2.1R数据类型:vector和list

原子的矢量

• 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”)的人

  ##[1]“Lori”“Nitesh”“Valerie”“Herve”

• 可以命名原子向量

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

  ## Buffalo Rochester纽约## 259000 210000 8400000

  log10(人口)

  ## Buffalo Rochester纽约## 413300 5.322219 6.924279

• 统计概念NA(不可用)

  真实度<- c(TRUE, FALSE, NA)真实度

  ## [1] TRUE FALSE NA

• 像“和”这样的逻辑概念(&)”或“(|)和' not ' (!)

  !真实

  ## [1] FALSE TRUE NA

  真实| !真实

  ## [1] TRUE TRUE NA

  真实& !真实

  ## [1] FALSE FALSE NA

• 像无穷这样的数字概念(正)或非a-number (南，例如0 / 0)

  undefined_numeric_values <- c(NA, 0/0, NaN, Inf， -Inf

  ## [1] NA NaN NaN Inf -Inf

  √undefined_numeric_values

  ##在sqrt(undefined_numeric_values): NaNs产生

  ## [1] NA NaN NaN Inf NaN

• 常见的字符串操作

  toupper(人)

  ##[1]“LORI”“NITESH”“VALERIE”“HERVE”

  substr(人,1,3)

  ##[1]“Lor”“Nit”“Val”“她”

• R绿色消费者——回收短矢量与长矢量对齐

  x <- 1:3 x * 2 # '2' (vector of length 1)回收到c(2,2,2)

  ## [1] 2 4 6

  真实| NA

  ## [1] TRUE NA NA

  真实和NA

  ## [1] NA FALSE NA

• 嵌套操作很常见，它可以同时紧凑、令人困惑和富有表现力((:子集;<:不到)

  substr(低(人),1,3)

  ##[1]“lor”“nit”“val”“她”

  人口(人口< 1000000)

  ## Buffalo Rochester ## 259000 210000

列表

• 列表类型可以包含其他向量，包括其他列表

  友敌= list(friends=c(“Larry”，“Richard”，“Vivian”)，enemy =c(“Dick”，“Mike”)

  # # # #朋友美元[1]“拉里”“理查德”“维维安”# # # # # # $敌人[1]“迪克”“迈克”

• (将一个列表子集来创建另一个列表，[[提取一个列表元素

  友敌[1]

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

  友敌[c(“敌人”、“朋友”)]

  # # # # $敌人[1]“迪克”“迈克”# # # # # #朋友美元[1]“拉里”“理查德”“维维安”

  友敌[["敌人"]]

  ##[1]“迪克”“迈克”

因素

• 类似字符的向量，但值限制在特定级别

  性=因子(c(“男性”，“男性”，“女性”)，等级=c(“女性”，“男性”，“雌雄同体”))性

  ##[1]男性男性女性级别:女性男性雌雄同体

  性= =“女性”

  ## [1] FALSE FALSE TRUE

  表(性)

  ##性## #雌性雄性雌雄同体# 1 2 0

  性[性= =“女性”)

  ##[1]女性等级:女性男性雌雄同体

2.2类:data.frame和beyond

变量通常以一种高度结构化的方式相互关联，例如，电子表格中的两列数据

x = rnorm(1000) # 1000随机正常偏差y = x + rnorm(1000) #另1000偏差，作为x与y关系的函数

方便一起操作

• data.frame ():就像电子表格中的列一样

  df = data.frame(X= X, Y= Y) head(df) #前6行

  ## X ## 1 -1.03278893 -3.68339332 ## 2 1.52890241 -0.03821038 ## 3 0.09607513 0.19225389 ## 4 0.25224108 0.67252467 ## 5 -0.31291377 0.57568412 ## 6 1.76355837 0.66167142

  plot(Y ~ X, df) #与上面相同

  

• 查看所有数据视图(df)。总结数据总结(df)

  总结(df)

  ## X Y ## Min.:-3.44631 Min.:-4.18143 ## 1st Qu.:-0.63470 1st Qu.:-0.87538 ## Median: 0.11961 Median: 0.06751 ## Mean: 0.05908 Mean: 0.07693 ## 3rd Qu.: 0.75172 3rd Qu.: 1.01160 ## Max: 3.08440马克斯。: 4.62605

• 易于以协调的方式操作数据，例如，访问列X与美元以及那些大于0的值的子集

  positiveX = df[df$X > 0，]头(positiveX)

  ## X Y ## 2 1.52890241 -0.03821038 ## 3 0.09607513 0.19225389 ## 4 0.25224108 0.67252467 ## 6 1.76355837 0.66167142 ## 9 0.52269290 2.14571411 ## 10 0.07547879 -0.11688563

  plot(Y ~ X, positiveX)

  

• R反省——问问它本身

  类(df)

  # #[1]“data.frame”

  暗(df)

  ## [1] 1000

  colnames (df)

  ## [1] "X" "Y"

• 矩阵()一个相关的类，其中所有的元素都具有相同的类型(adata.frame ()要求列内的元素为相同类型，但列间的元素可以为不同类型)。

散点图使人想要拟合线性模型(做回归分析)

• 使用一个公式来描述变量之间的关系

• 变量在第二个参数中找到

  配合<- lm(Y ~ X, df)

• 将这些点可视化，并添加回归线

  plot(Y ~ X, df) abline(fit, col=“red”，lwd=3)

  

• 用方差分析表总结适合度

  方差分析(适合)

  ##方差分析表## ## Response: y# # Df Sum Sq Mean Sq F value Pr(>F) ## X 1 1077.91 1077.91 1127.3 < 2.2e-16 *** ##残差998 954.31 0.96 ##——## Signif。编码:0 '***' 0.001 '**' 0.01 '*' 0.05 '。“0.1”1

• 注意- ' Type I '平方和，所以自变量的顺序很重要;使用drop1 ()III型的。看到DataCamp Quick-R

• 内省——什么是类适合吗?什么方法我可以应用到这个类的对象吗?

  类(适合)

  # #[1]“lm”

  方法(类=类(合适的))

  ## [1] add1 alias anova case.names ## [5] coerce confine cooks. ## [1] add1 alias anova case.names距离设备## [9]dfbeta dfbetas drop1假人。cef# #[13]影响初始化kappa ##[21]标签logLik模型。框架模型。矩阵## [25]nobs plot predict print ## [29] proj qr residual rstandard ## [33] rstudent show simulate slotsFromS3 ## [37] summary variable.names vcov ## see '?用于访问帮助和源代码的方法

2.3的帮助!

帮助中可用Rstudio或交互

• 请查看帮助页面rnorm ()

  rnorm ?

• “用法”部分描述如何使用该函数

  rnorm(n, mean = 0, sd = 1)

• 参数，有些带有默认值。参数先按名称匹配，然后按位置匹配

• ' Arguments '部分描述了参数应该是什么

• ' Value '部分描述了返回值

• “例子”部分说明了使用方法

• 经常包括对相关技术文档的引用，对相关功能的参考，模糊的细节

• 可能会令人生畏，但到最后呢非常有用的