R语言︱基本函数、统计量、常用操作函数
先言：R语言常用界面操作
帮助：help(nnet) = ?nnet =??nnet
清除命令框中所有显示内容：Ctrl+L
清除R空间中内存变量：rm(list=ls())、gc()
获取或者设置当前工作目录：getwd、setwd
保存指定文件或者从磁盘中读取出来：save、load
读入、读出文件：read.table、wirte.table、read.csv、write.csv
1、一些简单的基本统计量
#基本统计量
sum/mean/sd/min #一些基本统计量
which.min() #找出最小值的序号
以上是单数列，如果是多变量下的呢？
#多元数据
colMeans() #每列,row是行（横向）
colnames() #列名
colSums() #列求和
cov() #协方差阵
cor() #相关矩阵
cor.test() #相关系数
| abs | 绝对值 |
| sqrt | 平方根 |
| exp | e^x次方 |
| log | 自然对数 |
| log2,log10 | 其他对数 |
| sin,cos,tan | 三角函数 |
| sinh,cosh,tanh | 双曲函数 |
| poly | 正交多项式 |
| polyroot | 多项式求根 |
对象操作：
| assign | 赋值操作，等同于“<-” |
| rm | 删除对象 |
| ls | 显示内存中的对象 |
| str | 显示对象的内在属性或简要说明对象 |
| ls.str | 展示内存中所有对象的详细信息 |
| length | 返回对象中元素的个数 |
| names | 显示数据的名称，对于数据框则是列名字 |
| levels | 因子向量的水平 |
| dim | 数据的维度 |
| nrow | 矩阵或数据框的行数 |
| ncol | 列数 |
| rownames | 数据的行名字 |
| colnames | 列名字 |
| class | 数据类型 |
| mode | 数据模式 |
| head | 数据的前n行 |
| tail | 数据的后n行 |
| summary | 显示对象的概要 |
| attr | x的属性类型 |
| |
|
| is.na | 检测变量的类型 |
| is.null | |
| is.array | |
| is.data.frame | |
| is.numeric | |
| is.complex | |
| is.character |
简单统计：
| max | 最大元素 |
| min | 最小元素 |
| range | 最小值和最大值组成的向量 |
| sum | 和 |
| prod | 元素连乘 |
| pmax | 向量间相同下标进行比较最大者，并组成新的向量 |
| pmin | 向量间相同下标进行比较最小者，并组成新的向量 |
| cumsum | 累积求和 |
| cumprod | 连乘 |
| cummax | 最大 |
| cummin | 最小 |
| mean | 均值 |
| weighted,mean | 加权平均数 |
| median | 中位数 |
| sd | 标准差 |
| norm | 正态分布 |
| f | F分布 |
| unif | 均匀分布 |
| cauchy | 柯西分布 |
| binom | 二项分布 |
| geom | 几何分布 |
| chisq.test | 卡方检验，进行独立性检验 |
| prop.test | 对总体均值进行假设检验 |
| shapiro.test | 正态分布检验 |
| t.test | T检验，对总体均值进行区间估计 |
| aov | 方差分析 |
| anova | 一个或多个模型对象的方差分析 |
2、向量
向量在循环语句中较为广泛
#向量
#向量在循环语句中较为广泛
M=vector(length = 8);M #生成一个长为8的布尔向量
M[1]="1";M #赋值之后就会定义为字符
M[1]=1;M #赋值之后，定义为数值逻辑向量使用
y[y < 0] <- -y[y < 0] #表示将向量(-y)中 与向量y的负元素对应位置的元素 赋值给 向量y中 与向量y负元素对应的元素。作用相当于： y <- abs(y)
3、数据储存形式
#数据储存形式
data.frame(wi=iris,ci=cars) #数据框形式，可以直接定义变量名
list(wi=iris,ci=cars) #list，也可以直接定义变量名注意：attach()、detach()
可以将数据框中的变量释放到Rs内存中，然后就可以直接调用。
attach(iris)
names(setosa)
detach(iris)在data.frame中，是可以实现数据集重命名的，比如data.frame(x=iris,y=cars)，
也可以实现横向、纵向重命名，data.frame(x=iris,y=cars,row.names=iris)
4、数据查看函数——names、str、unique组合、typeof()、mode()、class()
##数据查看函数
names(iris) #查看所有变量名字
str(iris) #变量属性（int整数,num数值）
unique(iris$setosa) #查看分类变量的水平
table(iris$setosa) #分类水平，不同水平的个数（=unique+sum功能）
summary(iris) #所有变量各自的均值、分位数、众数、最大、最小值等统计量，在回归中就是系数表等
attributes(iris) #包括names（变量名）、row.names（序号的名称）、class(数据形式)一般names、str、unique会组合使用。
如何查看数据类型——typeof()、mode()、class()的区别？
从精细度上说，typeof>mode>class.
5、矩阵的基本知识与注意
#矩阵的基本知识
t() #转置
det() #行列式，方阵
x%*%y #向量内积
x%o%y#向量外积
A=array(1:9,dim=c(3,3))
A*A #这个代表矩阵内两两子元素相乘
A%*%A #才是我们想要的结果
crossprod(A,A) #等于t(A)%*%A
crossprod(t(A),A) #等于A%*%A，所以需要t（A）一下
| t | 矩阵转置 |
| rowsum | 行求和 |
| colsum | 列求和 |
| rowmeans | 行平均 |
| colmeans | 列平均 |
| solve | 对线性方程求解或求矩阵的逆 |
| diag | 对角阵 |
6、因子
##因子（≈文本+数字的组合）
#SPSS中值标签定义有异曲同工之妙
M=factor(iris$setosa,levels=c(1,0),labels=c("M","F"));M #能够转化因子格式+定义值标签
M=as.factor(iris$setosa);M #上面的函数更有效，因为as.factor只能转化成因子格式7、输入输出
| library | 加载包 |
| data | 加载制定数据集 |
| load | 加载save或者save.image保存的数据 |
| read.table | 读取表格 |
| read.csv | 读取以逗号分割的表格 |
| read.delim | 读取以tab分割个表格 |
| read.fwf | 以fixed width formatted 形式读取数据至表格 |
| save | 二进制保存指定对象 |
| save.image | 二进制保存当前线程内所有对象 |
| write.table | 将数据以表格形式写入文本 |
| write.csv | 将数据以CSV表格形式写入文本 |
| cat | 强制转化为字符后输出 |
| sink | 输出转向到指定文件 |
| 输出屏幕 | |
| format | 格式化 |
8、逻辑运算
| !x | 逻辑非 |
| x & y | 逻辑与 |
| x && y | 逻辑与（仅匹配并返回第一个值） |
| x | y | 逻辑或 |
| x || y | 逻辑或（仅返回第一个值） |
| x or (x,y) | 异或 |