R语言-v1-基础知识
Iretara 12-17 21:18
以例题的形式简述R语言基础知识
# 读取文件
setwd("文件链接的时候，用 / ")
install.packages("readxl")
library(readxl)
library(tidyverse)
hw1_a<-read_excel("hw1_a.xlsx",col_types=c("numeric", "numeric", "numeric", "numeric", "numeric"))
hw1_b<-read_excel("hw1_b.xlsx")
#读取csv
library(readr)
hw1_a<-read_csv("/")
View(hw1_a)
# 描述型函数
hw1_a + hw1_b 表
#描述最小值，最大值，中值，均值，标准差
Str(hw1_a)#查看数据并指出各个变量的形式
summary(hw1_a)#指出各个变量的形式，最小值，最大值，中值，均值
library(psych)
describe(hw1_a)#比summary更简便的方法，可以直接读取标准差等；但是，使用describe不可读取 NA值, 可以尝试使用 Hmisc包中 describe
描述型函数-R
# 连接
hw1_a %>%inner_join(hw1_b,by="ID")
hw1_a %>%left_join(hw1_b,by="ID")
hw1_a %>%right_join(hw1_b,by="ID")
hw1_a %>%full_join(hw1_b,by="ID")
inner_join<-inner_join(hw1_a,hw1_b,by=“ID”)#报告合并后的总行数，178行
full_join<-full_join(hw1_a,hw1_b,by="ID")
(nrow(full_join))#报告合并后的总行数，200行
> length(full_join$ID)
#找出各个列的缺失值
i<-NA
a<-NA
for(i in 1:length(full_join[1,])){ a[i]<-sum(is.na(full_join[,i]))}
paste("缺失值是",a)
#缺失值总数
sum(is.na(full_join))
#删除缺失值na.omit()
full_join1=filter(full_join,!is.na(full_join[2]))
full_join1=filter(full_join1,!is.na(full_join1[3]))
full_join1=filter(full_join1,!is.na(full_join1[4]))
full_join1=filter(full_join1,!is.na(full_join1[5]))
full_join1=filter(full_join1,!is.na(full_join1[6]))
full_join1=filter(full_join1,!is.na(full_join1[7]))
full_join1=filter(full_join1,!is.na(full_join1[8]))
sum(is.na(full_join1))
找出Income中的极端值并滤掉对应行的数据
quantile(hw1_a$Income,c(0.025,0.975))
hw1_a2=filter(hw1_a,Income>14168.81&Income<173030.92)
#使用dplyr进行数据转换
arrange()
>arrange(hw1_a,Income)#默认升序
>arrange(hw1_a,desc(Income))#desc降序，NA排序一般最后
select()
>select(hw1_a,-(Years_at_Address:Income))#不要变量
>rename(hw1_a, In_come=Income)#改名
>select（hw1_a,Income,exerything()）#把Income放在前面
拓例题1：
library(nycflights13)
view(flights)
#counts
（1）
not_cancelled <- flights %>%
filter(! is.na(dep_delay), !is.na(arr_delay))
（2）
not_cancelled %>%
group_by(year,month,day) %>%
summarize(mean=mean(dep_delay))
（3）
delays <- not_cancelled %>%
group_by(tailnum) %>%
summarize(delay=mean(arr_delay))
ggplot(data=delays,mapping=aes(x= delay))+
geom_freqpoly(binwidth=10) #freqpoly
（4）
delays <- not_cancelled %>%
group_by(tailnum) %>%
summarize(delay=mean(arr_delay,na.rm=TRUE),n=n()) #tailnum的次数
ggplot(data=delays,mapping=aes(x= n, y=delay))+
geom_point(alpha=1/10)
拓例题2：
#请按照价格的均值，产生新的变量price_new, 低于均值为“低价格”，高于均值为“高价格”。 同样对市场份额也是，产生变量marketshare_new, 数值为“低市场份额”和“高市场份额”
price=data1$price
pricebar=mean(price)
price_new=ifelse(price>pricebar,“高价格”,”低价格”)
marketshare=data1$marketshare
marketsharebar=mean(marketshare)
marketshare_new=ifelse(marketshare>marketsharebar ,“高市场份额”,”低市场份额”)
data1=mutate(data1,price_new,marketshare_new)
#可视化
#将Income对数化
lninc<-log(hw1_a$Income)
#画出直方图和density curve密度曲线
hist(lninc,prob=T)
lines(density(lninc),col="blue")
#添加额外变量的办法，在aes()中添加样式 (color、size、alpha、shape)
ggplot(data=inner_join)+
geom_point(mapping = aes(x=Years_at_Employer,y= Income,alpha=Is_Default))
#按照Is_Default增加一个维度，使用明暗程度作为区分方式
ggplot(data=inner_join)+
geom_point(mapping = aes(x=Years_at_Employer,y= Income,
alpha=factor(Is_Default)))
#使用形状作为另外一种区分方式
ggplot(data=inner_join)+
geom_point(mapping = aes(x=Years_at_Employer,y= Income,
shape=factor(Is_Default)))
可视化-R
拓展：
#将 flight1 表和 weather1 表根据共同变量进行内连接，随机抽取 100000 行数据， 将生产的结果保存为 flight_weather。 (提示：sample_n()函数，不用重复抽取)
flight_weather <- inner_join(flight1, weather1) %>% sample_n(100000)
#从 flight_weather表中对三个出发机场按照平均出发延误时间排降序，并将结果保留在 longest_delay表中。把结果展示出来
longest_delay<- flight_weather %>%
group_by(origin) %>%
summarize(delay=mean(dep_delay,na.rm=TRUE)) %>%
arrange(desc(delay))
#根据不同出发地（origin）在平行的 3 个图中画出风速 wind_speed（x 轴）和出发 延误时间 dep_delay（y 轴）的散点图。
ggplot(data= flight_weather) +
geom_point(mapping=aes(x=wind_speed,y=dep_delay))+
facet_grid(.~origin,nrow = 3) #按照class分类，分成3行
#根据 flight_weather表，画出每个月航班数的直方分布图，x 轴为月份，y 轴是每个 月份航班数所占的比例。
ggplot(data=flight_weather)+
geom_bar(mapping=aes(x=month,y=..prop..,group=1))
#根据 flight_weather表，画出每个月航班距离的 boxplot 图，x 轴为月份，y 轴为 航行距离, 根据的航行距离的中位数从低到高对 x 轴的月份进行重新排序
ggplot(data=flight_weather)+
geom_boxplot(mapping=aes(x=reorder(month,distance,FUN=median),y=distance))
线性回归
#以Income作为因变量，Years at Employer作为自变量，进行OLS回归
m1<-lm(Income~Years_at_Employer,data=hw1_a)
#通过***判断显著性
summary(m1)
#画出拟合直线
ggplot(data= hw1_a)+
geom_point(aes(x=Income,y=Years_at_Employer))+
geom_abline(data= m1,col= "blue")
#证明拟合直线是最优的
b0=runif(20000,-5,5)
b1=runif(20000,-5,5)
d<-NA
sum<-NA
n<-1
while(n<=20000){
for(i in 1:24){
d[i]<-(hw1_a $ Income[i]-b0[n]-b1[n]*hw2$ Years_at_Employer[i])^2}
sum[n]<-sum(d)
n<-n+1
}
resi=m1$residuals
resi2=sum(resi^2)
check=sum(as.numeric(sum check