是否有过，你真的很惊讶有一天，一个特定的R-疑难杂症？ 我想我们从共享这些所有的增益。
这里是我的：在列表索引， my.list[[1]]不my.list[1] 在R.初期得知这个
Answer 1:
在数据帧中删除的行会导致非唯一命名的行要添加，然后出现了错误：
> a<-data.frame(c(1,2,3,4),c(4,3,2,1))
> a<-a[-3,]
> a
c.1..2..3..4. c.4..3..2..1.
1 1 4
2 2 3
4 4 1
> a[4,1]<-1
> a
Error in data.frame(c.1..2..3..4. = c("1", "2", "4", "1"), c.4..3..2..1. = c(" 4", :
duplicate row.names: 4
那么，什么是怎么回事是：
一个四列data.frame被创建，所以rownames是C（1,2,3,4）
第三行被删除，所以rownames是C（1,2,4）
第四行被添加，和R自动设置行名称等于索引即4，所以行的名称是C（1,2,4,4）。 这是非法的，因为行的名称应该是唯一的。 我不明白为什么这种类型的行为应该由R.被允许在我看来是R应该提供一个唯一的行名。
Answer 2:
[哈德利指出这一点在评论 ]
当使用序列作为迭代索引，最好使用seq_along()函数，而不是像1:length(x)
在这里，我创建一个载体，这两种方法返回同样的事情：
> x <- 1:10
> 1:length(x)
[1] 1 2 3 4 5 6 7 8 9 10
> seq_along(x)
[1] 1 2 3 4 5 6 7 8 9 10
现在让矢量NULL ：
> x <- NULL
> seq_along(x) # returns an empty integer; good behavior
integer(0)
> 1:length(x) # wraps around and returns a sequence; this is bad
[1] 1 0
这可能会导致在一个循环中的一些困惑：
> for(i in 1:length(x)) print(i)
[1] 1
[1] 0
> for(i in seq_along(x)) print(i)
>
Answer 3:
自动创建的因素，当你加载数据。 你不假思索地对待一个数据帧作为字符列，直到你这样做试图将值改为一个是不是一个级别的这个效果很好。 这将产生一个警告，但与NA在它留给你的数据帧...
当出现在你的[R脚本错误的意外，检查因素并不为怪。
Answer 4:
遗忘下拉=在子集FALSE参数矩阵下降到单个维度，从而丢弃对象类，以及：
R> X <- matrix(1:4,2)
R> X
[,1] [,2]
[1,] 1 3
[2,] 2 4
R> class(X)
[1] "matrix"
R> X[,1]
[1] 1 2
R> class(X[,1])
[1] "integer"
R> X[,1, drop=FALSE]
[,1]
[1,] 1
[2,] 2
R> class(X[,1, drop=FALSE])
[1] "matrix"
R>
Answer 5:
首先，让我说，我理解在一个双星系统表示数字的根本问题。 然而，有一个问题，我认为可以很容易地改进是数字的表示时十进制值超出的r典型的表现范围。
x <- 10.2 * 100
x
1020
as.integer(x)
1019
如果结果表示为整数时，它真的可以表示为一个整数，我不介意。 例如，如果该值真的是1020然后打印，对于X就可以了。 但由于东西作为1020.0简单的在这种情况下，当打印X会变得更加明显，值不是一个整数，并不能表示为一个。 [R应该默认为某种迹象的时候有没有被提出了一个非常小的小数部分。
Answer 6:
它可以是恼人不得不允许的组合NA ， NaN和Inf 。 他们不同的表现，并为一个测试不一定会为别人工作：
> x <- c(NA,NaN,Inf)
> is.na(x)
[1] TRUE TRUE FALSE
> is.nan(x)
[1] FALSE TRUE FALSE
> is.infinite(x)
[1] FALSE FALSE TRUE
然而，以测试这些闹事者的最安全的方法是：
> is.finite(x)
[1] FALSE FALSE FALSE
Answer 7:
始终测试当你有一个发生了什么NA ！
有一两件事，我总是需要认真注意（很多痛苦的经历之后） NA值。 R的功能和易于使用，但没有编程的方式将克服与您的数据的问题。
举例来说，与任何净向量运算NA等于NA 。 这是在它的面前“令人惊讶”：
> x <- c(1,1,2,NA)
> 1 + NA
[1] NA
> sum(x)
[1] NA
> mean(x)
[1] NA
这被外推到其他更高级的功能。
换句话说， 。 许多函数具有na.rm=TRUE/FALSE的默认值; 这是值得花一些时间决定如何解释这些默认设置。
马立克使一个伟大的点。 NA值也可能导致索引混乱行为。 例如：
> TRUE && NA
[1] NA
> FALSE && NA
[1] FALSE
> TRUE || NA
[1] TRUE
> FALSE || NA
[1] NA
这也是真实的，当你试图创建一个条件表达式（对于if语句）：
> any(c(TRUE, NA))
[1] TRUE
> any(c(FALSE, NA))
[1] NA
> all(c(TRUE, NA))
[1] NA
当这些NA值，最终成为你的载体指标，很多意想不到的事情可以遵循。 这是所有R良好的行为，因为这意味着你必须要小心遗漏值。 但是，它可能会导致在一开始的主要难题。
Answer 8:
忘记了strptime()和朋友返回POSIXt POSIXlt其中length()始终是-九转换为POSIXct帮助：
R> length(strptime("2009-10-07 20:21:22", "%Y-%m-%d %H:%M:%S"))
[1] 9
R> length(as.POSIXct(strptime("2009-10-07 20:21:22", "%Y-%m-%d %H:%M:%S")))
[1] 1
R>
Answer 9:
该round函数总是四舍五入为偶数。
> round(3.5)
[1] 4
> round(4.5)
[1] 4
Answer 10:
对整数数学是从双打略有不同（有时是复杂怪异太）
UPDATE他们固定的一些事情中的R 2.15
1^NA # 1
1L^NA # NA
(1+0i)^NA # NA
0L %/% 0L # 0L (NA from R 2.15)
0 %/% 0 # NaN
4L %/% 0L # 0L (NA from R 2.15)
4 %/% 0 # Inf
Answer 11:
我很惊讶，没有人提到这一点，但是：
T ＆ F可以覆盖， TRUE与FALSE没有。
例：
x <- sample(c(0,1,NA), 100, T)
T <- 0:10
mean(x, na.rm=T)
# Warning in if (na.rm) x <- x[!is.na(x)] :
# the condition has length > 1 and only the first element will be used
# Calls: mean -> mean.default
# [1] NA
plot(rnorm(7), axes=T)
# Warning in if (axes) { :
# the condition has length > 1 and only the first element will be used
# Calls: plot -> plot.default
# Warning in if (frame.plot) localBox(...) :
# the condition has length > 1 and only the first element will be used
# Calls: plot -> plot.default
[编辑] ctrf+F欺骗我。 沙恩提及关于这在他的评论 。
Answer 12:
在数据读取可能比你想象的更困难。 今天，我发现，如果你使用read.csv（），如果.csv文件行是空的，read.csv（）自动跳过它。 这是有道理的大多数应用程序，但如果你从自动（例如）27行从几千个文件中提取数据，以及一些前面的行可能会或可能不会是空白，如果你不小心的事情可以去可怕错误。
我现在用的
data1 <- read.table(file_name, blank.lines.skip = F, sep = ",")
当您要导入数据，请检查你在做什么，你真的认为你又来了一次又一次......
Answer 13:
在棘手的行为all.equal()函数。
我的一个连续的错误是比较一组浮点数。 我有一个像CSV：
... mu, tau, ...
... 0.5, 1.7, ...
读取该文件，并试图子集，有时作品的数据，有时会失败 - 当然，由于落入浮点陷阱坑连连。 起初，该数据仅包含整数值，再后来就总是转换成真正的价值，你知道这个故事。 对比应该用做all.equal()函数，而不是==操作符，当然，代码我第一次写用后一种方法。
是啊，很酷，但all.equal()返回TRUE的人数相等，但如果失败的文本错误信息：
> all.equal(1,1)
[1] TRUE
> all.equal(1:10, 1:5)
[1] "Numeric: lengths (10, 5) differ"
> all.equal(1:10, c(1:5,1:5))
[1] "Mean relative difference: 0.625"
该溶液是用isTRUE()函数：
if (!isTRUE(all.equal(x, y, tolerance=doubleErrorRate))) {
...
}
多少次了我读all.equals()介绍...
Answer 14:
这一次受伤这么多，我花了几个小时添加注释的错误报告 。 我没有得到我的愿望，但至少R的下一个版本将产生一个错误。
R> nchar(factor(letters))
[1] 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
更新：作为R 3.2.0（可能更早）的，本实施例中，产生错误消息。 如在下面的评论所提到的，一个因素是不是矢量和的nchar（）需要的载体。
R> nchar(factor(letters))
Error in nchar(factor(letters)) : 'nchar()' requires a character vector
R> is.vector(factor(letters))
[1] FALSE
Answer 15:
由忘记包括空括号意外列出函数的源代码：例如“LS”相对于“LS（）”
真假不剪作为预定义的常数，如在Matlab，C ++，使用Java，Python; 必须使用真假
看不见的返回值：例如“.packages（）”返回任何内容，而‘（.packages（））’返回封装基座名称的字符向量
Answer 16:
例如，该数目是3.14的数值常数，但表达式3.14和-3.14是对函数的调用+和-
> class(quote(3.14))
[1] "numeric"
> class(quote(+3.14))
[1] "call"
> class(quote(-3.14))
[1] "call"
见第13.2约翰·钱伯斯书数据分析软件 -其中R编程
Answer 17:
零长度的向量具有一些怪癖：
R> kk=vector(mode="numeric",length=0)
R> kk
numeric(0)
R> sum(kk)
[1] 0
R> var(kk)
[1] NA
Answer 18:
在部分匹配$操作：本机适用于清单，同时也对data.frame
df1 <- data.frame(foo=1:10, foobar=10:1)
df2 <- data.frame(foobar=10:1)
df1$foo # Correctly gets the foo column
df2$foo # Expect NULL, but this returns the foobar column!!!
# So, should use double bracket instead:
df1[["foo"]]
df2[["foo"]]
在[[操作也有一个exact标志，但它是值得庆幸的是TRUE默认。
部分匹配也影响attr ：
x1 <- structure(1, foo=1:10, foobar=10:1)
x2 <- structure(2, foobar=10:1)
attr(x1, "foo") # Correctly gets the foo attribute
attr(x2, "foo") # Expect NULL, but this returns the foobar attribute!!!
# So, should use exact=TRUE
attr(x1, "foo", exact=TRUE)
attr(x2, "foo", exact=TRUE)
Answer 19:
使用列表，有一对夫妇的事情直观：
当然，之间的区别[和[[需要一些时间来适应。 对列表中， [而返回（潜在1）的元素的列表[[返回列表内的元件。
创建列表：
# When you're used to this:
x <- numeric(5) # A vector of length 5 with zeroes
# ... this might surprise you
x <- list(5) # A list with a SINGLE element: the value 5
# This is what you have to do instead:
x <- vector('list', 5) # A vector of length 5 with NULLS
那么，如何插入NULL到一个列表？
x <- list("foo", 1:3, letters, LETTERS) # A sample list
x[[2]] <- 1:5 # Put 1:5 in the second element
# The obvious way doesn't work:
x[[2]] <- NULL # This DELETES the second element!
# This doesn't work either:
x[2] <- NULL # This DELETES the second element!
# The solution is NOT very intuitive:
x[2] <- list(NULL) # Put NULL in the second element
# Btw, now that we think we know how to delete an element:
x <- 1:10
x[[2]] <- NULL # Nope, gives an ERROR!
x <- x[-2] # This is the only way for atomic vectors (works for lists too)
最后，一些先进的东西，想通过一个嵌套列表索引：
x <- list(a=1:3, b=list(c=42, d=13, e="HELLO"), f='bar')
x[[c(2,3)]] # HELLO (first selects second element and then it's third element)
x[c(2,3)] # The second and third elements (b and f)
Answer 20:
其中R中的大混乱的是， [i, drop = TRUE]不降因子水平，但[i, j, drop = TRUE]不！
> df = data.frame(a = c("europe", "asia", "oceania"), b = c(1, 2, 3))
> df$a[1:2, drop = TRUE]
[1] europe asia
Levels: asia europe <---- drops factor levels, works fine
> df[1:2,, drop = TRUE]$a
[1] europe asia
Levels: asia europe oceania <---- does not drops factor levels!
欲了解更多信息，请参阅： 降= TRUE不降在data.frame因子水平，而在矢量它
Answer 21:
自动矢量的重复用作索引（“循环”）：
R> all.numbers <- c(1:5)
R> all.numbers
[1] 1 2 3 4 5
R> good.idxs <- c(T,F,T)
R> #note unfortunate length mismatch
R> good.numbers <- all.numbers[good.idxs]
R> good.numbers
[1] 1 3 4
R> #wtf?
R> #why would you repeat the vector used as an index
R> #without even a warning?
Answer 22:
从编译语言和Matlab的到来，我已经得到了偶尔困惑功能的基本方面功能性语言：他们正在使用之前被定义 ！ 这是不够的只是让他们通过R解释解析。 这主要抚养当您使用嵌套函数发挥得淋漓尽致。
在Matlab中，你可以这样做：
function f1()
v1 = 1;
v2 = f2();
fprintf('2 == %d\n', v2);
function r1 = f2()
r1 = v1 + 1 % nested function scope
end
end
如果你试图做同样的事情在R，你必须首先把嵌套函数，或者你会得到一个错误！ 仅仅因为你已经定义的功能，直到它分配给一个变量它不是在命名空间！ 在另一方面，该功能可以指的是尚未定义的变量。
f1 <- function() {
f2 <- function() {
v1 + 1
}
v1 <- 1
v2 = f2()
print(sprintf("2 == %d", v2))
}
Answer 23:
从今天起煤矿：qnorm（）以概率和pnorm（）采用位数。
Answer 24:
对我来说，是当你使用一个data.frame导出到文本文件中的反直观的方式write.csv ，然后事后导入它，你需要添加一个额外的参数，以获得完全一样的data.frame，就像这样：
write.csv(m, file = 'm.csv')
read.csv('m.csv', row.names = 1) # Note the row.names argument
我还张贴了这个问题的SO和建议作为回答这个问答的@BenBolker。
Answer 25:
该apply设定的功能不仅可为矩阵工作，但扩展到多维数组的。 在我的研究，我经常有对大气的例子温度的数据集。 这存储在多维阵列的尺寸x,y,level,time ，从现在开始称为multi_dim_array 。 一个样机的例子是：
multi_dim_array = array(runif(96 * 48 * 6 * 100, -50, 50),
dim = c(96, 48, 6, 100))
> str(multi_dim_array)
# x y lev time
num [1:96, 1:48, 1:6, 1:100] 42.4 16 32.3 49.5 24.9 ...
使用apply可以很容易地获得：
# temporal mean value
> str(apply(multi_dim_array, 4, mean))
num [1:100] -0.0113 -0.0329 -0.3424 -0.3595 -0.0801 ...
# temporal mean value per gridcell (x,y location)
> str(apply(multi_dim_array, c(1,2), mean))
num [1:96, 1:48] -1.506 0.4553 -1.7951 0.0703 0.2915 ...
# temporal mean value per gridcell and level (x,y location, level)
> str(apply(multi_dim_array, c(1,2,3), mean))
num [1:96, 1:48, 1:6] -3.839 -3.672 0.131 -1.024 -2.143 ...
# Spatial mean per level
> str(apply(multi_dim_array, c(3,4), mean))
num [1:6, 1:100] -0.4436 -0.3026 -0.3158 0.0902 0.2438 ...
这使得margin参数apply似乎更直觉。 我第一次虽然，为什么不使用“行”和而不是1和2“山坳”但事实上，它也适用于阵列与多个维度清楚为什么使用margin这样是首选。
文章来源: What's the biggest R-gotcha you've run across?
