窗子
选项
帮助
环境,历史和文件
类型值和数学公式R.命令提示符
1 + 1
## [1] 2
将值分配给符号(变量)
x = 1 x + x
## [1] 2
调用诸如C()
,它占用了任何数量的值并返回一个单个向量
x = c(1,2,3)x
## [1] 1 2 3
R.功能,如sqrt()
,通常在向量上有效地运行
y = sqrt(x)y
## [1] 1.000000 1.414214 1.732051
通常有几种方法可以完成一项任务R.
x = c(1,2,3)x
## [1] 1 2 3
x < - c(4,5,6)x
## [1] 4 5 6
x < - 7:9 x
## [1] 7 8 9
10:12 - > x x
## [1] 10 11 12
有时R.弄清楚的东西是有趣的吗?
x < - c(1,2,3) - > y x
## [1] 1 2 3
y
## [1] 1 2 3
'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(“Lori”,“Nitesh”,“Valerie”,“Herve”)人
## [1]“Lori”“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”“Nitesh”“Valerie”“Herve”
Substr(人,1,3)
## [1]“lor”“nit”“val”“她”
R.是一种绿色消费者 - 回收短矢量,可与长向量对齐
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”“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
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随机正常偏差y = x + rnorm(1000)#另一1000偏离,作为x图之间的函数(y x)#x和y之间的关系
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 ## 1 0.4319017 -0.9987349 ## 2 0.8354825 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 0.5375856 ## 4 -9015924 ## 4 -0.6308896 -1.1659811#5 1.5897967 0.5246667 0.5246667 0.524669#6 2.7946085 1.6279334 1.6279334 1.6279334
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。:-3.37638分钟。:-4.61834 ## 1ST曲.:--0.69195第1章:0.0.87559 ##中位数:0.03476中位数:0.03680 ##均值:0.02679平均值:0.05026 ## 3RD曲。:0.04620 3rd qu。:1.04719 ## max。:最多3.41133。:5.23651
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 ## 1 0.4319017 -0.99873488 ## 2 0.8354825 0.53758570 0.53758570 0.5246689#6 2.7946085 1.62793340#6 0.6262119 0.05052979 0.05052979 0.05052979 0.05052979 0.050529790 1.05262119 0.05052979 0.050582119 0.05052979#
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)
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 111131.95 1132 1132.6 <2.2E-16 *** ##残差998 997.46 1 ##--- ## 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 ## [5]强制困难烹饪。Distance偏差## [9] DFBETA DFBETAS DROP1 Dummy.Coef ## [13]效果提取物族公式## [17] Hatvalues影响初始化kappa ## [21]标签loglik model.frame model.matrix ## [25] nobs plot预测print ## [29] proj qr残差rstandard ## [33] Rstudent Show Simulate Slotsfroms3 ## [37]摘要变量.NamesVcov ##查看“?方法”用于访问帮助和源代码
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