2017年夏天开始学习R语言。
第1章 R语言介绍
1.1 R的获取和安装
下载Rgui：http://cran.r-project.org
可以通过安装包（package）的可选模块来增强R的功能。
下载RStudio：https://www.rstudio.com/products/rstudio/download/#download
1.3 R的使用
- R是一种区分大小写的解释性语言。
- R使用<-作为赋值符号，而不是传统的=。
- 注释由#开头。
- R不提供多行注释功能，可以用if(FALSE){}存放被忽略的代码。
- R会自动拓展数据结构以容纳新值。
- R的下标从1开始。
- 变量无法被声明，它们在首次赋值时生成。
- Google's R Style Guide: https://google.github.io/styleguide/Rguide.xml
- 搜索“来自Google的R语言编码风格指南”可以找到这份文档的中文版
- R programming for those coming from other languages: https://www.johndcook.com/R_language_for_programmers.html
1.3.1 获取帮助 P10
- help.start() 打开帮助文档首页
1.3.2 工作空间 P11
- getwd() 查看当前工作目录
- setwd() 设定当前工作目录
- dir.create() 创建新目录
- 路径使用正斜杆/
- 命令的历史纪录保存到文件.Rhistory
- 工作空间保存到当前目录中的文件.RData
- q() 退出R
1.3.3 输入和输出
- 输入：source("filename")
- 文本输出：sink("filename")
参数append = TRUE追加文本而非覆盖
参数split = TRUE将输出同时发送到屏幕和输出文件中
无参数调用sink() 仅向屏幕返回输出结果 - 图形输出 P12
1.5 批处理 P15
1.6 将输出用为输入：结果的重用 P16
lmfit <- lm(mpg~wt, date = mtcars)
第2章 创建数据集
2.1 数据集的概念
数据构成的矩形数组，行表示观测，列表示变量。
2.2 数据结构
2.2.1 向量
向量是用于存储数值型、字符型或逻辑型数据的一维数组。
创建向量：c(）
- 单个向量中的数据必须拥有相同的类型或模式（数值、字符、逻辑）
- 标量是只含一个元素的向量，用于保存常量
- 访问向量中的元素：
> a <- c("k", "j", "h", "a", "b", "m")
> a[3]
[1] "h"
> a[c(1,3,5)]
[1] "k" "h" "b"
> a[1,3,5]
Error in a[1, 3, 5] : 量度数目不对
> a[2:6]
[1] "j" "h" "a" "b" "m"
2.2.2 矩阵 P22
矩阵是一个二维数组，每个元素拥有相同的模式。
创建矩阵：matrix(矩阵元素, nrow = 行数, ncol = 列数, byrow = FALSE 默认按列填充<可选>, dimnames = list(行名, 列名)<可选>)
> y <- matrix(1:20, nrow = 5, ncol = 4)
> y
[,1] [,2] [,3] [,4]
[1,] 1 6 11 16
[2,] 2 7 12 17
[3,] 3 8 13 18
[4,] 4 9 14 19
[5,] 5 10 15 20
> cells <- c(1, 26, 24, 68)
> rnames <- c("R1", "R2")
> cnames <- c("C1", "C2")
> mymatrix <- matrix(cells, nrow = 2, ncol = 2, byrow = TRUE, dimnames = list(rnames, cnames))
> mymatrix
C1 C2
R1 1 26
R2 24 68
矩阵下标的使用：
X[i, ] 矩阵X中的第i行
X[, j] 矩阵X中的第j列
X[i, j] 矩阵X中的第i行第j个元素
选择多行或多列，下标i和j可为数值型向量。
> x <- matrix(1:10, nrow = 2)
> x
[,1] [,2] [,3] [,4] [,5]
[1,] 1 3 5 7 9
[2,] 2 4 6 8 10
> x[2, ]
[1] 2 4 6 8 10
> x[, 2]
[1] 3 4
> x[1, 4]
[1] 7
> x[1, c(4,5)]
[1] 7 9
2.2.3 数组
数组和矩阵类似，但是维度可以大于2。
创建数组：array(vector, dimensions, dimnames<可选>)
> dim1 <- c("A1", "A2")
> dim2 <- c("B1", "B2", "B3")
> dim3 <- c("C1", "C2", "C3", "C4")
> z <- array(1:24, c(2,3,4), dimnames = list(dim1, dim2, dim3))
> z
, , C1
B1 B2 B3
A1 1 3 5
A2 2 4 6
, , C2
B1 B2 B3
A1 7 9 11
A2 8 10 12
, , C3
B1 B2 B3
A1 13 15 17
A2 14 16 18
, , C4
B1 B2 B3
A1 19 21 23
A2 20 22 24
2.2.4 数据框
创建数据框：data.frame(col1, col2, col3, ...)
> patientID <- c(1, 2, 3, 4)
> age <- c(25, 34, 28, 52)
> diabetes <- c("Type1", "Type2", "Type1", "Type1")
> status <- c("Poor", "Improved", "Excellent", "Poor")
> patientdata <- data.frame(patientID, age, diabetes, status)
> patientdata
patientID age diabetes status
1 1 25 Type1 Poor
2 2 34 Type2 Improved
3 3 28 Type1 Excellent
4 4 52 Type1 Poor
选取数据框中的元素：
> patientdata[1:2]
patientID age
1 1 25
2 2 34
3 3 28
4 4 52
> patientdata[c("diabetes", "status")]
diabetes status
1 Type1 Poor
2 Type2 Improved
3 Type1 Excellent
4 Type1 Poor
> patientdata$age
[1] 25 34 28 52
> table(patientdata$diabetes, patientdata$status)
Excellent Improved Poor
Type1 1 0 2
Type2 0 1 0
- attach()、detach()和with()
函数attach() 可将数据框添加到R的搜索路径中
summary(mtcars$mpg)
plot(mtcars$mpg, mtcars$disp)
plot(mtcars$mpg, mtcars$wt)
可写成
attach(mtcars)
summary(mpg)
plot(mpg, disp)
plot(mpg, wt)
detach(mtcars)
函数detach() 将数据框从搜索路径中移除。（可省略，为保持良好的编程习惯还是要写。）
环境中有重名对象时使用函数with() :
with(mtcars,{
print(summary(mpg))
plot(mpg, disp)
plot(mpg, wt)
})
若要创建在with() 结构意外的对象，使用特殊赋值符<<-代替<-
with(mtcars, {
keepstats <<- summary(mpg)
})
- 实例标识符
实例标识符可通过数据框操作函数中的rowname选项指定。
patientdata <- data.frame(patientID, age, diabetes, status, row.names = patientID)
2.2.5 因子
变量可归结为名义型、有序型或连续型变量。
- 名义型变量没有顺序之分。如：Diabetes(Type1、Type2)
- 有序型变量表示一种顺序关系而非数量关系。如：Status(poor、improved、excellent)
- 连续型变量呈现为某个范围内的任意值。如：Age
因子：类别（名义型）变量和有序类别（有序型）变量。
对于名义型变量：
diabetes <- c("Type1", "Type2", "Type1", "Type1")
语句diabetes <- factor(diabetes)将此向量存储为(1, 2, 1, 1)
并在内部将其关联为1 = Type1和2 = Type2（具体赋值根据字母顺序而定）
对于有序型变量，需要为函数factor() 指定参数ordered = TRUE：
satatus <- c("Poor", "Improved", "Excellent", "Poor")
语句status <- factor(status, ordered = TRUE)会将向量编码为(3, 2, 1, 3)
默认为字母顺序排序，若要指定排序：
status <- factor(status, order = TRUE, levels = c("Poor", "Improved", "Excellent"))
对于数值型变量：
如果男性编码成1，女性编码成2：
sex <- factor(sex, levels = c(1, 2), labels = c("Male", "Female"))
标签"Male" 和"Female” 将代替1和2在结果中输出
因子的使用：
> patientID <- c(1, 2, 3, 4)
> age <- c(25, 34, 28, 52)
> diabetes <- c("Type1", "Type2", "Type1", "Type1")
> status <- c("Poor", "Improved", "Excellent", "Poor")
> diabetes <- factor(diabetes)
> status <- factor(status, ordered = TRUE)
> patientdata <- data.frame(patientID, age, diabetes, status)
> str(patientdata) #显示数据框内部编码结构
'data.frame': 4 obs. of 4 variables:
$ patientID: num 1 2 3 4
$ age : num 25 34 28 52
$ diabetes : Factor w/ 2 levels "Type1","Type2": 1 2 1 1
$ status : Ord.factor w/ 3 levels "Excellent"<"Improved"<..: 3 2 1 3
> summary(patientdata) #显示对象的统计概要（区别对待各个变量）
patientID age diabetes status
Min. :1.00 Min. :25.00 Type1:3 Excellent:1
1st Qu.:1.75 1st Qu.:27.25 Type2:1 Improved :1
Median :2.50 Median :31.00 Poor :2
Mean :2.50 Mean :34.75
3rd Qu.:3.25 3rd Qu.:38.50
Max. :4.00 Max. :52.00
2.2.5 列表
列表就是一些对象的有序集合
创建列表：
mylist <- list(object1, objext2, ...)
mylist <- list(name1 = object1, name2 = object2, ...)
> g <- "My First List"
> h <- c(25, 26, 18, 39)
> j <- matrix(1:10, nrow = 5)
> k <- c("one", "two", "three")
> mylist <- list(title = g, ages = h, j, k)
> mylist
$title
[1] "My First List"
$ages
[1] 25 26 18 39
[[3]]
[,1] [,2]
[1,] 1 6
[2,] 2 7
[3,] 3 8
[4,] 4 9
[5,] 5 10
[[4]]
[1] "one" "two" "three"
> mylist[[2]]
[1] 25 26 18 39
> mylist[["ages"]]
[1] 25 26 18 39
2.3 数据的输入
- R Data Import/ Export手册 http://cran.r-project.org/doc/manuals/E-data.pdf
-此手册对应的中译名为《R数据的导入和导出》
2.3.1使用键盘输入数据
- R内置文本编辑器
> mydata <- data.frame(age = numeric(0), gender = character(0), weight = numeric(0))
> mydata <- edit(mydata)
#语句mydata <- edit(mydata) 可以简便写为fix(mydata)
- 代码中直接嵌入数据
> mydatatxt <- "
+ age gender weight
+ 25 m 166
+ 30 f 115
+ 18 f 120
+ "
> mydatatxt <- read.table(header = TRUE, text = mydatatxt)
2.3.2 从带分隔符的文本导入数据 P33
mydataframe <- read.table(file, options)
其中file是一个带分隔符的ASCII文本文件，options是控制如何处理数据的选项。
2.3.3 导入Excel数据
- 最好方式：在Excel中导出为逗号分隔文件csv，再用前文描述导入R。
- 直接导入：xlsx包、xlsxjars和rJava包。P35
2.3.4 导入XML数据
2.3.5 从网页抓取数据
- 参考：www.programmingr.com上的“Webscraping using readLines and RCurl”一文
- https://cran.r-projext.org/web/views/WebTechnologies.html
2.3.6 导入SPSS数据 P36
2.3.7 导入SAS数据 P37
2.3.8 导入Stata数据
library(foreign)
mydataframe <- read.dta("mydata.dta")
2.3.9 导入NetCDF数据 P38
2.3.10 导入HDF5数据 p38
2.3.11 访问数据库管理系统 P38
2.3.12 通过Stat/ Transfer导入数据
www.stattransfer.com 数据转换应用程序。
2.4 数据集的标注
2.4.1 变量标签
就是重命名：
names(patientdata)[2] <- "Age at hospitalization (in years)"
2.4.2 值标签
如果男性编码成1，女性编码成2：
sex <- factor(sex, levels = c(1, 2), labels = c("Male", "Female"))
标签"Male" 和"Female” 将代替1和2在结果中输出
2.5 处理数据对象的实用函数
P41
第3章 图形初阶
3.1 使用图形
保存图形：代码、用户图形界面保存。P44
3.3 图形参数
修改图形的特征。
> opar <- par(no.readonly = TRUE)
> par(lty = 2, pch = 17)
> par(opar)
3.3.1 符号和线条
- pch 指定绘制点时只用的符号
- cex 指定符号的大小
- lty 指定线条的类型
- lwd 指定线条的宽度
> plot(dose, drugA, type = "b", lty = 3, lwd = 3, pch = 15, cex = 2)
3.3.2 颜色
- 表示白色：col = 1、col = "white"、col = "#FFFFFF"、col = rgb(1, 1, 1)、col = hsv(0, 0, 1)
- colors() 返回所有可用颜色名称。
- R图表 http://research.stowers.org/mcm/efg/R/Color/Chart/
- R图表 chrome-extension://ikhdkkncnoglghljlkmcimlnlhkeamad/pdf-viewer/web/viewer.html?file=http%3A%2F%2Fwww.stat.columbia.edu%2F~tzheng%2Ffiles%2FRcolor.pdf
#RColorBrewer创建吸引人的颜色配对
> install.packages("RColorBrewer")
> library(RColorBrewer)
> n <- 7
> mycolors <- brewer.pal(n,"Set1")
> barplot(rep(1, n), col = mycolors)
#彩虹渐变色
> n <- 10
> mycolors <- rainbow(n)
> pie(rep(1, n), labels = mycolors, col = mycolors)
#10阶灰度色
> mygrays <- gray(0:n/n)
> pie(rep(1, n), labels = mygrays, col = mygrays)
3.3.3 文本属性 P50
3.3.4 图形尺寸与边界尺寸
使用图形参数控制图形外观：
> dose <- c(20, 30, 40, 45, 60)
> drugA <- c(16, 20, 27, 40, 60)
> drugB <- c(15, 18, 25, 31, 40)
> opar <- par(no.readonly = TRUE)
> par(pin = c(2, 3))
> par(lwd = 2, cex = 1.5)
> par(cex.axis = .75, font.axis = 3)
> plot(dose, drugA, type = "b", pch = 19, lty = 2, col = "red")
> plot(dose, drugB, type = "b", pch = 23, lty = 6, col = "blue", bg = "green")
> par(opar)
3.4 添加文本、自定义坐标轴和图例
3.4.1 标题
title(main = "main title", col.main = "red", sub = "subtitle", col.sub = "blue", xlab = "x-axis laber", tlab = "y-axis laber", col.lab = "green", cex.lab = 0.75)
3.4.2 坐标轴 P54
axis(side, at = , labers = , pos, lty = , col = , las = , tck = , ... )
> x <- c(1:10)
> y <- x
> z <- 10 / x
> opar <- par(no.readonly = TRUE)
> par(mar = c(5, 4, 4, 8) + 0.1)
> plot(x, y, type = "b", pch = 21, col = "red", yaxt = "n", lty = 3, ann = FALSE)
> lines(x, z, type = "b", pch = 22, col = "blue", lty = 2)
> axis(2, at = x, labels = x, col.axis = "red", las =2)
> axis(4, at = z, labels = round(z, digits = 2), col.axis = "blue", las = 2, cex.axis = 0.7, tck = -.01)
> mtext("y = 1 / x", side = 4, line = 3, cex.lab = 1, las = 2, col = "blue")
> title("An Example of Creative Axes", xlab = "X values", ylab = "Y = X")
> par(opar)
3.4.3 参考线
abline(h = tvalues, v = xvalues)
abline(h = c(1, 5, 7))
abline(v = seq(1, 10, 2), lyt = 2, col = "blue")
3.4.4 图例
legend(location, title, legend, ...)
> dose <- c(20, 30, 40, 45, 60)
> drugA <- c(16, 20, 27, 40, 60)
> drugB <- c(15, 18, 25, 31, 40)
> opar <- par(no.readonly = TRUE)
> par(lwd = 2, cex = 1.5, font.lab = 2)
> plot(dose, drugA, type = "b", pch = 15, lty = 1, col = "red", ylim = c(0, 60), main = "Drug A vs. Drug B", xlab = "Drug Dosage", ylab = "Drug Response")
> lines(dose, drugB, type = "b", pch = 17, lty = 2, col = "blue")
> abline(h = c(30), lwd = 1.5, lty = 2, col = "gray")
> minor.tick(nx = 3, ny = 3, tick.ratio = 0.5)
> legend("topleft", inset = 0.5, title = "Drug Type", c("A","B"),lty = c(1, 2), pch = c(15, 17), col = c("red", "blue"))
> par(opar)
3.4.5 文本标注
text(location, "text to place", pos, ...)
mtext("text to place", side, line = n, ...)
3.4.6 数学标注 P61
plotmath()
3.5 图形的组合
attach(mtcars)
opar <- par(no.readonly = TRUE)
par(mfrow = c(2, 2))
plot(...)
plot(...)
hist(...)
boxplot(...)
par(opar)
detach(mtcars)
attach(mycars)
layout(matrix(c(1, 1, 2, 3), 2, 2, byrow = TRUE), widths = c(3,1), heights = c(1, 2))
hist(...)
hist(...)
hist(...)
detach(mtcars)
图形布局的精细控制
opar <- par(no.readonly = TRUE)
par(fig = c(0, 0.8, 0, 0.8))
plot(...)
par(fig = c(0, 0.8, 0.55, 1), new = TRUE)
boxplot(...)
par(fig = c(0.65, 1, 0, 0.8, new = TRUE))
boxplot(...)
par(opar)
第4章 基本数据管理
4.2 创建新变量
可能需要创建新变量或者对现有的变量进行变换。变量名 <- 表达式
mydata <- data.frame(x1 = c(2, 2, 6, 4), x2 = c(3, 4, 2, 8))
#方式一
mydata$sumx <- mydata$x1 + mydata$x2
mydata$meanx <- (mydata$x1 + mydata$x2) / 2
#方式二
attach(mydata)
mydata$sumx <- x1 + x2
mydata$meanx <- (x1 + x2) / 2
detach(mydata)
#方式三
mydata <- transform(mydata, sumx = x1 +x2, meanx = (x1 + x2) / 2)
4.3 变量的重编码
leadership <- within(leadership, {
agecat <- NA
agecat[age >75] <- "Elder"
agecat[age >= 75 & age <= 75] <- "Middle Aged"
agecat[age < 55] <- "Young"})
其他实用的变量重编码函数：car包中的recode()、doBy包中的recodevar()、R自带的cut()。
4.4 变量的重命名
- fix(leadership)调用交互式编辑器。
- names()函数重命名变量：
names(leadership)[2] <- "testDate"
names(leadership)[6:10] <- c("item1", "item2", "item3", "item4", "item5")
- plyr包中的rename()函数可用于修改变量名：
library(plyr)
leadership <- rename(leadership, c(manager = "managerID", date = "testDate"))
4.5 缺失值
缺失值以符号NA（Not Available，不可用）表示。
函数is.na()允许检测缺失值是否存在。
y <- c(1, 2, 3, NA)
is.na(y)
返回c(FALSE, FALSE, FALSE, TRUE)
is.na(leadership[,6:10])
#将数据框限定到第6到第10列
识别无限的或者不可能出现的数值用is.infinite()或is.nan()。
4.5.1 重编码某些值为缺失值
要确保所有的缺失数据已在分析之前被妥善地编码为缺失值。
leadership$age[leadership$age == 99] <- NA
4.5.2 在分析中排除缺失值
- 多数的数值函数拥有一个na.rm = TRUE选项，可以在计算之前移除缺失值并使用剩余值进行计算：
x <- c(1, 2, NA, 3)
y <- sum(x, na.rm = TRUE)
- na.omit()可以删除所有含有缺失数据的行：
newdata <- na.omit(leadership)
4.6 日期值
as.Date(x, "input_format")，默认输入格式为yyyy-mm-dd。
dates <- as.Date(strDates, "%m/%d/%Y")
myformat <- "%m/%d/%y"
leadership$date <- as.Date(leadership$date, myformat)
Sys.Date()返回当天的日期。
date()返回当前的日期和时间。
可以使用函数format(x, format = "output_format")来输出指定格式的日期值，并且可以提取日期值中的某些部分：
today <- Sys.Date()
format(today, format = "%B %d %Y")
format(today, format = "%A")
R的内部存储日期是使用自1970年1月1日以来的天数表示的，更早的日期表示为负数。可以在日期值上执行算术运算：
> startdate <- as.Date("2004-02-13")
> enddate <- as.Date("2011-01-22")
> days <- enddate - startdate
> days
Time difference of 2535 days
> today <- Sys.Date()
> dob <- as.Date("1996-09-05")
> difftime(today, dob, units = "days")
Time difference of 7640 days
4.6.1 将日期转换为字符型变量
strDates <- as.character(dates)
4.7 类型转换 P78
> a <- c(1, 2, 3)
> a
[1] 1 2 3
> is.numeric(a)
[1] TRUE
> is.vector(a)
[1] TRUE
> a <- as.character(a)
> a
[1] "1" "2" "3"
> is.numeric(a)
[1] FALSE
> is.vector(a)
[1] TRUE
> is.character(a)
[1] TRUE
4.8 数据排序
order()函数对一个数据框进行排序，默认升序，在排序变量前边加一个减号可得降序。
newdata <- leadership[order(leadership$age),]
#创建新的数据集，其中各行依照经理人的年龄升序排序
attach(leadership)
newdata <- leadership[order(gender, age), ]
detach(leadreship)
#各行依照女性到男性、同样性别中按年龄升序排序
attach(leadership)
newdata <- leadership[order(gender, -age), ]
detach(leadreship)
#各行依照女性到男性、同样性别中按年龄降序排序
4.9 数据集的合并
4.9.1 向数据框添加列
横向合并两个数据框（数据集），使用merge()函数。
total <- merge(dataframeA, dataframeB, by = "ID")
total <- merge(dataframeA, dataframeB, by = c("ID", "Country"))
#如果直接横向合并两个矩阵或者数据框并且不指定一个公共索引用cbind()
total <- cbind(A, B)
#每个对象必须拥有相同的行数，以同顺序排序
4.9.3 向数据框添加行
纵向合并两个数据框（数据集）使用rbind()函数：
total <- rbind(dataframeA, dataframeB)
两个数据框必须拥有相同的变量，不过顺序不必一定相同。
4.10 数据集取子集
4.10.1 选入（保留）变量
newdata <- leadership[, c(6:10)]
myvars <- c("q1", "q2", "q3", "q4", "q5")
newdata <- leadership[myvars]
myvars <- paste("q", 1:5, sep=" ")
newdata <- leadership[myvars]
4.10.2 剔除（丢弃）变量
myvars <- names(leadership) %in% c("q3", "q4")
newdata <- leadership[!myvars]
#已知q3和q4是第8个和第9个变量的情况下，可以使用语句：
newdata <- leadership[c(-8, -9)]
#设置q3和q4两列为未定义（NULL）亦是一种删除方式，NULL和NA是不同的
leadership$q3 <- leadership$q4 <-NULL
4.10.3 选入观测
newdata <- leadership[1:3, ]
newdata <- leadership[leadership$gender == "M" & leadership$age >30,]
leadership$data <- as.Date(LEADERSHIP$DATE, "%m/%d/%y")
startdate <- as.Date("2009-01-01")
enddate <- as.Date("2009-10-31")
newdata <- leadership[which(leadership$date) >= startdate & leadership$date <= enddate), ]
4.10.4 subset()函数
选择变量和观测最简单的方法。
newdata <- subset(leadership, age >= 35 | age < 24, select = c(q1, q2, q3, q4))
newdate <- subset(leadership, gender == "M" & age > 25, select = gender:q4)
4.10.5 随机抽样
sample()函数中的第一个参数是一个由要从中抽样的元素组成的向量，第二个参数是要抽取的元素数量， 第三个参数表示无放回抽样。
mysample() <- leadership[sample(1:nrow(leadership), 3, replace = FALSE), ]
4.11 使用SQL语句操作数据框
library(sqldf)
newdf <- sqldf("select * from mtcars where carb = 1 order by mpg", row.names = TRUE)
sqldf("select avg(mpg) as avg_mpg, avg(disp) as avg_disp, gear from mtcars where cyl in (4, 6) group by gear")
第5章 高级数据管理
5.2 数值和字符处理函数
5.2.1 数学函数 P86
5.2.2 统计函数 P88
5.2.3 概率函数 P90
R中概率函数形如[dpqr]distribution_abbreviation()
#位于z = 1.96左侧的标准正态曲线下方面积是多少？
> pnorm(1.96)
[1] 0.9750021
#均值为500，标准差为100的正态分布的0.9分位点值为多少？
> qnorm(.9, mean = 500, sd = 100)
[1] 628.1552
#生成50个均值为50，标准差为10的正态随机数
> rnorm(50, mean = 50, sd = 10)
- 设定随机数种子
set.seed()显示指定种子。runif()生成0到1区间上服从均匀分布的伪随机数。
> runif(5)
[1] 0.6509069 0.9809366 0.2417076 0.4011322 0.1121973
> runif(5)
[1] 0.95703624 0.86061820 0.09811243 0.74588111 0.75219763
> set.seed(1234)
> runif(5)
[1] 0.1137034 0.6222994 0.6092747 0.6233794 0.8609154
> runif(5)
[1] 0.640310605 0.009495756 0.232550506 0.666083758 0.514251141
> set.seed(1234)
> runif(5)
[1] 0.1137034 0.6222994 0.6092747 0.6233794 0.8609154
- 生成多元正态数据
MASS包中的mvrnorm()函数：mvrnorm(n, mean, sigma)
其中n是想要的样本大小，mean为均值向量，而sigma是方差-协方差矩阵（或相关矩阵）
> library(MASS)
> options(digits = 3)
> set.seed(1234)
> mean <- c(230.7, 146.7, 3.6)
> sigma <- matrix(c(15360.8, 6721.2, -47.1, 6721.2, 4700.9, -16.5, -47.1, -16.5, 0.3), nrow = 3, ncol = 3)
> mydata <- mvrnorm(500, mean, sigma)
> mydata <- as.data.frame(mydata)
> names(mydata) <- c("y", "x1", "x2")
> dim(mydata)
[1] 500 3
> head(mydata, n = 10)
y x1 x2
1 98.8 41.3 3.43
2 244.5 205.2 3.80
3 375.7 186.7 2.51
4 -59.2 11.2 4.71
5 313.0 111.0 3.45
6 288.8 185.1 2.72
7 134.8 165.0 4.39
8 171.7 97.4 3.64
9 167.2 101.0 3.50
10 121.1 94.5 4.10
5.2.4 字符处理函数 P93
5.2.5 其他实用函数 P94
5.2.6 将函数应用于矩阵和数据框
apply()函数：apply(x, MARGIN, FUN, ...)
x为数据对象， MARGIN是维度的下标， FUN是制定的函数，...包括了任何想传递给FUN的参数。在矩阵或数据框中，MARGIN = 1表示行， MARGIN = 2表示列。
5.4 控制流
5.4.1 重复和循环
- for结构
#for (var in seq) statement
for (i in 1:10) print("Hello")
- while结构
#while (cond) statement
i <- 10
while (i > 0) {print("Hello"); i <- i - 1}
5.4.2 条件执行
- if-else结构
#if (cond) statement
#if (cond) statement1 else statement2
if (is.character(grade)) grade <- as.factor(grade)
if (!is.factor(grade)) grade <- as.factor(grade) else print("Grade already is a factor")
- ifelse结构
#ifelse(cond, statement1, statement2)
ifelse(score > 0.5, print("Passed"), print("Failed"))
outcome <- ifelse(score > 0.5, "Passed", "Failed")
- switch结构
#switch(expr, ...)
> feelings <- c("sad", "afraid")
> for (i in feelings)
+ print(
+ switch(i, happy = "I am glad you are happy",
+ afraid = "There is nothing to fear",
+ sad = "Cheer up",
+ angry = "Calm down now"
+ )
+ )
[1] "Cheer up"
[1] "There is nothing to fear"
5.5 用户自编函数
myfunction <- function (arg1, arg2, ...) {
statements
return(object)
}
5.6 整合与重构
5.6.1 转置
使用函数t()对一个矩阵或数据框进行转置。数据框行名将变成变量（列）名。
> cars <- mtcars[1:5, 1:4]
> cars
mpg cyl disp hp
Mazda RX4 21.0 6 160 110
Mazda RX4 Wag 21.0 6 160 110
Datsun 710 22.8 4 108 93
Hornet 4 Drive 21.4 6 258 110
Hornet Sportabout 18.7 8 360 175
> t(cars)
Mazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive Hornet Sportabout
mpg 21 21 22.8 21.4 18.7
cyl 6 6 4.0 6.0 8.0
disp 160 160 108.0 258.0 360.0
hp 110 110 93.0 110.0 175.0
5.6.2 整合数据
使用一个或多个by变量和一个预先定义好的函数来折叠(collapse)数据。
调用格式为：aggregate(x, by, FUN)
其中x是待折叠的数据对象，by是一个变量名组成的列表，这些变量将被去掉以形成新的观测，而FUN则是用来计算描述性统计量的标量函数，他将被用来计算新观测中的值。
> options(digits = 3)
> attach(mtcars)
> aggdata <- aggregate(mtcars, by = list(cyl, gear), FUN = mean, na.rm = TRUE)
> aggdata
Group.1 Group.2 mpg cyl disp hp drat wt qsec vs am gear carb
1 4 3 21.5 4 120 97 3.70 2.46 20.0 1.0 0.00 3 1.00
2 6 3 19.8 6 242 108 2.92 3.34 19.8 1.0 0.00 3 1.00
3 8 3 15.1 8 358 194 3.12 4.10 17.1 0.0 0.00 3 3.08
4 4 4 26.9 4 103 76 4.11 2.38 19.6 1.0 0.75 4 1.50
5 6 4 19.8 6 164 116 3.91 3.09 17.7 0.5 0.50 4 4.00
6 4 5 28.2 4 108 102 4.10 1.83 16.8 0.5 1.00 5 2.00
7 6 5 19.7 6 145 175 3.62 2.77 15.5 0.0 1.00 5 6.00
8 8 5 15.4 8 326 300 3.88 3.37 14.6 0.0 1.00 5 6.00
5.6.3 reshape2 包
reshape2包是一套重构和整合数据集的绝妙的万能工具。使用前需安装。
- 融合 P106
- 重铸 P106
第6章 基本图形
6.1 条形图
barplot(height)
其中的height是一个向量或一个矩阵。使用参数horiz = TRUE生成水平条形图。
6.1.1 简单的条形图
> library(grid)
> library(vcd)
> counts <- table(Arthritis$Improved)
> counts
None Some Marked
42 14 28
> barplot(counts, main = "Simple Bar Plot", xlab = "Improvement", ylab = "Frequency")
> barplot(counts, main = "Horizontal Bar Plot", xlab = "Frequency", ylab = "Improvement", horiz = TRUE)
若要绘制的类别型变量是一个因子或有序型因子，可以用plot()快速创建垂直条形图，无需使用table()将其表格化：
> plot(Arthritis$Improved, main = "Simple Bar Plot", xlab = "Improvement", ylab = "Frequency")
> plot(Arthritis$Improved, main = "Horizontal Bar Plot", xlab = "Frequency", ylab = "Improvement", horiz = TRUE)
6.1.2 堆砌条形图和分组条形图
如果height是矩阵，绘图结果是堆砌条形图或分组条形图（beside = TRUE）。
> barplot(counts, main = "Stacked Bar Plot", xlab = "Treatment", ylab = "Frequency", col = c("red", "yellow", "green"), legend = rownames(counts))
> barplot(counts, main = "Grouped Bar Plot", xlab = "Treatment", ylab = "Frequency", col = c("red", "yellow", "green"), legend = rownames(counts), beside = TRUE)
6.1.3 均值条形图
可以使用数据整合函数将结果传递给barplot()函数，来创建表示均值、中位数、标准差等的条形图。
> states <- data.frame(state.region, state.x77)
> means <- aggregate(states$Illiteracy, by = list(state.region), FUN = mean)
> means
Group.1 x
1 Northeast 1.000000
2 South 1.737500
3 North Central 0.700000
4 West 1.023077
> means <- means[order(means$x),]
> means
Group.1 x
3 North Central 0.700000
1 Northeast 1.000000
4 West 1.023077
2 South 1.737500
> barplot(means$x, names.arg = means$Group.1)
> title("Mean Illiteracy Rate")
6.1.4 条形图的微调
#增加y边界的大小
> par(mar = c(5, 8, 4, 2))
#旋转条形的标签
> par(las = 2)
> counts <- table(Arthritis$Improved)
#缩小字体大小，修改标签文本
> barplot(counts, main = "Treatment Outcome", horiz = TRUE, cex.names = 0.8, names.arg = c("No Improvement", "Some Improvement", "Marked Improvement"))
6.1.5 棘状图
对堆砌条形图进行重缩放，每个条形的高度均为1，每一段的高度即表示比例。
由vcd包中的函数spine()绘制。
> par(mar = c(5, 8, 4, 2))
> par(las = 2)
> counts <- table(Arthritis$Improved)
> barplot(counts, main = "Treatment Outcome", horiz = TRUE, cex.names = 0.8, names.arg = c("No Improvement", "Some Improvement", "Marked Improvement"))
6.2 饼图
更推荐使用条形图或点图，相对于面积人们对长度的判断更精确。
pie(x, labels)
其中x是一个非负数值向量，表示每个扇形的面积，labels则是表示各扇形标签的字符型向量。
> par(mfrow = c(2, 2)) #四幅图形组合成一幅
> slices <- c(10, 12, 4, 16, 8)
> lbls <- c("US", "UK", "Australia", "Germany", "France")
> pie(slices, labels = lbls, main = "Simple Pie Chart")
> pct <- round(slices / sum(slices) * 100)
> lbls2 <- paste(lbls, " ", pct, "%", sep = "")
> pie(slices, labels = lbls2, col = rainbow(length(lbls2)), main = "Pie Chart with Percentages")
> library(plotrix)
> pie3D(slices, labels = lbls, explode = 0.1, main = "3D Pie Chart")
> mytable <- table(state.region) #从表格创建饼图
> lbls3 <- paste(names(mytable), "\n", mytable, sep = "")
> pie(mytable, labels = lbls3, main = "Pie Chart from a Table\n (with sample sizes)")
饼图难以比较值，扇形图提供了一种同时展示相对数量和相互差异的方法。
plotrix中的包fan.plot()实现。
> library(plotrix)
> slices <- c(10, 12, 4, 16, 8)
> lbls <- c("US", "UK", "Australia", "Germany", "France")
> fan.plot(slices, labels = lbls, main = "Fan Plot")
6.3 直方图
直方图描述连续型变量的分布，通过在x轴上将值域分割为一定数量的组，在y轴上显示相应值的频数。
hist(x)
其中x是一个由数据值组成的数值向量。参数freq = FALSE表示根据概率密度而不是频数绘制图形。参数breaks用于控制组的数量。
> par(mfrow = c(2, 2))
> hist(mtcars$mpg)
> mtcars$mpg
#指定组数和颜色
> hist(mtcars$mpg, breaks = 12, col = "red", xlab = "Miles Per Gallon", main = "Colored histogram with 12 bins")
#添加轴须图
> hist(mtcars$mpg, freq = FALSE, breaks = 12, col = "red", xlab = "Miles Per Gallon", main = "Histogram, rug plot, density curve")
> rug(jitter(mtcars$mpg))
> lines(density(mtcars$mpg), col = "blue", lwd = 2)
#添加正态密度曲线和外框
> x <- mtcars$mpg
> h <- hist(x, breaks = 12, col = "red", xlab = "Miles Per Gallon", main = "Histogram with normal curve and box")
> xfit <- seq(min(x), max(x), length = 40)
> yfit <- dnorm(xfit, mean = mean(x), sd = sd(x))
> yfit <- yfit * diff(h$mids[1:2] * length(x))
> lines(xfit, yfit, col = "blue", lwd = 2)
> box()
如果数据有许多结（相同的值），rug(jitter(mtcars$mpag, amount = 0.01))，向每个数据点添加一个小的随机值（一个±amount之间的均匀分布随机数），以避免重叠的点产生影响。
6.4 核密度图
核密度估计是用于估计随机变量概率密度函数的一种非参数方法。
plot(density(x))
其中的x是一个数值型向量。plot()函数会创建一幅新的图形，所以要向一幅已经存在的图形上叠加一条密度曲线，可以使用lines()函数（见上文）。
> par(mfrow = c(2, 1))
> d <- density(mtcars$mpg)
> plot(d)
> plot(d, main = "Kernel Dendity of Miles Per Gallon")
> polygon(d, col = "red", border = "blue") #polygon()函数根据定点的x和y坐标绘制多边形
> rug(mtcars$mpg, col = "brown")
核密度图可用于比较组间差异，使用sm包中的sm.density.compare()函数可向图形叠加两组或更多的核密度图：sm.density.compare(x, factor)
其中的x是一个数值型向量，factor是一个分组变量。
> library(sm)
> attach(mtcars)
#创建分组因子
> cyl.f <- factor(cyl, levels = c(4, 6, 8), labels = c("4 cylinder", "6 cylinder", "8 cylinder"))
#绘制密度图
> sm.density.compare(mpg, cyl, xlab = "Miles Per Gallon")
> title(main = "MPG Distribution by Car Cylinders")
#通过鼠标单击添加图例
> colfill <- c(2:(1 + length(levels(cyl.f))))
> legend(locator(1), levels(cyl.f), fill = colfill)
> detach(mtcars)
6.5 箱线图
箱线图（盒须图）是一项用来可视化分布和组间差异的绝佳图形手段（更常用）。
通过绘制连续型变量的五数总括，即最小值、下四分位数（第25百分位数）、中位数（第50百分位数）、上四分位数（第75百分位数）以及最大值，描述了连续型变量的分布。箱线图能够显示出可能为离群点（范围±1.5*IQR以外的值，IQR表示四分位距，即上四分位数与下四分位数的差值）的观测。
> boxplot(mtcars$mpg, main = "Box plot", ylab = "Miles per Gallon")
#输出用于构建图形的统计量
> boxplot.stats(mtcars$mpg)
6.5.1 使用并列箱线图进行跨组比较
箱线图可以展示单个变量或分组变量。使用格式为：
boxplot(formula, data = dataframe)
其中的formula是一个公式，dataframe代表提供数据的数据框或列表。
一个实例公式为y ~ A，这将为类别型变量A的每个值并列地生成数值型变量y的箱线图。公式y ~ A*B则将为类别型变量A和B所有水平的两两组合生成数值型变量y的箱线图。
添加参数varwidth = TRUE将使箱线图的宽度与其样本大小的平方根成正比。参数horizontal = TRUE可以反转坐标轴的方向。
> attach(mtcars)
> boxplot(mpg ~ cyl, data = mtcars, main = "Car Mileage Data", xlab = "Number of Cylinders", ylab = "Miles Per Gallon")
#添加notch = TRUE得到含凹槽的箱线图。
> boxplot(mpg ~ cyl, data = mtcars, notch = TRUE, col = "red", main = "Car Mileage Data", xlab = "Number of Cylinders", ylab = "Miles Per Gallon")
> detach(mtcars)
两个交叉因子的箱线图：
#创建汽缸数量的因子
> mtcars$cyl.f <- factor(mtcars$cyl, levels = c(4, 6, 8), labels = c("4", "6", "8"))
#创建变速箱类型的因子
> mtcars$am.f <- factor(mtcars$am, levels = c(0, 1), labels = c("anto", "standard"))
> boxplot(mpg ~ am.f * cyl.f, data = mtcars, varwidth = TRUE, col = c("gold", "darkgreen"), main = "MPG Distribution by Auto Type", xlab = "Auto Type", ylab = "Miles Per Gallon")
6.5.2 小提琴图
箱线图与核密度图的结合，使用vioplot包中的vioplot()函数绘制。
vioplot(x1, x2, ... , names = , col = )
其中x1, x2, ...表示要绘制的一个或多个数值向量（将为每个向量绘制一幅小提琴图），参数names是小提琴图中标签的字符向量，而col是一个为每幅小提琴图指定颜色的向量。
> library(vioplot)
> x1 <- mtcars$mpg[mtcars$cyl == 4]
> x2 <- mtcars$mpg[mtcars$cyl == 6]
> x3 <- mtcars$mpg[mtcars$cyl == 8]
> vioplot(x1, x2, x3, names = c("4 cyl", "6 cyl", "8 cyl"), col = "gold")
> title("Violin Plots of Miles Per Gallon", ylab = "Miles Per Gallon", xlab = "Number of Cylinders")
6.6 点图
点图绘制变量中的所有值，提供了一种在水平刻度上绘制大量有标签值的方法。
dotchart(x, labels = )
其中的x是一个数值向量，而labels则是由每个点的标签组成的向量。可以通过添加参数groups来选定一个因子，用以指定x中元素的分组方式。如果这样做，gcolor可以控制不同组标签的颜色，cex可以控制标签的大小。
> dotchart(mtcars$mpg, labels = row.names(mtcars), cex = .7, main = "Gas Mileage for Car Models", xlab = "Miles Per Gallon")
#分组、排序、着色后的点图
> x <- mtcars[order(mtcars$mpg), ]
> x$cyl <- factor(x$cyl)
> x$color[x$cyl == 4] <- "red"
> x$color[x$cyl == 6] <- "blue"
> x$color[x$cyl == 8] <- "darkgreen"
> dotchart(x$mpg, labels = row.names(x), cex = .7, groups = x$cyl)
> dotchart(x$mpg, labels = row.names(x), cex = .7, groups = x$cyl, gcolor = "black", color = x$color, pch = 19, main = "Gas Mileage for Car Models\n grouped by cylinder", xlab = "Miles Per Gallon")
点图有许多变种，Hmisc包提供了一个带有许多附加功能的点图函数dotchart2。
