--- contributors: - ["e99n09", "http://github.com/e99n09"] - ["isomorphismes", "http://twitter.com/isomorphisms"] translators: - ["小柒", "http://weibo.com/u/2328126220"] - ["alswl", "https://github.com/alswl"] filename: learnr-zh.r --- R 是一门统计语言。它有很多数据分析和挖掘程序包。可以用来统计、分析和制图。 你也可以在 LaTeX 文档中运行 `R` 命令。 ```r # 评论以 # 开始 # R 语言原生不支持 多行注释 # 但是你可以像这样来多行注释 # 在窗口里按回车键可以执行一条命令 ################################################################### # 不用懂编程就可以开始动手了 ################################################################### data() # 浏览内建的数据集 data(rivers) # 北美主要河流的长度（数据集） ls() # 在工作空间中查看「河流」是否出现 head(rivers) # 撇一眼数据集 # 735 320 325 392 524 450 length(rivers) # 我们测量了多少条河流？ # 141 summary(rivers) # Min. 1st Qu. Median Mean 3rd Qu. Max. # 135.0 310.0 425.0 591.2 680.0 3710.0 stem(rivers) # 茎叶图（一种类似于直方图的展现形式） # # The decimal point is 2 digit(s) to the right of the | # # 0 | 4 # 2 | 011223334555566667778888899900001111223333344455555666688888999 # 4 | 111222333445566779001233344567 # 6 | 000112233578012234468 # 8 | 045790018 # 10 | 04507 # 12 | 1471 # 14 | 56 # 16 | 7 # 18 | 9 # 20 | # 22 | 25 # 24 | 3 # 26 | # 28 | # 30 | # 32 | # 34 | # 36 | 1 stem(log(rivers)) # 查看数据集的方式既不是标准形式，也不是取log后的结果! 看起来，是钟形曲线形式的基本数据集 # The decimal point is 1 digit(s) to the left of the | # # 48 | 1 # 50 | # 52 | 15578 # 54 | 44571222466689 # 56 | 023334677000124455789 # 58 | 00122366666999933445777 # 60 | 122445567800133459 # 62 | 112666799035 # 64 | 00011334581257889 # 66 | 003683579 # 68 | 0019156 # 70 | 079357 # 72 | 89 # 74 | 84 # 76 | 56 # 78 | 4 # 80 | # 82 | 2 hist(rivers, col="#333333", border="white", breaks=25) # 试试用这些参数画画 （译者注：给 river 做统计频数直方图，包含了这些参数：数据源，颜色，边框，空格） hist(log(rivers), col="#333333", border="white", breaks=25) #你还可以做更多式样的绘图 # 还有其他一些简单的数据集可以被用来加载。R 语言包括了大量这种 data() data(discoveries) plot(discoveries, col="#333333", lwd=3, xlab="Year", main="Number of important discoveries per year") # 译者注：参数为（数据源，颜色，线条宽度，X 轴名称，标题） plot(discoveries, col="#333333", lwd=3, type = "h", xlab="Year", main="Number of important discoveries per year") # 除了按照默认的年份排序，我们还可以排序来发现特征 sort(discoveries) # [1] 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 # [26] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 # [51] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 # [76] 4 4 4 4 5 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 8 9 10 12 stem(discoveries, scale=2) # 译者注：茎叶图（数据，放大系数） # # The decimal point is at the | # # 0 | 000000000 # 1 | 000000000000 # 2 | 00000000000000000000000000 # 3 | 00000000000000000000 # 4 | 000000000000 # 5 | 0000000 # 6 | 000000 # 7 | 0000 # 8 | 0 # 9 | 0 # 10 | 0 # 11 | # 12 | 0 max(discoveries) # 12 summary(discoveries) # Min. 1st Qu. Median Mean 3rd Qu. Max. # 0.0 2.0 3.0 3.1 4.0 12.0 #基本的统计学操作也不需要任何编程知识 #随机生成数据 round(runif(7, min=.5, max=6.5)) # 译者注：runif 产生随机数，round 四舍五入 # 1 4 6 1 4 6 4 # 你输出的结果会和我们给出的不同，除非我们设置了相同的随机种子 random.seed(31337) #从标准高斯函数中随机生成 9 次 rnorm(9) # [1] 0.07528471 1.03499859 1.34809556 -0.82356087 0.61638975 -1.88757271 # [7] -0.59975593 0.57629164 1.08455362 ######################### # 基础编程 ######################### # 数值 #“数值”指的是双精度的浮点数 5 # 5 class(5) # "numeric" 5e4 # 50000 # 用科学技术法方便的处理极大值、极小值或者可变的量级 6.02e23 # 阿伏伽德罗常数# 1.6e-35 # 布朗克长度 # 长整数并用 L 结尾 5L # 5 #输出5L class(5L) # "integer" # 可以自己试一试？用 class() 函数获取更多信息 # 事实上，你可以找一些文件查阅 `xyz` 以及xyz的差别 # `xyz` 用来查看源码实现，?xyz 用来看帮助 # 算法 10 + 66 # 76 53.2 - 4 # 49.2 2 * 2.0 # 4 3L / 4 # 0.75 3 %% 2 # 1 # 特殊数值类型 class(NaN) # "numeric" class(Inf) # "numeric" class(-Inf) # "numeric" # 在以下场景中会用到 integrate( dnorm(x), 3, Inf ) -- 消除 Z 轴数据 # 但要注意，NaN 并不是唯一的特殊数值类型…… class(NA) # 看上面 class(NULL) # NULL # 简单列表 c(6, 8, 7, 5, 3, 0, 9) # 6 8 7 5 3 0 9 c('alef', 'bet', 'gimmel', 'dalet', 'he') c('Z', 'o', 'r', 'o') == "Zoro" # FALSE FALSE FALSE FALSE # 一些优雅的内置功能 5:15 # 5 6 7 8 9 10 11 12 13 14 15 seq(from=0, to=31337, by=1337) # [1] 0 1337 2674 4011 5348 6685 8022 9359 10696 12033 13370 14707 # [13] 16044 17381 18718 20055 21392 22729 24066 25403 26740 28077 29414 30751 letters # [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s" # [20] "t" "u" "v" "w" "x" "y" "z" month.abb # "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep" "Oct" "Nov" "Dec" # Access the n'th element of a list with list.name[n] or sometimes list.name[[n]] # 使用 list.name[n] 来访问第 n 个列表元素，有时候需要使用 list.name[[n]] letters[18] # "r" LETTERS[13] # "M" month.name[9] # "September" c(6, 8, 7, 5, 3, 0, 9)[3] # 7 # 字符串 # 字符串和字符在 R 语言中没有区别 "Horatio" # "Horatio" class("Horatio") # "character" substr("Fortuna multis dat nimis, nulli satis.", 9, 15) # "multis " gsub('u', 'ø', "Fortuna multis dat nimis, nulli satis.") # "Fortøna møltis dat nimis, nølli satis." # 逻辑值 # 布尔值 class(TRUE) # "logical" class(FALSE) # "logical" # 和我们预想的一样 TRUE == TRUE # TRUE TRUE == FALSE # FALSE FALSE != FALSE # FALSE FALSE != TRUE # TRUE # 缺失数据（NA）也是逻辑值 class(NA) # "logical" #定义NA为逻辑型 # 因子 # 因子是为数据分类排序设计的（像是排序小朋友们的年级或性别） levels(factor(c("female", "male", "male", "female", "NA", "female"))) # "female" "male" "NA" factor(c("female", "female", "male", "NA", "female")) # female female male NA female # Levels: female male NA data(infert) # 自然以及引产导致的不育症 levels(infert$education) # "0-5yrs" "6-11yrs" "12+ yrs" # 变量 # 有许多种方式用来赋值 x = 5 # 这样可以 y <- "1" # 更推荐这样 TRUE -> z # 这样可行，但是很怪 #我们还可以使用强制转型 as.numeric(y) # 1 as.character(x) # "5" # 循环 # for 循环语句 for (i in 1:4) { print(i) } # while 循环 a <- 10 while (a > 4) { cat(a, "...", sep = "") a <- a - 1 } # 记住，在 R 语言中 for / while 循环都很慢 # 建议使用 apply()（我们一会介绍）来操作一串数据（比如一列或者一行数据） # IF/ELSE # 再来看这些优雅的标准 if (4 > 3) { print("Huzzah! It worked!") } else { print("Noooo! This is blatantly illogical!") } # => # [1] "Huzzah! It worked!" # 函数 # 定义如下 jiggle <- function(x) { x = x + rnorm(1, sd=.1) # 添加一点（正态）波动 return(x) } # 和其他 R 语言函数一样调用 jiggle(5) # 5±ε. 使用 set.seed(2716057) 后， jiggle(5)==5.005043 ######################### # 数据容器：vectors, matrices, data frames, and arrays ######################### # 单维度 # 你可以将目前我们学习到的任何类型矢量化，只要它们拥有相同的类型 vec <- c(8, 9, 10, 11) vec # 8 9 10 11 # 矢量的类型是这一组数据元素的类型 class(vec) # "numeric" # If you vectorize items of different classes, weird coercions happen #如果你强制的将不同类型数值矢量化，会出现特殊值 c(TRUE, 4) # 1 4 c("dog", TRUE, 4) # "dog" "TRUE" "4" #我们这样来取内部数据，（R 的下标索引顺序 1 开始） vec[1] # 8 # 我们可以根据条件查找特定数据 which(vec %% 2 == 0) # 1 3 # 抓取矢量中第一个和最后一个字符 head(vec, 1) # 8 tail(vec, 1) # 11 #如果下标溢出或不存会得到 NA vec[6] # NA # 你可以使用 length() 获取矢量的长度 length(vec) # 4 # 你可以直接操作矢量或者矢量的子集 vec * 4 # 16 20 24 28 vec[2:3] * 5 # 25 30 # 这里有许多内置的函数，来表现向量 mean(vec) # 9.5 var(vec) # 1.666667 sd(vec) # 1.290994 max(vec) # 11 min(vec) # 8 sum(vec) # 38 # 二维（相同元素类型） #你可以为同样类型的变量建立矩阵 mat <- matrix(nrow = 3, ncol = 2, c(1,2,3,4,5,6)) mat # => # [,1] [,2] # [1,] 1 4 # [2,] 2 5 # [3,] 3 6 # 和 vector 不一样的是，一个矩阵的类型真的是 「matrix」，而不是内部元素的类型 class(mat) # => "matrix" # 访问第一行的字符 mat[1,] # 1 4 # 操作第一行数据 3 * mat[,1] # 3 6 9 # 访问一个特定数据 mat[3,2] # 6 # 转置整个矩阵（译者注：变成 2 行 3 列） t(mat) # => # [,1] [,2] [,3] # [1,] 1 2 3 # [2,] 4 5 6 # 使用 cbind() 函数把两个矩阵按列合并，形成新的矩阵 mat2 <- cbind(1:4, c("dog", "cat", "bird", "dog")) mat2 # => # [,1] [,2] # [1,] "1" "dog" # [2,] "2" "cat" # [3,] "3" "bird" # [4,] "4" "dog" class(mat2) # matrix # Again, note what happened! # 注意 # 因为矩阵内部元素必须包含同样的类型 # 所以现在每一个元素都转化成字符串 c(class(mat2[,1]), class(mat2[,2])) # 按行合并两个向量，建立新的矩阵 mat3 <- rbind(c(1,2,4,5), c(6,7,0,4)) mat3 # => # [,1] [,2] [,3] [,4] # [1,] 1 2 4 5 # [2,] 6 7 0 4 # 哈哈，数据类型都一样的，没有发生强制转换，生活真美好 # 二维(不同的元素类型) # 利用 data frame 可以将不同类型数据放在一起 dat <- data.frame(c(5,2,1,4), c("dog", "cat", "bird", "dog")) names(dat) <- c("number", "species") # 给数据列命名 class(dat) # "data.frame" dat # => # number species # 1 5 dog # 2 2 cat # 3 1 bird # 4 4 dog class(dat$number) # "numeric" class(dat[,2]) # "factor" # data.frame() 会将字符向量转换为 factor 向量 # 有很多精妙的方法来获取 data frame 的子数据集 dat$number # 5 2 1 4 dat[,1] # 5 2 1 4 dat[,"number"] # 5 2 1 4 # 多维（相同元素类型） # 使用 arry 创造一个 n 维的表格 # You can make a two-dimensional table (sort of like a matrix) # 你可以建立一个 2 维表格（有点像矩阵） array(c(c(1,2,4,5),c(8,9,3,6)), dim=c(2,4)) # => # [,1] [,2] [,3] [,4] # [1,] 1 4 8 3 # [2,] 2 5 9 6 #你也可以利用数组建立一个三维的矩阵 array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2)) # => # , , 1 # # [,1] [,2] # [1,] 2 8 # [2,] 300 9 # [3,] 4 0 # # , , 2 # # [,1] [,2] # [1,] 5 66 # [2,] 60 7 # [3,] 0 847 #列表（多维的，不同类型的） # R语言有列表的形式 list1 <- list(time = 1:40) list1$price = c(rnorm(40,.5*list1$time,4)) # 随机 list1 # You can get items in the list like so # 你可以这样获得列表的元素 list1$time # You can subset list items like vectors # 你也可以和矢量一样获取他们的子集 list1$price[4] ######################### # apply()函数家族 ######################### # 还记得 mat 么？ mat # => # [,1] [,2] # [1,] 1 4 # [2,] 2 5 # [3,] 3 6 # Use apply(X, MARGIN, FUN) to apply function FUN to a matrix X # 使用(X, MARGIN, FUN)将函数 FUN 应用到矩阵 X 的行 (MAR = 1) 或者 列 (MAR = 2) # That is, R does FUN to each row (or column) of X, much faster than a # R 在 X 的每一行/列使用 FUN，比循环要快很多 apply(mat, MAR = 2, myFunc) # => # [,1] [,2] # [1,] 3 15 # [2,] 7 19 # [3,] 11 23 # 还有其他家族函数 ?lapply, ?sapply # 不要被吓到，虽然许多人在此都被搞混 # plyr 程序包的作用是用来改进 apply() 函数家族 install.packages("plyr") require(plyr) ?plyr ######################### # 载入数据 ######################### # "pets.csv" 是网上的一个文本 pets <- read.csv("https://learnxinyminutes.com/pets.csv") pets head(pets, 2) # 前两行 tail(pets, 1) # 最后一行 # 以 .csv 格式来保存数据集或者矩阵 write.csv(pets, "pets2.csv") # 保存到新的文件 pets2.csv # set working directory with setwd(), look it up with getwd() # 使用 setwd() 改变工作目录，使用 getwd() 查看当前工作目录 # 尝试使用 ?read.csv 和 ?write.csv 来查看更多信息 ######################### # 画图 ######################### # 散点图 plot(list1$time, list1$price, main = "fake data") # 译者注：横轴 list1$time，纵轴 wlist1$price，标题 fake data # 回归图 linearModel <- lm(price ~ time, data = list1) # 译者注：线性模型，数据集为list1，以价格对时间做相关分析模型 linearModel # 拟合结果 # 将拟合结果展示在图上，颜色设为红色 abline(linearModel, col = "red") # 也可以获取各种各样漂亮的分析图 plot(linearModel) # 直方图 hist(rpois(n = 10000, lambda = 5), col = "thistle") # 译者注：统计频数直方图 # 柱状图 barplot(c(1,4,5,1,2), names.arg = c("red","blue","purple","green","yellow")) # 可以尝试着使用 ggplot2 程序包来美化图片 install.packages("ggplot2") require(ggplot2) ?ggplot2 ``` ## 获得 R * 从 [http://www.r-project.org/](http://www.r-project.org/) 获得安装包和图形化界面 * [RStudio](http://www.rstudio.com/ide/) 是另一个图形化界面