nikang3148

基于tidyverse的R使用指南

`tidyverse`包简介

tidyverse包是一系列常用包，如ggplot2,dplyr,tibble,readr,forcats等包的集合，覆盖数据读取、数据清洗、可视化，可处理因子变量、日期变量、字符串变量。

library(tidyverse)

## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --

## v ggplot2 3.3.3     v purrr   0.3.4
## v tibble  3.1.1     v dplyr   1.0.6
## v tidyr   1.1.3     v stringr 1.4.0
## v readr   1.4.0     v forcats 0.5.1

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

数据读取

长用读取有readr中的read_csv(),以及readxl包中的read_excel函数。使用其它函数读入的数据，可使用as_tibble转换成tibble对象。

# dat <- read_csv("iris.csv")
# dat

head(iris)

##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1          5.1         3.5          1.4         0.2  setosa
## 2          4.9         3.0          1.4         0.2  setosa
## 3          4.7         3.2          1.3         0.2  setosa
## 4          4.6         3.1          1.5         0.2  setosa
## 5          5.0         3.6          1.4         0.2  setosa
## 6          5.4         3.9          1.7         0.4  setosa

iris<-iris %>% as_tibble()

数据预览

iris %>% str()

## tibble[,5] [150 x 5] (S3: tbl_df/tbl/data.frame)
##  $ Sepal.Length: num [1:150] 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
##  $ Sepal.Width : num [1:150] 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
##  $ Petal.Length: num [1:150] 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
##  $ Petal.Width : num [1:150] 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
##  $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

iris %>% glimpse()

## Rows: 150
## Columns: 5
## $ Sepal.Length  5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4.4, 4.9, 5.4, 4.~
## $ Sepal.Width   3.5, 3.0, 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 2.9, 3.1, 3.7, 3.~
## $ Petal.Length  1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1.4, 1.5, 1.5, 1.~
## $ Petal.Width   0.2, 0.2, 0.2, 0.2, 0.2, 0.4, 0.3, 0.2, 0.2, 0.1, 0.2, 0.~
## $ Species       setosa, setosa, setosa, setosa, setosa, setosa, setosa, s~

iris %>% summary()

##   Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
##  Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
##  1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
##  Median :5.800   Median :3.000   Median :4.350   Median :1.300  
##  Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
##  3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
##  Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
##        Species  
##  setosa    :50  
##  versicolor:50  
##  virginica :50  
##                 
##                 
##

iris %>% skimr::skim()

Data summary
Name	Piped data
Number of rows	150
Number of columns	5
_______________________
Column type frequency:
factor	1
numeric	4
________________________
Group variables	None

Variable type: factor

skim_variable	n_missing	complete_rate	ordered	n_unique	top_counts
Species	0	1	FALSE	3	set: 50, ver: 50, vir: 50

Variable type: numeric

skim_variable	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
Sepal.Length	1	5.84	0.83	4.3	5.1	5.80	6.4	7.9	▆▇▇▅▂
Sepal.Width	1	3.06	0.44	2.0	2.8	3.00	3.3	4.4	▁▆▇▂▁
Petal.Length	1	3.76	1.77	1.0	1.6	4.35	5.1	6.9	▇▁▆▇▂
Petal.Width	1	1.20	0.76	0.1	0.3	1.30	1.8	2.5	▇▁▇▅▃

子集选取

行选择

# 行选择
iris %>% head(5)

## # A tibble: 5 x 5
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                   
## 1          5.1         3.5          1.4         0.2 setosa 
## 2          4.9         3            1.4         0.2 setosa 
## 3          4.7         3.2          1.3         0.2 setosa 
## 4          4.6         3.1          1.5         0.2 setosa 
## 5          5           3.6          1.4         0.2 setosa

iris %>% slice(3:5)

## # A tibble: 3 x 5
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                   
## 1          4.7         3.2          1.3         0.2 setosa 
## 2          4.6         3.1          1.5         0.2 setosa 
## 3          5           3.6          1.4         0.2 setosa

行条件选择

iris %>% distinct()

## # A tibble: 149 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                    
##  1          5.1         3.5          1.4         0.2 setosa 
##  2          4.9         3            1.4         0.2 setosa 
##  3          4.7         3.2          1.3         0.2 setosa 
##  4          4.6         3.1          1.5         0.2 setosa 
##  5          5           3.6          1.4         0.2 setosa 
##  6          5.4         3.9          1.7         0.4 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          5           3.4          1.5         0.2 setosa 
##  9          4.4         2.9          1.4         0.2 setosa 
## 10          4.9         3.1          1.5         0.1 setosa 
## # ... with 139 more rows

iris %>% distinct(across(1:2))

## # A tibble: 117 x 2
##    Sepal.Length Sepal.Width
##                  
##  1          5.1         3.5
##  2          4.9         3  
##  3          4.7         3.2
##  4          4.6         3.1
##  5          5           3.6
##  6          5.4         3.9
##  7          4.6         3.4
##  8          5           3.4
##  9          4.4         2.9
## 10          4.9         3.1
## # ... with 107 more rows

iris %>% distinct(across(where(is.numeric), ~round(.x,0)))

## # A tibble: 33 x 4
##    Sepal.Length Sepal.Width Petal.Length Petal.Width
##                                 
##  1            5           4            1           0
##  2            5           3            1           0
##  3            5           3            2           0
##  4            5           4            2           0
##  5            4           3            1           0
##  6            6           4            1           0
##  7            6           4            2           0
##  8            4           2            1           0
##  9            5           4            2           1
## 10            7           3            5           1
## # ... with 23 more rows

iris %>% filter(Sepal.Length>5,Sepal.Width>3.5)

## # A tibble: 16 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species  
##                                      
##  1          5.4         3.9          1.7         0.4 setosa   
##  2          5.4         3.7          1.5         0.2 setosa   
##  3          5.8         4            1.2         0.2 setosa   
##  4          5.7         4.4          1.5         0.4 setosa   
##  5          5.4         3.9          1.3         0.4 setosa   
##  6          5.7         3.8          1.7         0.3 setosa   
##  7          5.1         3.8          1.5         0.3 setosa   
##  8          5.1         3.7          1.5         0.4 setosa   
##  9          5.2         4.1          1.5         0.1 setosa   
## 10          5.5         4.2          1.4         0.2 setosa   
## 11          5.1         3.8          1.9         0.4 setosa   
## 12          5.1         3.8          1.6         0.2 setosa   
## 13          5.3         3.7          1.5         0.2 setosa   
## 14          7.2         3.6          6.1         2.5 virginica
## 15          7.7         3.8          6.7         2.2 virginica
## 16          7.9         3.8          6.4         2   virginica

iris %>% filter(if_any(everything(), ~ !is.na(.x)))

## # A tibble: 150 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                    
##  1          5.1         3.5          1.4         0.2 setosa 
##  2          4.9         3            1.4         0.2 setosa 
##  3          4.7         3.2          1.3         0.2 setosa 
##  4          4.6         3.1          1.5         0.2 setosa 
##  5          5           3.6          1.4         0.2 setosa 
##  6          5.4         3.9          1.7         0.4 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          5           3.4          1.5         0.2 setosa 
##  9          4.4         2.9          1.4         0.2 setosa 
## 10          4.9         3.1          1.5         0.1 setosa 
## # ... with 140 more rows

iris %>% filter(if_all(everything(), ~ !is.na(.x)))

## # A tibble: 150 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                    
##  1          5.1         3.5          1.4         0.2 setosa 
##  2          4.9         3            1.4         0.2 setosa 
##  3          4.7         3.2          1.3         0.2 setosa 
##  4          4.6         3.1          1.5         0.2 setosa 
##  5          5           3.6          1.4         0.2 setosa 
##  6          5.4         3.9          1.7         0.4 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          5           3.4          1.5         0.2 setosa 
##  9          4.4         2.9          1.4         0.2 setosa 
## 10          4.9         3.1          1.5         0.1 setosa 
## # ... with 140 more rows

iris %>% filter(across(everything(), ~ !is.na(.x)))

## # A tibble: 150 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                    
##  1          5.1         3.5          1.4         0.2 setosa 
##  2          4.9         3            1.4         0.2 setosa 
##  3          4.7         3.2          1.3         0.2 setosa 
##  4          4.6         3.1          1.5         0.2 setosa 
##  5          5           3.6          1.4         0.2 setosa 
##  6          5.4         3.9          1.7         0.4 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          5           3.4          1.5         0.2 setosa 
##  9          4.4         2.9          1.4         0.2 setosa 
## 10          4.9         3.1          1.5         0.1 setosa 
## # ... with 140 more rows

iris %>% top_n(Sepal.Length,n=6)

## # A tibble: 6 x 5
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species  
##                                     
## 1          7.6         3            6.6         2.1 virginica
## 2          7.7         3.8          6.7         2.2 virginica
## 3          7.7         2.6          6.9         2.3 virginica
## 4          7.7         2.8          6.7         2   virginica
## 5          7.9         3.8          6.4         2   virginica
## 6          7.7         3            6.1         2.3 virginica

iris %>% slice_tail(n=10)

## # A tibble: 10 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species  
##                                      
##  1          6.7         3.1          5.6         2.4 virginica
##  2          6.9         3.1          5.1         2.3 virginica
##  3          5.8         2.7          5.1         1.9 virginica
##  4          6.8         3.2          5.9         2.3 virginica
##  5          6.7         3.3          5.7         2.5 virginica
##  6          6.7         3            5.2         2.3 virginica
##  7          6.3         2.5          5           1.9 virginica
##  8          6.5         3            5.2         2   virginica
##  9          6.2         3.4          5.4         2.3 virginica
## 10          5.9         3            5.1         1.8 virginica

iris %>% slice_head(n=10)

## # A tibble: 10 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                    
##  1          5.1         3.5          1.4         0.2 setosa 
##  2          4.9         3            1.4         0.2 setosa 
##  3          4.7         3.2          1.3         0.2 setosa 
##  4          4.6         3.1          1.5         0.2 setosa 
##  5          5           3.6          1.4         0.2 setosa 
##  6          5.4         3.9          1.7         0.4 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          5           3.4          1.5         0.2 setosa 
##  9          4.4         2.9          1.4         0.2 setosa 
## 10          4.9         3.1          1.5         0.1 setosa

iris %>% slice_max(Sepal.Length,n=5)

## # A tibble: 5 x 5
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species  
##                                     
## 1          7.9         3.8          6.4         2   virginica
## 2          7.7         3.8          6.7         2.2 virginica
## 3          7.7         2.6          6.9         2.3 virginica
## 4          7.7         2.8          6.7         2   virginica
## 5          7.7         3            6.1         2.3 virginica

iris %>% slice_min(Sepal.Length,n=5)

## # A tibble: 5 x 5
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                   
## 1          4.3         3            1.1         0.1 setosa 
## 2          4.4         2.9          1.4         0.2 setosa 
## 3          4.4         3            1.3         0.2 setosa 
## 4          4.4         3.2          1.3         0.2 setosa 
## 5          4.5         2.3          1.3         0.3 setosa

iris %>% slice_min(Sepal.Length,prop=0.1)

## # A tibble: 16 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                    
##  1          4.3         3            1.1         0.1 setosa 
##  2          4.4         2.9          1.4         0.2 setosa 
##  3          4.4         3            1.3         0.2 setosa 
##  4          4.4         3.2          1.3         0.2 setosa 
##  5          4.5         2.3          1.3         0.3 setosa 
##  6          4.6         3.1          1.5         0.2 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          4.6         3.6          1           0.2 setosa 
##  9          4.6         3.2          1.4         0.2 setosa 
## 10          4.7         3.2          1.3         0.2 setosa 
## 11          4.7         3.2          1.6         0.2 setosa 
## 12          4.8         3.4          1.6         0.2 setosa 
## 13          4.8         3            1.4         0.1 setosa 
## 14          4.8         3.4          1.9         0.2 setosa 
## 15          4.8         3.1          1.6         0.2 setosa 
## 16          4.8         3            1.4         0.3 setosa

iris %>% slice_sample(n=20,replace=T) #随机抽取20个

## # A tibble: 20 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
##                                       
##  1          4.4         3            1.3         0.2 setosa    
##  2          5.5         2.3          4           1.3 versicolor
##  3          6.1         2.9          4.7         1.4 versicolor
##  4          5.9         3            4.2         1.5 versicolor
##  5          6.1         2.8          4           1.3 versicolor
##  6          5.2         2.7          3.9         1.4 versicolor
##  7          6.1         3            4.9         1.8 virginica 
##  8          4.9         2.5          4.5         1.7 virginica 
##  9          6.9         3.2          5.7         2.3 virginica 
## 10          4.4         3            1.3         0.2 setosa    
## 11          5.8         2.8          5.1         2.4 virginica 
## 12          7.1         3            5.9         2.1 virginica 
## 13          5.7         4.4          1.5         0.4 setosa    
## 14          5.1         3.8          1.9         0.4 setosa    
## 15          5.7         3            4.2         1.2 versicolor
## 16          5.5         2.5          4           1.3 versicolor
## 17          6.7         2.5          5.8         1.8 virginica 
## 18          6.7         3            5.2         2.3 virginica 
## 19          6.9         3.1          4.9         1.5 versicolor
## 20          4.8         3.4          1.6         0.2 setosa

列选择

iris %>% select(1,3)

## # A tibble: 150 x 2
##    Sepal.Length Petal.Length
##                   
##  1          5.1          1.4
##  2          4.9          1.4
##  3          4.7          1.3
##  4          4.6          1.5
##  5          5            1.4
##  6          5.4          1.7
##  7          4.6          1.4
##  8          5            1.5
##  9          4.4          1.4
## 10          4.9          1.5
## # ... with 140 more rows

iris %>% select(-c(1,3))

## # A tibble: 150 x 3
##    Sepal.Width Petal.Width Species
##                    
##  1         3.5         0.2 setosa 
##  2         3           0.2 setosa 
##  3         3.2         0.2 setosa 
##  4         3.1         0.2 setosa 
##  5         3.6         0.2 setosa 
##  6         3.9         0.4 setosa 
##  7         3.4         0.3 setosa 
##  8         3.4         0.2 setosa 
##  9         2.9         0.2 setosa 
## 10         3.1         0.1 setosa 
## # ... with 140 more rows

iris %>% select(Sepal.Length:Petal.Length)

## # A tibble: 150 x 3
##    Sepal.Length Sepal.Width Petal.Length
##                          
##  1          5.1         3.5          1.4
##  2          4.9         3            1.4
##  3          4.7         3.2          1.3
##  4          4.6         3.1          1.5
##  5          5           3.6          1.4
##  6          5.4         3.9          1.7
##  7          4.6         3.4          1.4
##  8          5           3.4          1.5
##  9          4.4         2.9          1.4
## 10          4.9         3.1          1.5
## # ... with 140 more rows

iris %>% select(-Sepal.Length:Petal.Length)

## Warning in x:y: numerical expression has 4 elements: only the first used

## # A tibble: 150 x 2
##    Sepal.Width Petal.Length
##                  
##  1         3.5          1.4
##  2         3            1.4
##  3         3.2          1.3
##  4         3.1          1.5
##  5         3.6          1.4
##  6         3.9          1.7
##  7         3.4          1.4
##  8         3.4          1.5
##  9         2.9          1.4
## 10         3.1          1.5
## # ... with 140 more rows

iris %>% select(everything(1:2))

## # A tibble: 150 x 2
##    Sepal.Length Sepal.Width
##                  
##  1          5.1         3.5
##  2          4.9         3  
##  3          4.7         3.2
##  4          4.6         3.1
##  5          5           3.6
##  6          5.4         3.9
##  7          4.6         3.4
##  8          5           3.4
##  9          4.4         2.9
## 10          4.9         3.1
## # ... with 140 more rows

iris %>% select(last_col())

## # A tibble: 150 x 1
##    Species
##      
##  1 setosa 
##  2 setosa 
##  3 setosa 
##  4 setosa 
##  5 setosa 
##  6 setosa 
##  7 setosa 
##  8 setosa 
##  9 setosa 
## 10 setosa 
## # ... with 140 more rows

iris %>% select(last_col(0:2))

## # A tibble: 150 x 3
##    Species Petal.Width Petal.Length
##                     
##  1 setosa          0.2          1.4
##  2 setosa          0.2          1.4
##  3 setosa          0.2          1.3
##  4 setosa          0.2          1.5
##  5 setosa          0.2          1.4
##  6 setosa          0.4          1.7
##  7 setosa          0.3          1.4
##  8 setosa          0.2          1.5
##  9 setosa          0.2          1.4
## 10 setosa          0.1          1.5
## # ... with 140 more rows

列条件选择

# 变量名规则
# starts_with(),ends_with(),contains(),matches("(.)\\1"),num_range("x", 1:3)
iris %>% select(starts_with("S") & ends_with('s'))

## # A tibble: 150 x 1
##    Species
##      
##  1 setosa 
##  2 setosa 
##  3 setosa 
##  4 setosa 
##  5 setosa 
##  6 setosa 
##  7 setosa 
##  8 setosa 
##  9 setosa 
## 10 setosa 
## # ... with 140 more rows

iris %>% select(contains("Length"))

## # A tibble: 150 x 2
##    Sepal.Length Petal.Length
##                   
##  1          5.1          1.4
##  2          4.9          1.4
##  3          4.7          1.3
##  4          4.6          1.5
##  5          5            1.4
##  6          5.4          1.7
##  7          4.6          1.4
##  8          5            1.5
##  9          4.4          1.4
## 10          4.9          1.5
## # ... with 140 more rows

iris %>% select(all_of(c("Sepal.Length","Species")))

## # A tibble: 150 x 2
##    Sepal.Length Species
##              
##  1          5.1 setosa 
##  2          4.9 setosa 
##  3          4.7 setosa 
##  4          4.6 setosa 
##  5          5   setosa 
##  6          5.4 setosa 
##  7          4.6 setosa 
##  8          5   setosa 
##  9          4.4 setosa 
## 10          4.9 setosa 
## # ... with 140 more rows

iris %>% select(any_of(c("Sepal.Length","Species","aaa")))

## # A tibble: 150 x 2
##    Sepal.Length Species
##              
##  1          5.1 setosa 
##  2          4.9 setosa 
##  3          4.7 setosa 
##  4          4.6 setosa 
##  5          5   setosa 
##  6          5.4 setosa 
##  7          4.6 setosa 
##  8          5   setosa 
##  9          4.4 setosa 
## 10          4.9 setosa 
## # ... with 140 more rows

# 数据类型规则
iris %>% select(where(is.numeric))

## # A tibble: 150 x 4
##    Sepal.Length Sepal.Width Petal.Length Petal.Width
##                                 
##  1          5.1         3.5          1.4         0.2
##  2          4.9         3            1.4         0.2
##  3          4.7         3.2          1.3         0.2
##  4          4.6         3.1          1.5         0.2
##  5          5           3.6          1.4         0.2
##  6          5.4         3.9          1.7         0.4
##  7          4.6         3.4          1.4         0.3
##  8          5           3.4          1.5         0.2
##  9          4.4         2.9          1.4         0.2
## 10          4.9         3.1          1.5         0.1
## # ... with 140 more rows

iris %>% select(where(is.factor))

## # A tibble: 150 x 1
##    Species
##      
##  1 setosa 
##  2 setosa 
##  3 setosa 
##  4 setosa 
##  5 setosa 
##  6 setosa 
##  7 setosa 
##  8 setosa 
##  9 setosa 
## 10 setosa 
## # ... with 140 more rows

iris %>% select(where(~ is.factor(.x)))

## # A tibble: 150 x 1
##    Species
##      
##  1 setosa 
##  2 setosa 
##  3 setosa 
##  4 setosa 
##  5 setosa 
##  6 setosa 
##  7 setosa 
##  8 setosa 
##  9 setosa 
## 10 setosa 
## # ... with 140 more rows

iris %>% select(where(~ is.numeric(.x) & mean(.x) > 3.5))

## Warning in mean.default(.x): argument is not numeric or logical: returning NA

## # A tibble: 150 x 2
##    Sepal.Length Petal.Length
##                   
##  1          5.1          1.4
##  2          4.9          1.4
##  3          4.7          1.3
##  4          4.6          1.5
##  5          5            1.4
##  6          5.4          1.7
##  7          4.6          1.4
##  8          5            1.5
##  9          4.4          1.4
## 10          4.9          1.5
## # ... with 140 more rows

排序

根据列数值行排序

sort,rank,order

aa=c(10,4,6,2,8)
sort(aa,decreasing = F)

## [1]  2  4  6  8 10

rank(aa) # 排名位置

## [1] 5 2 3 1 4

order(aa) # index

## [1] 4 2 3 5 1

iris %>% arrange(Sepal.Length,desc(Sepal.Width))

## # A tibble: 150 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                    
##  1          4.3         3            1.1         0.1 setosa 
##  2          4.4         3.2          1.3         0.2 setosa 
##  3          4.4         3            1.3         0.2 setosa 
##  4          4.4         2.9          1.4         0.2 setosa 
##  5          4.5         2.3          1.3         0.3 setosa 
##  6          4.6         3.6          1           0.2 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          4.6         3.2          1.4         0.2 setosa 
##  9          4.6         3.1          1.5         0.2 setosa 
## 10          4.7         3.2          1.3         0.2 setosa 
## # ... with 140 more rows

iris %>% arrange(across(everything(), desc))

## # A tibble: 150 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species  
##                                      
##  1          7.9         3.8          6.4         2   virginica
##  2          7.7         3.8          6.7         2.2 virginica
##  3          7.7         3            6.1         2.3 virginica
##  4          7.7         2.8          6.7         2   virginica
##  5          7.7         2.6          6.9         2.3 virginica
##  6          7.6         3            6.6         2.1 virginica
##  7          7.4         2.8          6.1         1.9 virginica
##  8          7.3         2.9          6.3         1.8 virginica
##  9          7.2         3.6          6.1         2.5 virginica
## 10          7.2         3.2          6           1.8 virginica
## # ... with 140 more rows

iris %>% arrange(across(starts_with("Sepal"),desc))

## # A tibble: 150 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species  
##                                      
##  1          7.9         3.8          6.4         2   virginica
##  2          7.7         3.8          6.7         2.2 virginica
##  3          7.7         3            6.1         2.3 virginica
##  4          7.7         2.8          6.7         2   virginica
##  5          7.7         2.6          6.9         2.3 virginica
##  6          7.6         3            6.6         2.1 virginica
##  7          7.4         2.8          6.1         1.9 virginica
##  8          7.3         2.9          6.3         1.8 virginica
##  9          7.2         3.6          6.1         2.5 virginica
## 10          7.2         3.2          6           1.8 virginica
## # ... with 140 more rows

列排序

iris %>% select(Species, everything())

## # A tibble: 150 x 5
##    Species Sepal.Length Sepal.Width Petal.Length Petal.Width
##                                    
##  1 setosa           5.1         3.5          1.4         0.2
##  2 setosa           4.9         3            1.4         0.2
##  3 setosa           4.7         3.2          1.3         0.2
##  4 setosa           4.6         3.1          1.5         0.2
##  5 setosa           5           3.6          1.4         0.2
##  6 setosa           5.4         3.9          1.7         0.4
##  7 setosa           4.6         3.4          1.4         0.3
##  8 setosa           5           3.4          1.5         0.2
##  9 setosa           4.4         2.9          1.4         0.2
## 10 setosa           4.9         3.1          1.5         0.1
## # ... with 140 more rows

iris %>% relocate(Species)

## # A tibble: 150 x 5
##    Species Sepal.Length Sepal.Width Petal.Length Petal.Width
##                                    
##  1 setosa           5.1         3.5          1.4         0.2
##  2 setosa           4.9         3            1.4         0.2
##  3 setosa           4.7         3.2          1.3         0.2
##  4 setosa           4.6         3.1          1.5         0.2
##  5 setosa           5           3.6          1.4         0.2
##  6 setosa           5.4         3.9          1.7         0.4
##  7 setosa           4.6         3.4          1.4         0.3
##  8 setosa           5           3.4          1.5         0.2
##  9 setosa           4.4         2.9          1.4         0.2
## 10 setosa           4.9         3.1          1.5         0.1
## # ... with 140 more rows

iris %>% relocate(ends_with("Width"))

## # A tibble: 150 x 5
##    Sepal.Width Petal.Width Sepal.Length Petal.Length Species
##                                    
##  1         3.5         0.2          5.1          1.4 setosa 
##  2         3           0.2          4.9          1.4 setosa 
##  3         3.2         0.2          4.7          1.3 setosa 
##  4         3.1         0.2          4.6          1.5 setosa 
##  5         3.6         0.2          5            1.4 setosa 
##  6         3.9         0.4          5.4          1.7 setosa 
##  7         3.4         0.3          4.6          1.4 setosa 
##  8         3.4         0.2          5            1.5 setosa 
##  9         2.9         0.2          4.4          1.4 setosa 
## 10         3.1         0.1          4.9          1.5 setosa 
## # ... with 140 more rows

数据整理

列改名

iris %>% rename(Sepal_Length=Sepal.Length)

## # A tibble: 150 x 5
##    Sepal_Length Sepal.Width Petal.Length Petal.Width Species
##                                    
##  1          5.1         3.5          1.4         0.2 setosa 
##  2          4.9         3            1.4         0.2 setosa 
##  3          4.7         3.2          1.3         0.2 setosa 
##  4          4.6         3.1          1.5         0.2 setosa 
##  5          5           3.6          1.4         0.2 setosa 
##  6          5.4         3.9          1.7         0.4 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          5           3.4          1.5         0.2 setosa 
##  9          4.4         2.9          1.4         0.2 setosa 
## 10          4.9         3.1          1.5         0.1 setosa 
## # ... with 140 more rows

行计数

count()

iris %>% count()

## # A tibble: 1 x 1
##       n
##   
## 1   150

iris %>% tally()

## # A tibble: 1 x 1
##       n
##   
## 1   150

iris %>% count(Species,Sepal.Length,sort=T)

## # A tibble: 57 x 3
##    Species    Sepal.Length     n
##                  
##  1 setosa              5       8
##  2 setosa              5.1     8
##  3 virginica           6.3     6
##  4 setosa              4.8     5
##  5 setosa              5.4     5
##  6 versicolor          5.5     5
##  7 versicolor          5.6     5
##  8 versicolor          5.7     5
##  9 virginica           6.4     5
## 10 virginica           6.7     5
## # ... with 47 more rows

计算新值

mutate()，transmute()

iris %>% mutate(delta=Sepal.Length-Petal.Length)

## # A tibble: 150 x 6
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species delta
##                                     
##  1          5.1         3.5          1.4         0.2 setosa    3.7
##  2          4.9         3            1.4         0.2 setosa    3.5
##  3          4.7         3.2          1.3         0.2 setosa    3.4
##  4          4.6         3.1          1.5         0.2 setosa    3.1
##  5          5           3.6          1.4         0.2 setosa    3.6
##  6          5.4         3.9          1.7         0.4 setosa    3.7
##  7          4.6         3.4          1.4         0.3 setosa    3.2
##  8          5           3.4          1.5         0.2 setosa    3.5
##  9          4.4         2.9          1.4         0.2 setosa    3  
## 10          4.9         3.1          1.5         0.1 setosa    3.4
## # ... with 140 more rows

iris %>% transmute(delta=Sepal.Length-Petal.Length)

## # A tibble: 150 x 1
##    delta
##    
##  1   3.7
##  2   3.5
##  3   3.4
##  4   3.1
##  5   3.6
##  6   3.7
##  7   3.2
##  8   3.5
##  9   3  
## 10   3.4
## # ... with 140 more rows

iris %>% mutate(across(c(1:2),~.x/2,.names="new.{.col}"))

## # A tibble: 150 x 7
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species new.Sepal.Length
##                                                
##  1          5.1         3.5          1.4         0.2 setosa              2.55
##  2          4.9         3            1.4         0.2 setosa              2.45
##  3          4.7         3.2          1.3         0.2 setosa              2.35
##  4          4.6         3.1          1.5         0.2 setosa              2.3 
##  5          5           3.6          1.4         0.2 setosa              2.5 
##  6          5.4         3.9          1.7         0.4 setosa              2.7 
##  7          4.6         3.4          1.4         0.3 setosa              2.3 
##  8          5           3.4          1.5         0.2 setosa              2.5 
##  9          4.4         2.9          1.4         0.2 setosa              2.2 
## 10          4.9         3.1          1.5         0.1 setosa              2.45
## # ... with 140 more rows, and 1 more variable: new.Sepal.Width

iris %>% mutate(across(.cols=where(is.numeric),.fns=list(log=log,abs=abs),.names="{.fn}_{.col}"))

## # A tibble: 150 x 13
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species log_Sepal.Length
##                                                
##  1          5.1         3.5          1.4         0.2 setosa              1.63
##  2          4.9         3            1.4         0.2 setosa              1.59
##  3          4.7         3.2          1.3         0.2 setosa              1.55
##  4          4.6         3.1          1.5         0.2 setosa              1.53
##  5          5           3.6          1.4         0.2 setosa              1.61
##  6          5.4         3.9          1.7         0.4 setosa              1.69
##  7          4.6         3.4          1.4         0.3 setosa              1.53
##  8          5           3.4          1.5         0.2 setosa              1.61
##  9          4.4         2.9          1.4         0.2 setosa              1.48
## 10          4.9         3.1          1.5         0.1 setosa              1.59
## # ... with 140 more rows, and 7 more variables: abs_Sepal.Length ,
## #   log_Sepal.Width , abs_Sepal.Width , log_Petal.Length ,
## #   abs_Petal.Length , log_Petal.Width , abs_Petal.Width

汇总

group_by,summarise

iris %>% group_by(Species) %>% tally()

## # A tibble: 3 x 2
##   Species        n
##         
## 1 setosa        50
## 2 versicolor    50
## 3 virginica     50

iris %>% group_by(Species) %>% summarise(n=n(),
                                         first=first(Sepal.Length),
                                         max=max(Sepal.Length)
                                         )

## # A tibble: 3 x 4
##   Species        n first   max
##           
## 1 setosa        50   5.1   5.8
## 2 versicolor    50   7     7  
## 3 virginica     50   6.3   7.9

iris %>% group_by(Species) %>% 
  summarise(n=n(),mean_Sepal.Length=mean(Sepal.Length)) %>% 
  arrange(mean_Sepal.Length)

## # A tibble: 3 x 3
##   Species        n mean_Sepal.Length
##                      
## 1 setosa        50              5.01
## 2 versicolor    50              5.94
## 3 virginica     50              6.59

iris %>% group_by(Species) %>% 
  summarise(n=n(),mean_Sepal.Length=mean(Sepal.Length)) %>% 
  arrange(desc(mean_Sepal.Length)) %>% 
  filter(rank(desc(mean_Sepal.Length))<3)

## # A tibble: 2 x 3
##   Species        n mean_Sepal.Length
##                      
## 1 virginica     50              6.59
## 2 versicolor    50              5.94

iris %>% group_by(Species) %>% 
  summarise(n=n(),across(where(is.numeric),list(mean=mean,se=~sd(.x)/sqrt(n)),.names="{.fn}_{.col}"))

## # A tibble: 3 x 12
##   Species     n mean_Sepal.Leng~ se_Sepal.Length mean_Sepal.Width se_Sepal.Width
##                                                   
## 1 setosa     50             5.01          0.0498             3.43         0.0536
## 2 versic~    50             5.94          0.0730             2.77         0.0444
## 3 virgin~    50             6.59          0.0899             2.97         0.0456
## # ... with 6 more variables: mean_Petal.Length , se_Petal.Length ,
## #   mean_Petal.Width , se_Petal.Width , mean_n , se_n

连接join

iris1 <- iris %>% select(1,5) %>% slice(c(1,52:53))
iris2 <- iris %>% select(2,5) %>% slice(c(53,105:107))
iris1

## # A tibble: 3 x 2
##   Sepal.Length Species   
##                
## 1          5.1 setosa    
## 2          6.4 versicolor
## 3          6.9 versicolor

iris2

## # A tibble: 4 x 2
##   Sepal.Width Species   
##               
## 1         3.1 versicolor
## 2         3   virginica 
## 3         3   virginica 
## 4         2.5 virginica

iris1 %>% left_join(iris2) #keep x

## Joining, by = "Species"

## # A tibble: 3 x 3
##   Sepal.Length Species    Sepal.Width
##                       
## 1          5.1 setosa            NA  
## 2          6.4 versicolor         3.1
## 3          6.9 versicolor         3.1

iris1 %>% right_join(iris2) # keep y

## Joining, by = "Species"

## # A tibble: 5 x 3
##   Sepal.Length Species    Sepal.Width
##                       
## 1          6.4 versicolor         3.1
## 2          6.9 versicolor         3.1
## 3         NA   virginica          3  
## 4         NA   virginica          3  
## 5         NA   virginica          2.5

iris1 %>% inner_join(iris2) # keep x & y

## Joining, by = "Species"

## # A tibble: 2 x 3
##   Sepal.Length Species    Sepal.Width
##                       
## 1          6.4 versicolor         3.1
## 2          6.9 versicolor         3.1

iris1 %>% full_join(iris2) # both keep

## Joining, by = "Species"

## # A tibble: 6 x 3
##   Sepal.Length Species    Sepal.Width
##                       
## 1          5.1 setosa            NA  
## 2          6.4 versicolor         3.1
## 3          6.9 versicolor         3.1
## 4         NA   virginica          3  
## 5         NA   virginica          3  
## 6         NA   virginica          2.5

iris1 %>% semi_join(iris2,by=c("Species"="Species")) # return x match y

## # A tibble: 2 x 2
##   Sepal.Length Species   
##                
## 1          6.4 versicolor
## 2          6.9 versicolor

iris1 %>% anti_join(iris2) # return x wihout match in y

## Joining, by = "Species"

## # A tibble: 1 x 2
##   Sepal.Length Species
##             
## 1          5.1 setosa

集合set操作

iris1 <- iris %>% as_tibble(rownames = "ID") %>% slice(c(1:5,52:55))
iris2 <- iris %>% as_tibble(rownames = "ID") %>% slice(c(3:7,54:57))
iris1

## # A tibble: 9 x 6
##   ID    Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
##                                       
## 1 1              5.1         3.5          1.4         0.2 setosa    
## 2 2              4.9         3            1.4         0.2 setosa    
## 3 3              4.7         3.2          1.3         0.2 setosa    
## 4 4              4.6         3.1          1.5         0.2 setosa    
## 5 5              5           3.6          1.4         0.2 setosa    
## 6 52             6.4         3.2          4.5         1.5 versicolor
## 7 53             6.9         3.1          4.9         1.5 versicolor
## 8 54             5.5         2.3          4           1.3 versicolor
## 9 55             6.5         2.8          4.6         1.5 versicolor

iris2

## # A tibble: 9 x 6
##   ID    Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
##                                       
## 1 3              4.7         3.2          1.3         0.2 setosa    
## 2 4              4.6         3.1          1.5         0.2 setosa    
## 3 5              5           3.6          1.4         0.2 setosa    
## 4 6              5.4         3.9          1.7         0.4 setosa    
## 5 7              4.6         3.4          1.4         0.3 setosa    
## 6 54             5.5         2.3          4           1.3 versicolor
## 7 55             6.5         2.8          4.6         1.5 versicolor
## 8 56             5.7         2.8          4.5         1.3 versicolor
## 9 57             6.3         3.3          4.7         1.6 versicolor

iris1 %>% intersect(iris2) #交集

## # A tibble: 5 x 6
##   ID    Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
##                                       
## 1 3              4.7         3.2          1.3         0.2 setosa    
## 2 4              4.6         3.1          1.5         0.2 setosa    
## 3 5              5           3.6          1.4         0.2 setosa    
## 4 54             5.5         2.3          4           1.3 versicolor
## 5 55             6.5         2.8          4.6         1.5 versicolor

iris1 %>% union(iris2) #并集

## # A tibble: 13 x 6
##    ID    Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
##                                        
##  1 1              5.1         3.5          1.4         0.2 setosa    
##  2 2              4.9         3            1.4         0.2 setosa    
##  3 3              4.7         3.2          1.3         0.2 setosa    
##  4 4              4.6         3.1          1.5         0.2 setosa    
##  5 5              5           3.6          1.4         0.2 setosa    
##  6 52             6.4         3.2          4.5         1.5 versicolor
##  7 53             6.9         3.1          4.9         1.5 versicolor
##  8 54             5.5         2.3          4           1.3 versicolor
##  9 55             6.5         2.8          4.6         1.5 versicolor
## 10 6              5.4         3.9          1.7         0.4 setosa    
## 11 7              4.6         3.4          1.4         0.3 setosa    
## 12 56             5.7         2.8          4.5         1.3 versicolor
## 13 57             6.3         3.3          4.7         1.6 versicolor

iris1 %>% setdiff(iris2)

## # A tibble: 4 x 6
##   ID    Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
##                                       
## 1 1              5.1         3.5          1.4         0.2 setosa    
## 2 2              4.9         3            1.4         0.2 setosa    
## 3 52             6.4         3.2          4.5         1.5 versicolor
## 4 53             6.9         3.1          4.9         1.5 versicolor

合并bind

iris1 <- iris %>% slice(1:5)
iris2 <- iris %>% slice(101:105)
iris1 %>% bind_cols(iris2) #行数要相同

## New names:
## * Sepal.Length -> Sepal.Length...1
## * Sepal.Width -> Sepal.Width...2
## * Petal.Length -> Petal.Length...3
## * Petal.Width -> Petal.Width...4
## * Species -> Species...5
## * ...

## # A tibble: 5 x 10
##   Sepal.Length...1 Sepal.Width...2 Petal.Length...3 Petal.Width...4 Species...5
##                                                       
## 1              5.1             3.5              1.4             0.2 setosa     
## 2              4.9             3                1.4             0.2 setosa     
## 3              4.7             3.2              1.3             0.2 setosa     
## 4              4.6             3.1              1.5             0.2 setosa     
## 5              5               3.6              1.4             0.2 setosa     
## # ... with 5 more variables: Sepal.Length...6 , Sepal.Width...7 ,
## #   Petal.Length...8 , Petal.Width...9 , Species...10

iris1 %>% bind_rows(iris2)

## # A tibble: 10 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species  
##                                      
##  1          5.1         3.5          1.4         0.2 setosa   
##  2          4.9         3            1.4         0.2 setosa   
##  3          4.7         3.2          1.3         0.2 setosa   
##  4          4.6         3.1          1.5         0.2 setosa   
##  5          5           3.6          1.4         0.2 setosa   
##  6          6.3         3.3          6           2.5 virginica
##  7          5.8         2.7          5.1         1.9 virginica
##  8          7.1         3            5.9         2.1 virginica
##  9          6.3         2.9          5.6         1.8 virginica
## 10          6.5         3            5.8         2.2 virginica

pivot_longer/pivot_wider

iris %>% group_by(Species) %>% summarise(across(where(is.numeric),mean)) %>% 
  pivot_longer(where(is.numeric),names_to = "para",values_to = "value")

## # A tibble: 12 x 3
##    Species    para         value
##                  
##  1 setosa     Sepal.Length 5.01 
##  2 setosa     Sepal.Width  3.43 
##  3 setosa     Petal.Length 1.46 
##  4 setosa     Petal.Width  0.246
##  5 versicolor Sepal.Length 5.94 
##  6 versicolor Sepal.Width  2.77 
##  7 versicolor Petal.Length 4.26 
##  8 versicolor Petal.Width  1.33 
##  9 virginica  Sepal.Length 6.59 
## 10 virginica  Sepal.Width  2.97 
## 11 virginica  Petal.Length 5.55 
## 12 virginica  Petal.Width  2.03

iris %>% group_by(Species) %>% summarise(across(where(is.numeric),mean)) %>% 
  pivot_longer(where(is.numeric),names_to = "para",values_to = "value") %>% 
  pivot_wider(names_from = para,values_from = value)

## # A tibble: 3 x 5
##   Species    Sepal.Length Sepal.Width Petal.Length Petal.Width
##                                      
## 1 setosa             5.01        3.43         1.46       0.246
## 2 versicolor         5.94        2.77         4.26       1.33 
## 3 virginica          6.59        2.97         5.55       2.03

unite/separate

iris %>% unite("Sepal",c(1:2),sep="/",remove=F)

## # A tibble: 150 x 6
##    Sepal   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##                                       
##  1 5.1/3.5          5.1         3.5          1.4         0.2 setosa 
##  2 4.9/3            4.9         3            1.4         0.2 setosa 
##  3 4.7/3.2          4.7         3.2          1.3         0.2 setosa 
##  4 4.6/3.1          4.6         3.1          1.5         0.2 setosa 
##  5 5/3.6            5           3.6          1.4         0.2 setosa 
##  6 5.4/3.9          5.4         3.9          1.7         0.4 setosa 
##  7 4.6/3.4          4.6         3.4          1.4         0.3 setosa 
##  8 5/3.4            5           3.4          1.5         0.2 setosa 
##  9 4.4/2.9          4.4         2.9          1.4         0.2 setosa 
## 10 4.9/3.1          4.9         3.1          1.5         0.1 setosa 
## # ... with 140 more rows

iris %>% unite("Sepal",c(1:2),sep="_") %>% 
  separate(Sepal,c("Length","Width"),sep="_",remove=F)

## # A tibble: 150 x 6
##    Sepal   Length Width Petal.Length Petal.Width Species
##                           
##  1 5.1_3.5 5.1    3.5            1.4         0.2 setosa 
##  2 4.9_3   4.9    3              1.4         0.2 setosa 
##  3 4.7_3.2 4.7    3.2            1.3         0.2 setosa 
##  4 4.6_3.1 4.6    3.1            1.5         0.2 setosa 
##  5 5_3.6   5      3.6            1.4         0.2 setosa 
##  6 5.4_3.9 5.4    3.9            1.7         0.4 setosa 
##  7 4.6_3.4 4.6    3.4            1.4         0.3 setosa 
##  8 5_3.4   5      3.4            1.5         0.2 setosa 
##  9 4.4_2.9 4.4    2.9            1.4         0.2 setosa 
## 10 4.9_3.1 4.9    3.1            1.5         0.1 setosa 
## # ... with 140 more rows

ggplot

iris %>% group_by(Species) %>% 
  summarise(n=n(),
            across(ends_with("th"),list(mean=mean,se=~sd(.x)/sqrt(n)),.names="{.fn}_{.col}")) %>% 
  ggplot(aes(x=Species,y=mean_Sepal.Length))+
  geom_col()+
  geom_errorbar(aes(ymin=mean_Sepal.Length,ymax=mean_Sepal.Length+se_Sepal.Length),width=0.4)

建模

iris%>%group_nest(Species)%>%
  mutate(model=map(data,~lm(Sepal.Length~Sepal.Width,data=.x)))%>%
  mutate(rsquare=map2(model,data,predict))

## # A tibble: 3 x 4
##   Species                  data model  rsquare   
##         >      
## 1 setosa               [50 x 4]    
## 2 versicolor           [50 x 4]    
## 3 virginica            [50 x 4]

iris%>%group_by(Species)%>%
  group_map(~ broom::tidy(lm(Sepal.Length~Sepal.Width,data=.x)))

## [[1]]
## # A tibble: 2 x 5
##   term        estimate std.error statistic  p.value
##                           
## 1 (Intercept)    2.64     0.310       8.51 3.74e-11
## 2 Sepal.Width    0.690    0.0899      7.68 6.71e-10
## 
## [[2]]
## # A tibble: 2 x 5
##   term        estimate std.error statistic      p.value
##                               
## 1 (Intercept)    3.54      0.563      6.29 0.0000000907
## 2 Sepal.Width    0.865     0.202      4.28 0.0000877   
## 
## [[3]]
## # A tibble: 2 x 5
##   term        estimate std.error statistic    p.value
##                             
## 1 (Intercept)    3.91      0.757      5.16 0.00000466
## 2 Sepal.Width    0.902     0.253      3.56 0.000843

# 参数
iris%>%group_by(Species)%>%
  group_modify(~ broom::tidy(lm(Sepal.Length~Sepal.Width,data=.x)))

## # A tibble: 6 x 6
## # Groups:   Species [3]
##   Species    term        estimate std.error statistic  p.value
##                                 
## 1 setosa     (Intercept)    2.64     0.310       8.51 3.74e-11
## 2 setosa     Sepal.Width    0.690    0.0899      7.68 6.71e-10
## 3 versicolor (Intercept)    3.54     0.563       6.29 9.07e- 8
## 4 versicolor Sepal.Width    0.865    0.202       4.28 8.77e- 5
## 5 virginica  (Intercept)    3.91     0.757       5.16 4.66e- 6
## 6 virginica  Sepal.Width    0.902    0.253       3.56 8.43e- 4

# 模型评价
iris%>%group_by(Species)%>%
  group_modify(~ broom::glance(lm(Sepal.Length~Sepal.Width,data=.x)))

## # A tibble: 3 x 13
## # Groups:   Species [3]
##   Species    r.squared adj.r.squared sigma statistic  p.value    df logLik   AIC
##                                    
## 1 setosa         0.551         0.542 0.239      59.0 6.71e-10     1   1.73  2.53
## 2 versicolor     0.277         0.262 0.444      18.4 8.77e- 5     1 -29.3  64.6 
## 3 virginica      0.209         0.193 0.571      12.7 8.43e- 4     1 -41.9  89.9 
## # ... with 4 more variables: BIC , deviance , df.residual ,
## #   nobs

# 残差
iris%>%group_by(Species)%>%
  group_modify(~ broom::augment(lm(Sepal.Length~Sepal.Width,data=.x)))

## # A tibble: 150 x 9
## # Groups:   Species [3]
##    Species Sepal.Length Sepal.Width .fitted  .resid   .hat .sigma   .cooksd
##                                    
##  1 setosa           5.1         3.5    5.06  0.0443 0.0207  0.241 0.000373 
##  2 setosa           4.9         3      4.71  0.190  0.0460  0.239 0.0160   
##  3 setosa           4.7         3.2    4.85 -0.149  0.0274  0.240 0.00561  
##  4 setosa           4.6         3.1    4.78 -0.180  0.0353  0.240 0.0107   
##  5 setosa           5           3.6    5.12 -0.125  0.0242  0.240 0.00348  
##  6 setosa           5.4         3.9    5.33  0.0681 0.0516  0.241 0.00234  
##  7 setosa           4.6         3.4    4.99 -0.387  0.0201  0.234 0.0275   
##  8 setosa           5           3.4    4.99  0.0133 0.0201  0.241 0.0000327
##  9 setosa           4.4         2.9    4.64 -0.241  0.0596  0.238 0.0345   
## 10 setosa           4.9         3.1    4.78  0.120  0.0353  0.240 0.00484  
## # ... with 140 more rows, and 1 more variable: .std.resid

model_lm6<-lm(Sepal.Length~Sepal.Width+Petal.Length,data=iris)
summary(model_lm6)

## 
## Call:
## lm(formula = Sepal.Length ~ Sepal.Width + Petal.Length, data = iris)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.96159 -0.23489  0.00077  0.21453  0.78557 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   2.24914    0.24797    9.07 7.04e-16 ***
## Sepal.Width   0.59552    0.06933    8.59 1.16e-14 ***
## Petal.Length  0.47192    0.01712   27.57  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.3333 on 147 degrees of freedom
## Multiple R-squared:  0.8402, Adjusted R-squared:  0.838 
## F-statistic: 386.4 on 2 and 147 DF,  p-value: < 2.2e-16

anova(model_lm6)

## Analysis of Variance Table
## 
## Response: Sepal.Length
##               Df Sum Sq Mean Sq F value    Pr(>F)    
## Sepal.Width    1  1.412   1.412  12.714 0.0004902 ***
## Petal.Length   1 84.427  84.427 760.059 < 2.2e-16 ***
## Residuals    147 16.329   0.111                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

vip::vi(model_lm6)

## # A tibble: 2 x 3
##   Variable     Importance Sign 
##                 
## 1 Petal.Length      27.6  POS  
## 2 Sepal.Width        8.59 POS

vip::vi(model_lm6,method="firm")

## # A tibble: 2 x 2
##   Variable     Importance
##                
## 1 Petal.Length      0.832
## 2 Sepal.Width       0.441

bruceR::model_summary(model_lm6)

## 
## ==============================
##               (1) Sepal.Length
## ------------------------------
## (Intercept)     2.249 ***     
##                (0.248)        
## Sepal.Width     0.596 ***     
##                (0.069)        
## Petal.Length    0.472 ***     
##                (0.017)        
## ------------------------------
## R^2             0.840         
## Adj. R^2        0.838         
## Num. obs.     150             
## ==============================
## Note. * p < .05, ** p < .01, *** p < .001.
## 
## # Check for Multicollinearity
## 
## Low Correlation
## 
##          Term  VIF Increased SE Tolerance
##   Sepal.Width 1.22         1.11      0.82
##  Petal.Length 1.22         1.11      0.82

你可能感兴趣的:(R,#,R包)

android系统selinux中添加新属性property 辉色投像
1.定位/android/system/sepolicy/private/property_contexts声明属性开头：persist.charge声明属性类型：u:object_r:system_prop:s0图12.定位到android/system/sepolicy/public/domain.te删除neverallow{domain-init}default_prop:property
使用LLaVa和Ollama实现多模态RAG示例 llzwxh888 python 人工智能开发语言
本文将详细介绍如何使用LLaVa和Ollama实现多模态RAG（检索增强生成），通过提取图像中的结构化数据、生成图像字幕等功能来展示这一技术的强大之处。安装环境首先，您需要安装以下依赖包：!pipinstallllama-index-multi-modal-llms-ollama!pipinstallllama-index-readers-file!pipinstallunstructured!p
利用Requests Toolkit轻松完成HTTP请求 nseejrukjhad http 网络协议网络 python
RequestsToolkit的力量：轻松构建HTTP请求Agent在现代软件开发中，API请求是与外部服务交互的核心。RequestsToolkit提供了一种便捷的方式，帮助开发者构建自动化的HTTP请求Agent。本文旨在详细介绍RequestsToolkit的设置、使用和潜在挑战。引言RequestsToolkit是一个强大的工具包，可用于构建执行HTTP请求的智能代理。这对于想要自动化与外
Python 实现图片裁剪（附代码） | Python工具剑客阿良_ALiang
前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
目前哪里有卖高仿包包，推荐十个渠道已更新富腕表之家
1、工厂购买，推荐微信:【76929666】目前买的人最多的渠道。2、某宝购买，价格较高，质量没有保障。3、拼夕夕，价格是便宜，但是质量不敢想象。4、专柜购买，数量较少，经常断货，价格也太高不好接受。5、批发市场购买，可遇不可求，一般生活在批发市场附近的，根本不用考虑在哪里买高仿包包分几个级别？在当今的包类市场中，广州作为一个知名的货源地，已经成为高仿包行业的一个重要标志。随着市场的需求增加，高仿
SpringBlade dict-biz/list 接口 SQL 注入漏洞文章永久免费只为良心 oracle 数据库
SpringBladedict-biz/list接口SQL注入漏洞POC:构造请求包查看返回包你的网址/api/blade-system/dict-biz/list?updatexml(1,concat(0x7e,md5(1),0x7e),1)=1漏洞概述在SpringBlade框架中，如果dict-biz/list接口的后台处理逻辑没有正确地对用户输入进行过滤或参数化查询（PreparedSta
openssl+keepalived安装部署 _小亦_ 项目部署 keepalived openssl
文章目录OpenSSL安装下载地址编译安装修改系统配置版本Keepalived安装下载地址安装遇到问题安装完成配置文件keepalived运行检查运行状态查看系统日志修改服务service重新加载systemd检查配置文件语法错误OpenSSL安装下载地址考虑到后面设备可能没法连接到外网，所以采用安装包的方式进行部署，下载地址：https://www.openssl.org/source/old/
“这才好”麻辣香锅能够增加人身体的免疫能力小补文知
我就来介绍一种香锅，那就是“这才好”麻辣香锅，它产出于著名的蜀地文化，具有悠久的历史土家风味，麻辣鲜香，健康安全。采用传统秘制麻辣香锅油辣子，还有贴心加料“孜然包”满足人们的不同口味需求，香锅底料辣椒，微辣且香，含有丰富微量元素和维生素，具有辣而不躁，味道纯正，醇厚温和。花椒采用历史悠久，被列为宫廷供品的“贡椒”的汉源花椒。我们还挑选了“川菜之魂”郫县豆瓣的鼻祖品牌豆瓣，保留最原始的郫县豆瓣味道，
JVM、JRE和 JDK：理解Java开发的三大核心组件 Y雨何时停T Java java
Java是一门跨平台的编程语言，它的成功离不开背后强大的运行环境与开发工具的支持。在Java的生态中，JVM（Java虚拟机）、JRE（Java运行时环境）和JDK（Java开发工具包）是三个至关重要的核心组件。本文将探讨JVM、JDK和JRE的区别，帮助你更好地理解Java的运行机制。1.JVM：Java虚拟机（JavaVirtualMachine）什么是JVM？JVM，即Java虚拟机，是Ja
CentOS 7官方源停服，配置本机光盘yum源码哝小鱼 linux运维 centos linux 运维
1、挂载系统光盘mkdir/mnt/isomount-oloop/tools/CentOS-7-x86_64-DVD-1810.iso/mnt/isocd/mnt/iso/Packages/rpm-ivh/mnt/iso/Packages/yum-utils-1.1.31-50.el7.noarch.rpm(图形界面安装，默契已安装）如安装yum-utils依赖错误，按提示安装依赖包rpm-ivh
用Python实现读取统计单词个数程序媛了了 python 游戏 java
完整实例代码：fromcollectionsimportCounterdefpythonit():danci={}withopen("pythonit.txt","r",encoding="utf-8")asf:foriinf:words=i.strip().split()forwordinwords:ifwordnotindanci:danci[word]=1else:danci[word]+=
Python神器！WEB自动化测试集成工具 DrissionPage 亚丁号 python 开发语言
一、前言用requests做数据采集面对要登录的网站时，要分析数据包、JS源码，构造复杂的请求，往往还要应付验证码、JS混淆、签名参数等反爬手段，门槛较高。若数据是由JS计算生成的，还须重现计算过程，体验不好，开发效率不高。使用浏览器，可以很大程度上绕过这些坑，但浏览器运行效率不高。因此，这个库设计初衷，是将它们合而为一，能够在不同须要时切换相应模式，并提供一种人性化的使用方法，提高开发和运行效率
python批量读取tiff文件_Python Pillow批量转换tif格式到jpg weixin_39557797
最近因为想要整下网站的壁纸，从网站下载了别人整理好的合集压缩包，解压之后，却发现里面的文件都是tif的，tif格式网站和电脑都不认的，根本不能作壁纸。这时候，就需要转换图片格式了，首先我找了几款转换格式的软件，发现效果都不好，要不是不支持tif格式，要不就是转换出来的图片糊的不行。最终，还是决定用Python的Pillow库来写一个脚本，完成这个任务。下面是整个的小脚本----importosim
光盘文件系统 (iso9660) 格式解析穷人小水滴光盘文件系统 iso9660 deno GNU/Linux javascript
越简单的系统,越可靠,越不容易出问题.光盘文件系统(iso9660)十分简单,只需不到200行代码,即可实现定位读取其中的文件.参考资料:https://wiki.osdev.org/ISO_9660相关文章:《光盘防水嘛?DVD+R刻录光盘泡水实验》https://blog.csdn.net/secext2022/article/details/140583910《光驱的内部结构及日常使用》ht
JAVA·一个简单的登录窗口 MortalTom java 开发语言学习
文章目录概要整体架构流程技术名词解释技术细节资源概要JavaSwing是Java基础类库的一部分，主要用于开发图形用户界面（GUI）程序整体架构流程新建项目，导入sql.jar包（链接放在了文末），编译项目并运行技术名词解释一、特点丰富的组件提供了多种可视化组件，如按钮（JButton）、文本框（JTextField）、标签（JLabel）、下拉列表（JComboBox）等，可以满足不同的界面设计
记录幸福（三月）杨芸
3月6日中午，匆匆忙忙与老爸和三妹在高铁站候车厅见了一面，两个南瓜包传递了亲人间的爱，那一刻好幸福好满足。他们进站后，我带着离别的忧伤，走到出口，突然想起朵儿喜欢吃的奥尔良鸡腿煲，便折回去，买了她和我，还有朵爸各自喜爱的。以前和亲人每次分开，都要难过许久，那天我竟然突然明白了一个道理，正因为爱家人，所以要让自己过的更开心更舒适，才能长寿，有更多的时间去爱他们。而不是忧心忡忡的过日子哦。最爱的家人回
《跃迁》5/7-5组-橙子-张静12.16 静言物于
【便签5】【片段来源】《跃迁：成为高手的技术》第四章【R原文】一位客户咨询时抱怨：“这个我做不到。”我问他：“如果我请你现在出去裸奔，你能做到吗？”“这个我也做不到”“其实并不是做不到，而是不愿意做，或者不想承担裸奔的代价吧。你不是做不到，而是选择不去做。如果有一天你裸奔能救自己家人、孩子，也许就能做到了。”为什么要做这个区分？如果一个人经常和自己说“做不到”，他的能力范围会越来越小，会成为一个无
✔2848. 与车相交的点程序员小小聪力扣 leetcode
代码实现：方法一：哈希表#definefmax(a,b)((a)>(b)?(a):(b))intnumberOfPoints(int**nums,intnumsSize,int*numsColSize){inthash[101]={0};intmax=0;for(inti=0;i=x){j--;}if(i=nums[i][0]){r=r>nums[i][1]?r:nums[i][1];}else{
李克富 | 咨询师推荐阅读书目李克富
最重要的书籍不是别人的推荐，而是自己学过的教材，不论当初使用的是哪个版本，它都是我们专业的底层代码，具有不可替代性。前不久，中国心理咨询师筹委会的一位老师邀请我罗列一个推荐书目清单作为咨询师工具包的内容，并要求“说明一下简单的分类或者作三言两语的说明”。斟酌后，我觉得自己推荐的书目大体可以分为普及类书籍、心理学书籍和心理咨询与治疗专业书籍，第三类又分为适合于咨询师新手的和有经验咨询师的。经过严格筛
NPM私库搭建-verdaccio（Linux） Beam007 npm linux 前端
1、安装nodelinux服务器安装nodea)、官网下载所需的node版本https://nodejs.org/dist/v14.21.0/b)、解压安装包若下载的是xxx.tar.xz文件，解压命令为tar-xvfxxx.tar.xzc)、修改环境变量修改：/etc/profile文件#SETPATHFORNODEJSexportNODE_HOME=NODEJS解压安装的路径exportPAT
中国电信推出9.9元10g暖心流量包，每g流量只需0.99元全网优惠分享
中国电信推出9.9元10g暖心流量包，每g流量只需0.99元！关注微•信•公•众•号"卡泡泡"就知道啦！中国电信推出了9.9元10g暖心流量包，该流量包适用于所有中国电信手机用户，无论是预付费还是后付费用户均可办理。该流量包的价格非常实惠，仅需9.9元即可获得10g的国内流量，折合每g流量仅需0.99元。该流量包的有效期为5天，支持跨月使用。用户在当月办理后，当日即可生效，有效期至次月同日的24:
【加密算法基础——RSA 加密】 XWWW668899 网络服务器笔记 python
RSA加密RSA（Rivest-Shamir-Adleman）加密是非对称加密，一种广泛使用的公钥加密算法，主要用于安全数据传输。公钥用于加密，私钥用于解密。RSA加密算法的名称来源于其三位发明者的姓氏：R:RonRivestS:AdiShamirA:LeonardAdleman这三位计算机科学家在1977年共同提出了这一算法，并发表了相关论文。他们的工作为公钥加密的基础奠定了重要基础，使得安全通
Go语言基础总结 Alice_小哪吒 Go学习笔记 golang 开发语言后端
一、Go语言结构包声明引入包函数变量语句&表达式注释下面简单给出hello.go文件。packagesrc/*定义包名*/import"fmt"/*引入包*/funchello(){/*函数*/fmt.Println("Hello,World!")/*语句&表达式*/fmt.Println("菜鸟教程：runoob.com")}二、Go语言基础语法Go程序可以由多个标记构成。可以是关键字、标识符、
半章孟小繁
律动的心情茅草屋亲吻地平线我的眼睛收藏平原一起奔跑掀开绿色地毯的一角看里面有没有糖果和蜻蜓那台破旧的收音机童年的另一只耳朵放在黄布包里还有弹弓和高高卷起的课本你的脚掌阳光普照埋头深思究竟什么是神仙与大海骑上脚踏车手签着风筝线我是你眼中的一个黑点随麦浪起伏
爸妈：你可以成为别人家的爸妈吗长也长不高的面包树
图片发自App爸爸妈妈，请你看看别人家的父母无论什么时候，家长总喜欢在我们耳边说，你看看别人家的孩子怎么样。是啊，别人家的孩子什么都优秀，那别人家的爸爸妈妈还优秀呢。先讲三个微博上面的故事吧。有一个妈妈陪着八岁的孩子完成了一份报纸，报纸全是妈妈和孩子亲手做的，写的是整个寒假的生活。网友们纷纷说，我也想有个这样的妈妈。还有一位妈妈晒出了自己给女儿包的书皮，每一本书上面都有多彩的图案，简直美翻了，精致
【Golang】实现 Excel 文件下载功能 RumIV Golang golang excel 开发语言
在当今的网络应用开发中，提供数据导出功能是一项常见的需求。Excel作为一种广泛使用的电子表格格式，通常是数据导出的首选格式之一。在本教程中，我们将学习如何使用Go语言和GinWeb框架来创建一个Excel文件，并允许用户通过HTTP请求下载该文件。准备工作在开始之前，请确保您的开发环境中已经安装了Go语言和相关的开发工具。此外，您还需要安装GinWeb框架和excelize包，这两个包都将用于我
swing窗体打jar包后找不到图片的问题 zoyation java jar swing classloader image eclipse java
今天打jar包遇到一个怪问题:打成jar包后双击运行没反应cmd运行有反应但出现下列问题Causedby:java.lang.ExceptionInInitializerErroratcom.zou.ui.MyDialog.init(MyDialog.java:92)atcom.zou.ui.MyDialog.(MyDialog.java:45)atcom.zou.ui.LoginDialog.(
2024年华为杯数学建模研赛C题思路代码+论文助攻 DS数模 2024华为杯数学建模华为 2024华为杯 2024研究生数学建模 2024研赛
2024年华为杯研究生数学建模竞赛（以下简研赛）将于9月21日上午8时正式开始。下文包含：2024研赛思路解析、研赛参赛时间及规则信息说明、好用的数模技巧及如何备战数学建模竞赛C君将会第一时间发布选题建议、所有题目的思路解析、相关代码、参考文献、参考论文等多项资料，帮助大家取得好成绩。2024年研赛将于9月21日上午8时正式开始这里有些资料，大家可以看看：【2024最全国赛研赛数模资料包】C君珍贵
python中文版下载官网-Python下载 v3.8.3 官方中文版 weixin_37988176
Python中文版是一款非常专业的通用型计算机程序设计语言安装包，Python具有比其他语言更有特色语法结构，而且在设计上坚持了清晰划一的风格，使得它成为一门易读、易维护并且被大量用户所欢迎的、用途广泛的语言，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。Python中文版软件介绍Python中文版是一门跨平台的脚本语言，Python规定了一个Python语法规则，实
Java -jar 如何在后台运行项目 vincent_hahaha
撸了今年阿里、头条和美团的面试，我有一个重要发现.......>>>说到运行jar包通常我们都会以下面的方式运行:java-jarspringboot-0.0.1-SNAPSHOT.jar这样运行的话会有一个问题，就是我们一关闭当前窗口就会停止运行项目，要想解决这个问题，就需要在后台运行。nohupjava-jarbabyshark-0.0.1-SNAPSHOT.jar >log.file 2>&
Enum 枚举 120153216 enum 枚举
原文地址：http://www.cnblogs.com/Kavlez/p/4268601.html Enumeration 于Java 1.5增加的enum type...enum type是由一组固定的常量组成的类型，比如四个季节、扑克花色。在出现enum type之前，通常用一组int常量表示枚举类型。比如这样： public static final int APPLE_FUJI = 0
Java8简明教程 bijian1013 java jdk1.8
Java 8已于2014年3月18日正式发布了，新版本带来了诸多改进，包括Lambda表达式、Streams、日期时间API等等。本文就带你领略Java 8的全新特性。一.允许在接口中有默认方法实现 Java 8 允许我们使用default关键字，为接口声明添
Oracle表维护快速备份删除数据 cuisuqiang oracle 索引快速备份删除
我知道oracle表分区，不过那是数据库设计阶段的事情，目前是远水解不了近渴。当前的数据库表，要求保留一个月数据，且表存在大量录入更新，不存在程序删除。为了解决频繁查询和更新的瓶颈，我在oracle内根据需要创建了索引。但是随着数据量的增加，一个半月数据就要超千万，此时就算有索引，对高并发的查询和更新来说，让然有所拖累。为了解决这个问题，我一般一个月会进行一次数据库维护，主要工作就是备
java多态内存分析麦田的设计者 java 内存分析多态原理接口和抽象类
“ 时针如果可以回头，熟悉那张脸，重温嬉戏这乐园，墙壁的松脱涂鸦已经褪色才明白存在的价值归于记忆。街角小店尚存在吗？这大时代会不会牵挂，过去现在花开怎么会等待。但有种意外不管痛不痛都有伤害，光阴远远离开，那笑声徘徊与脑海。但这一秒可笑不再可爱，当天心
Xshell实现Windows上传文件到Linux主机被触发 windows
经常有这样的需求，我们在Windows下载的软件包，如何上传到远程Linux主机上？还有如何从Linux主机下载软件包到Windows下；之前我的做法现在看来好笨好繁琐，不过也达到了目的，笨人有本方法嘛；我是怎么操作的： 1、打开一台本地Linux虚拟机，使用mount 挂载Windows的共享文件夹到Linux上，然后拷贝数据到Linux虚拟机里面；（经常第一步都不顺利，无法挂载Windo
类的加载ClassLoader 肆无忌惮_ ClassLoader
类加载器ClassLoader是用来将java的类加载到虚拟机中，类加载器负责读取class字节文件到内存中，并将它转为Class的对象（类对象），通过此实例的 newInstance()方法就可以创建出该类的一个对象。其中重要的方法为findClass(String name)。如何写一个自己的类加载器呢？首先写一个便于测试的类Student
html5写的玫瑰花知了ing html5
<html> <head> <title>I Love You!</title> <meta charset="utf-8" /> </head> <body> <canvas id="c"></canvas>
google的ConcurrentLinkedHashmap源代码解析矮蛋蛋 LRU
原文地址： http://janeky.iteye.com/blog/1534352 简述 ConcurrentLinkedHashMap 是google团队提供的一个容器。它有什么用呢？其实它本身是对 ConcurrentHashMap的封装，可以用来实现一个基于LRU策略的缓存。详细介绍可以参见 http://code.google.com/p/concurrentlinke
webservice获取访问服务的ip地址 alleni123 webservice
1. 首先注入javax.xml.ws.WebServiceContext, @Resource private WebServiceContext context; 2. 在方法中获取交换请求的对象。 javax.xml.ws.handler.MessageContext mc=context.getMessageContext(); com.sun.net.http
菜鸟的java基础提升之道——————>是否值得拥有百合不是茶
1，c++，java是面向对象编程的语言，将万事万物都看成是对象；java做一件事情关注的是人物，java是c++继承过来的，java没有直接更改地址的权限但是可以通过引用来传值操作地址，java也没有c++中繁琐的操作，java以其优越的可移植型，平台的安全型，高效性赢得了广泛的认同，全世界越来越多的人去学习java，我也是其中的一员 java组成：
通过修改Linux服务自动启动指定应用程序 bijian1013 linux
Linux中修改系统服务的命令是chkconfig (check config)，命令的详细解释如下: chkconfig 功能说明：检查，设置系统的各种服务。语　　法：chkconfig [ -- add][ -- del][ -- list][系统服务] 或 chkconfig [ -- level <</SPAN>
spring拦截器的一个简单实例 bijian1013 java spring 拦截器 Interceptor
Purview接口 package aop; public interface Purview { void checkLogin(); } Purview接口的实现类PurviesImpl.java package aop; public class PurviewImpl implements Purview { public void check
[Velocity二]自定义Velocity指令 bit1129 velocity
什么是Velocity指令在Velocity中，#set,#if, #foreach, #elseif, #parse等，以#开头的称之为指令，Velocity内置的这些指令可以用来做赋值，条件判断，循环控制等脚本语言必备的逻辑控制等语句，Velocity的指令是可扩展的，即用户可以根据实际的需要自定义Velocity指令自定义指令(Directive)的一般步骤 &nbs
【Hive十】Programming Hive学习笔记 bit1129 programming
第二章 Getting Started 1.Hive最大的局限性是什么？一是不支持行级别的增删改(insert, delete, update)二是查询性能非常差(基于Hadoop MapReduce）,不适合延迟小的交互式任务三是不支持事务2. Hive MetaStore是干什么的？Hive persists table schemas and other system metadata.
nginx有选择性进行限制 ronin47 nginx 动静　限制
http { limit_conn_zone $binary_remote_addr zone=addr:10m; limit_req_zone $binary_remote_addr zone=one:10m rate=5r/s;... server {... location ~.*\.(gif|png|css|js|icon)$ {
java-4.-在二元树中找出和为某一值的所有路径 . bylijinnan java
/* * 0.use a TwoWayLinkedList to store the path.when the node can't be path,you should/can delete it. * 1.curSum==exceptedSum:if the lastNode is TreeNode,printPath();delete the node otherwise
Netty学习笔记 bylijinnan java netty
本文是阅读以下两篇文章时： http://seeallhearall.blogspot.com/2012/05/netty-tutorial-part-1-introduction-to.html http://seeallhearall.blogspot.com/2012/06/netty-tutorial-part-15-on-channel.html 我的一些笔记 ===
js获取项目路径 cngolon js
//js获取项目根路径，如： http://localhost:8083/uimcardprj function getRootPath(){ //获取当前网址，如： http://localhost:8083/uimcardprj/share/meun.jsp var curWwwPath=window.document.locati
oracle 的性能优化 cuishikuan oracle SQL Server
在网上搜索了一些Oracle性能优化的文章，为了更加深层次的巩固[边写边记]，也为了可以随时查看，所以发表这篇文章。 1.ORACLE采用自下而上的顺序解析WHERE子句，根据这个原理，表之间的连接必须写在其他WHERE条件之前，那些可以过滤掉最大数量记录的条件必须写在WHERE子句的末尾。（这点本人曾经做过实例验证过，的确如此哦！
Shell变量和数组使用详解 daizj linux shell 变量数组
Shell 变量定义变量时，变量名不加美元符号（$，PHP语言中变量需要），如： your_name="w3cschool.cc" 注意，变量名和等号之间不能有空格，这可能和你熟悉的所有编程语言都不一样。同时，变量名的命名须遵循如下规则：首个字符必须为字母（a-z，A-Z）。中间不能有空格，可以使用下划线（_）。不能使用标点符号。不能使用ba
编程中的一些概念，KISS、DRY、MVC、OOP、REST dcj3sjt126com REST
KISS、DRY、MVC、OOP、REST （1）KISS是指Keep It Simple,Stupid（摘自wikipedia），指设计时要坚持简约原则，避免不必要的复杂化。（2）DRY是指Don't Repeat Yourself（摘自wikipedia），特指在程序设计以及计算中避免重复代码，因为这样会降低灵活性、简洁性，并且可能导致代码之间的矛盾。（3）OOP 即Object-Orie
[Android]设置Activity为全屏显示的两种方法 dcj3sjt126com Activity
1. 方法1：AndroidManifest.xml 里，Activity的 android:theme 指定为" @android:style/Theme.NoTitleBar.Fullscreen" 示例: <application
solrcloud 部署方式比较 eksliang solrCloud
solrcloud 的部署其实有两种方式可选，那么我们在实践开发中应该怎样选择呢？第一种：当启动solr服务器时，内嵌的启动一个Zookeeper服务器，然后将这些内嵌的Zookeeper服务器组成一个集群。第二种：将Zookeeper服务器独立的配置一个集群，然后将solr交给Zookeeper进行管理谈谈第一种：每启动一个solr服务器就内嵌的启动一个Zoo
Java synchronized关键字详解 gqdy365 synchronized
转载自：http://www.cnblogs.com/mengdd/archive/2013/02/16/2913806.html 多线程的同步机制对资源进行加锁，使得在同一个时间，只有一个线程可以进行操作，同步用以解决多个线程同时访问时可能出现的问题。同步机制可以使用synchronized关键字实现。当synchronized关键字修饰一个方法的时候，该方法叫做同步方法。当s
js实现登录时记住用户名 hw1287789687 记住我记住密码 cookie 记住用户名记住账号
在页面中如何获取cookie值呢? 如果是JSP的话,可以通过servlet的对象request 获取cookie,可以参考:http://hw1287789687.iteye.com/blog/2050040 如果要求登录页面是html呢?html页面中如何获取cookie呢? 直接上代码了页面:loginInput.html 代码: <!DOCTYPE html PUB
开发者必备的 Chrome 扩展 justjavac chrome
Firebug：不用多介绍了吧https://chrome.google.com/webstore/detail/bmagokdooijbeehmkpknfglimnifench ChromeSnifferPlus：Chrome 探测器，可以探测正在使用的开源软件或者 js 类库https://chrome.google.com/webstore/detail/chrome-sniffer-pl
算法机试题李亚飞 java 算法机试题
在面试机试时，遇到一个算法题，当时没能写出来，最后是同学帮忙解决的。这道题大致意思是：输入一个数，比如4,。这时会输出： &n
正确配置Linux系统ulimit值字符串 ulimit
在Linux下面部署应用的时候，有时候会遇上Socket/File: Can’t open so many files的问题；这个值也会影响服务器的最大并发数，其实Linux是有文件句柄限制的，而且Linux默认不是很高，一般都是1024，生产服务器用其实很容易就达到这个数量。下面说的是，如何通过正解配置来改正这个系统默认值。因为这个问题是我配置Nginx+php5时遇到了，所以我将这篇归纳进
hibernate调用返回游标的存储过程 Supanccy2013 java DAO oracle Hibernate jdbc
注：原创作品，转载请注明出处。上篇博文介绍的是hibernate调用返回单值的存储过程，本片博文说的是hibernate调用返回游标的存储过程。此此扁博文的存储过程的功能相当于是jdbc调用select 的作用。 1，创建oracle中的包，并在该包中创建的游标类型。 ---创建oracle的程
Spring 4.2新特性-更简单的Application Event wiselyman application
1.1 Application Event Spring 4.1的写法请参考10点睛Spring4.1-Application Event 请对比10点睛Spring4.1-Application Event 使用一个@EventListener取代了实现ApplicationListener接口,使耦合度降低; 1.2 示例包依赖 <p

基于tidyverse的R使用指南

基于tidyverse的R使用指南

tidyverse包简介

数据读取

数据预览

子集选取

行选择

行条件选择

列选择

列条件选择

排序

根据列数值行排序

列排序

数据整理

列改名

行计数

计算新值

汇总

连接join

集合set操作

合并bind

pivot_longer/pivot_wider

unite/separate

ggplot

建模

你可能感兴趣的:(R,#,R包)

`tidyverse`包简介