R语言基础

第1章 R的安装、帮助、工作空间管理
一、R的简介
R定义：一个能够自由有效地用于统计计算和绘图的语言和环境，它提供了广泛的统计分析和绘图技术。
R优势：

R是免费的开源软件
全面的统计研究平台，提供了各种各样的数据分析技术
R是一个程序设计语言，可以使用用户定义的函数扩展

R资源：

R主页：http://www.r-project.org
CRAN(Comprehensive R Archive Network):http://cran.r-project.org
R的博客：http://www.r-bloggers.com
R的书籍：《数据挖掘与R语言》、《R语言实战》、《R语言编程艺术》

x<-rnorm(5) #产生5个服从标准正态分布的随机数
x

[1] -0.198391303 0.170254626 0.456807851 0.006009944 -0.156965558

x=5 #用等号赋值
ls() #常看当前变量

[1] “x”

age<-c(1,3,5,2,11,9,3,9,12,3) #用c
age

[1] 1 3 5 2 11 9 3 9 12 3

weight<-c(4.4,5.3,7.2,5.2,8.5,7.3,6.0,10.4,10.2,6.1)
weight

[1] 4.4 5.3 7.2 5.2 8.5 7.3 6.0 10.4 10.2 6.1

mean(weight) #求均值

[1] 7.06

sd(weight) #求标准差

[1] 2.077498

 cor(age,weight) #求相关系数

[1] 0.9075655

plot(age,weight) #画图

在这里插入图片描述

demo() #画图
demo(graphics)

在这里插入图片描述
二、帮助

help.start() #查找帮助文档
help(mean) #关于mean的参数说明
?mean #同上

三、工作空间管理

getwd() #当前工作命令

[1] “D:/默认安装的东西”

setwd("E:/R-code") #更改当前路径
getwd()

[1]“E:/R-code”

history() #查看此前的代码

在这里插入图片描述
第2章 R包的使用方法、结果的重用、R如何处理大数据集
一、R的包（Package）

目前有超过7000个称为包（Package）的用户贡献模块可供使用，可以从http://cran.r-project.org/web/packages下载
R自带了一系列默认包（包括base、datasets、graphics、methods等等），它们提供了种类繁多的默认函数和数据集
包的安装和使用

library() #当前工作环境可使用的包

在这里插入图片描述

help(package="base") #查看base包的使用方法
install.packages("car") #安装car包
install.packages("car") #查看car包的使用方法
library(car) #将car包导入当前工作空间
update.packages("car") #更新car包
update.packages() #更新所有包

二、R结果的重用

head(mtcars)  #mtcars的数据集

在这里插入图片描述
wt:汽车车身的重量
mpg:每加仑汽车可以行使的英里数

lm(mpg~wt,data=mtcars) #mpg~wt的线性关系

在这里插入图片描述

result<-lm(mpg~wt,data=mtcars) #将结果保存到result中
summary(result) #查看result的数据结果
plot(result) #绘图

在这里插入图片描述

predict(result,mynewdata) #值wt预测mpg，wt即是mynewdata

三、R处理大数据集

专门的用于大数据的分析包，如lm()是做线性拟合的函数，而biglim()则能以内存搞笑的方式实现大型数据的线性模型拟合
R与大数据处理平台的结合，如RHadoop、RHive、RHipe等

第3章 R数据集的概念、向量、矩阵和数组
一、R的数据集
按照某种格式来创建数据集，是任何数据分析的第一步
-选择一种数据结构来存储
-将数据输入或导入到这个数据结构中
向R中导入数据有很多方便的方法，可以手工输入数据，也可以从外部源导入数据，数据源可以是电子表格（Excel）、文本文件（txt）、统计软件（SAS）和各类数据库（MySQL）等
数据集通常是由数据构成的一个矩形数组，行表示记录，列表示属性（字段）

二、R的数据结构
R拥有许多用于存储数据的对象类型，包括向量、矩阵、数组、数据框和列表
这些数据结构在存储数据的类型、创建方式、定位和访问其中个别元素的方法等方面都有所不同

三、向量

a<-c(1,3,5,7,2,-4)  #创建一个数字类型的一维向量
a

[1] 1 3 5 7 2 -4

b<-c("one","two","three")  #创建一个字符串类型的一维向量
b

[1] “one” “two” “three”

c<-c(TRUE,TRUE,FALSE,FALSE,TRUE)  #创建一个布尔类型的一维向量
c

[1] TRUE TRUE FALSE FALSE TRUE

a<-c(1,3,5,"one")  #创建一个向量，类型会相同
a

[1] “1” “3” “5” “one”

a[3]  #取a中的第3个值

[1] “5”

 a[c(1,3,4)]  #取a中的第1，3，4的值

[1] “1” “5” “one”

a[1:3] #取a中的第1-3的值

[1] “1” “3” “5”

四、矩阵

?matrix  #查找matrix的帮助文档
y<-matrix(5:24,nrow=4,ncol=5) #创建一个5行4列的矩阵，默认按列填充
y

 [,1]  [,2]  [,3]  [,4]  [,5][1,]    5    9   13   17   21[2,]    6   10   14   18   22[3,]    7   11   15   19   23[4,]    8   12   16   20   24

x<-c(2,45,68,94)
rname<-c("R1","R2")
rnames<-c("R1","R2")
cnames<-c("C1","C2")
newMatrix<-matrix(x,nrow=2,ncol=2,byrow=TRUE,dimnames=list(rnames,cnames)) #创建一个按行填充的矩阵
newMatrix

C1 C2
R1 2 45
R2 68 94

newMatrix<-matrix(x,nrow=2,ncol=2,dimnames=list(rnames,cnames))  #创建一个按列填充的矩阵
newMatrix

C1 C2
R1 2 68
R2 45 94

x<-matrix(1:20,nrow=4)  #创建一个4行5列的矩阵
x

 [,1]   [,2]  [,3]  [,4]  [,5][1,]    1    5    9   13   17[2,]    2    6   10   14   18[3,]    3    7   11   15   19[4,]    4    8   12   16   20

x[3,]  #查找第3列的数

[1] 3 7 11 15 19

 x[2,5]  #查找2行5列的数

[1] 18

?array
dim1<-c("A1","A2","A3")
dim2<-c("B1","B2")
dim3<-c("C1","C2","C3","C4")
d<-array(1:24,c(3,2,4),dimnames=list(dim1,dim2,dim3)) #生成4个3行4列的矩阵
d

, , C1
B1 B2
A1 1 4
A2 2 5
A3 3 6
, , C2
B1 B2
A1 7 10
A2 8 11
A3 9 12
, , C3
B1 B2
A1 13 16
A2 14 17
A3 15 18
, , C4
B1 B2
A1 19 22
A2 20 23
A3 21 24

d[1,2,3]  #元素16的定位：在第1行第2列第3个

[1] 16

第4章 R数据框、因子、列表
一、数据框

patientID<-c(1,2,3,4)  #病人ID
age<-c(25,34,28,52)  #年龄
diabetes<-c("Type1","Type2","Type1","Type2")  #类型
status<-c("poor","Improved","Excellent","poor")  #状况
patientsData<-data.frame(patientID,age,diabetes,status)  #病人数据，整合成数据框
patientsData

patientID age diabetes status
1 1 25 Type1 poor
2 2 34 Type2 Improved
3 3 28 Type1 Excellent
4 4 52 Type2 poor

patientsData[1:2]  #取1-2列的数据

patientID age
1 1 25
2 2 34
3 3 28
4 4 52

patientsData[c("diabetes","status")] #取diabetes和status的数据

diabetes status
1 Type1 poor
2 Type2 Improved
3 Type1 Excellent
4 Type2 poor

patientsData$age  #取age的数据集

[1] 25 34 28 52

head(mtcars) #选取mtcars数据集前六行

mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1

 mtcars$mpg  #用$符号选取mpg数据集

[1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2
[15] 10.4 10.4 14.7 32.4 30.4 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4
[29] 15.8 19.7 15.0 21.4

attach(mtcars)  #用attach将mtcars数据框添加到R的搜索路径中
mpg

[1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2
[15] 10.4 10.4 14.7 32.4 30.4 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4
[29] 15.8 19.7 15.0 21.4

detach(mtcars)  #用detach将mtcars数据框从到R的搜索路径中移除，但不会改变mtcars本身
mpg  #移除后在R的搜索路径中找不对mtcars的数据集

错误: 找不到对象’mpg’

 with(mtcars,{
+l<-mpg
+l}
+)  #将mpg赋值给l，在with中输出l

[1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2
[15] 10.4 10.4 14.7 32.4 30.4 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4
[29] 15.8 19.7 15.0 21.4

l  #在with之外无法找到l

错误: 找不到对象’l’

二、因子

diabetes

[1] “Type1” “Type2” “Type1” “Type2”

diabetes<-factor(diabetes)  #将diabetes转换成因子
]diabetes

[1] Type1 Type2 Type1 Type2
Levels: Type1 Type2

三、列表

g<-"My first list"
h<-c(12,45,43,90)
j<-matrix(1:10,nrow=2)
k<-c("one","two","three")
mylist<-list(g,h,j,k)  #创建一个列表，列表中可以是多种数据结构
mylist

[[1]]
[1] “My first list”
[[2]]
[1] 12 45 43 90
[[3]]
[,1] [,2] [,3] [,4] [,5]
[1,] 1 3 5 7 9
[2,] 2 4 6 8 10
[[4]]
[1] “one” “two” “three”

mylist[[2]]  #双重方括号访问列表的第二列元素

[1] 12 45 43 90

第5章 R的常用命令

ls()  #列举当前内存的工作对象，此时无对象

character(0)

data<-c(1,2,4,5)  #创建一个向量data
strings<-"I like R"  #创建一个字符型数据
ls()  #当前工作空间有两个对象：data和strings

[1] “data” “strings”

rm(data) #移除对象data
ls() #当前工作空间只有对象strings

[1] “strings”

a<-1
A<-1
ls() #区分大小写

[1] “a” “A” “strings”

v<-c(4,7,23,56,32)  #创建向量v
length(v)  #计算v向量的长度

[1] 5

mode(v)  #查看v的数据类型

[1] “numeric”

c<-c(1,2,3,"r")  #创建一个向量c

mode(c)  #c的数据类型为字符串

[1] “character”

> c

[1] “1” “2” “3” “r”

c[2]<-"test"  #将c的第二个数据改为”test”
c   #数据c被更改

[1] “1” “test” “3” “r”

x<-c(4,8,9,15,24)
y<-sqrt(x)  #对x求平方根再赋值给y
y

[1] 2.000000 2.828427 3.000000 3.872983 4.898979

z<-x+y  #将两个向量相加
z

[1] 6.00000 10.82843 12.00000 18.87298 28.89898

x<-c(1,2,3,1,2,3)  #x有6个元素
y<-c(2,3,4)  #y有3个元素
z<-x+y  #x和y成倍数关系，则可进行相加，重复短的那一列进行相加
z

[1] 3 5 7 3 5 7

x<-1:1000  #取1~1000的数
length(x)

[1] 1000

x<-seq(1,10,2)  #以序列的方式产生x，[1,10]的数，步长为2
x

[1] 1 3 5 7 9

x<-rep(5,10)  #循环生成10个5的向量
x

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

rep(1:3,3)  #1~3的数据循环3次

[1] 1 2 3 1 2 3 1 2 3

rnorm(10)  #生成10个服从标准正态分布的数

[1] -0.8033261 -0.4699996 -1.0905840 0.8166522 -1.2559955 1.7089862
[7] 1.5937450 -0.2006823 0.3404796 -0.7786696

rnorm(6,mean=6,sd=2)  生成6个服从均值为6，方差为2的正态分布的数

[1] 7.933261 5.111293 8.689779 7.044589 6.256306 10.605670

x<-c(0,-3,4,-1,45,98,-12)
x[x>0]  #取出x>0的数

[1] 4 45 98

x[-5]  #取非第5的数

[1] 0 -3 4 -1 98 -12

x[-(1:3)]  #取非1~3的数

[1] -1 45 98 -12

第6章 R的list列表详解

mylist<-list(stud.id=1234,
+stud.name="Tom",
+stud.marks=c(12,3,14,25,19)
+)
mylist$stud.id

[1] 1234

$stud.name

[1] “Tom”

$stud.marks

[1] 12 3 14 25 19

mylist[[1]]  #取第1列的数

[1] 1234

mylist[[3]]  #取第3列的数

[1] 12 3 14 25 19

mylist[1]  #取第1列
$stud.id

[1] 1234

mode(mylist[[1]])  #第1列的值为数值型

[1] “numeric”

mode(mylist[1])  #第1列为一个列表

[1] “list”

 mylist$stud.id  #通过$取stud.id的值

[1] 1234

names(mylist)  #查看mylist的列名

[1] “stud.id” “stud.name” “stud.marks”

names(mylist)<-c("id","name","marks")  #更改mylist的列名
names(mylist)  #mylist列名更改成功

[1] “id” “name” “marks”

mylist$parents<-c("Mna","Jutice")  #在mylist列表中添加parents列表
mylist$id

[1] 1234
$name
[1] “Tom”
$marks
[1] 12 3 14 25 19
$parents
[1] “Mna” “Jutice”

length(mylist) #此时mylist的长度

[1] 4

mylist<-mylist[-4]  #取非第4列的数据
mylist$id

[1] 1234
$name
[1] “Tom”
$marks
[1] 12 3 14 25 19

other<-list(age=19,sex="male")
other$age

[1] 19
$sex
[1] “male”

lst<-c(mylist,other)  #合并两个列表
lst$id

[1] 1234
$name
[1] “Tom”
$marks
[1] 12 3 14 25 19
$age
[1] 19
$sex
[1] “male”

unlist(lst)  #将列表转换成向量的形式，但是元素类型要一致

id name marks1 marks2 marks3 marks4 marks5 age sex
“1234” “Tom” “12” “3” “14” “25” “19” “19” “male”

第7章 R的数据源导入方法
一、R可导入的数据源

键盘输入
从文本文件导入
导入Excel数据

二、键盘输入

mydata<-data.frame(age=numeric(0),
+gender=character(0),
+weight=numeric(0))  #创建一个空的数据框
mydata<-edit(mydata)  #对空的数据框进行编辑，即从键盘输入数据
mydata

在这里插入图片描述

age gender weight isteacher
1 25 m 120 y
2 30 f 140 n
3 18 f 98 n

fix(mydata)  #修改mydata的数据，但不用事先赋值给mydata
mydata  #数据修改成功

在这里插入图片描述

age gender weight isteacher
1 25 m 120 y
2 30 f 140 y
3 18 f 98 y

三、从文本文件导入

data<-read.table("E:/R-code/accident1.txt",header=TRUE,sep=",")
head(data)

id SGBH DMSM1 SGDD SGFSSJ
1 1 3.101176e+15 伤人事故泗陈公路出余北公路东约3米 2014-8-29 18:30:00
2 2 3.101182e+15 死亡事故嘉松中路出华隆路南约3000米 2014-8-12 22:55:00

四、导入Excel数据

data<-read.csv("E:/R-code/data.csv",header=TRUE,sep=",")
head(data)

                           时间               进站人数    出站人数 总人数1 2015-08-01-06.00.00.000000       45        0     452 2015-08-01-06.10.00.000000       33        0     333 2015-08-01-06.20.00.000000       34        3     374 2015-08-01-06.30.00.000000       47        1     485 2015-08-01-06.40.00.000000       61        0     616 2015-08-01-06.50.00.000000       66       57    123

第8章 R的用户自定义函数
R中用户自定义函数的格式：

一、时间函数

mydate<-function(type){
+switch(type,
+long=format(Sys.time(),"%A %B %d %Y"),
+short=format(Sys.time(),"%m-%d-%y"),
+cat(type,"is not recognized type\n")
+)
+}
mydate("long")

[1] “星期日十二月 26 2021”


> mydate("short")

[1] “12-26-21”

mydate("medium")

medium is not recognized type

二、求和函数

sum<-function(num){
+for (i in 1:num){
+x<-x+i
+}}
fix(sum)

在这里插入图片描述

sum(3)

[1] 6

第9章 R访问MySQL数据库
R访问MySQL数据库
1.安装RODBC包
2.在http://dev.mysql.com/downloads/connector/odbc下载connectorsODBC
3.windows：控制面板->管理工具->数据源（ODBC）->双击->添加->选中mysql ODBC driver

install.packages("RODBC")  #安装RODBC包
library(RODBC)  #安装RODBC
myconn<-odbcConnect("Rdata",uid="root",pwd="123456")  #连接数据库
data1<-sqlFetch(myconn,"movie")  #读取数据库表的数据
head(data1)

id title
1 1 肖申克的救赎
2 2 霸王别姬
3 3 阿甘正传
4 4 这个杀手不太冷
5 5 泰坦尼克号
6 6 美丽人生

data2<-sqlQuery(myconn,"select id,title,context from movie")  #读取数据库表数据的另一种方式
head(data2)

id title context
1 1 肖申克的救赎希望让人自由。
2 2 霸王别姬风华绝代。
3 3 阿甘正传一部美国近现代史。
4 4 这个杀手不太冷怪蜀黍和小萝莉不得不说的故事。
5 5 泰坦尼克号失去的才是永恒的。
6 6 美丽人生最美的谎言。

第10章 R的集成开发环境（IDE）–Rstudio
R语言集成开发环境（IDE）-Rstudio，基于C++开发。在基于窗口的R编程中使用特别广泛，相对于R自带的GUI界面，它具有更加友好的界面，更好的项目管理功能、package管理功能、图片预览功能等。
http://www.rstudio.com/

R语言基础

相关文章

anaconda r 语言_anaconda 配置R语言

戴尔 14R-7420安装黑苹果记录

数据处理基础-R语言

戴尔Inspiron 灵越 14R（N4120）加装固态硬盘

R语言绘制雷达图

R语言：矩阵

掌握R语言文件读取方法

R语言日期处理