R语言笔记——常用函数、统计分析、数据类型、数据操作、帮助、安装程序包、R绘图

1、R语言学习笔记常用函数1、聚类§ 常用的包： fpc，cluster，pvclust，mclust§ 基于划分的方法: kmeans, pam, pamk, clara§ 基于层次的方法: hclust, pvclust, agnes, diana§ 基于模型的方法: mclust§ 基于密度的方法: dbscan§ 基于画图的方法: plotcluster, plot.hclust§ 基于验证的方法: cluster.stats2、分类§ 常用的包§ rpart，party，randomForest，r

2、partOrdinal，tree，marginTree，maptree，survival§ 决策树: rpart, ctree§ 随机森林: cforest, randomForest§ 回归, Logistic回归, Poisson回归: glm, predict, residuals§ 生存分析: survfit, survdiff, coxph3、关联规则与频繁项集§ 常用的包§ arules：支持挖掘频繁项集，最大频繁项集，频繁闭项目集和关联规则§ DRM：回归和分类数据的重复关联模型§ APRIORI算法

3、，广度RST算法：apriori, drm§ ECLAT算法： 采用等价类，RST深度搜索和集合的交集： eclat4、序列模式§ 常用的包： arulesSequences§ SPADE算法： cSPADE5、时间序列§ 常用的包： timsac§ 时间序列构建函数： ts§ 成分分解: decomp, decompose, stl, tsr6、统计§ 常用的包： Base R, nlme§ 方差分析: aov, anova§ 密度分析: density§ 假设检验:  t.test

4、, prop.test, anova, aov§ 线性混合模型：lme§ 主成分分析和因子分析：princomp7、图表§ 条形图: barplot§ 饼图: pie§ 散点图: dotchart§ 直方图: hist§ 密度图: densityplot§ 蜡烛图, 箱形图 boxplot§ QQ (quantile-quantile) 图: qqnorm, qqplot, qqline§ Bi-variate plot: coplot§ 树: rpart§ Parallel

5、 coordinates: parallel, paracoor, parcoord§ 热图, contour: contour, filled.contour§ 其他图: stripplot, sunflowerplot, interaction.plot, matplot, fourfoldplot,assocplot, mosaicplot§ 保存的图表格式: pdf, postscript, win.metafile, jpeg, bmp, png8、数据操作§ 缺失值：na.omit§ 变量标准化：scale§ 变量转置：t

6、§ 抽样：sample§ 堆栈：stack, unstack§ 其他：aggregate, merge, reshape9、与数据挖掘软件Weka做接口§ RWeka: 通过这个接口，可以在R中使用Weka的所有算法。安装程序包1 用函数 install.packages()2 安装本地zip包路径：Packages>install packages from local files查看安装的包 installed.packages()检查更新 old.packages()更新update.packages()帮助l 查看帮助文档?install.

7、package() help(“install.package”)l 函数帮助?functionhelp(function)l html帮助Help.start()帮助>Html帮助l 关键词搜索RSiteSearch(word)数据类型向量l 创建向量c( ),创建向量length( ), 向量长度删除向量vector-n，即删除第n个向量mode( ), 向量类型rbind( ), 向量元素都作为一行rowcbind( ) ，向量元素都作为一列col*创建向量序列seq(from, to, by = (to - from)/(length.out - 1),length.),leng

8、th是总长度（个数），因此by就是间隔rep(mode,time) 产生mode 重复time次的向量lettersn:m 产生字符向量rnorm(n,mean=,sd=) 随机序列l 取子集l 值范围限制如：V(x>m|x<n)l 索引坐标限制如：Vc()，V1:3l 创建向量空间V=vector()创建向量空间后就可以对向量元素进行赋值l 常用计算函数mean(x ), sum( x), min( x), max( x), var( x), 方差sd( x), 标准差cov(x), 协方差cor(x), 相关度prod(x )，所有值相乘的积which(x的表达式)，which

9、.min(x)，which.max(x)rev(x)，反转sort(x)，排序因子因子是用水平来表示所有可能取的值l 创建（转换）因子factor(v,level=vl) level不指定则默认v中所有值gl(k,n) k是因子的水平个数，n是每个水平重复的个数l 因子统计nlevels(factor) 查看因子水平table(factor) 频数prop.table(factor) 概率l 交叉统计对于两个向量进行统计会构成一张交叉的表table(factor1,factor2)向量命名names(v)=c(“area1”,”area2”,)，命名后就可以按名称取值了，v“area1”矩阵l

10、 创建矩阵1. matrix(v, nrow = 1, ncol = 1, byrow = FALSE)，一列（不是行）一列的分配，当数据不够时候就会重复.函数matrix()用来定义最常用的一种数组：二维数组，即矩阵。其完全格式为matrix(data = NA, nrow = 1, ncol = 1, byrow = FALSE, dimnames = NULL)其中第一自变量data为数组的数据向量（缺省值为缺失值NA），nrow为行数，ncol为列数，byrow表示数据填入矩阵时按行次序还是列次序，一定注意缺省情况下按列次序，这与我们写矩阵的习惯是不同的。dimnames缺省是空值，否

11、则是一个长度为2的列表，列表第一个成员是长度与行数相等的字符型向量，表示每行的标签，列表第二个成员是长度与列数相同的字符型向量，表示每列的标签。2.dim(x)=value value是一个向量，指定行数列数，分配方式与上面一样3.另外就是通过rbind()绑定多个向量l 行列命名colnames(matrix)=c(“”,”,)rownames(matrix)=c(“”,”,)l 矩阵运算矩阵相乘：A%*%Bt(matrix)，矩阵转置diag(matrix )，矩阵的对角（向量）；diag(diag(matrix )，对角矩阵solve(matrix)，矩阵求逆eigen( matrix

12、)，特征值和特征向量svd(matrix)，奇异值分解，返回X包含属性U、d、V工作空间对象ls() 列举所有对象rm() 删除对象数据框l 创建数据框data.frame(x1,x2,)或带上列的名称data.frame(=x1,=x2,)在创建数据框的时候，字符串的列会自动的转换成因子，以方便统计l 数据框取值datax,y（取单个值） datax（取第x列的数据组成的数据框） datax,（取第x行的数据） data,y（取第y列的数据） dataa:b,y（取a-b行的第y列的数据）datac(“colName1”,” colName1”,”,) ，根据列名

13、进行访问注意：datax与 data,y的不同，data,y取值后返回的是一个一维向量ü 限定取值可以通过限制列的范围来取子集，但此时同时一定要指定取哪些列，如datadata$col>k,c(“col1”,”col2”,)，用attach(data)可以简化这一步操作，即在attach之后可以直接访问列（所有），datadata$col>k，用detach可以解除。另一种控制条件查询的方式即通过subset函数取子集Subset(data,colName>k)，此时colName是数据框的一个列属性ü 筛选which()函数进行筛选，which中是筛选条

14、件，如：is.na()l 编辑数据edit(data)l 查看数据框属性查看数据维度：dim(data) 返回：行，列单独查看行数列数：nrow(data)、ncol(data)查看列名：names(data)，同时修改列名：names(data)=c(“”,”,)查看数据结构：str(data)查看属性（列名$names、类$class、列$s），attributes(data)l 添加一列data$addCol=c(“”,”,)，添加列的元素应与原来的行数相等merge(dataframeA,dataframeB,by=c(“”,”,)，横向合并（添加多列）数据操作数据处理

15、l 变量重命名，调用fix(data)，出现一个交互式工具；或者rename(dataframe,c(oldname=”newname,”)l 类型转换：is.datatype()判断，as.datatype()转换l 字符串处理：nchar()，计算字符数量substr(x,start,stop)grep(pattern,v)，返回向量坐标sub(pattern,replacement,x)，替换strsplit(x,split)分割paste(x,c(),sep=”)，在x后面（向量个数）连接c()向量，以sep分隔cat(“str1”,”str2”,)，连接字符串toupper()tol

16、ower()读取文件数据data=read.table(”位置”, header=T)读取文本文件data=read.csv(”位置”,header=T)读取csv文件在数据导入R语言后，会以数据框(dataframe)的形式储存。dataframe是一种R的数据格式，可以将它想象成类似统计表格，每一行都代表一个样本点，而每一列则代表了样本的不同属性或特征。初学者需要掌握的基本操作方法就是dataframe的编辑、抽取和运算。数据库操作1、配置数据元安装connector配置数据源（控制面板à管理工具à数据源）2、连接数据库odbcConnect(data_src,uid=

17、" ",pwd=" ")3、查询这个是一个通用类型的操作，即可以查询，又可以添加删除修改sqlQuery(channel,"sql")4、更新数据库表，并读取数据（问题暂未解决）sqlSave(channel,mydata,'NEW_TABLE_NAME',append = TRUE)表若不存在则新建，默认以数据框命名。mydata数据框：data.frame()函数建立描述统计l 统计函数mean()Median()var()mad()，绝对中位差quantile(x,probs)，求分位数range()，值域sum

18、()diff(v,lag=n)，滞后差分min()max()scale()，按列标准化l 概率函数l 分布函数Beta分布 beta()柯西分布 cauchy()卡方分布 chisq()t分布 t()F分布 f()Logistic分布 logis()均匀分布 unif()正态分布函数rnorm( )对数正态分布 lnorm()多项分布 mutinom()泊松分布函数pois( )指数分布函数exp( )Gamma分布函数gamma( )均匀分布函数unif( )二项分布函数binom( ) 几何分布函数geom( ) l 将这些分布函数加上第一个字母：d=密度函数p=分布函数q=分位数函数r=

19、生成随机数 l 统计与整合（分组）l summary()描述统计是一种从大量数据中压缩提取信息的工具，最常用的就是summary命令，运行summary(data)得到结果如下：对于数值变量计算了五个分位点和均值，对于分类变量则计算了频数（显示最高的前五个）l aggregate(x, by, FUN, ., simplify = TRUE)对数据x，通过by指明的变量，以FUN的方式进行整合。x是一个数据框的一个属性by有哪些因子去进行统计FUN是计算的方法这个函数最后返回的是一个组织好的数据框l sapply(x,FUN,options)，指定统计方法进行描述options是FUN的参数。

20、另外，可以自定义统计函数，返回是一个向量。描述统计将根据自定义的函数计算，最终返回这个向量。l by(x,INDICES,FUN)，也可以对数据进行整合描述，其中，INDICES是一个因子或列表。l table()统计频数。l 列联表l 创建表table(data)，创建一维列联表table(A,B)，创建二维列联表（矩阵式），A是行，B是列xtabs(formula,data)，根据formula的格式创建。formula可以为A+B抽样函数：Sample(x,size=,replace=T)l 处理表prob.table(table,margins)，比例，margins是边际（1表示行与

21、行相比，2表示列与列相比）margin.table(table,margins)，频数addmargins(tables,margins)，为表格添加边际ftable(table)常用统计推断l 独立性检验l 卡方独立性检验chisq.test()p<0.01则拒绝假设，p>0.05则不拒绝。l Fisher精确性检验fisher.test()，假设是：边界固定的列联表行和列是相互独立的。l Corchran-Mantel-Haenszel检验mantelhaen.test()，假设：两个名义变量在第三个变量的每一层中都是独立的。l 相关性度量l assocstats()，较大的值

22、意味着较强的相关性。l cor(x,use,method=)，计算相关系数；use指定缺失数据的处理方式，method指定相关系数的类型（Pearson、spearman、Kendall三种）cor.test(x,y,alternative=,method=)，对x、y的相关性检验，alternative表示总体的相关系数大于还是小于0（less小于0，greater大于0，two.side，不等于0）l cov()，计算协方差。l pcor(u,S)，偏相关，指控制一个或多个变量后，另外两个变量之间的相互关系。u是一个数值向量，前两个数值表示要计算相关性的下标，后面的表示要控制的变量。S为变

23、量的协方差矩阵。l t检验l 独立性检验t.test(yx,data)，y是一个数值变量，x是一个二分变量。t.test(y1,y2)，y1，y2是数值向量。l 非独立性检验假定组件差异成正态分布。t.tet(y1,y2,paired=TRUE) 时间序列ts(data = NA, start = 1, end = numeric(), frequency = 1, deltat = 1, ts.eps = getOption("ts.eps"), class = , names = )as.ts(x, .)强制转化为时间序列is.ts(x)判断是否为时间序列统计分析回归分

24、析a = lm(formula =, data = dataframe)formula:回归函数的表达式（模型公式），如：yx1+x2，其中的参数是数据框列的名称求模型系数> coef(a)提取模型公式> formula(a)plot(a) 绘画模型诊断图(不理解)预测：predict(a,z),z是新的数据框，利用回归函数a对z进行预测方差分析ANOVAl 概述方差分析是用于两个及两个以上样本均数差别的显著性检验。方差分析的因变量是连续型资料，自变量是分类变量，一般都以组别的形式出现。方差分析是比较组间差异，组间差异的来源有（1）随机误差，组内差异（2）控制条件，组间差异。方差分

25、析的基本思想是：通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。方差分析的检验方式是F检验（对组间的差异性检验）。l 方差分析类别方差分析根据自变量的个数可以有单因素，双因数、三因数等；根据因子的类型，可以分为组内因子和组间因子；另外因变量如果是多个则可以是多元方差分析。l 模型拟合方差分析和回归分析都是广义线性模型，因此方差分析也可以用lm()进行。aov(formula,data=dataframe)，同lm一样，返回的也是一个拟合值，formula的不同就是分析的因素不同，常用的formula有：y A单因素分析y x+A含有协变量的单因素y A*B

26、双因素，*表示A和B之间的交互（展开为A+B+A:B）l 单因素方差分析单因素分析是比较两个或多个组别的因变量均值。fit=aov(AB)summary(fit)l 双因素方差分析fit=aov(yA*B)交互性显示：interaction.plot(A,B,y,)l 多元方差分析当因变量不止一个时，可以用多元方差同时分析。manova(c()A)广义线性模型在许多情况下，因变量可能不符合正态分布，如：Ø 结果变量是类别型的。Ø 结果变量是计数型的（有限，并且均值与方差是相关的，正态分布是相互独立的）。l 广义线性模型l 线性模型Y=0+j=1pjXj对于广义线性模型，只需

27、要保证参数（0，1，）为线性即可，因此定义广义线性模型如下形式：g(Y)=0+j=1pjXj其中，g()是条件均值的函数（连接函数）。l glm()函数glm(formula,family=family(link=function),data=)family=指明了概率分布和相应的连接函数，分布族默认的连接函数：binomial (link = "logit")gaussian (link = "identity")gamma (link = "inverse")inverse.gaussian (link = "1/mu2

28、")poisson (link = "log")quasi (link = "identity", variance = "constant")quasibinomial (link = "logit")quasipoisson (link = "log")默认的link可以在使用的时候省略。例如，对于logistic回归，假设符合二项分布，则可以用family= binomial (link = "logit")来表示。l Logistic回归logistic回归

29、是一个二值检验，因此首先需要将要检验的因子（因变量）转换为二值因子。对于数值变量可以设置界定，上界与下界分别取一个因子。同样的，可以通过p值观测变量的显著性，而重新定义拟合模型。l 模型的比较可以使用anova()，设两套线性模型分别是fit.full和fit.reduced，利用卡方检验进行比较，如：anova(fit.reduced,fit.full,test="Chisq")它们的显著性（p值），说明了两个模型的拟合程度。也就是说，在拟合程度相似的情况下，fit.reduced下面的变量确实具有更高的显著性效果，而其他的却不具备。主成分分析（PCA）与因子分析（EFA

30、）主成分分析是一种数据降维方法，将大量相关变量转换为一组低维不相关的变量。主成分分析是观测变量的一个线性组合，权重是通过最大化各主成分所解释的方差获得的。如：PC1=a1X1+a2X2+akXk探索因子分析是用来发现一组变量的潜在结构的方法。寻找一组更小的、潜在的结构来解释已观测的、显示的变量间的关系。分析的一般步骤：（1）、数据预处理（2）、选择因子模型（3）、判断选择的主成分/因子数目（4）、选择主成分/因子（5）、旋转主成分/因子（6）、解释结果（7）、计算主成分或因子得分l 主成分分析l 主成分个数确定Ø 根据解释变量方差的积累值的阈值来判断需要的主成分数目；Ø 通

31、过变量间K*K的相关系数矩阵来判断保留的主成分数目。特征值方法：第一主成分与最大特征值关联，第二主成分与第二大的关联，依次下去。Ø 碎石检验绘制了特征值与主成分的图形，在图形变化最大处之上的主成分都可以保留。特征值的判别标准函数：fa.parallel(data,fa=”,n.iter=)绘制结果如图：图中表示了三种特征值的判别准则，蓝线展示了基于观测值的碎石检验，虚线表示根据n.iter个随机数矩阵推导出来的特征值均值，实线表示大于1的特征值准则。图中显示了只需要保留1个主成分即可以保留大部分信息。l 提取主成分principal(r,nfactors=,rotate=,score

32、s=)r是相关系数矩阵或原始矩阵；nfactor是主成分数目，默认为1；rotate指定旋转方法，默认最大方差旋转（varimax）；scores设定是否需要计算主成分得分（默认不需要）。 结果中，PC1栏包含了成分载荷，指出了观测变量与主成分的相关系数；h2栏指出了成分公因子方差主成分对每个变量的方差解释度；u2栏指成分唯一性方差无法被主成分解释比例。SS loadings包含了主成分相关联的特征值，Proportion var表示主成分对整体数据集的解释程度。l 主成分旋转旋转是将一系列成分载荷变得更容易解释，它们尽可能的对成分去噪。旋转的方法有两种：Ø 使选择的成分保持不相关（

33、正交旋转）；Ø 让它们变得相关（斜交旋转）。方差极大旋转，对载荷阵的列进行去噪，使得每个变量只由一组有限变量解释。l 获取主成分得分设置scores=TRUE，可以获得每个对象在该主成分上的得分。因此，这里的r只能是原始数据，否则需要另外通过相关系数进行计算。l 因子分析因子分析是通过发掘隐藏在数据下的一组较少的、更为基本的无法观测的变量，来解释一组可观测变量的相关性。每个因子被认为可解释多个观测变量间共有的方差（因此又称为公共因子）。模型形式是：Xi=a1F1+a2F2+akFk+UiUi是Xi独有的部分，无法被公共因子解释。l 判断公共因子数目fa.parallel()将fa=”

34、both”，将同时展现主成分与公共因子分析的结果。l 提取公共因子fa(r,nfactors=,n.obs=,rotate=,scores=,fm=)n.obs是观测数，输入相关系数时需要填写；fm设定因子化方法，默认是最小残差法（minres），另外还有：最大似然法（ml），主轴迭代法（pa），加权最小二乘法（wls），广义加权最小二乘法（gls）。l 因子旋转Ø 正交旋转结果分析rotate=”varimax”可以看到reading和vocab在第一因子上载荷较大，picture、blocks和maze在第二因子上载荷较大，而general较为平均。这说明了包含的两个因子语言类和

35、非语言类。Ø 斜交旋转结果可以看出两者的不同之处。正交旋转，因子分析侧重于结构矩阵（变量与因子的相关系数）；斜交分析，因子分析会考虑三个矩阵：因子结构矩阵、因子模式矩阵和因子关联矩阵。R绘图绘图初探l 图形参数par()返回当前图形参数的列表par(optionname=value,)常用参数参数用途值符号与线条pch绘制点时的符号形状025cex符号的大小默认大小的倍数lty线条的类型16lwd线条的宽度默认大小的倍数颜色col绘图颜色字符向量col.axis坐标轴刻度col.lab坐标轴标签col.main标题col.sub副标题fg前景bg背景l 自定义属性标题title()坐

36、标轴axis()参考线abline(h=yvalues,v=xvalues)图例legend(location,title,legend,)，legend是图例标签的字符向量文本标注text(),mtext()l 图形组合par(mfrow=c(nrows,ncols)layout(matrix)，matrix指定了图形组合的位置布局l 基本图形l 条形图barplot(x,main=”,xlab=”,ylab=”,horiz=FALSE)堆砌与分组条形图barplot(x,main=”,xlab=”,ylab=”,horiz=FALSE,col=c(),legend=c(),besides=FALSE)，绘图对象是一个二维矩阵形式l 饼状图pie()扇形图，plotrix包的fan.plot(x,labels=c()，适合于大小的比较l 直方图hist(x,breaks=n,)，breaks可以指定直方图的条数l 核密度图，密度函数density(x)密度图的绘制可以是pl