DS R code.zip

#>>>>>>>>>>>>>>R 为领悟而运行 2019.04 MIAO <<<<<<<<<<<<<<<<< #试试R编程 x=1:100#把1,2,...,100这个整数向量赋值到x (x=1:100) #同上, 只不过显示出来 sample(x,20) #从1,2,...,100中随机不放回地抽取20个值作为样本 set.seed(0);sample(1:10,3)#先设随机种子再抽样 #从1,2,...,200000中随机不放回地抽取10000个值作为样本: z=sample(1:200000,10000) z[1:10]#方括号中为向量z的下标 y=c(1,3,7,3,4,2) z[y]#以y为下标的z的元素值 (z=sample(x,100,rep=T))#从x有放回地随机抽取100个值作为样本 (z1=unique(z)) length(z1)#z中不同元素的个数 xz=setdiff(x,z) #x和z之间的不同元素--集合差 sort(union(xz,z))#对xz及z的并的元素从小到大排序 setequal(union(xz,z),x) #xz及z的并的元素与x是否一样 intersect(1:10,7:50) #两个数据的交 sample(1:100,20,prob=1:100)#从1:100中不等概率随机抽样, #上一语句各数字被抽到的概率与其值大小成比例 pi*10^2 #能够用?"*"、?"^"等来看某些基本算子的帮助, pi是圆周率 "*"(pi,"^"(10,2)) #和上面一样, 有些烦琐, 是吧! 没有人这么用 pi*(1:10)^-2.3#可以对向量求指数幂 x = pi * 10^2 ; print(x) (x=pi *10^2) #赋值带打印 pi^(1:5) #指数也可以是向量 print(x, digits= 12)#输出x的12位数字 #R对象的类型 x=pi*10^2 class(x) #x的class typeof(x) #x的type class(cars)#cars是一个R中自带的数据 typeof(cars) #cars的type names(cars)#cars数据的变量名字 summary(cars) #cars的汇总 head(cars)#cars的头几行数据, 和cars[1:6,]相同 tail(cars) #cars的最后几行数据 str(cars)#也是汇总 row.names(cars) #行名字 attributes(cars)#cars的一些信息 class(dist~speed)#公式形式,"~"左边是因变量,右边是自变量 plot(dist~speed,cars)#两个变量的散点图 plot(cars$speed,cars$dist) #同上 #包括简单自变量为定量变量及定性变量的回归 ncol(cars);nrow(cars) #cars的行列数 dim(cars) #cars的维数 lm(dist ~ speed, data = cars)#以dist为因变量,speed为自变量做OLS回归 cars$qspeed =cut(cars$speed, breaks=quantile(cars$speed), include.lowest = TRUE) #增加定性变量qspeed, 四分位点为分割点 names(cars) #数据cars多了一个变量 cars[3]#第三个变量的值, 和cars[,3]类似 table(cars[3])#列表 is.factor(cars$qspeed) plot(dist ~ qspeed, data = cars)#点出箱线图 #拟合线性模型(简单最小二乘回归): (a=lm(dist ~ qspeed, data = cars)) summary(a)#回归结果(包括一些检验) x <- round(runif(20,0,20), digits=2)#四舍五入 summary(x) #汇总 min(x);max(x) #极值, 与range(x)类似 median(x) # 中位数(median) mean(x) # 均值(mean) var(x) #方差(variance) sd(x) # 标准差(standard deviation),为方差的平方根 sqrt(var(x)) #平方根 rank(x) # 秩(rank) order(x)#升序排列的x的下标 order(x,decreasing = T)#降序排列的x的下标 x[order(x)] #和sort(x)相同 sort(x) #同上: 升序排列的x sort(x,decreasing=T)#sort(x,dec=T) 降序排列的x sum(x);length(x)#元素和及向量元素个数 round(x) #四舍五入,等于round(x,0),而round(x,5)为留到小数点后5位 fivenum(x) # 五数汇总, quantile quantile(x) # 分位点 quantile (different convention)有多种定义 quantile(x, c(0,.33,.66,1)) mad(x) # "median average distance": cummax(x)#累积最大值 cummin(x)#累积最小值 cumprod(x)#累积积 cor(x,sin(x/20)) #线性相关系数 (linear correlation) #一些简单图形 x=rnorm(200)#将200个随机正态数赋值到x hist(x, col = "light blue")#直方图(histogram) rug(x) #在直方图下面加上实际点的大小位置 stem(x)#茎叶图 x <- rnorm(500) y <- x + rnorm(500) #构造一个线性关系 plot(y~ x) #散点图 a=lm(y~x) #做回归 abline(a,col="red")#或者abline(lm(y~x),col="red")散点图加拟合线 print("Hello World!") paste("x 的最小值= ", min(x)) #打印 demo(graphics)#演示画图(点击Enter来切换) #复数运算、求函数极值、多项式的根 (2+4i)^-3.5+(2i+4.5)*(-1.7-2.3i)/((2.6-7i)*(-4+5.1i))#复数运算 #下面构造一个10维复向量, 实部和虚部均为10个标准正态样本点: (z <-complex(real=rnorm(10), imaginary =rnorm(10))) complex(re=rnorm(3),im=rnorm(3))#3维复向量 Re(z) #实部 Im(z) #虚部 Mod(z) #模 Arg(z) #辐角 choose(3,2) #组合 factorial(6)#排列6! #求函数极值 f=function(x) x^2+2*x+1 #定义一个二次函数 optimize(f,c(-2,2))#在区间(-2,2)内求极值 curve(f, from = -3,to=2)#在区间(-3,2)内画上面定义的函数f图 #求从常数项开始到5次方项的系数分别为1, 2, 2, 4, -9, 8的多项式的根: polyroot(c(1,2,2,4,-9,8)) #字符型向量和因子型变量 a=factor(letters[1:10]);a #letters:小写字母向量,LETTERS:大写 a[3]="w" #不行! 会给出警告 a=as.character(a) #转换一下 a[3]="w" #可以了 a;factor(a) #两种不同的类型 #定性变量的水平: levels(factor(a)) sex=sample(0:1,10,r=T) sex=factor(sex);levels(sex) #改变因子的水平: levels(sex)=c("Male","Female");levels(sex) #确定水平次序: sex=ordered(sex,c("Female","Male"));sex levels(sex) #数据输入输出 x=scan()#屏幕输入, 可键入或粘贴, 多行输入在空行后按Enter键 1.5 2.6 3.7 2.1 8.9 12 -1.2 -4 x=c(1.5,2.6,3.7,2.1,8.9,12,-1.2,-4)#等价于上面代码 w=read.table(file.choose(),header=T)#从列表中选择有变量名的数据 setwd("f:/mydata")#建立工作路径 (x=rnorm(20))#给x赋值20个标准正态数据值 #(注:有常见分布的随机数、分布函数、密度函数及分位数函数) write(x,"test.txt")#把数据写入文件(路径要对) y=scan("test.txt");y#扫描文件数值数据到y y=iris;y[1:5,];str(y) #iris是R自带数据 write.table(y,"test.txt",row.names=F)#把数据写入文本文件 w=read.table("test.txt",header=T)#读带有变量名的数据 str(w) #汇总 write.csv(y,"test.csv")#把数据写入csv文件 v=read.csv("test.csv")#读入csv数据文件 str(v) #汇总 data=read.table("clipboard")#读入剪贴板的数据 #序列 (z=seq(-1,10,length=100))#从-1到10等间隔的100个数组成的序列 z=seq(-1,10,len=100)#和上面写法等价 (z=seq(10,-1,-0.1)) #10到-1间隔为-0.1的序列 (x=rep(1:3,3)) #三次重复1:3 (x=rep(3:5,1:3)) #自己看, 这又是什么呢? x=rep(c(1,10),c(4,5)) w=c(1,3,x,z);w[3]#把数据(包括向量)组合(combine)成一个向量 x=rep(0,10);z=1:3;x+z #向量加法(如果长度不同, R给出警告和结果) x*z #向量乘法 rev(x)#颠倒次序 z=c("no cat","has ","nine","tails") #字符向量 z[1]=="no cat" #双等号为逻辑等式 z=1:5 z[7]=8;z #什么结果? 注:NA为缺失值(not available) z=NULL z[c(1,3,5)]=1:3; z rnorm(10)[c(2,5)] z[-c(1,3)]#去掉第1、3元素 z=sample(1:100,10);z which(z==max(z))#给出最大值的下标 #矩阵 x=sample(1:100,12);x #抽样 all(x>0);all(x!=0);any(x>0);(1:10)[x>0]#逻辑符号的应用 diff(x) #差分 diff(x,lag=2) #差分 x=matrix(1:20,4,5);x #矩阵的构造 x=matrix(1:20,4,5,byrow=T);x#矩阵的构造, 按行排列 t(x) #矩阵转置 x=matrix(sample(1:100,20),4,5) 2*x x+5 y=matrix(sample(1:100,20),5,4) x+t(y) #矩阵之间相加 (z=x%*%y) #矩阵乘法 z1=solve(z) #用solve(a,b)可以解方程ax=b z1%*%z #应该是单位向量, 但浮点运算不可能得到干净的0 round(z1%*%z,14) #四舍五入 b=solve(z,1:4); b #解联立方程 nrow(x);ncol(x);dim(x)#行列数目 x=matrix(rnorm(24),4,6) x[c(2,1),]#第2和第1行 x[,c(1,3)] #第1和第3列 x[2,1] #第[2,1]元素 x[x[,1]>0,1] #第1列大于0的元素 sum(x[,1]>0) #第1列大于0的元素的个数 sum(x[,1]<=0) #第1列不大于0的元素的个数 x[,-c(1,3)]#没有第1、3列的x. diag(x) #x的对角线元素 diag(1:5) #以1:5为对角线元素,其他元素为0的对角线矩阵 diag(5) #5维单位矩阵 x[-2,-c(1,3)]#没有第2行, 第1、3列的x x[x[,1]>0&x[,3]<=1,1]#第1列>0并且第3列<=1的第1列元素 x[x[,2]>0|x[,1]<.51,1]#第1列<.51或者第2列>0的第1列元素 x[!x[,2]<.51,1]#第1列中相应于第2列>=.51的元素 apply(x,1,mean)#对行(第一维)求均值 apply(x,2,sum)#对列(第二维)求和 x=matrix(rnorm(24),4,6) x[lower.tri(x)]=0;x #得到上三角阵 #为得到下三角阵, 用x[upper.tri(x)]=0) #高维数组 x=array(runif(24),c(4,3,2));x #上面用24个服从均匀分布的样本点构造4乘3乘2的三维数组 is.matrix(x) dim(x)#得到维数(4,3,2) is.matrix(x[1,,])#部分三维数组是矩阵 x=array(1:24,c(4,3,2)) x[c(1,3),,] x=array(1:24,c(4,3,2)) apply(x,1,mean) #可以对部分维做求均值运算 apply(x,1:2,sum) #可以对部分维做求和运算 apply(x,c(1,3),prod) #可以对部分维做求乘积运算 #矩阵与向量之间的运算 x=matrix(1:20,5,4) #5乘4矩阵 sweep(x,1,1:5,"*")#把向量1:5的每个元素乘到每一行 sweep(x,2,1:4,"+")#把向量1:4的每个元素加到每一列 x*1:5 #下面把x标准化,即每一元素减去该列均值,除以该列标准差 (x=matrix(sample(1:100,24),6,4));(x1=scale(x)) (x2=scale(x,scale=F))#自己观察并总结结果 (x3=scale(x,center=F)) #自己观察并总结结果 round(apply(x1,2,mean),14) #自己观察并总结结果 apply(x1,2,sd)#自己观察并总结结果 round(apply(x2,2,mean),14);apply(x2,2,sd)#自己观察并总结结果 round(apply(x3,2,mean),14);app