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：
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
—|—
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：
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
- | 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
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
—|—
(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：
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。
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
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。
|
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")
—|—
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：
基本图形
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
—|—
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
图1 温氏股份业务体系
图9 温氏专利申请趋势
