R語言-v1-基礎(chǔ)知識

Iretara?12-17 21:18

以例題的形式簡述R語言基礎(chǔ)知識

# 讀取文件

setwd("文件鏈接的時候，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")

#讀取csv

library(readr)

hw1_a<-read_csv("/")

View(hw1_a)

# 描述型函數(shù)

hw1_a + hw1_b 表

#描述最小值，最大值，中值，均值，標準差

Str(hw1_a)#查看數(shù)據(jù)并指出各個變量的形式

summary(hw1_a)#指出各個變量的形式，最小值，最大值，中值，均值

library(psych)

describe(hw1_a)#比summary更簡便的方法，可以直接讀取標準差等；但是，使用describe不可讀取 NA值, 可以嘗試使用 Hmisc包中 describe

描述型函數(shù)-R

# 連接

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”)#報告合并后的總行數(shù)，178行

full_join<-full_join(hw1_a,hw1_b,by="ID")

(nrow(full_join))#報告合并后的總行數(shù)，200行

>?length(full_join$ID)

#找出各個列的缺失值

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)

#缺失值總數(shù)

sum(is.na(full_join))

#刪除缺失值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中的極端值并濾掉對應行的數(shù)據(jù)

quantile(hw1_a$Income,c(0.025,0.975))

hw1_a2=filter(hw1_a,Income>14168.81&Income<173030.92)

#使用dplyr進行數(shù)據(jù)轉(zhuǎn)換

arrange()

>arrange(hw1_a,Income)#默認升序

>arrange(hw1_a,desc(Income))#desc降序，NA排序一般最后

select()

>select(hw1_a,-(Years_at_Address:Income))#不要變量

>rename(hw1_a, In_come=Income)#改名

>select（hw1_a,Income,exerything()）#把Income放在前面

拓例題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的次數(shù)

ggplot(data=delays,mapping=aes(x= n, y=delay))+

geom_point(alpha=1/10)

拓例題2：

#請按照價格的均值，產(chǎn)生新的變量price_new, 低于均值為“低價格”，高于均值為“高價格”。 同樣對市場份額也是，產(chǎn)生變量marketshare_new, 數(shù)值為“低市場份額”和“高市場份額”

price=data1$price

pricebar=mean(price)

price_new=ifelse(price>pricebar,“高價格”,”低價格”)

marketshare=data1$marketshare

marketsharebar=mean(marketshare)

marketshare_new=ifelse(marketshare>marketsharebar ,“高市場份額”,”低市場份額”)

data1=mutate(data1,price_new,marketshare_new)

#可視化

#將Income對數(shù)化

lninc<-log(hw1_a$Income)

#畫出直方圖和density curve密度曲線

hist(lninc,prob=T)

lines(density(lninc),col="blue")

#添加額外變量的辦法，在aes()中添加樣式 (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增加一個維度，使用明暗程度作為區(qū)分方式

ggplot(data=inner_join)+

geom_point(mapping = aes(x=Years_at_Employer,y= Income,

alpha=factor(Is_Default)))

#使用形狀作為另外一種區(qū)分方式

ggplot(data=inner_join)+

geom_point(mapping = aes(x=Years_at_Employer,y= Income,

shape=factor(Is_Default)))

可視化-R

?

?

拓展：

#將 flight1 表和 weather1 表根據(jù)共同變量進行內(nèi)連接，隨機抽取 100000 行數(shù)據(jù)， 將生產(chǎn)的結(jié)果保存為 flight_weather。 (提示：sample_n()函數(shù)，不用重復抽取)

flight_weather <- inner_join(flight1, weather1) %>%?sample_n(100000)

#從 flight_weather表中對三個出發(fā)機場按照平均出發(fā)延誤時間排降序，并將結(jié)果保留在 longest_delay表中。把結(jié)果展示出來

longest_delay<- flight_weather %>%

group_by(origin) %>%

summarize(delay=mean(dep_delay,na.rm=TRUE)) %>%

arrange(desc(delay))

#根據(jù)不同出發(fā)地（origin）在平行的 3 個圖中畫出風速 wind_speed（x 軸）和出發(fā) 延誤時間 dep_delay（y 軸）的散點圖。

ggplot(data= flight_weather) +

geom_point(mapping=aes(x=wind_speed,y=dep_delay))+

facet_grid(.~origin,nrow?= 3)?#按照class分類，分成3行

#根據(jù) flight_weather表，畫出每個月航班數(shù)的直方分布圖，x 軸為月份，y 軸是每個 月份航班數(shù)所占的比例。

ggplot(data=flight_weather)+

geom_bar(mapping=aes(x=month,y=..prop..,group=1))

#根據(jù) flight_weather表，畫出每個月航班距離的 boxplot 圖，x 軸為月份，y 軸為 航行距離, 根據(jù)的航行距離的中位數(shù)從低到高對 x 軸的月份進行重新排序

ggplot(data=flight_weather)+

geom_boxplot(mapping=aes(x=reorder(month,distance,FUN=median),y=distance))

線性回歸

#以Income作為因變量，Years at Employer作為自變量，進行OLS回歸

m1<-lm(Income~Years_at_Employer,data=hw1_a)

#通過***判斷顯著性

summary(m1)

#畫出擬合直線

ggplot(data= hw1_a)+

geom_point(aes(x=Income,y=Years_at_Employer))+

geom_abline(data= m1,col= "blue")

#證明擬合直線是最優(yōu)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<resi2))

check