利用周末学R语言 (1) - RStudio,helloworld,数据类型与获取数据

因为工作需要使用R语言,利用周末了解,记录这些属于R的周末
本系列每周末更新,不断修改中

R介绍

• 开源的,源于S语言的,主要用于统计计算和作图的语言.
• 优势: 简单易学,轻量,不同系统上兼容性好,包多,有RStudio这个优秀的IDE
• 劣势: 速度较慢,包质量参差不齐,数据量大的时候性能不好,在深度学习领域缺乏包

R安装

• R官网
• R-3.4.3-win下载链接
• 安装即可
• RStudio官网
• 下载链接
• 安装即可

RStudio使用

• RStudio界面
  打开RStudio,左下console是控制台;左上是脚本输入界面;右上是工具栏,分别是环境,历史和连接;右下是多功能台,分别是files:查看文件,plots:显示图型,packages:当前下载和加载的包,help:帮助栏,viewer:数据预览.
  
• 定制R环境

# 每次执行R时会自动运行的命令，在以下文件中设置
# path="C:/Program Files/R/R-3.3.2/etc/Rprofile.site"
# 运行R时还会载入同目录的.Rprofile文件
# 如果没有还会尝试载入根目录下的.Rprofile文件
# 还可以定义.First函数> 
# .First <- function() {
# options(prompt="$ ", continue="+\t")                      # $ 是提示符
# options(digits=5, length=999)                             # 定制数值和输出格式
# x11()                                                     # 定制图形环境
# par(pch = "+")                                            # 定制数据点的标示符
# source(file.path(Sys.getenv("HOME"), "R", "mystuff.R"))   # 个人编写的函数
# library(MASS)                                             # 导入包
# }
# 类似的是，如果定义了函数.Last()，它(常常)会在对话结束时执行。

Hello World!

• 完成你的第一个R语言数据分析,本章的示例代码多借鉴于 R in action
• 输入以下代码并运行

#这是一行注释
if(FALSE){
  这是
  多行注释
}
age <- c(1,3,5,2,11)
weight <- c(4.4,5.3,7.2,5.2,8.5)
mean(weight)
sd(weight)
cor(age,weight)
plot(age,weight)

控制台和多功能台会输入以下内容

> mean(weight)
[1] 6.12
> sd(weight)
[1] 1.681368
> cor(age,weight)
[1] 0.9561134

和图形

数据类型

向量

a <- c(1,2,3,4,5)
a[c(1)]
# 输出 1

a[c(1,2)]
# 输出 1 2

a[c(2:4)]
# 输出 2 3 4

矩阵

• 矩阵基础

rnames <- c('r1','r2')
cnames <- c('c1','c2')
cells <- c(11,12,21,22)
mymatrix <- matrix(cells,nrow=2,ncol=2,byrow=TRUE,
                   dimnames=list(rnames,cnames))
mymatrix
# 输出
#    c1 c2
# r1 11 12
# r2 21 22

# byrow默认为FALSE
# 不指定rname和cname则为数字索引

mymatrix[2,]
# 输出
# c1 c2 
# 21 22 

mymatrix[,2]
# 输出
# r1 r2 
# 12 22 

mymatrix[2,2]
# 输出
# 22

mymatrix[2,c(1,2)]
# 输出
# c1 c2 
# 21 22 

• 矩阵工具
• 外积(矩阵/数组)

a <- matrix(c(1,2,3,4),nrow=2,ncol=2,byrow=TRUE)
b <- matrix(c(2,4,6,8),nrow=2,ncol=2,byrow=TRUE)
# 外积可以通过特别的操作符%o%实现
print(a %o% b)
# 或者使用outer函数
# print(outer(a,b))

输出

, , 1, 1

     [,1] [,2]
[1,]    2    4
[2,]    6    8

, , 2, 1

     [,1] [,2]
[1,]    6   12
[2,]   18   24

, , 1, 2

     [,1] [,2]
[1,]    4    8
[2,]   12   16

, , 2, 2

     [,1] [,2]
[1,]    8   16
[2,]   24   32

• 矩阵相乘

print(a %*% b)
# crossprod等同于t(a) %*% b,矢积
print(crossprod(a,b))
# 生成对角矩阵
print(diag(c(1,2,3,4)))
# 返回对角元素
print(diag(diag(c(1,2,3,4))))
# 生成空矩阵
print(diag(4))

输出

     [,1] [,2]
[1,]   14   20
[2,]   30   44
     [,1] [,2]
[1,]   20   28
[2,]   28   40
     [,1] [,2] [,3] [,4]
[1,]    1    0    0    0
[2,]    0    2    0    0
[3,]    0    0    3    0
[4,]    0    0    0    4
[1] 1 2 3 4
     [,1] [,2] [,3] [,4]
[1,]    1    0    0    0
[2,]    0    1    0    0
[3,]    0    0    1    0
[4,]    0    0    0    1

• 行数列数

d <- matrix(c(1:12),nrow=3,ncol=4,byrow=TRUE)
print(d)
print(nrow(d))
print(ncol(d))

返回

     [,1] [,2] [,3] [,4]
[1,]    1    2    3    4
[2,]    5    6    7    8
[3,]    9   10   11   12
[1] 3
[1] 4

• 求解线性方程

# solve(矩阵积,其中一个矩阵)

• 求逆

# slove(矩阵)

• 有待添加的部分,来自R导论p41*

# 特征值和特征向量
# 奇异值分解和行列式
# 最小二乘法拟合和QR 分解
# 用cbind() 和rbind() 构建分块矩阵
# 对数组实现连接操作的函数c()
# 因子的频率表

数组

# 高维矩阵
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
# 输出
# , , 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

数据框

id <- c(1,2,3,4)
age <- c(25,34,28,52)
diabetes <- c("type1", "type2", "type1", "type2")
status <- c("poor","improved","excellent","poor")
patientdata <- data.frame(id,age,diabetes,status)
patientdata
# 输出
#   id age diabetes    status
# 1  1  25    type1      poor
# 2  2  34    type2  improved
# 3  3  28    type1 excellent
# 4  4  52    type2      poor

# 选取行
patientdata[,1]
patientdata[,1:2]
patientdata[,c(1,3)]

# 选取列
patientdata[1]
patientdata[1:2]
patientdata[c(1,3)]
patientdata["age"]
patientdata[c("age","status")]
patientdata$status
table(patientdata$status,patientdata$age)

# 选取值
patientdata[1,2]
patientdata[1:2,1:2]
patientdata[c(1,3),c(1,3)]

# 符合数据框限制的列表可被函数as.data.frame() 强制转换成数据框
# as.data.frame(d)

因子(类似字典)

• 无序因子

diabetes <- c("type1", "type2", "type1", "type2")
diabetes <- factor(diabetes)
diabetes

type1 type2 type1 type2
Levels: type1 type2

• 有序因子

status <- c("poor","improved","excellent","poor")
status <- factor(status, order=TRUE, levels = c("poor","improved","excellent"))
status

poor improved excellent poor
Levels: poor < improved < excellent

• 因子的使用

state <- c("tas", "sa", "qld", "nsw", "nsw", "nt", "wa", "wa",
"qld", "vic", "nsw", "vic", "qld", "qld", "sa", "tas",
"sa", "nt", "wa", "vic", "qld", "nsw", "nsw", "wa",
"sa", "act", "nsw", "vic", "vic", "act")
statef <- factor(state)
# statef 是 因子
# print与直接输出对象,会有格式差异
print(statef)

[1] tas sa qld nsw nsw nt wa wa qld vic nsw vic qld qld sa tas sa nt wa
[20] vic qld nsw nsw wa sa act nsw vic vic act
Levels: act nsw nt qld sa tas vic wa

print(levels(statef))

[1] “act” “nsw” “nt” “qld” “sa” “tas” “vic” “wa”

incomes <- c(60, 49, 40, 61, 64, 60, 59, 54, 62, 69, 70, 42, 56,
61, 61, 61, 58, 51, 48, 65, 49, 49, 41, 48, 52, 46,
59, 46, 58, 43)
print(incomes)

[1] 60 49 40 61 64 60 59 54 62 69 70 42 56 61 61 61 58 51 48 65 49 49 41 48 52
[26] 46 59 46 58 43
- 不同state的平均income

incmeans <- tapply(incomes, statef, mean)
print(incmeans)

act      nsw       nt      qld       sa      tas      vic       wa   
44.50000 57.33333 55.50000 53.60000 55.00000 60.50000 56.00000 52.25000 

- 不同state的income的sd

incster <- tapply(incomes, statef, sd)
print(incster)

   act        nsw         nt        qld         sa        tas        vic 
2.1213203 10.5577775  6.3639610  9.1815031  5.4772256  0.7071068 11.7260394 
    wa 
5.3150729 

- 不同state的income的95%置信区间(使用正态分布)

test <- function (x,perc) (c(mean(x)-qnorm(perc)*sd(x),
                     mean(x)+qnorm(perc)*sd(x)))
inctest <- tapply(incomes, statef, test, .95)
print(head(inctest))

$act
[1] 41.01074 47.98926

$nsw
[1] 39.96733 74.69933

$nt
[1] 45.03222 65.96778

$qld
[1] 38.49777 68.70223

$sa
[1] 45.99077 64.00923

$tas
[1] 59.33691 61.66309

• 有序因子2

print(ordered(state))

[1] tas sa qld nsw nsw nt wa wa qld vic nsw vic qld qld sa tas sa nt wa
[20] vic qld nsw nsw wa sa act nsw vic vic act
Levels: act < nsw < nt < qld < sa < tas < vic < wa

列表

# 可放入各种类型的数据,可以命名,使用[[]]访问
g <- "my list"
h <- c(25,26,18,39)
j <- matrix(1:10,nrow=5)
k <- c("one","two","three")
mylist <- list(title=g, age=h, j, k)
mylist
# 输出
# $title
# [1] "my list"
# $age
# [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"

其他

• 绑定,解绑和with

# 绑定数据框
attach(data)
# 解绑数据框
detach(date)
# with数据框
with(data, {
#语句
#<- 赋值局域变量
#<<- 赋值全局变量
})

• 实例标识符(行名,index列),在定义时指定

row.names=XXX

常用数据对象处理函数

函数	用途
length(object)	显示对象中元素/成分的数量
dim(object)	显示某个对象的维度
str(object)	显示某个对象的结构
class(object)	显示某个对象的类或类型
mode(object)	显示某个对象的模式
names(object)	显示某对象中各成分的名称
c(object, object,…)	将对象合并入一个向量
cbind(object, object, …)	按列合并对象
rbind(object, object, …)	按行合并对象
head(object)	列出某个对象的开始部分
tail(object)	列出某个对象的最后部分
ls()	显示当前的对象列表
rm(object, object, …)	删除一个或更多个对象。
rm(list = ls())	将删除当前工作环境中的几乎所有对象
newobject (小于号)- edit(object)	在编辑器中编辑对象并另存为newobject
fix(object)	直接在编辑器中编辑对象

导入外部数据

• 访问内置数据

# R 提供了大约100个内置的数据集
# (在包datasets 中)
# 查看内置数据集
# data()

# 可以直接访问
print(head(islands))

• 读取文本文件

df1 <- read.table("test.txt", sep="\t",
                 header = TRUE, row.names = "id")
# 读取用tab分隔,第一行是变量名的test.txt文件生成数据框,并将id列作为标识符
df1
# 输出
#   name age salary
# 1  ann  18   2000
# 2  bob  20   3000
# 3 cand  21   4000
# 4 done  17   5000
# 5 elle  28   3500

# 用逗号分隔就可以读取CSV文件了

• 读取excel

# 国内可选择使用清华源
options(repos=structure(c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")))
# install.packages("readxl")
# 显示sheet名
excel_sheets("test.xlsx")
# 读取excel
df2 <- read_excel("test.xlsx",sheet = "test1")
# sheet可指定名字或者位置
# 可限定需要读取的cell,使用以下参数
# n_max = 3, range = cell_rows(1:4)/ cell_cols("B:D")/ "C1:E4"
# na = "xxx" # 将xxx作为na
df2
# 输出
# # A tibble: 5 x 4
#      id name    age salary
#       
# 1    1. ann     18.  2000.
# 2    2. bob     20.  3000.
# 3    3. cand    21.  4000.
# 4    4. done    17.  5000.
# 5    5. elle    28.  3500.

• 连接数据库,以MySQL为例

1.在mysql中建立test数据库中的test表,如下所示

mysql> use test;
Database changed

mysql> select * from test;
+----+------+-----+--------+
| id | name | age | salary |
+----+------+-----+--------+
|  1 | ann  |  18 |   2000 |
|  2 | bob  |  20 |   3000 |
|  3 | cand |  21 |   4000 |
|  4 | done |  17 |   5000 |
|  5 | elle |  28 |   3500 |
+----+------+-----+--------+
5 rows in set (0.00 sec)

2.安装RMySQL

install.packages("RMySQL")

3.连接数据库

library(RMySQL)  
con <- dbConnect(MySQL(), host="localhost", dbname="test",
user="root", password="Sqq123456!")
# linux用户可在~/.my.cnf文件中添加
# [test]
# user = 用户名
# password = 密码
# host = host
# database = 数据库
# 可使用以下语句快速连接
# con <- dbConnect(MySQL(), group="test")

4.导入数据

dbListTables(con)
# 输出
# "test"
dbListFields(con, "test")
# 输出
# "id"     "name"   "age"    "salary"
df3 = dbReadTable(con, "test")
df3
# 输出
# id name age salary
# 1  1  ann  18   2000
# 2  2  bob  20   3000
# 3  3 cand  21   4000
# 4  4 done  17   5000
# 5  5 elle  28   3500

5.使用SQL语句

res <- dbSendQuery(con, "SELECT * FROM test WHERE id = 2")
dbFetch(res)
# 输出
#   id name age salary
# 1  2  bob  20   3000
dbClearResult(res)
# 输出
# TRUE

6.分块读取数据

res <- dbSendQuery(con, "SELECT * FROM test")
while(!dbHasCompleted(res)){
  chunk <- dbFetch(res, n = 2)
  print(chunk)
}
# 输出
#   id name age salary
# 1  1  ann  18   2000
# 2  2  bob  20   3000
#   id name age salary
# 1  3 cand  21   4000
# 2  4 done  17   5000
#   id name age salary
# 1  5 elle  28   3500
dbClearResult(res)
# 输出
# TRUE

7.断开连接

dbDisconnect(con)
# 输出
# TRUE

利用周末学R语言-系列地址

利用周末学R语言 (1) - RStudio,helloworld,数据类型与获取数据
利用周末学R语言 (2) - 画图
利用周末学R语言 (3) - 数据处理
利用周末学R语言 (4) - 控制流,函数,面向对象
统计建模等更多内容见 github.com/nightttt7/Rweekends

• 因jupyter notebook格式更适合展示,新内容将只放在github上,旧内容不定时更新