R学习笔记(持续更新中)

妖狐艹你老母 2021-11-11 01:52 710阅读 0赞

本人是从2015年4月份开始接触R语言的，那时候我还在上大四，考研复试结果已经出来了，毕业论文也写得差不多了，距离9月份研究生入学还有5个多月的时间，所以就想着利用这段时间干点啥事情，所以就开始一边学车一边准备一下读研需要的基础知识和技能，R语言便是其中之一。说起了惭愧，虽然本人专业是统计学但是在本科阶段却并没有接触过R语言(虽然R语言是统计建模专用语言)，本科阶段统计建模和数据分析主要使用的工具是SPSS、SAS，时间序列用EVIEWS，代数和数值计算用MATLAB，运筹学用LINGO。考研复试面试的时候被问到会不会R语言然后一脸懵逼，看来R语言是统计专业学生必备技能之一，所以就买了两本R语言的书开始自学，一本是《R语言实战》一本是暨南大学出版社的《数据统计分析及R语言编程》，是暨大经院统计系王斌会老师主编的一本书，后来想起来考研复试面试时问我R语言问题的好像就是王斌会老师，O(∩\_∩)O哈哈~。

**实践一：**

x=1:100 \#把1,2，。。。100个整数向量赋值到x

(x=1:100) \#同上，只不过显示出来

sample(x,20) \#从1,2，。。。，100中随机不放回地抽取20个值做样本

set.seed(0);sample(1:10,3) \#先设随机种子，再抽样

z=sample(1:20000,10000) \#从1到20000中不放回抽取10000个样本

z\[1:10\] \#方括号中为向量z的下标

y=c(1,3,7,3,4,2)

z\[y\] \#以y为下标的z的元素值

(z=sample(x,100,rep=T)) \#从x中有放回地随机抽取100个值做样本

(z1=unique(z))

length(z1) \#z1中不同的元素个数

xz=setdiff(x,z) \# x和z之间的不同元素 —— 集合差

sort(union(xz),z) \#对xz以及z的并的元素从小到大排序

setequal(union(xz,z),x) \#xz以及z的并的元素与x是否一样

intersect(1:10,7:50) \#两个数据的交

sample(1:100,20,prob=1:100) \#从1:100中不等概率随机抽样，各个数字被抽到的概率与其值成比例

**实践二：**

pi\*10^2 \#

"\*"(pi, "^"(10,2)) \#

pi\*(1:10)^-2.3 \#可以对向量求指数幂

x=pi\*10^2 \#

print(x) \#

(x=pi\*10^2) \#赋值带打印

pi^(1:5) \#指数也可以是向量

print(x,digits=12) \#输出x的12位数字

**实践三（关于R的对象类型等）**

x=pi\*10^2 \#

class(x) \# x的class

typeof(x) \# x的type

class(cars) \# cars是R中自带的数据

typeof(cars) \#cars的type

names(cars) \# cars数据的变量名字

summary(cars) \# cars的汇总

head(class) \#  cars的头几行数据，和cars\[1:6,\]相同

tail(class) \# cars的最后几行数据

str(cars) \# 也是汇总 ？？？

row.name(cars) \# 行名字

attributes(cars) \#cars的一些信息

class(dist~speed) \# 公式形式 ，“~”的左边是因变量，右边是自变量

plot(dist~speed,cars) \# 两个变量的散点图

plot(cars$speed,cars$dist) \# 同上

**实践四（包括简单自变量为定变量 及定性变量的回归）**

ncol(cars),nrow(cars) \#cars的行列数

dim(cars) \# cars的维数

lm(dist~speed, data =cars) \#一dist为因变量，speed为自变量做OLS，，，

cars$qspeed = cut(cars$speed, breaks=quantile(cars$speed),include.lowest=TRUE) \#增加定性变量qspeed，四分点位为分割点

names(cars) \#数据cars多了一个变量

cars\[3\] \#第三个变量的值 ，和  cars\[,3\]类似

table(cars\[3\]) \#列表

is.factor(car$speed) \#

plot(dist~speed,data=cars) \#点出箱线图

(a=lm(dist~speed, data=cars)) \#拟合线性模型（简单最小二乘回归）

summary(a) \#回归结果（包括一些检验）

**实践五(简单样本描述统计量)**

x<-round(runif(20,0,20),digits=2) \#四舍五入

summary(x) \# 汇总

min(x),max(x) range(x) \# 极值 范围

median(x) \#中位数

mean(x) \#均值

var(x) \#方差

sd(x) \# 标准差

sqrt(var(x)) \#平方根

rank(x) \# 秩（rank）

order(x) \# 升幂排列的x的下标

order(x,decreasing=T) \#降幂排列的x的下标

x\[order(x)\] \#和sort(x) 相同

sort(x,decreasing=T) sort(x,dec=T) \#降幂排列的x

sum(x);length(x) \#元素和 以及向量的个数

round(x) 等同于round(x,0) 而round(x,5) 表示保留小数点后5位

fivenum(x), \# 五数汇总

quantile(x)  \#分点位 quantiles(different convention)

quantile(x,c(0,.33,.66,1)) \#

mad(x)\# "median average distance":

cummax(x) \#累积最大值

cummin(x) \#累积最小值

sumprod(x) \#累积积

cor(x,sin(x/20)) \#线性相关系数 (correlation)

**实践六（简单图形）**

x=rnorm(200) \#200个随机正态数赋值到x

hist(x, col="light blue") \#直方图 histogram

rug(x) \#在直方图下面加上实际点的大小

stem(x) \# 茎叶图

x<-rnorm(500) \#

y<-x+rnorm(500) \#构造一个线性关系

plot(y ~x) \#散点图

a=lm(y~x) \# 做回归

abline(a,col="red") \# 加拟合线 同abline(lm(y~x),col="red")

print("Hello world!") \#打印

paste("x的最小值= "，min(x)) \#

demo(graphics) \# 演示画图（点Enter切换）

**实践七(复数运算和求函数极值)**

(2+4i)^-3.5+(2i+4.5)\*(-1.7-2.3i)/((2.6-7i)\*(-4+5.1i)) \#复数运算

(z<-complex(real=rnorm(10),imaginary=rnorm(10))) \#一个10维复向量，实部和虚部均为10个标准正态样本点

complex(re=rnorm(3),im=rnorm(3)) \#3维复向量

Re(z) \# 实部

Im(z) \# 虚部

Mod(z) \# 模

Arg(z) \# 辐角

choose(3,2)  \#组合

factorial(6) \#排列6！

\#解方程：

f=function(x) x^3-2\*x-1

uniroot(f,c(0,2)) \#迭代求根

\#如果知道根为极值

f=function(x) x^2+2\*x+1 \#定义一个二次函数

optimize(f,c(-2,2)) \#在区间(-2,2) 求极值

**实践八 (字符型向量)**

a=factor(letter\[1:10\]) \#letters:小写字母的向量，LETTERS：大写字母的向量

a\[3\]="w" \#不行，警告！

a=as.character(a) \#转换一下

a\[3\]="w" \#可以了

a;character(a) \#两种不同的类型

**实践九 (数据输入输出)**

x=scan() \#

x=c( 1.5 ， 2.6，  3.7，  2.1，  8.9， 12.0， -1.2， -4.0) \#

w=read.table(file.choose(),header=T) \#从列表中选择有变量名的数据

setwd("f:/2013stat") set("f:\\2013stat") \#建立工作路径

(x=rnorm(20)) \#给x赋值20个标准正态数据值

write(x,"f:/2013stat/test.txt") \#把数据写入文件

y=scan(x,"f:/2013stat/test.txt")；y \#扫描文件数值数据到y

y=iris;y\[1:5,\];str(y) \#iris是R自带数据

write.table(y,"test.txt",row.name=F) \#把数据写入文本文件

w=read.table("f:/2013stat/test.txt",header=T) \#读带有变量名的数据

str(w) \#汇总

write.csv(y,"test.csv") \#把数据写入csv文件

v=read.csv("f:/2013stat/test.csv") \#读入csv数据文件

str(v) \#汇总

data=read.table("clipboard") \#读入剪贴板的数据

**实践十(序列)**

(z=seq(-1,10,length=100)) \# -1到10等间隔的100个数的序列

z=seq(-1,10,length=100) \#同上

(z=seq(10,-1,-0.1)) \#10到-1间隔为-0.1的序列

(x=rep(1:3,3)) \#三次重复1:3

(x=rep(3:5,1:3)) \#

x=rep(c(1,10),c(4,5)) \#

w=c(1,3,x,z) \#w\[3\]把数据（包括向量）组合成一个向量

x=rep(0,10);z=1:3;x+z \#向量加法，警告信息：

In x + z : 长的对象长度不是短的对象长度的整倍数

x\*z \#乘法

rev(x) \#颠倒次序

z=c("no cat ","has","nine","tails") \#字符向量

z\[1\]=="no cat" \#逻辑等式

z=1:5 \#

z\[7\]=8;z \#

z=NULL \#

z\[c(1,3,5)\]=1:3 \#

z \#

rnorm(10)\[(2,5)\] \#

z\[-c(1,3)\] \#去掉第1,3个元素

z=sample(1:100,10);z \#

which(z==max(z)) \#给出最大值的下标

**实践十一 (矩阵)**

x=sample(1:100,12);x \#抽样

all(x>0);all(x!=0);any(x>0);(1:10)\[x>0\] \#逻辑符号的应用

diff(x) \#差分

diff(x,lag=2) \#差分

x=matrix(1:20,4,5);x \#矩阵的构造

x=matrix(1:20,4,5,byrow=T);x \#矩阵的构造，按行排列

t(x) \#矩阵转置

x=matrix(sample(1:100,20),4,5) \#

2\*x \#

x+5 \#

y=matrix(sample(1:100,20),5,4) \#

x+t(y) \#矩阵之间相加

(z=x%\*%y) \#矩阵相乘

z1=solve(z) \# solve（a，b）可以解ax=b方程

round(z1%\*%z,14) \#四舍五入

b=solve(z,1:4);b \#解联立方程

**实践十二 (矩阵继续)**

nrow(x),ncol(x),dim(x) \#行列数目

x=matrix(rnorm(24),4,6) \#

x\[c(2,1),\] \#第2和第1行

x\[,c(1,3)\] \#第1和第3列

x\[2,1\] \#第【2,1】元素

x\[x\[,1\]>0,1\] \#第1列大于0的元素

sum(x\[,1\]>0) \#第1列大于0的元素的个数

sum(x\[,1\]<=0) \#第1列不大于0的元素的个数

x\[,-c(1,3)\] \#没有第1和3列的x

diag(x) \#x的对角线元素

diag(1:5) \#以1:5为对角线，其它元素为0的对角线矩阵

diag(5) \#5维单位矩阵

x\[-2,-c(1,3)\] \#没有第2行、第1,3列的x

x\[x\[,1\]>0&x\[,3\]<=1,1\] \#第1列大于0且第3列小于等于1的第1列元素

x\[x\[,2\]>0|x\[,1\]<3,1\] \#第2列大于0或者第1列小于3的第1列元素

x\[!x\[,2\]<3,1\] \#第1列中 相应于第2列中 >=3的元素

apply(x,1,mean) \#对行（第一维）求均值

apply(x,2,sum) \#对列（第二维）求和

x=matrix(rnorm(24),4,6) \#

x\[lower.tri(x)\]=0;x \#得到上三角阵

x\[upper.tri(x)\]=0 \#得到下三角阵

**实践十三 (高维数组)**

x=array(runif(24),c(4,3,2)) \#用24个服从均匀分布的样本点构造4乘3乘2的3维数组

is.matrix(x)

dim(x) \#得到维数

is.matrix(x\[1,,\])\#部分三维数组是矩阵

x=array(1:24,c(4,3,2))

x\[c(1,3),,\] \#

apply(x,1,mean) \#可以对部分维做求均值运算

apply(x,1:2,sum) \#可以对部分维数做求和运算

apply(x,c(1,3),prob) \#对部分维数求乘积

**实践十四 (矩阵与向量之间的运算)**

x=matrix(1:20,5,4) \#5乘4矩阵

sweep(x,1,1:5,"\*") \#把向量1:5的每个元素乘到每一行

sweep(x,2,1:4,"+") \#把向量1:4的每个元素加到每一列

x\*1:5 \#把向量1:5的每个元素乘到每一行

(x=matrix(sample(1:100,24),6,4));(x1=scale(x)) \#

(x2=scale(x,scale=F)) \#

(x3=scale(x,center=F)) \#

round(apply(x1,2,mean),14) \#

apply(x1,2,sd) \#

round(apply(x2,2,mean),14);apply(x2,2,sd) \#

round(apply(x3,2,mean),14);apply(x3,2,sd) \#

**实践十六 （缺失值、数据的合并）**

airquality \#有缺失值（NA）的R自带数据

complete.cases(airquality) \#判断每行有没有缺失值

which(complete.cases(airquality)==F) \#有缺失值的行号

sum(complete.cases(airquality)) \#完整观测值的行数

na.omit(airquality) \#删去缺失值的数据

\#附加，横或竖合并数据：append，cbind，rbind

x=1:10;x\[12\]=3  \#

(x1=append(x,77,after=5))  \#在第5项后面添加 77

cbind(1:5,rnorm(5))  \#

rbind(1:5,rnorm(5))  \#

cbind(1:3,4:6);rbind(1:3,4:6)  \#

\#去掉矩阵重复的行

(x=rbind(1:5,runif(5),1:5,7:11))  \#

x\[!duplicated(x),\] \#

unique(x) \#

**实践十六(list)**

z=list(1:3,Tom=c(1:2,a=list("R",LETTERS\[1:5\]),W="hi"))

z\[\[1\]\];z\[\[2\]\]

z$T

z$T$a2

z$T\[\[3\]\]

z$T$w

**实践十七 （条形图和表）**

x=scan()

3 3 3 4 1 4 2 1 3 2 5 3 1 2 5 2 3 4 2 2 5 3 1 4 2 2 4 3 5 2

barplot(x)

table(x)

barplot(table(x))

barplot(table(x)/length(x))

table(x)/length(x)

**实践十八（形成表格）**

library(MASS) \#载入软件包MASS

quine \#MASS所带数据

attach(quine) \#把数据变量的名字放入内存

\#下面是从该数据得到的各种表格

table(Age) \#

table(Sex,Age); \#

tab=xtabs(~Sex+Age,quine); \#

unclass(tab) \#

tapply(Days,Age,mean) \#

tapply(Days,list(Sex,Age),mean) \#

detach(quine) \#attach的逆运行

**实践十九（如何写函数）**

ss=function(n=100)\{

z=2;

for(i in 2:n)

if(any(i%%2:(i-1)==0)==F)

z=c(z,i);

return(z)

\}\#求n以内的素数

fix(ss) \#用来修改任何函数或者编写一个新函数

ss() \#计算100以内的素数

t1=Sys.time() \#纪录系统时间点

ss(10000) \#计算10000以内的素数

Sys.time()-t1 \#费了多少时间

system.time(ss(10000)) \#计算执行ss（10000）所用时间

\#函数可以不写return，这时最后一个值为return的值

\#为了输出多个值最好使用list输出

**实践二十（画图）**

x=seq(-3,3,len=20); y=dnorm(x)\#产生数据

w=data.frame(x,y) \#合并x和y，生成w

par(mfcol=c(2,2)) \#准备画4个图的地方

plot(y~x,w,main="正态密度函数")

plot(y~x,w,type="l",main="正态密度函数")

plot(y~x,w,type="o",main="正态密度函数")

plot(y~x,w,type="b",main="正态密度函数")

par(mfcol=c(1,1))\#取消par(mfcol=c(2,2))

**实践二十一（色彩和符号等调节）**

plot(1,1,xlim=c(1,7.5),ylim=c(0,5),type="n")\#画出框架

\#在plot命令后面追加点（如要追加线可用lines函数）

points(1:7,rep(4.5,7),cex=seq(1,4,l=7),col=1:7,pch=0.6)

text(1:7,rep(3.5,7),labels=paste(0:6,letters\[1:7\]),cex=seq(1,4,l=7),col=1:7)

\#在指定位置加文字

points(1:7,rep(2,7),pch=(0:6)+7)\#点出符号7到13

text((1:7)+0.25,rep(2:7),paste((0:6)+7)) \#加符号号码

points(1:7,rep(1:7),pch=(0:6)+14) \#点出符号14到20

text((1:7)+0.25,rep(1:7),paste((0:6)+14))\#加符号号码

这些关于符号形状，大小，颜色，以及其它画图选项的说明可用 “？par”查看

转载于:https://www.cnblogs.com/shujuxiong/p/11147290.html

R学习笔记(持续更新中)

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关 Git的学习笔记（持续更新）

相关 python笔记(持续更新中......)

相关 Java笔记（持续更新中）

相关 Java HashMap学习笔记（持续更新）

相关 hadoop学习笔记（持续更新）

相关 Scala 的学习笔记系列(持续更新中)

相关 Go学习笔记（持续更新）

相关 JS学习笔记（持续更新中）

相关 R学习笔记(持续更新中)

相关 Laravel 学习笔记(持续更新)