鉴于笔者对R语言还不够熟练，故特意整理R语言基本使用如下。
注：部分语法使用可参见DATA8 CHAPTER 3、DATA8 CHAPTER 4和DATA8 CHAPTER 5。
- R语言入门文档：R-manual
- R数据科学：R for Data Science
- R Charts：R-charts
基本运算
5 %/% 2 # 2（地板除）
5 %% 2 # 1（取余数）向量
x = c(1,2,3,4,5)
x > 3 # FALSE FALSE FALSE TRUE TRUE
c(1.5:10,11) # 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 11.0- 注：单个向量的所有数据类型必须相同。
序列
1.5:10 # 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 (注意冒号默认步长为1)
prod(seq(2,12,by=2)) # 2*4*6*8*10*12 = 46080
seq(1,5,length = 7) # 1.000000 1.666667 2.333333 3.000000 3.666667 4.333333 5.000000
rep(1:4,times = 3,each =2) # 1 1 2 2 3 3 4 4 1 1 2 2 3 3 4 4 1 1 2 2 3 3 4 4
rep(1:4,each =2,length = 12) # 1 1 2 2 3 3 4 4 1 1 2 2数学运算
round(4.5) # 4（round to even）
round(4.5556666) # 5
round(0.05555666,digits=3) # 0.056 保留三位小数
signif(0.005555666, digits = 3) # 0.00556 保留三位有效数字
seq(0, 1, by = 0.1)[4] == 0.3 # FALSE （Why?）
print(seq(0, 1, by = 0.1)[4], digits = 20) # 0.30000000000000004441
library(tidyverse)
near(1 / 49 * 49, 1) # True基本数据管理
矩阵（matrix）
matrix(data = NA, nrow = 1, ncol = 1, byrow = FALSE, dimnames = NULL)| 参数 | 含义 |
|---|---|
data |
原始数据（一般为向量，若长度小于矩阵数据量，则重复填充） |
nrow |
行数 |
ncol |
列数 |
byrow |
TRUE表示先填充行，FALSE表示先填充列（默认为FALSE） |
dimnames |
dimnames=list(rnames,cnames)：给行列命名 |
矩阵的所有元素数据类型均相同。
数组（array）
array(data = NA, dim = length(data), dimnames = NULL)dim可为向量，data填充方式为：将按dim第一个维度填满，再变第二个维度，以此类推。- 例：
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
## , , 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数组的所有元素数据类型均相同。
数据框（dataframe）
data.frame(..., row.names = NULL, check.rows = FALSE,
check.names = TRUE, fix.empty.names = TRUE,
stringsAsFactors = FALSE)...里面填充数据（一般为预先存好向量的变量，变量名即作为列名，行名可通过row.names参数设置）attach()和detach()：在括号内加上dataframe，那么中间使用列名时就不需要再写dataframe名称。- 另一种等价方式：使用
with(dataframe,{...})或within(dataframe,{...})（二者区别在于后者可以对dataframe本身进行修改）
- 另一种等价方式：使用
- 关于Dataframe的使用部分可见DATA8 CHAPTER 3，这里只做一些补充：
- 以下面这个数据集为例：
leadership <- data.frame( manager = c(1,2,3,4,5), date = c("10/24/08","10/28/08","10/1/08","10/12/08","5/1/09"), country = c("US","US","UK","UK","UK"), gender = c("M","F","F","M","F"), age = c(32,45,25,39,99), q1 = c(5,3,3,3,2), q2 = c(4,5,5,3,2), q3 = c(5,2,5,4,1), q4 = c(5,5,5,NA,2), q5 = c(5,5,2,NA,1) )
-
增加新变量
# 方法一：直接计算并添加新列 leadership$total_score <- leadership$q1 + leadership$q2 + leadership$q3 + leadership$q4 + leadership$q5 leadership$mean_score <- (leadership$q1 + leadership$q2 + leadership$q3 + leadership$q4 + leadership$q5) / 5 # 方法二：使用 transform() 函数一次性添加两列 leadership <- transform(leadership, total_score = q1 + q2 + q3 + q4 + q5, mean_score = (q1 + q2 + q3 + q4 + q5) / 5) -
变量重编码
leadership <- within(leadership, { agecat <- NA agecat[age > 75] <- "Elder" agecat[age >= 55 & age <= 75] <- "Middle Aged" agecat[age < 55] <- "Young" }) -
变量重命名
names(leadership) # [1] "manager" "date" "country" "gender" "age" "q1" "q2" "q3" "q4" "q5" names(leadership)[2] <- "testDate" print(leadership) # manager testDate country gender age q1 q2 q3 q4 q5 # 1 1 10/24/08 US M 32 5 4 5 5 5 # 2 2 10/28/08 US F 45 3 5 2 5 5 # 3 3 10/1/08 UK F 25 3 5 5 5 2 # 4 4 10/12/08 UK M 39 3 3 4 NA NA # 5 5 5/1/09 UK F 99 2 2 1 2 1 -
缺失值处理
is.na(leadership[,6:10]) q1 q2 q3 q4 q5 [1,] FALSE FALSE FALSE FALSE FALSE [2,] FALSE FALSE FALSE FALSE FALSE [3,] FALSE FALSE FALSE FALSE FALSE [4,] FALSE FALSE FALSE TRUE TRUE [5,] FALSE FALSE FALSE FALSE FALSE newdata <- na.omit(leadership) # 删去所有包含缺失值的行 print(newdata) # manager testDate country gender age q1 q2 q3 q4 q5 # 1 1 10/24/08 US M 32 5 4 5 5 5 # 2 2 10/28/08 US F 45 3 5 2 5 5 # 3 3 10/1/08 UK F 25 3 5 5 5 2 # 5 5 5/1/09 UK F 99 2 2 1 2 1 -
日期
myformat <- "%m/%d/%y" leadership$date <- as.Date(leadership$date, myformat) # 将变量类型转换为日期 -
数据集排序
newdata <- leadership[order(leadership$age),] # 默认升序 print(newdata) # manager date country gender age q1 q2 q3 q4 q5 # 3 3 10/1/08 UK F 25 3 5 5 5 2 # 1 1 10/24/08 US M 32 5 4 5 5 5 # 4 4 10/12/08 UK M 39 3 3 4 NA NA # 2 2 10/28/08 US F 45 3 5 2 5 5 # 5 5 5/1/09 UK F 99 2 2 1 2 1 newdata2 <- leadership[order(leadership$gender,-leadership$age),] # 降序使用负号 print(newdata2) # manager date country gender age q1 q2 q3 q4 q5 # 5 5 5/1/09 UK F 99 2 2 1 2 1 # 2 2 10/28/08 US F 45 3 5 2 5 5 # 3 3 10/1/08 UK F 25 3 5 5 5 2 # 4 4 10/12/08 UK M 39 3 3 4 NA NA # 1 1 10/24/08 US M 32 5 4 5 5 5 -
数据集合并（merge）
merge(x, y, by = intersect(names(x), names(y)), by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all, sort = TRUE, suffixes = c(".x",".y"), no.dups = TRUE, incomparables = NULL, ...)参数 含义 x第一个数据框 y第二个数据框 by按照指定列名合并（默认为两个数据框的同名变量） by.x（by.y）TRUE表示先填充行，FALSE表示先填充列（默认为FALSE）all是否进行全连接（若为 TRUE，则未匹配数据用缺失值填充，下同）all.x（all.y）表示是否保留 x（或y）中所有行sort是否按合并列排序结果 - 也可以直接用
rbind()（纵向）或cbind()（横向）进行合并，前提是两个对象的列数（行数）相同。
- 也可以直接用
-
数据集取子集
- 使用
subsetnewdata <- subset(leadership, age >= 35 | age < 24, select=c(q1,q2,q3,q4)) newdata <- subset(leadership, gender=="M" & age > 25, select=gender:q4) - 剔除变量
# 方法1：使用%in%反向判断 myvars <- names(leadership) %in% c("q3", "q4") newdata <- leadership[!myvars] # 方法2：使用负号 newdata <- leadership[c(-8,-9)] # 方法3：数据设为NULL（直接对原始数据操作） leadership$q3 <- leadership$q4 <- NULL - 随机抽样
# sample(x, size, replace = FALSE, prob = NULL) # size表示样本数量，replace表示是否放回抽样，prob表示样本权重 # 可使用set.seed()固定抽样结果 set.seed(123) mysample <- leadership[sample(1:nrow(leadership), 3, replace=FALSE),] print(mysample) # manager date country gender age q1 q2 q3 q4 q5 # 3 3 10/1/08 UK F 25 3 5 5 5 2 # 2 2 10/28/08 US F 45 3 5 2 5 5 # 5 5 5/1/09 UK F 99 2 2 1 2 1
- 使用
-
数据集聚合
# aggregate(x, by, FUN, ..., simplify = TRUE, drop = TRUE)
options(digits=3)
attach(mtcars)
aggregate(mtcars,
by=list(cyl, gear),
FUN=mean,
na.rm=TRUE)
# Group.1 Group.2 mpg cyl disp hp drat wt qsec vs am gear carb
# 1 4 3 21.5 4 120 97 3.70 2.46 20.0 1.0 0.00 3 1.00
# 2 6 3 19.8 6 242 108 2.92 3.34 19.8 1.0 0.00 3 1.00
# 3 8 3 15.1 8 358 194 3.12 4.10 17.1 0.0 0.00 3 3.08
# 4 4 4 26.9 4 103 76 4.11 2.38 19.6 1.0 0.75 4 1.50
# 5 6 4 19.8 6 164 116 3.91 3.09 17.7 0.5 0.50 4 4.00
# 6 4 5 28.2 4 108 102 4.10 1.83 16.8 0.5 1.00 5 2.00
# 7 6 5 19.7 6 145 175 3.62 2.77 15.5 0.0 1.00 5 6.00
# 8 8 5 15.4 8 326 300 3.88 3.37 14.6 0.0 1.00 5 6.00- 不常用，实际情况下常用
dplyr的group_by()函数（类似python的group_by()）。
因子（Factor）
factor(x = character(), levels, labels = levels,
exclude = NA, ordered = is.ordered(x), nmax = NA)| 参数 | 含义 |
|---|---|
x |
原始向量 |
levels |
指定各水平值, 不指定时取x的不同值 |
labels |
水平的标签（用于指定类别顺序）, 不指定时用各水平值的对应字符串 |
exclude |
排除的字符 |
ordered |
TRUE表示有序变量（适用字符型变量） |
nmax |
水平的上限数量 |
主要用于分类变量。（注：所有不在levels或labels范围内的x数据都会设为缺失值）
示例：
patientID <- c(1, 2, 3, 4)
age <- c(25, 34, 28, 52)
diabetes <- c("Type1", "Type2", "Type1", "Type1")
status <- c("Poor", "Improved", "Excellent", "Poor")
diabetes <- factor(diabetes)
status <- factor(status, order=TRUE)
patientdata <- data.frame(patientID, age, diabetes, status)
str(patientdata)
# 'data.frame': 4 obs. of 4 variables:
# $ patientID: num 1 2 3 4
# $ age : num 25 34 28 52
# $ diabetes : Factor w/ 2 levels "Type1","Type2": 1 2 1 1
# $ status : Ord.factor w/ 3 levels "Excellent"<"Improved"<..: 3 2 1 3
summary(patientdata)
# patientID age diabetes status
# Min. :1.00 Min. :25.00 Type1:3 Excellent:1
# 1st Qu.:1.75 1st Qu.:27.25 Type2:1 Improved :1
# Median :2.50 Median :31.00 Poor :2
# Mean :2.50 Mean :34.75
# 3rd Qu.:3.25 3rd Qu.:38.50
# Max. :4.00 Max. :52.00 列表（List）
- 类似python的list，元素可为向量、数组、矩阵、数据框等。
- 示例：
g <- "My First List"
h <- c(25, 26, 18, 39)
j <- matrix(1:10, nrow=5)
k <- c("one", "two", "three")
mylist <- list(title=g, ages=h, j, k)
mylist
## $title
## [1] "My First List"
##
## $ages
## [1] 25 26 18 39
##
## [[3]]
## [,1] [,2]
## [1,] 1 6
## [2,] 2 7
## [3,] 3 8
## [4,] 4 9
## [5,] 5 10
##
## [[4]]
## [1] "one" "two" "three"
mylist$ages # 或mylist[["ages"]],mylist[[2]]
# [1] 25 26 18 39dplyr
见官方文档。实在不想写，反正不考，留着
高级数据管理
数据处理函数
-
矩阵计算
函数 完成功能 使用方法 +/-对矩阵的各个元素完成加减乘运算 A+B;A-B;A*B%*%矩阵乘法 A%*%Bcrossprod矩阵的转置与矩阵的乘法（） crossprod(A,B)tcrossprod矩阵与矩阵的转置的乘法() tcrossprod(A,B)t求矩阵的转置 t(A)solve求矩阵的逆 solve(A)eigen对矩阵进行特征值分解,结果输出特征值及特征向量 eigen(A)svd对矩阵进行svd奇异值分解,结果可输出矩阵的奇异值及两个正交阵、 svd(A) -
概率函数
- 格式：
[dpqr]+distribution_abbreviation()- d = 密度函数(density)
- p = 分布函数(distribution function)
- q = 分位数函数(quantile function)
- r = 生成随机数(random generation)
- 示例：
dnorm(x = 0, mean = 0, sd = 1) # [1] 0.3989423 set.seed(123) rnorm(10) # 生成10个标准正态分布样本值 # [1] -0.56047565 -0.23017749 1.55870831 0.07050839 0.12928774 1.71506499 0.46091621 -1.26506123 -0.68685285 -0.44566197 x <- seq(-4, 4, length = 100) y <- pnorm(x) plot(x, y, type = "l", lwd = 2, xlab = "", ylab = "")
- 生成多元正态分布数据：
options(digits=3) set.seed(1234) mean <- c(230.7, 146.7, 3.6) # 均值向量 sigma <- matrix(c(15360.8, 6721.2, -47.1, 6721.2, 4700.9, -16.5, -47.1, -16.5, 0.3), nrow=3, ncol=3) # 协方差矩阵 # 法1：使用MASS包 library(MASS) mydata <- mvrnorm(500, mean, sigma) # 法2：使用MultiRNG包 library(MultiRNG) mydata <- draw.d.variate.normal(500, 3, mean, sigma) mydata <- as.data.frame(mydata) names(mydata) <- c("y", "x1", "x2") dim(mydata) print(head(mydata, n=10)) # [1] 500 3 # y x1 x2 # 1 98.8 41.3 3.43 # 2 244.5 205.2 3.80 # 3 375.7 186.7 2.51 # 4 -59.2 11.2 4.71 # 5 313.0 111.0 3.45 # 6 288.8 185.1 2.72 # 7 134.8 165.0 4.39 # 8 171.7 97.4 3.64 # 9 167.2 101.0 3.50 # 10 121.1 94.5 4.10
- 格式：
-
统计函数
函数 描述 mean(x)平均数 median(x)中位数 sd(x)标准差 var(x)方差（无偏） mad(x)绝对中位差，表示每个数据点与中位数偏差绝对值的中位数 quantile(x, probs)求分位数 range(x)求值域（返回区间上界与下界） sum(x)求和 diff(x, lag=n)滞后差分，lag 用以指定滞后几项。默认 lag=1min(x)求最小值 max(x)求最大值 scale(x, center=TRUE, scale=TRUE)center=TRUE：按列进行中心化（减去均值）；center=TRUE, scale=TRUE：按列标准化（减去均值再除以标准差） -
字符处理函数
函数 描述 nchar(x)计算字符串 x中的字符数量substr(x, start, stop)提取或替换一个字符串向量中的子串（替换时对 substr赋值，取对应长度字符串）grep(pattern, x, ignore.case=FALSE, fixed=FALSE)在 x中搜索某种模式。若fixed=FALSE，则 pattern 为一个正则表达式。若fixed=TRUE，则 pattern 为一个文本字符串。sub(pattern, replacement, x, ignore.case=FALSE, fixed=FALSE)在 x 中搜索 pattern，并以文本 replacement 将其替换。 fixed参数同上。strsplit(x, split, fixed=FALSE)按照 split字符分割字符串x（若为空或无匹配则默认切分单个字符），返回一个列表。fixed参数同上。paste(..., sep="")连接字符串，使用 sep分隔（当字符串为向量时，返回的也是向量）toupper(x)大写转换 tolower(x)小写转换 -
其他实用函数
函数 描述 cut(x, n)将连续型变量 x分割为n个level的因子（或者设置breaks分割点）。可指定ordered_result = TRUE使因子有序pretty(x, n)创建美观的分割点。通过选取 n+1个等间距的取整值，将一个连续型变量x分割为n个区间。常用于绘图cat(... , file = "myfile", append = FALSE)连接 ...中的对象（默认空格分隔），并将其输出到屏幕上或文件中table(x,y)生成列联表（ x，y为因子，一般为数据框的两个变量） -
apply函数
控制流
略，就是if-else、for、while、switch这些，下面只给出格式规范：
if(cond) expr
if(cond) cons.expr else alt.expr
for(var in seq) expr
while(cond) expr
repeat expr # 相当于while(TRUE)，直到break跳出循环
break
ifelse(test, yes, no) # 三元表达式
switch(expression, case1, case2, case3....)
# switch示例：
feelings <- c("sad", "afraid")
for (i in feelings)
print(
switch(i,
happy = "I am glad you are happy",
afraid = "There is nothing to fear",
sad = "Cheer up",
angry = "Calm down now"
)
)
## [1] "Cheer up"
## [1] "There is nothing to fear"用户自编函数
同略。
name <- function( arglist ) expr
\( arglist ) expr
return(value)- 原则：参数为向量时最优（处理速度最快），尽量使用内置函数
图形初阶
注：关于数据可视化可参见DATA8 CHAPTER 4。
R原生绘图
- 一个简单示例：
pdf("mygraph.pdf") # 保存图形（打开输出设备），也可改为png(),jpeg(),…
# 绘制图形
attach(mtcars)
plot(wt, mpg)
abline(lm(mpg~wt))
title("Regression of MPG on Weight")
detach(mtcars)
dev.off() # 清空画布（关闭输出设备）图形参数
- 修改
plot参数方法：
# 方法一
opar <- par(no.readonly=TRUE)
par(lty=2, pch=17) # 注意是在plot语句之前修改
# 或 par(lty=2)
# par(pch=17)
plot(dose, drugA, type="b")
par(opar) # 还原原始设置
# 方法二
plot(dose, drugA, type="b", lty=2, pch=17)-
符号和线条
参数 描述 pch（point character）指定绘制点时使用的符号 cex（character expansion）指定符号的大小。cex 是一个数值，表示绘图符号相对于默认大小的缩放倍数。默认大小为1，1.5表示放大为默认值的1.5倍，0.5表示缩小为默认值的50%，等等 lty（line type）指定线条类型 lwd（line width）指定线条宽度。lwd 是以默认值的相对大小来表示的（默认值为1） pch样式（图源R charts，下同）：
- 其中21~25还可以指定
col（边框颜色）和bg（填充颜色）。
- 其中21~25还可以指定
lty样式：
-
颜色
参数 描述 col 默认的绘图颜色。某些函数（如 lines 和 pie）可以接受一个含有颜色值的向量并自动循环使用。 col.lab 坐标轴标签（名称）的颜色 col.main 标题颜色 col.sub 副标题颜色 fg 图形的前景色 bg 图形的背景色 - 可使用RColorBrewers或
rainbow()函数取颜色。
- 可使用RColorBrewers或
-
文本属性
参数 描述 cex表示相对于默认大小缩放倍数的数值 cex.axis坐标轴刻度文字的缩放倍数 cex.lab坐标轴标签（名称）的缩放倍数 cex.main标题的缩放倍数 cex.sub副标题的缩放倍数 font整数，用于指定绘图使用的字体样式。 1=常规，2=粗体，3=斜体，4=粗斜体，5=符号字体（以 Adobe 符号编码表示）font.axis坐标轴刻度文字的字体样式 font.lab坐标轴标签（名称）的字体样式 font.main标题的字体样式 font.sub副标题的字体样式 ps字体磅值（1磅约为1/72英寸）。文本的最终大小为 ps*cexfamily绘制文本时使用的字体族。标准的取值为 serif（衬线）、sans（无衬线）和mono（等宽） -
图形尺寸与边界尺寸
参数 描述 pin 以英寸表示的图形尺寸（宽和高） mai 以数值向量表示的边界大小，顺序为“下、左、上、右”，单位为英寸 mar 以数值向量表示的边界大小，顺序为“下、左、上、右”，单位为英分（1/8英寸）。默认值为 c(5, 4, 4, 2) + 0.1
添加文本、自定义坐标轴和图例
- 标题
title(main="main title", sub="subtitle", xlab="x-axis label", ylab="y-axis label") # 亦可指定其他图形参数（如文本大小、字体、旋转角度和颜色） - 坐标轴
axis(side, at=, labels=, pos=, lty=, col=, las=, tck=, ...)选项 描述 side 一个整数，表示在图形的哪边绘制坐标轴（ 1=下，2=左，3=上，4=右）at 一个数值型向量，表示需要绘制刻度线的位置 labels 一个字符型向量，表示置于刻度线旁边的文字标签（如果为 NULL，则将直接使用at中的值）pos 坐标轴线绘制位置的坐标（即与另一条坐标轴相交位置的值） lty 线条类型 col 线条和刻度线颜色 las =0：标签平行于坐标轴；=2：标签垂直于坐标轴 - 参考线
abline(h=yvalues, v=xvalues) # 也可以指定其他图形参数（如线条类型、颜色和宽度） - 图例
legend(location, title, legend, ...)参数 描述 location 图例位置。可给定坐标（ locator(1)+鼠标单击），或使用关键字bottom、left、top、right、center等；同时可用inset指定向图形内侧移动的大小（以绘图区域大小的分数表示）。title 图例标题的字符串（可选） legend 图例标签组成的字符型向量 - 文本标注
text(location, "text to place", pos, ...) # 向绘图区域内部添加文本 mtext("text to place", side, line=n, ...) # 向图形的四个边界之一添加文本- 数学标注：可使用
expression()或substitute()插入latex公式。
- 数学标注：可使用
图形组合
mfrow和mfcolmfrow=c(nrows, ncols)：创建按行填充的、行数为nrows、列数为ncols的图形矩阵。mfcol=c(nrows, ncols)：按列填充矩阵。
layout
函数layout()的调用形式为layout(mat)，其中的mat是一个矩阵，它指定了所要组合的多个图形的所在位置。
示例：attach(mtcars) layout(matrix(c(1,1,2,3), 2, 2, byrow = TRUE)) hist(wt); hist(mpg); hist(disp); detach(mtcars)
- 图形布局精细控制
- 可使用
fig=c(b,l,t,r)参数控制图形的方位，配合new=TRUE叠加绘图。
- 可使用
ggplot2
同样略因为不考，使用例可见DATA8 CHAPTER 4。