R 入门手册

发表于 2022-08-05

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。

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。

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：

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

—|—

输出结果为：

[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] 4

—|—

多个向量合并：

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

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）

> 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：

> 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

> 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

—|—

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

—|—

2.3.4 简单随机抽样

代码格式如下：

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：

> 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

> 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.

> 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：

> 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

> 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

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

> 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

> 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] [,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

> 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  
  
     [,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

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：

, , 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：

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

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

FuncName <- function (arglist) {  
  expr  
  return(value)  
}

—|—

举例

grade <- function(i, k){  
  if(k <= 100) {  
    k = i^2  
    return(k)  
  }  
  else {  
    break  
  }  
}  
  
grade(i<-1:100, 10)

—|—

输出结果：

> 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% > % :

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

—|—

(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：

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：

# 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：

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：

# 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

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：

# 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:

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：

# 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.

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：

# 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():

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：

# 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

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

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

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

install.packages('包的名称')

—|—

安装成功后，显示如下：

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:

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。

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

—|—

当载入dplyr时，我们发现：

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：

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。

> 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：

# 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。

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：

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

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。

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。

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")

—|—

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。

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：

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：

library(nycflights13)  
library(ggplot2)  
  
ggplot(data = alaska_flights, mapping = aes(x = dep_delay, y = arr_delay)) +   
  geom_point() # 散点图

—|—

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

1. 认识 R和 RStudio

1.1 R和 RStudio 简介

1.2 RStudio 界面介绍

1.3 基本操作介绍

2. 向量（vector）

2.1 向量使用

2.2 从列表中提取需要的元素

2.3 生成器

2.3.1 元素重复

2.3.2 等差数列

2.3.3 随机数

2.3.4 简单随机抽样

2.4 向量的排序

2.5 向量的集合运算

3. 数据和列表

3.1 数据类型及基本运算

3.1.1 数据类型

3.1.2 数据运算

3.1.3 常见的数据运算

3.1.4 R 中自带的常见函数

3.2 列表

3.2.1 列表基本操作

3.2.2 合并与拆开

3.3 矩阵(matrix)和数组(array)

3.4 循环

4. 函数

4.1 函数基本操作

5. tibble

5.1 创建

5.1.1 创建

5.1.2 新增

5.2 抓取行列

5.2.1 抓取列

5.2.2 抓取行

5.2.3 排序

5.2.4 汇总统计

5.2.5 分组

6. R 包

6.1 包的安装和卸载

6.2 包的使用

7. 数据导入和整理

7.1 数据导入

7.2 数据清理

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

7.3 数据挖掘相关包

8. 回归分析

8.1 描述性数据分析

8.2 一元线性回归

8.3 多元线性回归

8.4 R语言分类及预测算法函数

9. 抽样

10. 假设检验、置信区间

11. 数据可视化

11.1 ggplot介绍

12. 实战案例：西雅图房价预测

感谢

ChangeLog

`11.1 ggplot`介绍