R语言基础与入门实践

简介: R语言基础与入门实践

熟练使用R软件

实践1:最初几步

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,...,100中随机不放回地抽取20个值作为样本


set.seed(0);sample(1:10,3)#先设随机种子再抽样.


#从1,...,200000中随机不放回地抽取10000个值作为样本:


z=sample(1:200000,10000)


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放回地抽取100个随机样本


(z1=unique(z))


length(z1)#z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及z的并的元素从小到大排序


setequal(union(xz,z),x) #对xz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,


      #各数目抽到的概率与1:100成比例


实践2: 一些简单运算

pi *10^2 #能够用?”*”来看基本算术运算方法, pi是圆周率


"*"(pi, "^"(10,2)) #和上面一样, 有些繁琐, 是吧! 没有人这么用


pi * (1:10)^-2.3#可以对向量求指数幂


x = pi * 10^2


x


print(x) #和上面一样


(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3:关于R对象的类型等

这里写代码片x=pi*10^2


class(x) #x的class


typeof(x) #x的type


class(cars)#cars是一个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(cars)#cars的头几行数据, 和cars[1:6,]相同


tail(cars) #cars的最后几行数据


str(cars)#也是汇总


row.names(cars) #行名字


attributes(cars)#cars的一些信息


class(dist~speed)#公式形式,"~"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


image.png

image.png

实践4: 包括简单自变量为定量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)#以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, 四分位点为分割点


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(cars$qspeed)


plot(dist ~ qspeed, data = cars)#点出箱线图


(a=lm(dist ~ qspeed, 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)

image.png

实践5: 简单样本描述统计量等等

这里写代码片x <- round(runif(20,0,20), digits=2)#四舍五入


summary(x) #汇总


min(x);max(x) #极值, 与range(x)类似


median(x)  # 中位数(median)


mean(x)    # 均值(mean)


var(x)     #方差(variance)


sd(x)      # 标准差(standard deviation),为方差的平方根


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)     #同上: 升幂排列的x


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


sum(x);length(x)#元素和及向量元素个数


round(x) #四舍五入,等于round(x,0),而round(x,5)为留到小数点后5位


fivenum(x)  # 五数汇总, quantiles


quantile(x) # 分位点 quantiles (different convention)有多种定义


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


cumprod(x)#累积积


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


实践6: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")#或者abline(lm(y~x),col="red")散点图加拟合线


print("Hello World!")


paste("x 的最小值= ", min(x)) #打印


demo(graphics)#演示画图(点Enter来切换)

image.png

image.png

image.png

image.png

image.png

image.png

image.png

实践7: 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


#下面构造一个10维复向量, 实部和虚部均为10个标准状态样本点:


(z <-complex(real=rnorm(10), imaginary =rnorm(10)))


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)间求极值


实践8:字符型向量

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


a[3]="w"          #不行! 会给出警告


a=as.character(a) #转换一下


a[3]="w"          #可以了


a;factor(a)       #两种不同的类型


实践9:数据输入输出

x=scan()#从屏幕输入数据, 可以键入, 也可以粘贴,可多行输入,空行后Enter


1.5 2.6 3.7 2.1 8.9 12 -1.2 -4


x=c(1.5,2.6,3.7,2.1,8.9,12,-1.2,-4)#等价于上面


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


setwd(“f:/2010stat”)#或setwd("f:\2010stat")#建立工作路径


(x=rnorm(20)) #给x赋值20个标准正态数据值


#(注:有常见分布的随机数, 分布函数,密度函数及分位数函数)


write(x,"f:/2010stat/test.txt")#把数据写入文件(路径要对)


y=scan("f:/2010stat/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.names=F)#把数据写入文本文件


w=read.table("f:/2010stat/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:/2010stat/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10:序列等等

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


z=seq(-1,10,len=100)#和上面等价写法


(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)) #自己看, 这又是什么呢?


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(combine)成一个向量


x=rep(0,10);z=1:3;x+z #向量加法(如果长度不同, R如何给出警告和结果?)


x*z   #向量乘法


rev(x)#颠倒次序


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


z[1]=="no cat" #双等号为逻辑等式


z=1:5


z[7]=8;z #什么结果? 注:NA为缺失值(not available)


z=NULL


z[c(1,3,5)]=1:3;


z


rnorm(10)[c(2,5)]


z[-c(1,3)]#去掉第1、3元素


z=sample(1:100,10);z


which(z==max(z))#给出最大值的下标




目录
相关文章
|
6月前
|
数据采集 机器学习/深度学习 人工智能
数据清洗、数据处理入门!R语言我来了,数据不再零散!
「数据清洗」和「预处理」是数据科学中必不可少的一部分,它们能够帮助我们准确地分析和预测未来趋势。如果你曾经尝试过进行分析或建模,你会发现数据往往不像我们所想象的那样干净、整洁。需要对数据进行仔细的检查、清理和处理,才能真正把数据转变成有用的信息。
147 0
|
9月前
|
数据可视化 数据挖掘 Python
生命科学相关专业入门R语言的参考资料推荐
生命科学相关专业入门R语言的参考资料推荐
|
存储 数据库 Python
R语言:第一部分 入门
R语言:第一部分 入门
R语言:第一部分 入门
|
机器学习/深度学习 算法 数据挖掘
全网最快入门———R语言机器学习实战篇9《因子分析》
R 语言是为数学研究工作者设计的一种数学编程语言,主要用于统计分析、绘图、数据挖掘。 机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
全网最快入门———R语言机器学习实战篇9《因子分析》
|
机器学习/深度学习 数据采集 算法
全网最快入门———R语言机器学习实战篇8《主成分分析》
R 语言是为数学研究工作者设计的一种数学编程语言,主要用于统计分析、绘图、数据挖掘。 机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
全网最快入门———R语言机器学习实战篇8《主成分分析》
|
机器学习/深度学习 算法 数据挖掘
全网最快入门———R语言机器学习实战篇7《logistic回归》
R 语言是为数学研究工作者设计的一种数学编程语言,主要用于统计分析、绘图、数据挖掘。 机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
全网最快入门———R语言机器学习实战篇7《logistic回归》
|
机器学习/深度学习 算法 数据挖掘
全网最快入门———R语言机器学习实战篇6《广义线性模型》
R 语言是为数学研究工作者设计的一种数学编程语言,主要用于统计分析、绘图、数据挖掘。 机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
全网最快入门———R语言机器学习实战篇6《广义线性模型》
|
机器学习/深度学习 算法 数据挖掘
全网最快入门———R语言机器学习实战篇6《功效分析》
R 语言是为数学研究工作者设计的一种数学编程语言,主要用于统计分析、绘图、数据挖掘。 机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
|
机器学习/深度学习 算法 数据可视化
全网最快入门———R语言机器学习实战篇5
R 语言是为数学研究工作者设计的一种数学编程语言,主要用于统计分析、绘图、数据挖掘。 机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
全网最快入门———R语言机器学习实战篇5
|
机器学习/深度学习 算法 数据挖掘
全网最快入门———R语言机器学习实战篇4
R 语言是为数学研究工作者设计的一种数学编程语言,主要用于统计分析、绘图、数据挖掘。 机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
全网最快入门———R语言机器学习实战篇4

热门文章

最新文章

相关产品