2.1R.数据类型：矢量和列表

'原子'vectors

• 类型包括整数，数字（浮点数;真实），复杂，逻辑，字符，原始（字节）

  人们< -  c（“洛瑞”，“yubo”，“greg”，“nitesh”，“valerie”，“herve”）人

  ## [1]“Lori”“yubo”“Greg”“nitesh”“valerie”“herve”

• 可以命名原子矢量

  人口< -  c（水牛= 259000，罗切斯特= 210000，`纽约`= 8400000）人口

  ##布法罗罗切斯特纽约## 259000 210000 8400000

  log10（人口）

  ##布法罗罗切斯特纽约## 5.413300 5.322219 6.924279

• 统计概念喜欢NA.（“无法使用”）

  真实性< -  c（真实，假，na）的真实性

  ## [1]真假NA

• 像'和'这样的逻辑概念（＆）， '或者' （|）， 并不是' （！！）

  ！真的

  ## [1]假真NA

  真实性|！真的

  ## [1]真正的na

  真实＆！真实性

  ## [1]假假NA

• infinity等数值概念（INF.）或不 - a-number（南，例如，0/0）

  undefined_numeric_values < -  C（NA，0/0，NAN，INF，-INF）undefined_numeric_values

  ## [1] Na Nan NaN Inf-inff

  sqrt（undefined_numeric_values）

  ##警告SQRT（UNDEFINED_NUMERIC_VALUES）：NANS生产

  ## [1] Na Nan Nan Inf Nan

• 共同的字符串操纵

  帖特罗普尔（人）

  ## [1]“Lori”“yubo”“Greg”“nitesh”“valerie”“herve”

  Substr（人，1,3）

  ## [1]“LOR”“yub”“GRE”“NIT”“val”“她”

• R.是一种绿色消费者 - 克雷布的短向量，与长向量对齐

  x < -  1：3 x * 2＃'2'（长度向量1）回收到c（2,2,2）

  ## [1] 2 4 6

  真实性|NA.

  ## [1]真正的na na

  真实＆na

  ## [1] na false na

• 嵌套操作非常常见，可以同时紧凑，混淆和表现力（[：子集;<： 少于）

  Substr（Tolower（人），1,3）

  ## [1]“LOR”“yub”“GRE”“NIT”“val”“她”

  人口[人口<1000000]

  ## Buffalo Rochester ## 259000 210000

清单

• 列表类型可以包含其他向量，包括其他列表

  Frenemies = list（friends = c（“Larry”，“Richard”，“Vivian”），敌人= C（“迪克”，“迈克”））果岭

  ## $ Friends ## [1]“Larry”“Richard”“Vivian”## ## $敌人## [1]“迪克”“迈克”

• [将一个列表分配以创建另一个列表，[[提取列表元素

  Frenemies [1]

  ## $ Friends ## [1]“Larry”“Richard”“Vivian”

  Frenemies [C（“敌人”，“朋友”）]

  ## $敌人## [1]“迪克”“迈克”## ## $ Friends ## [1]“Larry”“Richard”“Vivian”

  Frenemies [[敌人“]]

  ## [1]“迪克”“迈克”

因素

• 字符类似的矢量，但有值限于特定级别

  性别=因素（C（“男性”，“男性”，“女性”），水平= C（“女性”，“男性”，“雌雄同体”））性别

  ## [1]男性女性##水平：女性雌性雌雄同体

  性==“女性”

  ## [1]假误真实

  表（性）

  ##性爱##女性雌性雌雄同体## 1 2 0

  性爱[性==“女”]

  ## [1]女性##水平：女性男性雌雄同体

2.2课程：data.frame及以后

变量通常以高度结构化的方式彼此相关，例如，电子表格中的数据的两个“列”

x = rnorm（1000）＃1000随机正常偏离y = x + rnorm（1000）＃另一个1000偏离，作为x plot的函数（y〜x）＃关系bewteen x和y

方便把它们操纵在一起

• data.frame（）：在电子表格中的列

  df = data.frame（x = x，y = y）头部（df）＃前6行

  ## X Y ## 0.5489812 ## 2 -0.41545524 0.1326022 ## -0.5745222 ## 0.09338400-0.420026624-030-0.57465566 -0.57465566 -0.574522＃6 0.09338400 -0.4200268 1.0.4200264＃

  图（Y〜x，df）＃与上面相同

  

• 查看所有数据查看（DF）。汇总数据摘要（DF）

  摘要（DF）

  ## x y ## min。：-3.907163分钟。：-4.897088 ## 1ST Qu.:-0.671598第1章：0.0.969528 ##中位数：0.078811 ##均值：0.014603意思：0.014603均值：0.002155 ## 3。：0.700852 3rd。：0.991753 ## max。：最多3.133759。：3.973073

• 易于以协调的方式操纵数据，例如访问列X和$并且仅仅是那些大于0的值

  kids = df [df $ x> 0，] head（solderx）

  ## x Y ## 0.5489812 0.54898200 -0.4200256＃6 0.95695268 1.9142163＃7 1.97637428 0.9102277＃9 2.26707137 1.9707137 1.22670713 1.0087697 1.0087697＃10 1.26675817 1.26675817 1.26675817 1.26675817 1.26675817 1.26675817 1.2059717 1.2059717 1.2059711 1.2059711 1.2059711 1.0587697＃

  绘图（Y〜x，施加）

  

• R.是内省 - 问自己

  班级（DF）

  ## [1]“data.frame”

  昏暗（DF）

  ## [1] 1000 2

  Colnames（DF）

  ## [1]“x”“y”

• 矩阵（）一个相关的类，所有元素具有相同类型（adata.frame（）需要列中的元素为相同类型，但列之间的元素可以是不同的类型）。

散点图让人想适合线性模型（进行回归分析）

• 用一个公式描述变量之间的关系

• 在第二个论点中找到的变量

  适合< -  lm（y〜x，df）

• 可视化点，并添加回归线

  绘图（y〜x，df）abline（fit，col =“红色”，lwd = 3）

  

• 将适合作为ANOVA表汇总

  ANOVA（适合）

  ##方差表的分析## ##响应：Y ## DF SUM SQ平均SQ F值Pr（> F）## x 1 1063.5 1063.55 1058 <2.2E-16 *** ##残差998 1003.2 1.01 ##--- ## signif。代码：0'***'0.001'**'0.01'*'0.05'。'0.1''1

• N.B.- '键入I'的平方和，所以独立变量的顺序很重要;用drop1（）对于'type III'。看Datacamp Quick-R

• 内省 - 什么课程是合身？什么方法我可以申请这个课堂的对象吗？

  班级（适合）

  ## [1]“lm”

  方法（class = class（fit））

  ## [1] Add1别名Anova Case.names强制困难## [7]厨师。Distance Deviance DFBeta DFbetas Drop1 Dummy.Coef ## [13]效果提取物族公式Hatvalues影响## [19]初始化kappa标签loglik模型。帧模型.MBATrix ##

2.3帮助！

帮助可用rstudio.或交互式

• 查看帮助页面rnorm（）

  ？rnorm.

• '使用'部分介绍如何使用该功能

  rnorm（n，平均值= 0，sd = 1）

• 参数，有些具有默认值。参数首先按名称匹配，然后是位置

• “参数”部分介绍了应该是什么参数

• “值”部分介绍返回值

• “示例”部分说明了使用

• 通常包括相关技术文件的引用，参考相关功能，晦涩的细节

• 可能是恐吓，但最终实际上非常有用