京公网安备 11010802034615号
经营许可证编号:京B2-20210330
R语言学习-基础篇
从2月10日开始自学R in action,将我的学习所得逐渐发布在这。
chapter1.新手上路
工作空间:存储着所有用户定义的对象(向量,矩阵,函数,数据框,列表);
当前的工目录保存是R用来读取文件和保存结果的默认目录。
getwd()显示当前工作目录;
setwd(“”)修改当前的工作目录;工作目录的"\"要换成“/”;历史记录保存在文件.Rhistory中,工作空间保存在文件.RData中。
install.packages("")下载某个包,library();载入某个包;
包使用方法的查询:help(package="package_name");
chapter2创建数据集
1.不同的行业对数据集行和列的叫法:
统计学家:观测和变量
2.R中的数据结构
标量,向量,矩阵,数组,数据框,列表
(1)向量------------------->数组 (区别:c中数组是从0开始计数的,R是从1开始)
a<-c(1,2,3,4)
a[3](和c类似呢)
a[(c(1,2,4))] #访问1,2,,4号元素
a[2:4]
(2)矩阵--------------------》二维数组
mymatrix<-matrix(1:20,nrow=5,ncol=4)
cells<-c(1,26,24,56)
rnames<-c("r1","r2")
cnames<-c("c1","c2")
mymatrix<-matrix(cells,nrow=2,ncol=2,byrow=true,dimnames=list(rnames,cnames)) byrow=true 按行填充 false 按列填充
矩阵下标使用
x[1,2]
x[1,]
x[,2]
x[1,c(1,2)]
(3)数组与矩阵类似,但是维度可以大于2
(4)数据框
mydata<-data.frame(col1,col2,col3)
选取数据框的元素
mydata[1:2]
mydata$coln $的作用类似与c中的.
(5)列表
一些对象的有序集合
2.数据的输入
1.从键盘输入
edit()函数会自动调用一个允许从键盘输入的文本编辑器
mydata<-dataframe(age=numeric(0),gender=charactor(0),weight=numeric(0))
mydata<-edit(mydata) edit实际上是在对象的一个副本上操作,需要赋值到一个目标上
2.从带分隔符的文本文件导入数据
>mydataframe<-read.table("myfile.csv",header=TRUE,sep=",",row.names="id")
> mydataframe
grade
1 23
2 23
3 12
4 32
5 12
> mydataframe<-read.table("myfile.csv",header=TRUE,sep=",")
> mydataframe
id grade
1 1 23
2 2 23
3 3 12
4 4 32
5 5 12
3.访问数据库管理系统
需要先安装ODBC驱动,注册数据源名称,用户名以及密码。
myconn<-odbcConnect("**",uid="**",pwd="**")
crimedat<-sqlFetch(myconn,Crime)
chapter3图形初阶
>opar<-(no.readonly=TRUE)---------------------------保存当前图形设置参数
> par(pin=c(2,3))---------------得到的图形大小为两英尺宽,三英尺高
> par(cex.axis=0.75,font.axis=3)-------------------坐标轴刻度设置为斜体,0.75倍
> par(lwd=2,cex=1.5)---------------线条为默认宽度2倍,符号1.5倍
> plot(dose,drugA,type="b",pch=19,lty=2,col="red")
> plot(dose,drugB,type="b",pch=19,lty=2,col="blue",bg="green")这两幅图都遵循par的设置
>par(opar)----------------------还原
可以使用title函数为图形添加标题和坐标轴标签
使用axis函数创建自定义坐标轴
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-10在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-10在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01