r软件和r语言介绍 ()
R语言介绍
R语言环境
R是一套由数据操作、计算和图形展示功能整合而成的套件。包括：
◆ 有效的数据存储和处理功能，
◆ 一套完整的数组(特别是矩阵)计算操作符，
◆ 拥有完整体系的数据分析工具，
◆ 为数据分析和显示提供的强大图形功能，
◆ 一套(源自S语言)完善、简单、有效的编程语言(包括条件、循环、自定义函数、输入输出功能)。
R的交互使用
R程序在等待输入命令时会给出提示符，默认的提示符是>, 与UNIX的shell提示符是相同的。不过如果你愿意的话，我们可以轻松的更改R的提示符。在这里我们先假定UNIX的shell提示符是$。在UNIX下使用R可以按照下面的推荐步骤来做：
1.创建一个独立的子目录来存储解决这个问题所用的数据文件,将目录命名为work.这个目录将作为你当前任务的工作目录.
$ cd work
$ R
2.使用R，在任务结束时用 q() 来中止。
在Windows下使用R的步骤与上面基本相同。创建一个文件夹作为工作目录，并将其设定R快捷方式的在"起始位置"中。然后双击图标启动R。
Байду номын сангаас
相关的软件和文档
R可以被当作S语言(由Rick Becker,John Chambers和AllanWilks在Bell实验室开发)的实现工具，或者S-Plus系统的基本形态。S语言的发展变化可以参考John Chambers与其他人合作的四本书。对R来说,基本的参考书是The New S Language: A Programming Environment for Data Analysis and Graphics(Richard A. Becker, John M. Chambers and Allan R. Wilks)。 对于1991年发布的S (S version 3)可以参考Statistical Models in S (edited by John M. Chambers and Trevor J. Hastie)。
R语言(介绍)
• R免费 • R 资源公开(不是黑盒子,也不是吝啬鬼) • R可以在UNIX, Linux, Windows和OS X运行. • R 有优秀的内在帮助系统. • R有优秀的画图功能 • 学生能够轻松地转到商业支持的 S-Plus程序(如果
需要使用商业软件) • R语言有一个强大的,容易学习的语法,有许多内在
Packages （继续）
• MASSMain Package of Venables and Ripley's MASS • methodsFormal Methods and Classes • mgcvGAMs with GCV smoothness estimation and GAMMs by REML/PQL • multtestResampling-based multiple hypothesis testing • nlmeLinear and nonlinear mixed effects models • nnetFeed-forward Neural Networks and Multinomial Log-Linear Models • nortestTests for Normality • outliersTests for outliers • plsPartial Least Squares Regression (PLSR) and Principal Component Regression (PCR) • pls.pcrPLS and PCR functions • rpartRecursive Partitioning • SAGxStatistical Analysis of the GeneChip • smaStatistical Microarray Analysis • spatialFunctions for Kriging and Point Pattern Analysis • splinesRegression Spline Functions and Classes • statsThe R Stats Package • stats4Statistical Functions using S4 Classes • survivalSurvival analysis, including penalised likelihood. • tcltkTcl/Tk Interface • toolsTools for Package Development • utilsThe R Utils Package
数据分析挖掘工具
数据分析挖掘工具随着信息时代的来临和大数据的兴起，数据分析挖掘工具成为了现代企业不可或缺的利器。
数据分析挖掘工具帮助人们处理和分析庞大的数据集，从中挖掘出有用的信息和隐藏的模式。
本文将介绍几种常用的数据分析挖掘工具。
1. R语言R语言是一种免费且开源的统计分析和数据挖掘工具。
它具有丰富的数据分析函数库和强大的绘图功能，可以支持多种数据分析任务，例如线性回归、聚类分析、分类和预测等。
R语言还提供了优秀的可视化工具，使得分析结果更加直观和易于理解。
由于其灵活性和可扩展性，R语言在学术界和工业界都得到了广泛应用。
2. PythonPython是一种通用的编程语言，也被广泛用于数据分析和挖掘。
Python拥有强大的科学计算和数据处理库，如NumPy、Pandas和SciPy，使得数据分析变得更加高效和便捷。
此外，Python还有诸多机器学习和数据挖掘的库和工具，例如Scikit-learn和TensorFlow，可以支持各种复杂的数据挖掘任务。
3. SQLSQL（Structured Query Language）是一种用于管理和操作关系型数据库的语言。
它可以帮助用户从数据库中查询和提取数据，进行数据聚合、分组、排序和连接等操作。
SQL不仅可以进行基本的数据操作，还可以实现一些复杂的数据分析算法，如决策树、关联规则挖掘和聚类分析。
因此，SQL在企业中被广泛应用于数据分析和挖掘。
4. ExcelExcel是一种常见的电子表格软件，也是许多人进行简单数据分析和挖掘的首选工具。
通过Excel的各种函数和工具，用户可以进行数据的筛选、排序、求和和绘图等常见操作。
虽然Excel的功能相对简单，但对于小规模的数据分析和挖掘任务来说已经足够。
5. TableauTableau是一种流行的数据可视化工具，它可以帮助用户轻松地创建交互式的数据图表和报告。
Tableau支持从多种数据源导入数据，并提供了丰富的数据可视化选项和交互式控件，使得数据的可视化呈现更加生动和直观。
临床研究中的数据分析软件与工具介绍
临床研究中的数据分析软件与工具介绍临床研究是医学领域中非常重要的一项工作，它通过对患者的观察和实验，以及收集和分析相关数据来研究疾病诊断、治疗和预防等方面的科学问题。
在进行临床研究时，数据分析起着至关重要的作用。
本文将介绍几种在临床研究中常用的数据分析软件和工具。
1. SPSS（Statistical Package for Social Sciences）SPSS是统计分析领域中最常用的软件之一，也是临床研究中经常使用的工具。
它提供了各种统计分析方法、数据处理和图表展示功能，可以帮助研究人员对收集到的数据进行全面和系统的分析。
SPSS界面友好，操作相对简单，适用于各个层次的用户。
2. SAS（Statistical Analysis System）SAS是另一个广泛应用于临床研究的数据分析软件。
它具有强大的数据处理和统计分析能力，为研究人员提供了一系列的统计程序和模块，支持各种数据类型和分析方法。
SAS的运算速度较快，适于处理大规模的数据集，是许多大型临床研究项目的首选工具。
3. R语言R语言是一种免费开源的统计计算和数据分析工具。
它有着丰富的统计函数和图表绘制功能，适用于各种不同类型的临床研究。
R语言可以通过编写脚本来完成各种数据处理和分析任务，同时也支持交互式的数据分析。
R语言拥有庞大的用户社区，用户可以共享和讨论各种研究方法和代码。
4. ExcelExcel是一个常见且非常便捷的数据分析工具。
它提供了各种数据处理和建模的功能，可以进行基本的统计计算、绘制图表、数据筛选和排序等操作。
虽然Excel相对于专业的统计软件来说功能较为有限，但对于一些简单的数据分析任务仍然非常实用，尤其适合初学者使用。
5. PythonPython是一种通用的编程语言，也可用于临床研究中的数据分析。
Python有着强大的数据处理和分析库，如NumPy、Pandas和Matplotlib 等，可以进行各种高效的数据操作和图表绘制。
数据分析中的常见统计软件和方法选择
数据分析中的常见统计软件和方法选择在数据分析中，选择适合的统计软件和方法对于准确分析和解释数据至关重要。
本文将介绍几种常见的统计软件和方法，并分析其适用场景，以帮助读者在数据分析中进行正确的选择。
一、SPSS（Statistical Package for the Social Sciences）SPSS是一种功能强大的统计软件，主要用于社会科学领域的数据分析。
它提供了丰富的统计分析方法，包括描述统计、假设检验、回归分析等。
SPSS操作相对简单，适合初学者使用。
适用场景：1. 社会科学研究：如心理学、教育学等领域的统计分析；2. 大规模调查分析：SPSS可处理大规模数据集，并进行有效的分析和数据可视化。
二、R语言R语言是一种开源的统计软件和编程语言，具有广泛的应用领域。
它提供了丰富的统计方法和数据处理功能，并有庞大的用户社区支持。
适用场景：1. 数据科学：R语言在数据挖掘、机器学习等领域有广泛应用；2. 数据可视化：R语言有强大的绘图功能，可制作精美的统计图表。
三、PythonPython是一种通用的编程语言，也可以用于数据分析。
它具有方便易用的语法和丰富的数据处理库，如NumPy、Pandas、Matplotlib等。
适用场景：1. 大数据分析：Python可以处理大规模数据，并具备分布式计算的能力；2. 自动化分析流程：Python适用于自动化数据分析流程的编写和执行。
四、ExcelExcel是一种常用的办公软件，也可以进行基本的数据分析。
它提供了一些常用的统计函数和数据处理功能，适合小规模数据的分析和整理。
适用场景：1. 数据清洗和整理：Excel提供了丰富的数据处理函数和工具，适用于初步的数据清洗和整理工作；2. 简单统计分析：Excel自带的统计函数可用于简单的描述统计和数据可视化。
总结：在选择统计软件和方法时，需根据具体需求和数据特点进行综合考虑。
SPSS适合社会科学领域的数据分析，R语言适用于数据科学和数据可视化，Python适用于大数据分析和自动化流程，Excel适合小规模数据的简单分析和整理。
R语言介绍
神州数码思特奇首席数据挖掘专家刘思喆刘思喆表示R语言具备跨平台(Windows, Linux , Mac OS X)的能力，R语言开源的特性使其具有强大的社区支持。
R语言还具有统计学家和前沿算法可实现高质量的统计分析和数据挖掘平台。
结果的可重现和方便的扩展性也是其优势所在。
其他统计软件大部分均可调用R，比如SAS、SPSS、Statistica等。
以下为文字实录今天我过来跟大家想一下“R”语言在数据挖掘，以及大数据下的应用。
也是非常高兴，今天能和这么多同行，做数据工作的一些同行有这样一个直接交流。
实际上在“R”语言软件，大家不是说很熟悉，有听过不知道是什么东西，我用“R”语言比较久了，讲一下整个历史从现在的一个发展情况。
我们可以看一下后面这个展台，是一个文本云，“R”语言是这个位置，大小是这个样子。
实际上“R”语言，我觉得这是以后的发展状况，文本大小代表了频数，“R”语言现在还是一个小众语言，基本上我觉得“R”语言大小是这个位置。
但是“R”语言有很多优势，可以说是一个大数据下面优雅的，卓越的统计分析。
我今天分析五个不能，从起源历史，特点，“R”荣誉，现状应用，未来挑战，还有一些误区思考。
“R”语言是在92年的时候有奥克兰大学Ross Ihaka和Robert Gentleman两人共同发明，其词法和语法原自于Schem和S语言，“R”一般认为是S语言，因为两个创始人首字母都是R，R变成一个字母语言名称。
讲到“R”必须讲到“R”语言前身，就是S语言。
这张片子主要讲一下S语言，为什么产生S 这门语言。
他反映了一些在数据分析，以及数据挖掘的一些理念。
在1975年到1976年的时候，贝尔实验室他们在用于数据分析的时候使用一个文档，简称SCS。
但是，当时有一个问题商业软件是采用P处理的方式，而且软件是不能修改的，这样不能满足当时对于数据分析需求。
而且我们可以现在SPS公司，包括像SPS，SaaS等等这些统计软件，实际上仍然使用P处理方式，当我们把数据灌出去，最后出来一张通过P处理方式把所有数据分析结果同时展示。
大数据分析R语言RStudio使用超详细教程
⼤数据分析R语⾔RStudio使⽤超详细教程 RStudio是⽤于R编程的开源⼯具。
如果您对使⽤R编程感兴趣，则值得了解RStudio的功能。
它是⼀种灵活的⼯具，可帮助您创建可读的分析，并将您的代码，图像，注释和图解保持在⼀起。
在此⼤数据分析R语⾔RStudio使⽤教程⽂章中，我们将介绍RStudio免费版本的⼀些最佳功能：RStudio Desktop。
我们收集了⼀些RStudio的重要技巧，窍门和快捷⽅式，可快速将您变成RStudio⾼级⽤户! 1.在窗⼝窗格之间快速导航 RStudio窗格可让您访问有关项⽬的重要信息。
知道如何在窗格之间切换⽽⽆需触摸⿏标来移动光标将节省时间并改善⼯作流程。
使⽤这些快捷⽅式可以在窗格之间即时移动： 1)Control/Ctrl + 1：源代码编辑器(您的脚本) 2)Control/Ctrl + 2：安慰 3)Control/Ctrl + 3：救命 4)Control/Ctrl + 4：历史 5)Control/Ctrl + 5：⽂件 6)Control/Ctrl + 6：情节 7)Control/Ctrl + 7：套餐 8)Control/Ctrl + 8：环境 9)Control/Ctrl + 9：查看者 如果您希望⼀次只看到⼀个窗格，请添加Shift到上述任何命令中以最⼤化窗格。
例如，输⼊Control/Ctrl + Shift + 1以最⼤化您正在使⽤的R脚本，笔记本或R Markdown⽂件。
(旁注：+我们在快捷⽅式中显⽰的意思是“和”，因此不需要实际键⼊+键。
) 但是，如果您想返回标准的四窗格视图怎么办?没问题!输⼊Control/Ctrl + Shift + 0： 2.键盘快捷键 了解RStudio键盘快捷键将在编程时节省⼤量时间。
RStudio提供了许多有⽤的快捷⽅式，您可以通过顶部的菜单访问它们Tools > Keyboard Shortcuts Help。
R软件介绍
✓例子（P49.例2.1）
某学校在体检时测得12名女中学生体重X1(千克) 和胸围X2(厘米)资料如下表所示，计算体重与胸围 的均值和标准差。
学生编号 体重
胸围 学生编号 体重
胸围13560743
78
2
40
74
8
37
66
3
40
64
9
44
70
4
42
71
10
42
65
5
37
72
11
41
73
6
45
68
12
六名患者的身高和体重
编号 1 2 3 4 5 6 身高 m 1.75 1.80 1.65 1.90 1.74 1.91 体重kg 60 72 57 90 95 72
第一种方式：从控制台输入数据（数据较少）
数据量较少时可以从控制台直接输入： height<-c(1.75, 1.80, 1.65, 1.90, 1.74,
总结
R是开源的统计绘图软件，也是一种自解释的语 言，有大量的程序包可以利用。
R中的向量、列表、数组、统计结果等都是对象， 可以方便的生成所需对象，并进行筛选。
R脚本是输入的多个命令行。 R具有精确控制的绘图功能，生成的图可以另存
为多种格式。 R编写函数无需声明变量的类型，能利用循环、
条件语句，控制程序的流程。
第1步 改变R软件工作目录（文件改变工作目录） 第2步 将Excel中的数据另存为.txt格式（制表
符间隔）或.csv格式。 第3步 用read.table()或read.csv()函数将数
据读入R工作空间，并赋值给一个对象。
在Excel中将数据存为txt文件
R语言是什么R语言简介
R语⾔是什么R语⾔简介⽬录1、什么是R语⾔？2、R语⾔能⼲什么？3、R语⾔有什么优势？补充5、为什么使⽤R ?6、R语⾔学习路线图7、R语⾔参考资料R是由Ross Ihaka和Robert Gentleman在1993年开发的⼀种编程语⾔，R拥有⼴泛的统计和图形⽅法⽬录。
它包括机器学习算法、线性回归、时间序列、统计推理等。
⼤多数R库都是⽤R编写的，但是对于繁重的计算任务，最好使⽤C、c++和Fortran代码。
R不仅在学术界很受欢迎，很多⼤公司也使⽤R编程语⾔，包括Uber、⾕歌、Airbnb、Facebook等。
⽤R进⾏数据分析需要⼀系列步骤：编程、转换、发现、建模和交流结果R 语⾔是为数学研究⼯作者设计的⼀种数学编程语⾔，主要⽤于统计分析、绘图、数据挖掘。
如果你是⼀个计算机程序的初学者并且急切地想了解计算机的通⽤编程，R 语⾔不是⼀个很理想的选择，可以选择 Python、C 或Java。
R 语⾔与 C 语⾔都是贝尔实验室的研究成果，但两者有不同的侧重领域，R 语⾔是⼀种解释型的⾯向数学理论研究⼯作者的语⾔，⽽ C 语⾔是为计算机软件⼯程师设计的。
R 语⾔是解释运⾏的语⾔（与 C 语⾔的编译运⾏不同），它的执⾏速度⽐ C 语⾔慢得多，不利于优化。
但它在语法层⾯提供了更加丰富的数据结构操作并且能够⼗分⽅便地输出⽂字和图形信息，所以它⼴泛应⽤于数学尤其是统计学领域。
1、什么是R语⾔？R是⽤于统计分析、绘图的语⾔和操作环境。
R是属于GNU系统的⼀个⾃由、免费、开源的软件，它是⼀个⽤于统计计算和统计制图的优秀⼯具。
R语⾔是主要⽤于统计分析、绘图的语⾔和操作环境。
R本来是由来⾃新西兰奥克兰⼤学的Ross Ihaka和Robert Gentleman 开发。
（也因此称为R）现在由“R开发核⼼团队”负责开发。
R是基于S语⾔的⼀个GNU项⽬，所以也可以当作S语⾔的⼀种实现，通常⽤S 语⾔编写的代码都可以不作修改的在R环境下运⾏。
R语言入门——软件简介及实操
下载和安装R
The Comprehensive R Archive Network R主页 /
Windows版本下载：
简称CRAN，提供下载安装程序和相应软件包。
6
图1 R软件首页 /
7
菜单栏 快捷按钮
逻辑运算 与、或、非
!, &, &&, |, ||
31
R的函数
R是一种解释性语言，输入后可直接运行，类似于 linux 下的cp,rm，mv等命令。
函数命令形式：
function(对ຫໍສະໝຸດ ，选项= ) #每一个函数执行特定的 功能，后面紧跟括号。 例如：平均值 > mean(c(1,2,4)) # 计算这一组向量的均值 [1] 2.333333 R的函数是面向对象来执行。
...
备注：后续课程会详细介绍
34
练习三 数学运算
> a <- 2+2 # 将 2+2 的结果赋值给变量a > a # 展示变量a的值 [1] 4 > a < 4 # a 小于4 [1] FALSE # 结果为假 > b <-c (1,4,7) # 生成数组（1,4,7）并赋值给变量b > b [1] 1 4 7 > c <- rnorm(3) # 生成3个随机数 赋值给变量c > c [1] 0.6252384 -0.2690583 0.9649787 > rm(c) # 删除变量c > c 错误: 找不到对象‘c'
4
R软件简介
1. R是开源软件，代码全部公开，对所有人免费。
2. R可在多种操作系统下运行，如Windows、 MacOS、多种Linux和UNIX等。 3. R需要输入命令，可以编写函数和脚本进行批处理 运算，语法简单灵活。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
函数plot()
∗ 二维变量例子： ∗ plot(Height, Weight, main="体重对身高的回归",
xlab="身高", ylab="体重") ∗ 特别的如果要绘制连线图，只需在函数中加入选项
type="l"
函数boxplot()
∗ 盒形图也是常用的统计图表，在R中的函数为 boxplot()
向量运算
∗ 对向量的每一个元素进行运算,+,‐,*,/,^,%%。 >y=x*2+1 >y=y^2 >y=sqrt(y) >y=y%%3 两个等长度向量之间的运算是对应元素的运算 >c(1,2,3)+c(10,20,30)/c(2,4,6) 两个长度不用的向量运算，短向量将循环使用。 >c(100,200)+c(1,2,3,4) 函数：min, max, sum, mean, var, sd, range 排序：sort(x), order(x), x[order(x)]=sort(x) 任何数与缺失值运算结果是缺失值：2*c(1, NA, 2)
∗ 例子： ∗ qqnorm(Weight) ∗ qqline(Weight,col="red")
其他统计图形函数
∗ 函数stem()用来绘制茎叶图 ∗ 函数hist()用来绘制直方图
初等统计
∗ R中集成了常用的统计功能，一些比数summary() ∗ 例子： ∗ summary(cl) ∗ 对数值型的变量计算了平均值，最大值，最小值，
统计分布： norm , t, f, exp, chisq, binom……. 前面加前缀d, p, q, r构成函数名 d: 密度函数 p: 分布函数 q: 分位数函数 r: 随机数函数。
基本作图
∗ R有很强的图形功能，可以用简单的函数调用，迅速 作出数据的各种图形。
函数plot()
∗ 最常用的作图函数是plot() ∗ 一维变量例子： ∗ attach(cl) ∗ plot(Height) ∗ plot(Sex) ∗ 对于一般变量Height，plot做的是散点图 ∗ 对于分类变量Sex，plot做的是频数条形图
统计模型
∗ R中实现了几乎所有常见的统计模型，并且多种模型 可以用一种统一的观点表示和处理
统计模型的表示
∗ 在R中，模型是一种对象，其表达形式是一个公式， 下面先举几个例子，假定y,x,x0,x1,x2是数值型变 量，X是矩阵，A,B,C是因子
统计模型的表示
∗ y~x，y~1+x：两个公式都表示y对x的简单一元线性回 归，其中第一个式子带有隐含的截距项，第二个式 子把截距项明显的写了出来
X~Y，如t.test(Height~Sex)
假设检验
∗ wilcox.test()：Wilcoxon检验，检验两组样本是否来 自同一总体
∗ 例子： ∗ wilcox.test(Height~Sex)或wilcox.test(Height,Weight) ∗ 同样的，成对检验时添加选项paired=T
列表和数据框
>rec=list(name='李明', age=30, scores=c(85,76)) 提取元素：rec[[2]] rec[[3]][2] rec[['age']] rec$age >d=data.frame(name=c('李明', '王建'), age=c(30,28),
height=c(180,175)) Data.frame(A):将矩阵A转变为数据框 提取元素：d[[2]] d$age d[1,2] >attach(d) 以下操作对d 进行 >r=height/age >detach() 取消链接
创建函数
>fsub=function(x,y){ z=x‐y z
} R函数只能返回一个对象，如果有多个结果，需要包装
起来返回。 >x=fsub(10,20)
编写程序时一般先在txt写好再粘贴到R软件中运行。
生成随机数
>y=rnorm(100) 产生100个正态随机数 >rnorm(100, mean=15, sd=2) runif() 均匀分布
中位数，四分位数， ∗ 对分类变量则会进行频数统计
单变量数据分析
∗ 其他常用函数：mean()，sd()，var()，median()， min()，max()可以用来计算数值型变量的平均值，标 准差，方差，中位数，最小值，最大值
∗ 函数density()可以对数值型变量进行非参数密度估计
单变量数据分析
∗ y~x‐1：表示y对x的通过原点的回归，即不带截距项 的线性回归
∗ log(y)~x1+x2：表示log(y)对x1和x2的二元回归，并带 有截距项
统计模型的表示
∗ y~A：单因素的方差分析，指标为y，分组因素为A ∗ y~A+x：单因素的协方差分析，指标为y，分组因素
为A，带有协变量x ∗ y~(A+B+C)^2，y~A*B*C‐A:B:C：表示三因素实验，只
矩阵运算
+ ‐ * / ^ 对应元素的运算 >D=C+2*A/B 矩阵函数 ： 转置 t(A), nrow (A)行数, ncol(A) 矩阵乘法：A%*%B crossprod(X,Y): X’Y solve(A,b): 求解Ax=b solve(A): 求 A的逆 其他函数：svd 奇异值分解，qr QR分解， eigen 计算特征向量和特征值 ，
输入
读入向量：x=scan('d:/result.txt') 读入数据框：x=read.table('d:/data.txt', header=T) 读入逗号分隔文件： x=read.csv('d:/d.csv', header=T) 一般excel 要转为csv才能读入。 还可以用 colclasses 指定数据类型 > x=read.table('d:/data.txt', colclasses=c('character',
考虑两两交互作用而不考虑三因子交互作用
统计模型的表示
∗ 在R中，一般的线性模型公式为： ∗ 因变量~第一项±第二项±第三项。。。 ∗ 公式中各项可以取为： ∗ 一个值为向量或矩阵的表达式，或1 ∗ 一个因子 ∗ +表示该因子加入模型，‐则表示该因子从模型中删除
字符型向量 >c('age', 'weight') >paste('my', 'job')
复数向量： >x=3+2i >Re(x) >Im(x) >sqrt(x)
向量下标运算： >x=1:10 >x[x<5] >x[9]=100 >y=10:20 >y[x<5]=x[x<5]+1
“my job”
矩阵
diag(vector), diag(matrix), diag(k)。 apply(x, margin, fun): margin=1, 对矩阵x的每行作用函数fun;
margin=2, 对列。 >apply(A,2,sum) >apply(A,1,mean)
因子
∗ 因子用来表示离散分类变量 >x=c('男' , '女' , '男' , '男') >y=factor(x) >table(y) >h=factor(c(' teacher ', ' doctor ', ' doctor ', ' teacher ')) >table(x,h)
产生数列
>1:10 >‐2:3 >5:2 >1:n‐1 >1:(n‐1) >x=numeric(8) 等差数列函数：seq(from=0, to=2,by=0.7) seq(from=10,length=5) 重复： rep(1:3, 3) rep(c(100,200),c(3,2))
逻辑向量
∗ m=c(TRUE, TRUE, FALSE) >x=1:6 >x>3 >log(10*x)>x 比较运算符：<, <=, >, >=, ==, != 逻辑运算： &(且)， | (或) >(x>3) & (x<5) 判断是否全为真值：all(x>0) 判断是否有真值：any(x>3) 判断每个元素是否为缺失：is.na(c(1,NA,3))
∗ 一维变量的例子： ∗ boxplot(Weight) ∗ 也可以绘制并排盒形图： ∗ fit1=lm(Weight ~ Height) ∗ p1=predict(fit1,cl) ∗ boxplot(list("体重"=Weight, "预报"=p1))
函数qqnorm()
∗ qq图是一种用来观测数据是否服从正态分布的图 形，如果一组数据的qq图近似于一条直线，则可以 认为数据服从正态分布，在R中我们使用函数 qqnorm()与qqline()来绘制qq图
∗ 一个例子： ∗ plot(density(Height), main="Height density") ∗ 我们也可以在直方图上加上密度函数 ∗ h1=hist(Height, prob=T)$density ∗ h2=density(Height) ∗ hist(Height, prob=T, ylim=range(h1,h2$y)) ∗ lines(h2)