R语言入门
一、R基本
1.1 算术运算符
| 运算符 | 描述 |
|---|---|
| + | 加法 |
| − | 减法 |
| * | 乘法 |
| / | 除法 |
| ^或** | 求幂 |
| %% | 求余 |
| %/% | 整数除法 |
1.2 常用数学函数
- abs(x)
- sqrt(x)
- sin(x)、cos(x)、tan(x)
- asin(x)、acos(x)、atan(x)
- exp(x)
- log(x)、log2(x)、log10(x)
- round(x)
- ceiling(x)
- floor(x)
- trunc(x)
1.3 常用的统计函数
| 函数 | 描述 |
|---|---|
| length(x) | 求 x 中元素的个数 |
| mean(x) | 求 x 的算术平均值 |
| median(x) | 求 x 的中位数 |
| var(x) | 求 x 的样本方差 |
| sd(x) | 求 x 的样本标准差 |
| range(x) | 求 x 的全距 |
| min(x) | 求 x 的最小值 |
| max(x) | 求 x 的最大值 |
| quantile(x) | 求 x 的分位数 |
| sum(x) | 求 x 中所有元素的和 |
| scale(x) | 将 x 标准化 |
1.4 工作空间管理
工作空间（workspace）就是 R 的工作环境，所有创建的对象都被临时保存在工作空间（也可称为全局环境，.GlobalEnv）中。
ls( )：列出当前工作空间中的所有对象getwd( )：查看当前的工作目录setwd( )：设定当前的工作目录
2. R 的数据结构
2.1 存储的数据结构
向量Vector：存储数值型、字符型、逻辑型数据的一维数组。标量可以看作是只含有一个元素的向量。函数 c( ) 可用来创建向量，每一个向量中的数据类型必须一致
因子factor：即分类变量，名义型变量是没有顺序关系的分类变量,有序型变量是有层级和顺序关系的分类变量
矩阵Matrix、多维数组 和 列表（允许不同类型数据混合）， 数据框（dataframe）
'''向量赋值'''
x1 <- c(2, 4, 1, -2, 5)
x2 <- c("one", "two", "three")
x3 <- c(TRUE, FALSE, TRUE, FALSE)
x4 <- 1:5 # 等价于x4 <- c(1, 2, 3, 4, 5)
x5 <- seq(from = 2, to = 10, by = 2) # 等价于x5 <- c(2, 4, 6, 8, 10)
x6 <- rep("a", times = 4) # 等价于x6 <- c("a", "a", "a", "a")
#下标取值
x[5] #从1开始计数
x[c(4, 6, 7)] #取第4，6，7
x[-(1:4)] #去掉前四个元素
'''因子赋值'''
sex <- c(1, 2, 1, 1, 2, 1, 2)
sex.f <- factor(sex,
levels = c(1, 2), #levels 表示原变量的分类标签值
labels = c("Male", "Female")) #labels 表示因子取值的标签
levels(sex.f) #查看因子的属性
sex.f1 <- relevel(sex.f, ref = "Female") #改变因子水平的排序：改变参考组
status.f <- factor(status,levels = c(1, 2, 3),labels = c("Poor", "Improved", "Excellent"),ordered = TRUE) #有序因子 ordered=True
'''矩阵'''
M <- matrix(1:6, nrow = 2, byrow=FALSE) #byrow默认按列将数值进行排列
dim(M) #查看维度
mat1 %*% mat2 #矩阵乘法
t(mat1) #转置
det( )、solve( ) #行列式和逆矩阵
rowSums、colSums、rowMeans、ColMeans #按行、列求和或者求平均
'''数组：带标签的矩阵'''
dim1 <- c("A1", "A2", "A3")
dim2 <- c("B1", "B2", "B3", "B4")
dim3 <- c("C1", "C2")
print(array(1:24, dim = c(3, 4, 2), dimnames = list(dim1, dim2, dim3)))
# --> , , C1
B1 B2 B3 B4
A1 1 4 7 10
A2 2 5 8 11
A3 3 6 9 12
, , C2
B1 B2 B3 B4
A1 13 16 19 22
A2 14 17 20 23
A3 15 18 21 24
'''列表: 很多函数返回值是列表'''
list1 <- list(a = 1, b = 1:5, c = c("red", "blue", "green"))
'''数据框'''
ID <- 1:5
sex <- c("male", "female", "male", "female", "male")
age <- c(25, 34, 38, 28, 52)
pain <- c(1, 3, 2, 2, 3)
pain.f <- factor(pain, levels = 1:3, labels = c("mild", "medium", "severe"))
patients <- data.frame(ID, sex, age, pain.f)
#引用某一个列：$
patients$age
2.2 数据类型的转换：is , as
数据类型的判断与转换函数
| 判断 | 转换 |
|---|---|
| is.numeric( ) | as.numeric( ) |
| is.character( ) | as.character( ) |
| is.logical( ) | as.logical( ) |
| is.factor( ) | as.factor( ) |
| is.vector( ) | as.vector( ) |
| is.matrix( ) | as.matrix( ) |
| is.array( ) | as.array( ) |
| is.data.frame( ) | as.data.frame( ) |
| is.list( ) | as.list( ) |
| is.table( ) | as.table( ) |
3. R导入导出数据
3.1 内置数据集
#查看内置数据集
data(package = "datasets")
#调用iris数据
data(iris)3.2 创建数据
各种分布的数据：rnorm( )、runif( )、rbinom( )、 rpois( )
r1 <- rnorm(n = 100, mean = 0, sd = 1)
r2 <- runif(n = 10000, min = 0, max = 100)
r3 <- rbinom(n = 80, size = 100, prob = 0.1)
r4 <- rpois(n = 50, lambda = 1)
#查看
hist(r1)
head(r1)3.3 导入数据
- txt 格式：read.table( )
- csv 格式：read.csv( )
- xls 或 xlsx 格式：read.xlsx( ) 需导入openxlsx包
- R数据文件 rdata：load（）
- 其他格式：借助 library(foreign)
3.4 导出数据
txt或csv文件：write.table( ) 和 write.csv( )
R 数据文件：save（）
save(patients, file = "patients.rdata")
3.5 rio包
rio 包以提供一个类似万能工具的包为目标，用统一的 import( ) 函数和 export( ) 函数简化了用户导入和导出数据的工作。此外，该包里的 convert( ) 函数可以实现不同文件格式之间的转换。rio 包支持多种文件格式，包括 SAS、SPSS、Stata、Excel、MATLAB、Minitab 等其他软件中使用的数据文件格式
library(rio) #install_formats( )可以安装
data("infert")
str(infert) #str常用于查看数据集的大小以及各个变量的类型
#导出
export(infert, "infert.csv")
#转换
convert("infert.csv", "infert.sav")
#导入
infert.data <- import("infert.sav")二. 数据集操作
View(iris) #查看
nrow(iris)
ncol(iris)
dim(iris)
names(iris) #列名
str(iris) #结构
attributes(iris) #数据属性
summary(iris)
head(iris)
tail(iris)
colnames() #重命名列1. 统计分析数据
install.packages("Hmisc")
library(Hmisc)
describe(iris) #需要Hmisc包
mean(iris$Sepal.Length)
median(iris$Sepal.Length)
range(iris$Sepal.Length) #数据范围区间
quantile(iris$Sepal.Length, c(0.1,0.3,0.6))
var(iris$Sepal.Length)
cov(iris$Sepal.Length, iris$Petal.Length) #covariance
cor(iris$Sepal.Length, iris$Petal.Length) #correlation
table(iris, useNA='ifany') #计数统计
colSums() #按列求和
rowSums() #按行求和2. 聚合
aggregate(iris$Sepal.Length ~ iris$Species, summary,data=iris)
#向量化操作
apply(x, MARGIN, FUN, ...) #MARGIN是维度的下标,1表示行, 2表示列
apply(mydata,1,mean) #求矩阵行均值
apply(mydata,2,mean) #求矩阵列均值
lapply(X, FUN, ...) #用于对列表对象执行操作3. 可视化统计分析
#密度图
plot(density(iris$Sepal.Length),main='Density of Sepal Length')
#盒图
boxplot(Sepal.Length ~ Species, data = iris)
boxplot(Sepal.Length ~ Species, data = iris)$out #查看异常值
#散点图 (x,y,color,marker)
plot(iris$Sepal.Length, iris$Sepal.Width, col = iris$Species, pch = as.numeric(iris$Species))
#散点图矩阵（两两每列）
pairs(iris)
#柱状图
barplot(iris$Sepal.Length, horiz=FALSE, las=2)4. ggplot2包 作图
ggplot2的作图一般步骤为：
- 准备数据，一般为数据框， 且一般为长表， 即每个观测时间占一行， 每个观测变量占一列。
- 将数据输入到
ggplot()函数中， 并指定参与作图的每个变量分别映射到哪些图形特性， 比如映射为x坐标、y坐标、颜色、形状等。 这些映射称为aesthetic mappings或aesthetics。 - 选择一个合适的图形类型， 函数名以
geom_开头， 如geom_point()表示散点图。 图形类型简称为geom。 将ggplot()部分与geom_xxx()部分用加号连接。 到此已经可以作图，下面的步骤是进一步的细化设定。 - 设定适当的坐标系统， 如
coord_cartesian(),scale_x_log10()等。 仍用加号连接。 - 设定标题和图例位置等，如
labs()。 仍用加号连接。
5. 字符串操作
#分割字符串
strsplit(x,'[$]')三、数据预处理
1. 缺失值
#查看缺失值NA
is.na(iris)
which(is.na(iris)) #返回缺失值位置
#填充缺失值NA
x[is.na(x)] <- mean(x, na.rm=TRUE)
#筛除缺失值NA
complete.cases(df) #返回各行布尔值, df[complete.cases(), ]
na.omit(df) #返回不含缺失值的各行
#查看空值（没有赋值）, 空格字符串不是空值！
is.null()
#除去字符型数据前后的空格
library(raster)
trim(iris)
2. 异常值
Methods：
- Use Interquartile range：Outliers = Observations > Q3 + 1.5*IQR or < Q1 – 1.5*IQR
- Use z-score：Outliers = Observations with z-score > 3 or < -3
# IQR
boxplot(iris$Sepal.Width)$out #输出异常值
boxplot(iris$Sepal.Width, outline=False) #忽略异常
# z-score
scale(iris$Sepal.Width) #(样本-样本均值)/样本标准差3. 重复值
#查看是否重复值
duplicated(df,by=c("id","value"))
#重复值索引
which(duplicated(df))
#除去重复值, 两种方法
df[!duplicated(df,by=c("id","value")),]
unique(df)4. 标准化\归一化
#极大极小缩放
min_max_norm <- function(x){
(x-min(x))/(max(x)-min(x))
}
lapply(iris,min_max_norm)
#标准化
scale()5. 类别编码
#Ordinal Encoding
factor_Breakfast <- factor(Breakfast,order = TRUE,
levels=c('Never','Rarely','Most days','Every day'))
encode_Breakfast <- as.numeric(factor_Breakfast)
encode_Breakfast
#One-Hot Encoding 法1
model.matrix(~iris$Species-1,iris)) #返回独热编码
#法2
library(mltools)
library(data.table)
one_hot(as.data.table(as.factor(iris$Species))) #返回独热编码
6. 特征选择
四、数据挖掘算法
1. 划分数据集
set.seed(1234)
idx <- sample(c(TRUE, FALSE), nrow(iris), replace=TRUE, prob=c(0.7,0.3))
train <- iris[idx, ]
test <- iris[!idx, ]2. 算法
#KNN
library(class)
knn_output <- knn(train[,1:4],test[,1:4],train[,5],k=3)
#决策树
library(rpart)
model1 <- rpart(Species~., data = train, method = 'class')
dt_output <- predict(model1, test[,1:4],type = 'class')
#随机森林
library(randomForest)
model2 <- randomForest(Species ~ ., data = train, ntree=200, importance = TRUE)
rf_output <- predict(model2, test[,1:4])
#线性回归
model1 <- lm(Balance~.,data=train)
lm_output <- predict(model1,test)
3. 结果评估
3.1 分类算法
#混淆矩阵
table(knn_output,test$Species)
#具体统计分析和混淆矩阵
library(caret)
confusionMatrix(knn_output, test$Species, mode='everything')
confusionMatrix
3.2 回归算法
#线性回归
library(performance)
check_model(fit)
library(caret)
RMSE()
MAE()统计回归分析：
#遍历赋值
x <- c(1,2,3,4,5)
y <- c(6,7,8,9,10)
#一元回归模型
fit = lm(y~x)
#置信区间
confint(fit)
#统计总结
summary(fit)
#逻辑回归模型
model = glm(cbind(y,1-y) ~x1+x2, family=binomial, data=df )更多
R语言数据挖掘分析常用函数和包有哪些？ - 知乎
R 语言必学的 10 大包是什么？ - 知乎