2017年夏天開始學習R語言。
第1章 R語言介紹
1.1 R的獲取和安裝
下載Rgui：http://cran.r-project.org
可以通過安裝包（package）的可選模塊來增強R的功能。
下載RStudio：https://www.rstudio.com/products/rstudio/download/#download
1.3 R的使用
- R是一種區分大小寫的解釋性語言。
- R使用<-作為賦值符號，而不是傳統的=。
- 注釋由#開頭。
- R不提供多行注釋功能，可以用if(FALSE){}存放被忽略的代碼。
- R會自動拓展數據結構以容納新值。
- R的下標從1開始。
- 變量無法被聲明，它們在首次賦值時生成。
- Google's R Style Guide: https://google.github.io/styleguide/Rguide.xml
- 搜索“來自Google的R語言編碼風格指南”可以找到這份文檔的中文版
- R programming for those coming from other languages: https://www.johndcook.com/R_language_for_programmers.html
1.3.1 獲取幫助 P10
- help.start() 打開幫助文檔首頁
1.3.2 工作空間 P11
- getwd() 查看當前工作目錄
- setwd() 設定當前工作目錄
- dir.create() 創建新目錄
- 路徑使用正斜桿/
- 命令的歷史紀錄保存到文件.Rhistory
- 工作空間保存到當前目錄中的文件.RData
- q() 退出R
1.3.3 輸入和輸出
- 輸入：source("filename")
- 文本輸出：sink("filename")
參數append = TRUE追加文本而非覆蓋
參數split = TRUE將輸出同時發送到屏幕和輸出文件中
無參數調用sink() 僅向屏幕返回輸出結果 - 圖形輸出 P12
1.5 批處理 P15
1.6 將輸出用為輸入：結果的重用 P16
lmfit <- lm(mpg~wt, date = mtcars)
第2章 創建數據集
2.1 數據集的概念
數據構成的矩形數組，行表示觀測，列表示變量。
2.2 數據結構
2.2.1 向量
向量是用于存儲數值型、字符型或邏輯型數據的一維數組。
創建向量：c(）
- 單個向量中的數據必須擁有相同的類型或模式（數值、字符、邏輯）
- 標量是只含一個元素的向量，用于保存常量
- 訪問向量中的元素：
> 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] : 量度數目不對
> a[2:6]
[1] "j" "h" "a" "b" "m"
2.2.2 矩陣 P22
矩陣是一個二維數組，每個元素擁有相同的模式。
創建矩陣：matrix(矩陣元素, nrow = 行數, ncol = 列數, byrow = FALSE 默認按列填充<可選>, dimnames = list(行名, 列名)<可選>)
> 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
矩陣下標的使用：
X[i, ] 矩陣X中的第i行
X[, j] 矩陣X中的第j列
X[i, j] 矩陣X中的第i行第j個元素
選擇多行或多列，下標i和j可為數值型向量。
> 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 數組
數組和矩陣類似，但是維度可以大于2。
創建數組：array(vector, dimensions, dimnames<可選>)
> 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 數據框
創建數據框：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
選取數據框中的元素：
> 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$status)
Excellent Improved Poor
Type1 1 0 2
Type2 0 1 0
- attach()、detach()和with()
函數attach() 可將數據框添加到R的搜索路徑中
summary(mtcars$mpg)
plot(mtcars$mpg, mtcars$disp)
plot(mtcars$mpg, mtcars$wt)
可寫成
attach(mtcars)
summary(mpg)
plot(mpg, disp)
plot(mpg, wt)
detach(mtcars)
函數detach() 將數據框從搜索路徑中移除。（可省略，為保持良好的編程習慣還是要寫。）
環境中有重名對象時使用函數with() :
with(mtcars,{
print(summary(mpg))
plot(mpg, disp)
plot(mpg, wt)
})
若要創建在with() 結構意外的對象，使用特殊賦值符<<-代替<-
with(mtcars, {
keepstats <<- summary(mpg)
})
- 實例標識符
實例標識符可通過數據框操作函數中的rowname選項指定。
patientdata <- data.frame(patientID, age, diabetes, status, row.names = patientID)
2.2.5 因子
變量可歸結為名義型、有序型或連續型變量。
- 名義型變量沒有順序之分。如：Diabetes(Type1、Type2)
- 有序型變量表示一種順序關系而非數量關系。如：Status(poor、improved、excellent)
- 連續型變量呈現為某個范圍內的任意值。如：Age
因子：類別（名義型）變量和有序類別（有序型）變量。
對于名義型變量：
diabetes <- c("Type1", "Type2", "Type1", "Type1")
語句diabetes <- factor(diabetes)將此向量存儲為(1, 2, 1, 1)
并在內部將其關聯為1 = Type1和2 = Type2（具體賦值根據字母順序而定）
對于有序型變量，需要為函數factor() 指定參數ordered = TRUE：
satatus <- c("Poor", "Improved", "Excellent", "Poor")
語句status <- factor(status, ordered = TRUE)會將向量編碼為(3, 2, 1, 3)
默認為字母順序排序，若要指定排序：
status <- factor(status, order = TRUE, levels = c("Poor", "Improved", "Excellent"))
對于數值型變量：
如果男性編碼成1，女性編碼成2：
sex <- factor(sex, levels = c(1, 2), labels = c("Male", "Female"))
標簽"Male" 和"Female” 將代替1和2在結果中輸出
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) #顯示數據框內部編碼結構
'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) #顯示對象的統計概要（區別對待各個變量）
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
列表就是一些對象的有序集合
創建列表：
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 數據的輸入
- R Data Import/ Export手冊 http://cran.r-project.org/doc/manuals/E-data.pdf
-此手冊對應的中譯名為《R數據的導入和導出》
2.3.1使用鍵盤輸入數據
- R內置文本編輯器
> mydata <- data.frame(age = numeric(0), gender = character(0), weight = numeric(0))
> mydata <- edit(mydata)
#語句mydata <- edit(mydata) 可以簡便寫為fix(mydata)
- 代碼中直接嵌入數據
> mydatatxt <- "
+ age gender weight
+ 25 m 166
+ 30 f 115
+ 18 f 120
+ "
> mydatatxt <- read.table(header = TRUE, text = mydatatxt)
2.3.2 從帶分隔符的文本導入數據 P33
mydataframe <- read.table(file, options)
其中file是一個帶分隔符的ASCII文本文件，options是控制如何處理數據的選項。
2.3.3 導入Excel數據
- 最好方式：在Excel中導出為逗號分隔文件csv，再用前文描述導入R。
- 直接導入：xlsx包、xlsxjars和rJava包。P35
2.3.4 導入XML數據
2.3.5 從網頁抓取數據
- 參考：www.programmingr.com上的“Webscraping using readLines and RCurl”一文
- https://cran.r-projext.org/web/views/WebTechnologies.html
2.3.6 導入SPSS數據 P36
2.3.7 導入SAS數據 P37
2.3.8 導入Stata數據
library(foreign)
mydataframe <- read.dta("mydata.dta")
2.3.9 導入NetCDF數據 P38
2.3.10 導入HDF5數據 p38
2.3.11 訪問數據庫管理系統 P38
2.3.12 通過Stat/ Transfer導入數據
www.stattransfer.com 數據轉換應用程序。
2.4 數據集的標注
2.4.1 變量標簽
就是重命名：
names(patientdata)[2] <- "Age at hospitalization (in years)"
2.4.2 值標簽
如果男性編碼成1，女性編碼成2：
sex <- factor(sex, levels = c(1, 2), labels = c("Male", "Female"))
標簽"Male" 和"Female” 將代替1和2在結果中輸出
2.5 處理數據對象的實用函數
P41
第3章 圖形初階
3.1 使用圖形
保存圖形：代碼、用戶圖形界面保存。P44
3.3 圖形參數
修改圖形的特征。
> opar <- par(no.readonly = TRUE)
> par(lty = 2, pch = 17)
> par(opar)
3.3.1 符號和線條
- pch 指定繪制點時只用的符號
- cex 指定符號的大小
- lty 指定線條的類型
- lwd 指定線條的寬度
> plot(dose, drugA, type = "b", lty = 3, lwd = 3, pch = 15, cex = 2)
3.3.2 顏色
- 表示白色：col = 1、col = "white"、col = "#FFFFFF"、col = rgb(1, 1, 1)、col = hsv(0, 0, 1)
- colors() 返回所有可用顏色名稱。
- R圖表 http://research.stowers.org/mcm/efg/R/Color/Chart/
- R圖表 chrome-extension://ikhdkkncnoglghljlkmcimlnlhkeamad/pdf-viewer/web/viewer.html?file=http%3A%2F%2Fwww.stat.columbia.edu%2F~tzheng%2Ffiles%2FRcolor.pdf
#RColorBrewer創建吸引人的顏色配對
> install.packages("RColorBrewer")
> library(RColorBrewer)
> n <- 7
> mycolors <- brewer.pal(n,"Set1")
> barplot(rep(1, n), col = mycolors)
#彩虹漸變色
> n <- 10
> mycolors <- rainbow(n)
> pie(rep(1, n), labels = mycolors, col = mycolors)
#10階灰度色
> mygrays <- gray(0:n/n)
> pie(rep(1, n), labels = mygrays, col = mygrays)
3.3.3 文本屬性 P50
3.3.4 圖形尺寸與邊界尺寸
使用圖形參數控制圖形外觀：
> 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、自定義坐標軸和圖例
3.4.1 標題
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 坐標軸 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 參考線
abline(h = tvalues, v = xvalues)
abline(h = c(1, 5, 7))
abline(v = seq(1, 10, 2), lyt = 2, col = "blue")
3.4.4 圖例
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 文本標注
text(location, "text to place", pos, ...)
mtext("text to place", side, line = n, ...)
3.4.6 數學標注 P61
plotmath()
3.5 圖形的組合
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)
圖形布局的精細控制
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 基本數據管理
4.2 創建新變量
可能需要創建新變量或者對現有的變量進行變換。變量名 <- 表達式
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$meanx <- (x1 + x2) / 2
detach(mydata)
#方式三
mydata <- transform(mydata, sumx = x1 +x2, meanx = (x1 + x2) / 2)
4.3 變量的重編碼
leadership <- within(leadership, {
agecat <- NA
agecat[age >75] <- "Elder"
agecat[age >= 75 & age <= 75] <- "Middle Aged"
agecat[age < 55] <- "Young"})
其他實用的變量重編碼函數：car包中的recode()、doBy包中的recodevar()、R自帶的cut()。
4.4 變量的重命名
- fix(leadership)調用交互式編輯器。
- names()函數重命名變量：
names(leadership)[2] <- "testDate"
names(leadership)[6:10] <- c("item1", "item2", "item3", "item4", "item5")
- plyr包中的rename()函數可用于修改變量名：
library(plyr)
leadership <- rename(leadership, c(manager = "managerID", date = "testDate"))
4.5 缺失值
缺失值以符號NA（Not Available，不可用）表示。
函數is.na()允許檢測缺失值是否存在。
y <- c(1, 2, 3, NA)
is.na(y)
返回c(FALSE, FALSE, FALSE, TRUE)
is.na(leadership[,6:10])
#將數據框限定到第6到第10列
識別無限的或者不可能出現的數值用is.infinite()或is.nan()。
4.5.1 重編碼某些值為缺失值
要確保所有的缺失數據已在分析之前被妥善地編碼為缺失值。
leadership$age[leadership$age == 99] <- NA
4.5.2 在分析中排除缺失值
- 多數的數值函數擁有一個na.rm = TRUE選項，可以在計算之前移除缺失值并使用剩余值進行計算：
x <- c(1, 2, NA, 3)
y <- sum(x, na.rm = TRUE)
- na.omit()可以刪除所有含有缺失數據的行：
newdata <- na.omit(leadership)
4.6 日期值
as.Date(x, "input_format")，默認輸入格式為yyyy-mm-dd。
dates <- as.Date(strDates, "%m/%d/%Y")
myformat <- "%m/%d/%y"
leadership$date <- as.Date(leadership$date, myformat)
Sys.Date()返回當天的日期。
date()返回當前的日期和時間。
可以使用函數format(x, format = "output_format")來輸出指定格式的日期值，并且可以提取日期值中的某些部分：
today <- Sys.Date()
format(today, format = "%B %d %Y")
format(today, format = "%A")
R的內部存儲日期是使用自1970年1月1日以來的天數表示的，更早的日期表示為負數。可以在日期值上執行算術運算：
> startdate <- as.Date("2004-02-13")
> enddate <- as.Date("2011-01-22")
> days <- enddate - startdate
> days
Time difference of 2535 days
> today <- Sys.Date()
> dob <- as.Date("1996-09-05")
> difftime(today, dob, units = "days")
Time difference of 7640 days
4.6.1 將日期轉換為字符型變量
strDates <- as.character(dates)
4.7 類型轉換 P78
> a <- c(1, 2, 3)
> a
[1] 1 2 3
> is.numeric(a)
[1] TRUE
> is.vector(a)
[1] TRUE
> a <- as.character(a)
> a
[1] "1" "2" "3"
> is.numeric(a)
[1] FALSE
> is.vector(a)
[1] TRUE
> is.character(a)
[1] TRUE
4.8 數據排序
order()函數對一個數據框進行排序，默認升序，在排序變量前邊加一個減號可得降序。
newdata <- leadership[order(leadership$age),]
#創建新的數據集，其中各行依照經理人的年齡升序排序
attach(leadership)
newdata <- leadership[order(gender, age), ]
detach(leadreship)
#各行依照女性到男性、同樣性別中按年齡升序排序
attach(leadership)
newdata <- leadership[order(gender, -age), ]
detach(leadreship)
#各行依照女性到男性、同樣性別中按年齡降序排序
4.9 數據集的合并
4.9.1 向數據框添加列
橫向合并兩個數據框（數據集），使用merge()函數。
total <- merge(dataframeA, dataframeB, by = "ID")
total <- merge(dataframeA, dataframeB, by = c("ID", "Country"))
#如果直接橫向合并兩個矩陣或者數據框并且不指定一個公共索引用cbind()
total <- cbind(A, B)
#每個對象必須擁有相同的行數，以同順序排序
4.9.3 向數據框添加行
縱向合并兩個數據框（數據集）使用rbind()函數：
total <- rbind(dataframeA, dataframeB)
兩個數據框必須擁有相同的變量，不過順序不必一定相同。
4.10 數據集取子集
4.10.1 選入（保留）變量
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（丟棄）變量
myvars <- names(leadership) %in% c("q3", "q4")
newdata <- leadership[!myvars]
#已知q3和q4是第8個和第9個變量的情況下，可以使用語句：
newdata <- leadership[c(-8, -9)]
#設置q3和q4兩列為未定義（NULL）亦是一種刪除方式，NULL和NA是不同的
leadership$q3 <- leadership$q4 <-NULL
4.10.3 選入觀測
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()函數
選擇變量和觀測最簡單的方法。
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 隨機抽樣
sample()函數中的第一個參數是一個由要從中抽樣的元素組成的向量，第二個參數是要抽取的元素數量， 第三個參數表示無放回抽樣。
mysample() <- leadership[sample(1:nrow(leadership), 3, replace = FALSE), ]
4.11 使用SQL語句操作數據框
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 高級數據管理
5.2 數值和字符處理函數
5.2.1 數學函數 P86
5.2.2 統計函數 P88
5.2.3 概率函數 P90
R中概率函數形如[dpqr]distribution_abbreviation()
#位于z = 1.96左側的標準正態曲線下方面積是多少？
> pnorm(1.96)
[1] 0.9750021
#均值為500，標準差為100的正態分布的0.9分位點值為多少？
> qnorm(.9, mean = 500, sd = 100)
[1] 628.1552
#生成50個均值為50，標準差為10的正態隨機數
> rnorm(50, mean = 50, sd = 10)
- 設定隨機數種子
set.seed()顯示指定種子。runif()生成0到1區間上服從均勻分布的偽隨機數。
> 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
- 生成多元正態數據
MASS包中的mvrnorm()函數：mvrnorm(n, mean, sigma)
其中n是想要的樣本大小，mean為均值向量，而sigma是方差-協方差矩陣（或相關矩陣）
> 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 字符處理函數 P93
5.2.5 其他實用函數 P94
5.2.6 將函數應用于矩陣和數據框
apply()函數：apply(x, MARGIN, FUN, ...)
x為數據對象， MARGIN是維度的下標， FUN是制定的函數，...包括了任何想傳遞給FUN的參數。在矩陣或數據框中，MARGIN = 1表示行， MARGIN = 2表示列。
5.4 控制流
5.4.1 重復和循環
- for結構
#for (var in seq) statement
for (i in 1:10) print("Hello")
- while結構
#while (cond) statement
i <- 10
while (i > 0) {print("Hello"); i <- i - 1}
5.4.2 條件執行
- if-else結構
#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結構
#ifelse(cond, statement1, statement2)
ifelse(score > 0.5, print("Passed"), print("Failed"))
outcome <- ifelse(score > 0.5, "Passed", "Failed")
- switch結構
#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 用戶自編函數
myfunction <- function (arg1, arg2, ...) {
statements
return(object)
}
5.6 整合與重構
5.6.1 轉置
使用函數t()對一個矩陣或數據框進行轉置。數據框行名將變成變量（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 整合數據
使用一個或多個by變量和一個預先定義好的函數來折疊(collapse)數據。
調用格式為：aggregate(x, by, FUN)
其中x是待折疊的數據對象，by是一個變量名組成的列表，這些變量將被去掉以形成新的觀測，而FUN則是用來計算描述性統計量的標量函數，他將被用來計算新觀測中的值。
> 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包是一套重構和整合數據集的絕妙的萬能工具。使用前需安裝。
- 融合 P106
- 重鑄 P106
第6章 基本圖形
6.1 條形圖
barplot(height)
其中的height是一個向量或一個矩陣。使用參數horiz = TRUE生成水平條形圖。
6.1.1 簡單的條形圖
> library(grid)
> library(vcd)
> counts <- table(Arthritis$Improved)
> counts
None Some Marked
42 14 28
> barplot(counts, main = "Simple Bar Plot", xlab = "Improvement", ylab = "Frequency")
> barplot(counts, main = "Horizontal Bar Plot", xlab = "Frequency", ylab = "Improvement", horiz = TRUE)
若要繪制的類別型變量是一個因子或有序型因子，可以用plot()快速創建垂直條形圖，無需使用table()將其表格化：
> plot(Arthritis$Improved, main = "Simple Bar Plot", xlab = "Improvement", ylab = "Frequency")
> plot(Arthritis$Improved, main = "Horizontal Bar Plot", xlab = "Frequency", ylab = "Improvement", horiz = TRUE)
6.1.2 堆砌條形圖和分組條形圖
如果height是矩陣，繪圖結果是堆砌條形圖或分組條形圖（beside = TRUE）。
> barplot(counts, main = "Stacked Bar Plot", xlab = "Treatment", ylab = "Frequency", col = c("red", "yellow", "green"), legend = rownames(counts))
> barplot(counts, main = "Grouped Bar Plot", xlab = "Treatment", ylab = "Frequency", col = c("red", "yellow", "green"), legend = rownames(counts), beside = TRUE)
6.1.3 均值條形圖
可以使用數據整合函數將結果傳遞給barplot()函數，來創建表示均值、中位數、標準差等的條形圖。
> states <- data.frame(state.region, state.x77)
> means <- aggregate(states$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$Group.1)
> title("Mean Illiteracy Rate")
6.1.4 條形圖的微調
#增加y邊界的大小
> par(mar = c(5, 8, 4, 2))
#旋轉條形的標簽
> par(las = 2)
> counts <- table(Arthritis$Improved)
#縮小字體大小，修改標簽文本
> barplot(counts, main = "Treatment Outcome", horiz = TRUE, cex.names = 0.8, names.arg = c("No Improvement", "Some Improvement", "Marked Improvement"))
6.1.5 棘狀圖
對堆砌條形圖進行重縮放，每個條形的高度均為1，每一段的高度即表示比例。
由vcd包中的函數spine()繪制。
> par(mar = c(5, 8, 4, 2))
> par(las = 2)
> counts <- table(Arthritis$Improved)
> barplot(counts, main = "Treatment Outcome", horiz = TRUE, cex.names = 0.8, names.arg = c("No Improvement", "Some Improvement", "Marked Improvement"))
6.2 餅圖
更推薦使用條形圖或點圖，相對于面積人們對長度的判斷更精確。
pie(x, labels)
其中x是一個非負數值向量，表示每個扇形的面積，labels則是表示各扇形標簽的字符型向量。
> par(mfrow = c(2, 2)) #四幅圖形組合成一幅
> slices <- c(10, 12, 4, 16, 8)
> lbls <- c("US", "UK", "Australia", "Germany", "France")
> pie(slices, labels = lbls, main = "Simple Pie Chart")
> pct <- round(slices / sum(slices) * 100)
> lbls2 <- paste(lbls, " ", pct, "%", sep = "")
> pie(slices, labels = lbls2, col = rainbow(length(lbls2)), main = "Pie Chart with Percentages")
> library(plotrix)
> pie3D(slices, labels = lbls, explode = 0.1, main = "3D Pie Chart")
> mytable <- table(state.region) #從表格創建餅圖
> lbls3 <- paste(names(mytable), "\n", mytable, sep = "")
> pie(mytable, labels = lbls3, main = "Pie Chart from a Table\n (with sample sizes)")
餅圖難以比較值，扇形圖提供了一種同時展示相對數量和相互差異的方法。
plotrix中的包fan.plot()實現。
> library(plotrix)
> slices <- c(10, 12, 4, 16, 8)
> lbls <- c("US", "UK", "Australia", "Germany", "France")
> fan.plot(slices, labels = lbls, main = "Fan Plot")
6.3 直方圖
直方圖描述連續型變量的分布，通過在x軸上將值域分割為一定數量的組，在y軸上顯示相應值的頻數。
hist(x)
其中x是一個由數據值組成的數值向量。參數freq = FALSE表示根據概率密度而不是頻數繪制圖形。參數breaks用于控制組的數量。
> par(mfrow = c(2, 2))
> hist(mtcars$mpg)
> mtcars$mpg
#指定組數和顏色
> hist(mtcars$mpg, breaks = 12, col = "red", xlab = "Miles Per Gallon", main = "Colored histogram with 12 bins")
#添加軸須圖
> 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$mpg), col = "blue", lwd = 2)
#添加正態密度曲線和外框
> x <- mtcars$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$mids[1:2] * length(x))
> lines(xfit, yfit, col = "blue", lwd = 2)
> box()
如果數據有許多結（相同的值），rug(jitter(mtcars$mpag, amount = 0.01))，向每個數據點添加一個小的隨機值（一個±amount之間的均勻分布隨機數），以避免重疊的點產生影響。
6.4 核密度圖
核密度估計是用于估計隨機變量概率密度函數的一種非參數方法。
plot(density(x))
其中的x是一個數值型向量。plot()函數會創建一幅新的圖形，所以要向一幅已經存在的圖形上疊加一條密度曲線，可以使用lines()函數（見上文）。
> par(mfrow = c(2, 1))
> d <- density(mtcars$mpg)
> plot(d)
> plot(d, main = "Kernel Dendity of Miles Per Gallon")
> polygon(d, col = "red", border = "blue") #polygon()函數根據定點的x和y坐標繪制多邊形
> rug(mtcars$mpg, col = "brown")
核密度圖可用于比較組間差異，使用sm包中的sm.density.compare()函數可向圖形疊加兩組或更多的核密度圖：sm.density.compare(x, factor)
其中的x是一個數值型向量，factor是一個分組變量。
> library(sm)
> attach(mtcars)
#創建分組因子
> cyl.f <- factor(cyl, levels = c(4, 6, 8), labels = c("4 cylinder", "6 cylinder", "8 cylinder"))
#繪制密度圖
> sm.density.compare(mpg, cyl, xlab = "Miles Per Gallon")
> title(main = "MPG Distribution by Car Cylinders")
#通過鼠標單擊添加圖例
> colfill <- c(2:(1 + length(levels(cyl.f))))
> legend(locator(1), levels(cyl.f), fill = colfill)
> detach(mtcars)
6.5 箱線圖
箱線圖（盒須圖）是一項用來可視化分布和組間差異的絕佳圖形手段（更常用）。
通過繪制連續型變量的五數總括，即最小值、下四分位數（第25百分位數）、中位數（第50百分位數）、上四分位數（第75百分位數）以及最大值，描述了連續型變量的分布。箱線圖能夠顯示出可能為離群點（范圍±1.5*IQR以外的值，IQR表示四分位距，即上四分位數與下四分位數的差值）的觀測。
> boxplot(mtcars$mpg, main = "Box plot", ylab = "Miles per Gallon")
#輸出用于構建圖形的統計量
> boxplot.stats(mtcars$mpg)
6.5.1 使用并列箱線圖進行跨組比較
箱線圖可以展示單個變量或分組變量。使用格式為：
boxplot(formula, data = dataframe)
其中的formula是一個公式，dataframe代表提供數據的數據框或列表。
一個實例公式為y ~ A，這將為類別型變量A的每個值并列地生成數值型變量y的箱線圖。公式y ~ A*B則將為類別型變量A和B所有水平的兩兩組合生成數值型變量y的箱線圖。
添加參數varwidth = TRUE將使箱線圖的寬度與其樣本大小的平方根成正比。參數horizontal = TRUE可以反轉坐標軸的方向。
> attach(mtcars)
> boxplot(mpg ~ cyl, data = mtcars, main = "Car Mileage Data", xlab = "Number of Cylinders", ylab = "Miles Per Gallon")
#添加notch = TRUE得到含凹槽的箱線圖。
> boxplot(mpg ~ cyl, data = mtcars, notch = TRUE, col = "red", main = "Car Mileage Data", xlab = "Number of Cylinders", ylab = "Miles Per Gallon")
> detach(mtcars)
兩個交叉因子的箱線圖：
#創建汽缸數量的因子
> mtcars$cyl.f <- factor(mtcars$cyl, levels = c(4, 6, 8), labels = c("4", "6", "8"))
#創建變速箱類型的因子
> 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 小提琴圖
箱線圖與核密度圖的結合，使用vioplot包中的vioplot()函數繪制。
vioplot(x1, x2, ... , names = , col = )
其中x1, x2, ...表示要繪制的一個或多個數值向量（將為每個向量繪制一幅小提琴圖），參數names是小提琴圖中標簽的字符向量，而col是一個為每幅小提琴圖指定顏色的向量。
> 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 點圖
點圖繪制變量中的所有值，提供了一種在水平刻度上繪制大量有標簽值的方法。
dotchart(x, labels = )
其中的x是一個數值向量，而labels則是由每個點的標簽組成的向量。可以通過添加參數groups來選定一個因子，用以指定x中元素的分組方式。如果這樣做，gcolor可以控制不同組標簽的顏色，cex可以控制標簽的大小。
> dotchart(mtcars$mpg, labels = row.names(mtcars), cex = .7, main = "Gas Mileage for Car Models", xlab = "Miles Per Gallon")
#分組、排序、著色后的點圖
> x <- mtcars[order(mtcars$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")
點圖有許多變種，Hmisc包提供了一個帶有許多附加功能的點圖函數dotchart2。
