妙生
0%

R 入门手册

Posted on Edited on In

1. 认识 R和 RStudio

1.1 R和 RStudio 简介

R是使用广泛的统计计算和绘图分析软件，基于S语言编写，20世纪90年代初，由Ross Ihaka 和 Robert Gentleman 共同编写，2000年发行1.0.0版本。

RStudio是R语言的集成开发环境(IDE)，RStudio之于R，相当于Pycharm之于python。RStudio是开源项目。

为什么要使用R :

  • 强大的绘图功能，能轻松绘制你想要的任何图像

  • 免费，开源

  • 强大的技术社区支持

R Markdown用来从 R 中创建文档和网页，Shiny 则是使用 R 创建交互式应用程序。

Style guide · Advanced R.

1.2 RStudio 界面介绍

左上：代码编辑栏。用于编辑代码，点击 run 即可运行。

左下：命令控制台，代码运行后，实时显示结果，如果出错，会进行报错。

右上：显示自定义的对象。

右下：查看文件、显示图像、获取包、获取帮助。

四个界面的大小可以自由拖动。

img

R具有庞大的生态，你在学习和使用R中遇到的问题，都可以通过help获取帮助。你可以点击上方的R help，跳转到右下角搜索想要的答案。

img

1.3 基本操作介绍

赋值

R 有一个最基本的概念——赋值，即把数据、表格等，赋予给一个新的变量，在R中赋值符号为 <-。比如：

1
2
3
4
x <- 2+3*6
y <- x
x = 56
y

输出结果为：

1
[1] 20

创建和保存文件

@todo

代码执行

使用Ctrl+Enter (command+return)执行本句代码，Ctrl+Shift+Enter (command+shift+return)执行文件中所有代码。

分隔符

当代码很长时，可以通过Ctrl (command) + shift + R插入像上面foo, bar风格符，增加代码可读性。

2. 向量（vector）

2.1 向量使用

对变量赋值，是R中的基本操作。赋值用符号<-,多个元素赋值可以使用c() (concatenate)函数.

1
2
x <- 5
num <- c(1, 4, 6, 19)

输出结果：

1
2
> nums
[1]  1  4  6 19

查看向量长度：

1
2
num <- c(1, 4, 6, 19)
length(num)

输出结果：

1
[1] 4

多个向量合并：

1
2
3
4
5
6
fruit_1 <- c("Apple","Banana","Carambola')
fruit_2 <- c("Durian","Haw","Lemon") 

fruits <- c(fruit_1, fruit_2, c("Papaya","Persimmon","Strawberry"))

fruits

输出结果为：

1
2
3
> fruits
[1] "Apple"      "Banana"     "Carambola"  "Durian"     "Haw"       
[6] "Lemon"      "Papaya"     "Persimmon"  "Strawberry"

2.2 从列表中提取需要的元素

和python一样，R也可以提取需要的元素，但和python不一样的是，R从第一个开始：

看下面一个列表

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
fruits <- c("Apple", "Banana", "Carambola", "Durian", "Haw", "Lemon" , "Papaya" ,  "Persimmon", "Strawberry")

fruits[3] # 提取第三个

fruits[c(2,5,7)] # 提取第2、5、7个

fruits[-c(2,5,7)] # 提取除了第2、5、7个的元素

fruits[c(2,5,7)] <- c("ON", "UP", "DOWN") # 第2，5，7个重新赋值

fruits[c(2:6)] # 提取第2，3，4，5，6个，包含第2个

fruits[2:6] # 提取第2，3，4，5，6个，包含第2个

fruits

运行结果分别是（注：上面代码必须单独运行，才能得到下面的结果，否则只会显示最后一个）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
> fruits[3] # 提取第三个
[1] "Carambola"

> fruits[c(2,5,7)] # 提取第2、5、7个
[1] "Banana" "Haw"    "Papaya"

> fruits[-c(2,5,7)] # 提取除了第2、5、7个的元素
[1] "Apple"      "Carambola"  "Durian"     "Lemon"      "Persimmon" 
[6] "Strawberry"

fruits[c(2,5,7)] <- c("ON", "UP", "DOWN") # 第2，5，7个重新赋值
[1] "Apple"      "ON"         "Carambola"  "Durian"     "UP"        
[6] "Lemon"      "DOWN"       "Persimmon"  "Strawberry"

> fruits[c(2:6)] # 提取第2，3，4，5，6个，包含第2个
[1] "Banana"    "Carambola" "Durian"    "Haw"       "Lemon"    

> fruits[2:6] # 提取第2，3，4，5，6个
[1] "Banana"    "Carambola" "Durian"    "Haw"       "Lemon"

2.3 生成器

2.3.1 元素重复

重复某个元素，基本格式如下：

（以下代码，上面是输入，下方为输出结果)

1
2
> rep(2, 3) # 把2重复3次；或rep(2, times = 3)
 [1] 2 2 2

在此基础上，可以延展很多变体：

1
2
3
4
5
6
7
8
9
10
11
> rep(c(1,2,3,4), 4) # 把1，2，3，4重复4次
 [1] 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
> rep(c(1:10), 2) # 1-10重复10次
 [1]  1  2  3  4  5  6  7  8  9 10  1  2  3  4  5  6  7  8  9 10
> rep(c(1, 2, 3), each = 3) # 把1, 2，3各重复4遍
 [1] 1 1 1 2 2 2 3 3 3
> rep(c(1, 2, 3), c(3, 2, 0)) # 把1, 2, 3分别重复3, 2, 0遍
 [1] 1 1 1 2 2
rep(8:15, rep(1:5, rep(1:2, 2:3))) # 把8（含）-15（含）分别重复1、2、3、3、4、4、5、5遍。注意每个元素与重复次数要对应，如8-15有8个元素，rep(1:5, rep(1:2, 2:3))也必须是8个原色
 [1]  8  9  9 10 10 10 11 11 11 12 12 12 12 13 13 13 13 14 14 14 14 14 15 15 15
[26] 15 15

2.3.2 等差数列

1
2
3
4
> seq(0, 15, 2) # 其实是`seq(from = 0, to = 15, by = 2)`的简写，表示0-15中，等差序列为2
 [1]  0  2  4  6  8 10 12 14
> seq(0, 20, length.out = 11) # 其实是`seq(from = 0, to = 20, length.out = 10`的简写。表示0-20中，按等差分成10个元素
 [1]  0  2  4  6  8 10 12 14 16 18 20

2.3.3 随机数

常见的随机数用runif(n, min, max)，n表示生成的随机数数量，min是最小值，max是最大值。默认min=0，max=1。

1
2
3
nums_1 <- runif(100000,1,100) # 随机生成10万个，1-100之间的随机数

hist(nums_1) # 画直方图

img

正态分布的随机数：

使用rnorm(n, mean, sd), 三个参数分别代表数量，平均值，标准差。默认mean为0，sd为1。

1
2
nums_1 <- rnorm(100000, 250, 20) # 生成10万个随机数，按照平均值为250，标准差为20，进行正态分布
hist(nums_1) # 画直方图

img

2.3.4 简单随机抽样

代码格式如下：

1
sample(balls, 20, replace = TRUE) # ball表示总体，20表示抽取的数量， replace = TRUE表示抽取后放回，FALSE表示抽取后不放回(可不写）

从10个球中随机抽取8个，每次抽取放回：

1
2
3
4
> balls <- letters[1:10]
> sample(balls, 8, replace = TRUE)

[1] "i" "g" "d" "c" "g" "i" "b" "c"

2.4 向量的排序

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
> x <- c(10, 45, 2, 8, 12)

> sort(x) # 从小到大排序
[1]  2  8 10 12 45

> x[order(x)] # 从小到大排序
[1]  2  8 10 12 45

> order(x) # 返回每个元素从小到大对应的排序，如10是第三小的元素，返回值为3
[1] 3 4 1 5 2

> rev(sort(x)) # 从大到小排序
[1] 45 12 10  8  2

> rank(x) # 返回值为每个数值对应的排名
[1] 3 5 1 2 4

> rev(x) # 表示向量翻转
[1] 12  8  2 45 10

2.5 向量的集合运算

交集用intersect(x, y)，并集用union(x, y)，补集用setdiff(x, y)。作为集合是否相等，用setequal(x, y)，确定元素是否是集合的某个元素用is.element(x, y)，等价于x %in% y.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
> x <- c(1:15)
> y <- c(10:25, 5)

> intersect(x,y) # 求交集
[1]  5 10 11 12 13 14 15

> union(x, y) #求并集
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20
[21] 21 22 23 24 25

> setdiff(x, y) #求补集，即不在集合y中的元素
[1] 1 2 3 4 6 7 8 9

> setequal(x, y) # 是否相等
[1] FALSE

> is.element(x, y) #确定x是否是y中的元素
 [1] FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE
[11]  TRUE  TRUE  TRUE  TRUE  TRUE

3. 数据和列表

3.1 数据类型及基本运算

3.1.1 数据类型

常见数据类型如下

类型 含义与说明 例子
numeric 浮点数向量 2, 3.14, sqrt(5)
integer 整数向量 1L，3L，5L
character 字符向量；需被引号包围 “@”, “34”, “文本”
logical 逻辑向量 TRUE, FALSE, NA
complex 复数向量 3+5i, i, 4+i

数据基本操作如下：

1
2
3
4
5
6
7
8
> class(3) # 查询数据类型
 [1] "numeric"

> is.numeric(6) # 判断属于哪一种数据类型，TRUE则为正确
[1] TRUE

> as.numeric(6) # 强制转换为另一种数据类型
[1] 6

3.1.2 数据运算

符号 描述
+ 加
- 减
* 乘
/ 除以
^或** 乘幂
%/% 求整数商，比如7%/%3=2=2
%% 求余数，比如7%%3=1

3.1.3 常见的数据运算

e^x和logx(y)函数

1
2
exp(1) # e^x函数
log(100,10) # log(x,y)，以y为底x的函数

保留数字位数

1
2
3
4
5
> signif(12.3456789, 4) # 保留4位数，注意是总共保留4位数，不是保留小数点后面4位
 [1] 12.35
 
> round(12.3456789, 3) # 保留3位小数
 [1] 12.346

3.1.4 R 中自带的常见函数

img

资料来源：2.3 数学表达和运算 | R与tidyverse——数据分析入门

3.2 列表

3.2.1 列表基本操作

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
> list(1, 2, 4, NA, 3L, "de")

[[1]]
[1] 1

[[2]]
[1] 2

[[3]]
[1] 4

[[4]]
[1] NA

[[5]]
[1] 3

[[6]]
[1] "de"

3.2.2 合并与拆开

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
> c(list(1, 2), list(3, 4, list(5,6))) # 使用c来合并列表
[[1]]
[1] 1

[[2]]
[1] 2

[[3]]
[1] 3

[[4]]
[1] 4

[[5]]
[[5]][[1]]
[1] 5

[[5]][[2]]
[1] 6
> unlist(list(1, list(2, list(3, 4)), list(5, 6), 7, 8, 9)) # 一直拆解到无列表
[1] 1 2 3 4 5 6 7 8 9

> unlist(list(1, list(2, list("a", 4)), list(5, TRUE), 7L, 8, 9+0i))
[1] "1"    "2"    "a"    "4"    "5"    "TRUE" "7"    "8"    "9+0i"

# unlist(list(A, B)等同于c(A, B)

3.3 矩阵(matrix)和数组(array)

创建5行8列的数组：

1
2
3
A <- 1:40
dim(A) <- c(5,8) 
A

输出结果：

1
2
3
4
5
6
  [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
[1,]    1    6   11   16   21   26   31   36
[2,]    2    7   12   17   22   27   32   37
[3,]    3    8   13   18   23   28   33   38
[4,]    4    9   14   19   24   29   34   39
[5,]    5   10   15   20   25   30   35   40

索引行列数据

1
2
3
4
5
6
7
8
> A[5,3] # 第5行第3列数据
 [1] 15

> A[5, ] # 第5行全部数据
 [1]  5 10 15 20 25 30 35 40

> A[, 7] # 第7列全部数据
 [1] 31 32 33 34 35

创建2行8列的3个数组：

1
2
3
A <- 1:48
dim(A) <- c(2, 8, 3) 
A

结果如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
, , 1

     [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
[1,]    1    3    5    7    9   11   13   15
[2,]    2    4    6    8   10   12   14   16

, , 2

     [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
[1,]   17   19   21   23   25   27   29   31
[2,]   18   20   22   24   26   28   30   32

, , 3

     [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
[1,]   33   35   37   39   41   43   45   47
[2,]   34   36   38   40   42   44   46   48

接下来使用**dimnames()**为每个行、列和每个列表命名

1
2
3
4
5
6
7
8
A <- 1:48
dim(A) <- c(2, 8, 3)

dimnames(A) <- list(paste("行数.", 1:2), # 行命名
                    c("列1", "列2", "列3", "列4", "列5", "列6", "列7", "列8"), # 列命名
                    c("表1", "表2", "表3")) # 表头命名
    
A

结果如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
, , 表1

        列1 列2 列3 列4 列5 列6 列7 列8
行数. 1   1   3   5   7   9  11  13  15
行数. 2   2   4   6   8  10  12  14  16

, , 表2

        列1 列2 列3 列4 列5 列6 列7 列8
行数. 1  17  19  21  23  25  27  29  31
行数. 2  18  20  22  24  26  28  30  32

, , 表3

        列1 列2 列3 列4 列5 列6 列7 列8
行数. 1  33  35  37  39  41  43  45  47
行数. 2  34  36  38  40  42  44  46  48

3.4 循环

循环语句的基本用法：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
for(var in seq) {
  expr
}
m <- 1:100 # 产生一个[1,2,3,...,99,100] # 从1-100依次产生整数

n <- vector("numeric")
for (i in m) {
  if (i %% 2 == 0) {   # 如果i是偶数
    n <- append(n, i^2) # 那么n为i的平方
  } else if (i == 51) { # 当i等于51，则结束
    break
  }
}

n

输出结果：

1
2
 [1]    4   16   36   64  100  144  196  256  324  400  484  576  676  784  900
[16] 1024 1156 1296 1444 1600 1764 1936 2116 2304 2500

while循环：

当条件满足cond，重复循环expr。

1
2
3
while (cond) {
  expr
}

重复执行使用repeat，直到使用break打断

1
2
3
4
5
6
7
8
9
10
11
repeat {
  expr
}
i < 1
repeat {
  print(i)
  i = i + 1
  if (i == 100) {
    break
    }
   }

for 和 while 区别：

  • while 适用于不知道要运行多少次

  • 知道结束循环的条件

4. 函数

4.1 函数基本操作

1
2
3
4
FuncName <- function (arglist) {
  expr
  return(value)
}

举例

1
2
3
4
5
6
7
8
9
10
11
grade <- function(i, k){
  if(k <= 100) {
    k = i^2
    return(k)
  }
  else {
    break
  }
}

grade(i<-1:100, 10)

输出结果：

1
2
3
4
5
6
7
8
9
10
> grade(i<-1:100, 10)
  [1]     1     4     9    16    25    36    49    64    81   100   121   144
 [13]   169   196   225   256   289   324   361   400   441   484   529   576
 [25]   625   676   729   784   841   900   961  1024  1089  1156  1225  1296
 [37]  1369  1444  1521  1600  1681  1764  1849  1936  2025  2116  2209  2304
 [49]  2401  2500  2601  2704  2809  2916  3025  3136  3249  3364  3481  3600
 [61]  3721  3844  3969  4096  4225  4356  4489  4624  4761  4900  5041  5184
 [73]  5329  5476  5625  5776  5929  6084  6241  6400  6561  6724  6889  7056
 [85]  7225  7396  7569  7744  7921  8100  8281  8464  8649  8836  9025  9216
 [97]  9409  9604  9801 10000

遇到层层函数嵌套的情况**h(g(f**(x)))，借助% > % :

1
2
3
4
x %>% 
  f() %>% 
  g() %>% 
  h()

5. tibble

tibble用来替换data.frame的表格型数据结构，tibble是tidyverse的一部分，读写速度更快。

1
2
library(didyverse)
mpg # 默认显示前10行

img

(图片来源：https://tshi.page/r-and-tidyverse-book/tibble-view.html）

基本操作：

1
2
3
view(mpg) # 查看所有数据
head(mpg, 8)  # 开头前8行
tail(mpg) # 最后8行

5.1 创建

5.1.1 创建

直接在向量中赋值：

1
2
3
4
5
6
7
8
library(tibble)

my_tibble_1 <- tibble(
  nums = c("one", "two", "three"), # 列1
  chars_1 = c("数1", "数2", "数3"), # 列2
  chaars_2 = c("数4", "数5", "数6") # 列3
                )
my_tibble_1

输出结果为：

1
2
3
4
5
6
# A tibble: 3 × 3
  nums  chars_1 chaars_2
  <chr> <chr>   <chr>   
1 one   数1     数4
2 two   数2     数5    
3 three 数3     数6

也可以通过向量创建：

1
2
3
4
5
6
7
x <- c("one", "two", "three")
y <- c("数1", "数2", "数3")
z <- c("数4", "数5", "数6")

my_tibble_1 <- tibble(nums = x, chars_1 = y, chars_2 = z)

my_tibble_1

输出结果如下，与第一种方法一样：

1
2
3
4
5
6
# A tibble: 3 × 3
  nums  chars_1 chars_2
  <chr> <chr>   <chr>  
1 one   数1     数4    
2 two   数2     数5    
3 three 数3     数6

5.1.2 新增

1
2
3
4
chars_2 <- mutate(my_tibble_1, 
    chars_3 = c("数7", "数8", "数9")
    
 my_tibble_1

5.2 抓取行列

5.2.1 抓取列

从整个列表中抓取需要所需的列，可以使用下面三种方法：

1
2
3
4
5
6
7
8
# 方法1:通过变量名称抓取
my_tibble_1[["chars_1"]]

# 方法2:使用$
my_tibble_1$chars_1 

# 方法3:使用索引
my_tibble_1[[2]]

如果要抓取多列，则可以使用select:

1
2
3
4
5
6
7
8
9
10
11
library(dplyr)

x <- c("one", "two", "three")
y <- c("数1", "数2", "数3")
z <- c("数4", "数5", "数6")

my_tibble_1 <- tibble(nums = x, chars_1 = y, chars_2 = z)

shuju <- select(my_tibble_1, 1, 3) # 提取第一列，第三列，也可以使用select(my_tibble_1, -2)

shuju

运行结果如下：

1
2
3
4
5
6
# A tibble: 3 × 2
  nums  chars_2
  <chr> <chr>  
1 one   数4    
2 two   数5    
3 three 数6

5.2.2 抓取行

抓取行的方法和抓取列的方法一样，把select函数换成slice()函数.

1
2
3
4
5
6
7
8
9
10
11
library(dplyr)

x <- c("one", "two", "three")
y <- c("数1", "数2", "数3")
z <- c("数4", "数5", "数6")

my_tibble_1 <- tibble(nums = x, chars_1 = y, chars_2 = z)

shuju <- slice(my_tibble_1, 1, 3) # 提取第一行，第三行，也可以使用slice(my_tibble_1, -2)

shuju

结果如下：

1
2
3
4
5
# A tibble: 2 × 3
  nums  chars_1 chars_2
  <chr> <chr>   <chr>  
1 one   数1     数4    
2 three 数3     数6

抓取满足某些特定条件的行，使用filter():

1
2
3
4
5
6
7
8
9
10
11
library(dplyr)

x <- 1:6
y <- 4:9
z <- 5:10

my_tibble_1 <- tibble(nums = x, chars_1 = y, chars_2 = z)

shuju <- filter(my_tibble_1, chars_2>=3 & chars_2 <= 6) # 提取chars_2列 满足数字大于等于3小于等于6的元素

shuju

结果如下：

1
2
3
4
5
# A tibble: 2 × 3
   nums chars_1 chars_2
  <int>   <int>   <int>
1     1       4       5
2     2       5       6

5.2.3 排序

使用arrange

排序：

1
2
arrange(my_tibble_1, chars_2) # 从小到大排列
arrange(my_tibble_1, -chars_2) # 从大到小排列

重命名变量

1
my_tibble <- dplyr::rename(my_tibble_1, 列2 = chars_2) # 把chars_2命名为 列2

5.2.4 汇总统计

使用summarize

1
summary_temp <- summarize(my_tibble_1, mean(chars_1), sd(chars_1))

  • mean(): 平均值

  • sd(): 标准差，它是价差的衡量标准

  • min()和max()：分别为最小值和最大值

  • IQR(): 四分位距

  • sum(): 多个数字相加的总数

  • n(): 每组中的行数

5.2.5 分组

使用groub_by

1
2
3
4
5
summary_monthly_temp <- weather %>% 
  group_by(month) %>% 
  summarize(mean = mean(temp, na.rm = TRUE), 
            std_dev = sd(temp, na.rm = TRUE))
summary_monthly_temp

6. R 包

6.1 包的安装和卸载

R 包是什么？我们可以把RStudio理解为一部手机，R 包则是一个个的APP，把能实现特定功能的程序“打包”在一起，当你调用包时，就可以实现想要的功能。

包的安装有两种方法。

第一种：找到顶部菜单栏Tools—>Install Packages—>输入包的名称，完成安装

第二种：在代码运行区输入

1
install.packages('包的名称')

安装成功后，显示如下：

img

包的更新：

更新：update.packages()；

包的卸载：remove.packages()

6.2 包的使用

在使用包时，需要使用如下代码加载包:

1
library('包的名称')

如果有多个包，每一个包的加载都输入上面的加载语法麻烦的话，可以使用下面语法，加载多个包，读取成功，会返回TRUE。

1
library(c('包1', '包2', '包3'), require, c = T)

当载入dplyr时，我们发现：

1
2
3
4
5
6
7
8
9
载入程辑包：‘dplyr’

The following objects are masked from ‘package:stats’:

    filter, lag

The following objects are masked from ‘package:base’:

    intersect, setdiff, setequal, union

为什么会这样？因为R自带了stats、base的包，现在使用的dplyr有同名的 filter(), lag()，intersect()，setdiff()，setequal()， union()，把自带的覆盖了。此时，程序会以最后（近）的包为对象读取。当然，你也可以使用packageName::object调取，先把包名称写出来。不过这种方法，应该不常用。

在R包中，最常用的包有下面四个：

1
2
3
4
library(ggplot2)
library(dplyr)
library(readr)
library(tidyr)

ggplot2用于数据可视化，dplyr用于数据整理，readr用于将电子表格数据导入 R，tidyr用于转置数据。

而这四个R包，可以通过tidyvers包一并加载出来。

1
2
3
4
5
6
7
8
> library(tidyverse)
── Attaching packages ────────────────────────────────────── tidyverse 1.3.1 ──
✔ tibble  3.1.7     ✔ dplyr   1.0.9
✔ tidyr   1.2.0     ✔ stringr 1.4.0
✔ purrr   0.3.4     ✔ forcats 0.5.1
── Conflicts ───────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()

7. 数据导入和整理

7.1 数据导入

1
2
3
library(readr)
dem_score <- read_csv("https://moderndive.com/data/dem_score.csv")
dem_score

结果如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# A tibble: 96 × 10
   country    `1952` `1957` `1962` `1967` `1972` `1977` `1982` `1987` `1992`
   <chr>       <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
 1 Albania        -9     -9     -9     -9     -9     -9     -9     -9      5
 2 Argentina      -9     -1     -1     -9     -9     -9     -8      8      7
 3 Armenia        -9     -7     -7     -7     -7     -7     -7     -7      7
 4 Australia      10     10     10     10     10     10     10     10     10
 5 Austria        10     10     10     10     10     10     10     10     10
 6 Azerbaijan     -9     -7     -7     -7     -7     -7     -7     -7      1
 7 Belarus        -9     -7     -7     -7     -7     -7     -7     -7      7
 8 Belgium        10     10     10     10     10     10     10     10     10
 9 Bhutan        -10    -10    -10    -10    -10    -10    -10    -10    -10
10 Bolivia        -4     -3     -3     -4     -7     -7      8      9      9
# … with 86 more rows

可以看到，变量名两侧加上了引号，那是因为默认情况下，R 中的变量名不允许以数字开头，也不允许包含空格。

导入excel文件方法类似，可以使用路径File--> Import Dateset --> From Excel操作界面如下，观察右下角的代码，也可以使用代码导入。

img

7.2 数据清理

每一个变量为一列，每一个观察为一行，每种类型的数据形成一个单独的表格。

观察7.1中的数据，country 是变量，应该变成列，时间应该变成行，可以使用下面的代码实现：

1
2
3
4
5
6
guat_dem_tidy <- guat_dem %>% 
  pivot_longer(names_to = "year",  # names_to 为把原来数据框中的行变为列
               values_to = "democracy_score", # values_to 字符串，创建新的列名称
               cols = -country, # 为不想整理的
               names_transform = list(year = as.integer))  # 设置变量的数值类型
guat_dem_tidy

实际运用中，拿到的数据往往存在缺失值、数据出错等情况，我们称之为脏数据，包括：

  • 缺失值：R中有NA表示，可以使用is.na()判断是否存在缺失值。处理方法
    - 删除法：na.omit()，移除所有含有缺失行等列
    - 替换法：使用中位数和众数替换

  • 异常值

  • 重复值

7.3 数据挖掘相关包

img

8. 回归分析

8.1 描述性数据分析

数据分析有三种类别：描述性数据分析、预测性数据分析、规范性数据分析。

  • 描述性数据分析：描述数据是什么。常见指标包括平均数、中位数、众数、四分位数等。

  • 预测性数据分析：从数据中预测。

  • 规范性数据分析：从数据中得到判断。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
library(tidyverse)

library(readr)
dem_score <- read_csv("https://moderndive.com/data/dem_score.csv")

guat_dem_tidy <- dem_score %>% 
  pivot_longer(names_to = "year",  # names_to 为把原来数据框中的行变为列
               values_to = "democracy_score", # values_to 字符串，创建新的列名称
               cols = -country, # 为不想整理的
               names_transform = list(year = as.integer))  # 设置变量的数值类型

guat_dem_tidy %>% summarize(
    year_mean = mean(year), democracy_score_mean = mean(democracy_score),
    year_median = median(year)
)

结果如下：

1
2
3
 year_mean democracy_score_mean year_median
      <dbl>                <dbl>       <dbl>
1      1972               -0.826        1972

次数可以使用skim()，一次性计算：

  • missing：缺失值的数量

  • complete：非缺失值或完整值的数量

  • n：值的总数

  • mean: 平均值

  • sd: 标准差

  • p0：最小值

  • p25：1/4分位数

  • p50：1/2分位数

  • p75：3/4分位数

  • p100：最大值

计算相关系数：

1
2
evals_ch5 %>% 
  get_correlation(formula = score ~ bty_avg)

8.2 一元线性回归

描述一个自变量和一个因变量之间的关系。

1
2
3
4
5
x <- c(1, 12, 89, 28, 13, 93, 92, 9, 34)
y <- c(34, 12, 13, 56, 89, 1, 9, 23, 20)

relation <- lm(y ~ x)
relation

得出x y 的相关系数：

1
2
3
Coefficients:
(Intercept)            x  
    44.6890      -0.3914

8.3 多元线性回归

8.4 R语言分类及预测算法函数

使用R进行数据挖掘时，分类和预测占很大比重，涵盖多个算法模块。主要的算法模型包含神经

9. 抽样

例1:从一个碗中随机抽取50个小球，计算抽取到红色小球的概率。

1
2
3
4
5
6
7
8
9
library(tidyverse)
library(moderndive)

tactile_prop_red

ggplot(tactile_prop_red, aes(x = prop_red)) +
  geom_histogram(binwidth = 0.05, boundary = 0.4, color = "white") +
  labs(x = "Proportion of 50 balls that were red", 
       title = "Distribution of 33 proportions red")

img

例2:从1000个球中随机抽取25个，计算是红色球的概率，并且绘制成条形图。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
library(tidyverse)
library(moderndive)

bowl 

# 1.a) Virtually use shovel 1000 times
virtual_samples_25 <- bowl %>% 
  rep_sample_n(size = 25, reps = 1000)

# 1.b) Compute resulting 1000 replicates of proportion red
virtual_prop_red_25 <- virtual_samples_25 %>% 
  group_by(replicate) %>% 
  summarize(red = sum(color == "red")) %>%
  mutate(prop_red = red / 25)

# 1.c) Plot distribution via a histogram
ggplot(virtual_prop_red_25, aes(x = prop_red)) +
  geom_histogram(binwidth = 0.05, boundary = 0.4, color = "white") +
  labs(x = "Proportion of 25 balls that were red", title = "25")

10. 假设检验、置信区间

@todo

11. 数据可视化

11.1 ggplot介绍

ggplot是用于数据可视化的包。

基本操作语法为：

1
ggplot(data = NULL, mapping = aes(), ..., environment = parent.frame())

有3个部分组成：

  • data：数据集。

  • geom: 几何对象，可以在图中观察到的对象类型。例如：点、线和条。

  • aes：描述几何对象，如x/y 位置、颜色、形状和大小。

基本图形

  • 散点图geom_point()

  • 折线图geom_line()

  • 箱线图通过geom_boxplot()

  • 直方图通过gom_histogram()

  • 通过条形图geom_bar()或geom_col()

示例：

1
2
3
4
5
library(nycflights13)
library(ggplot2)

ggplot(data = alaska_flights, mapping = aes(x = dep_delay, y = arr_delay)) + 
  geom_point() # 散点图

img

12. 实战案例：西雅图房价预测

@todo

感谢

在学习过程中，除了参考官方文档，主要参考了R与tidyverse——数据分析入门 内容，非常感谢！

ChangeLog

20220805 优化案例

20220618 完成初稿