
字典的遍历：
方式1：
for key in dic1.keys():
print(key)
a
b
c
方式2：
for value in dic1.values():
print(value)
1
2
3
方式3：
for key,value in dic1.items():
print(key + str(value))
a1
b2
c3
字典的索引：
dic1['a']
1
3.元组（tuple）
tp1 = (1,2,3,'a','b')
tp1
(1, 2, 3, 'a', 'b')
特点：一经创建，则不可修改，因此可以用元组来存放一些重要的常数，可索引，可首尾连接不同的元组
4.集合（set）
list = [1,2,2,3,4,5,5,6,6,7,8,9]
set(list)
{1, 2, 3, 4, 5, 6, 7, 8, 9}
特点：可通过集合来进行去重
R
1.向量（vector）
> v1 <- c(1,2,3,'a','b')
> v1
[1] "" "" "" "a" "b"
特点：可*修改，切片，拼接，索引，遍历
向量的拼接技巧：
> v1 <- c(1,2,3,4)
> v2 <- c(5,6)
> c(v1,v2)
[1] 1 2 3 4 5 6
2.矩阵（matrix）
> v1 <- 1:10
> v1
[1] 1 2 3 4 5 6 7 8 9 10
> mat1 <- matrix(v1,nrow=2,ncol=5)
> mat1
[,1] [,2] [,3] [,4] [,5]
[1,] 1 3 5 7 9
[2,] 2 4 6 8 10
特点：matrix只能存在为规则的矩形结构，不能像vector一样*的做不规则切片和增减元素
matrix()的byrow参数
> mat1 <- matrix(v1,nrow=2,ncol=5,byrow=TRUE)
> mat1
[,1] [,2] [,3] [,4] [,5]
[1,] 1 2 3 4 5
[2,] 6 7 8 9 10
byrow表示向量按行填充进而转为矩阵，默认byrow=FALSE
3.数组（array）
> v1 <- 1:50
> array1 <- array(v1,dim=c(5,5,2))
> array1
, , 1 [,1] [,2] [,3] [,4] [,5]
[1,] 1 6 11 16 21
[2,] 2 7 12 17 22
[3,] 3 8 13 18 23
[4,] 4 9 14 19 24
[5,] 5 10 15 20 25 , , 2 [,1] [,2] [,3] [,4] [,5]
[1,] 26 31 36 41 46
[2,] 27 32 37 42 47
[3,] 28 33 38 43 48
[4,] 29 34 39 44 49
[5,] 30 35 40 45 50
特点：与矩阵相似，但可以有大于2的维度
4.数据框（dataframe）
> v1 <- 1:4
> v2 <- 2:5
> v3 <- c('a','b','c','d')
> d1 <- data.frame(v1, v2, v3)
> d1
v1 v2 v3
1 1 2 a
2 2 3 b
3 3 4 c
4 4 5 d
特点：可以在不同字段下储存长度相等的不同数据类型的元素;不可按照下标索引值
数据框的列名索引：
> d1$v1
[1] 1 2 3 4
数据框的下标索引：
> d1[2,2]
[1] 3
PS：与Python pandas中的数据框进行对比
Pandas：
import pandas as pd v1 = [i for i in range(10)]
v2 = [i+1 for i in range(10)]
d1 = pd.DataFrame({'v1':v1,
'v2':v2})
d1
v1 v2
0 0 1
1 1 2
2 2 3
3 3 4
4 4 5
5 5 6
6 6 7
7 7 8
8 8 9
9 9 10
pandas可以直接将矩阵（由列表嵌套成的矩阵，非numpy 中的matrix）转化为数据框
mat1 = [[1,2,3],[4,5,6]]
index = ['a','b']
colnames = ['x','y','z']
d1 = pd.DataFrame(data=mat1,index=index,columns=colnames)
d1
Out[11]:
x y z
a 1 2 3
b 4 5 6
pandas 数据框的索引
按字段名索引：
d1['v1']
Out[4]:
0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
Name: v1, dtype: int64
按下标索引：
d1.iloc[1]
Out[6]:
v1 1
v2 2
Name: 1, dtype: int64
*pandas中数据框的相关操作风格接近R
让我们回到R
5.列表（list）
> ele1 <- 1:20
> ele2 <- c('j','a','c','k')
> ele3 <- matrix(1:20, nrow=4,ncol=5)
> title <- 'List in R'
> list1 <- list(title=title, num=ele1, char=ele2, mat=ele3)
> list1
$title
[1] "List in R" $num
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 $char
[1] "j" "a" "c" "k" $mat
[,1] [,2] [,3] [,4] [,5]
[1,] 1 5 9 13 17
[2,] 2 6 10 14 18
[3,] 3 7 11 15 19
[4,] 4 8 12 16 20
*与Python中的list不同，R中的列表可以依次存入数据类型与结构相异的独立对象，并可以通过下标索引及'$'索引获取对象