1、R语言基础
1.1 数据类型
1.1.1 原子类型
逻辑型Logical(TRUE,FALSE)
v <- TRUE
print(class(v))
输出数据类型
[1] "logical"
数字型Numeric(12.3,5,999)
v <- 23.5
print(class(v))
输出数据类型
[1] "numeric"
整型Integer(1L,0L)
v <- 19L
print(class(v))
数据数据类型
[1] "integer"
复合型Complex(3 + 2i)
v <- 2+5i
print(class(v))
输出数据类型
[1] "complex"
字符型Character(‘a’ , ‘“good”, “TRUE”, ‘23.4’)
v <- "TRUE"
print(class(v))
输出数据类型
[1] "character"
原型Raw(“Hello” 被存储为 48 65 6c 6c 6f)
v <- charToRaw("Hello")
print(class(v))
输出数据类型
[1] "raw"
1.1.2 Vector向量
用函数c()将多个元素创建向量
# Create a vector.
apple <- c('red','green',"yellow")
print(apple)
# Get the class of the vector.
print(class(apple))
输出
[1] "red" "green" "yellow"
[1] "character"
注：输出的数据类型为原子类型，如果全部为numeric则输出numeric；如果包含numeric和character则输出character
1.1.3 列表List
列表是一个R对象，它可以在其中包含许多不同类型的元素，如向量，函数甚至其中的另一个列表。
# Create a list.
list1 <- list(c(2,5,3),21.3,sin)
# Print the list.
print(list1)
输出
[[1]]
[1] 2 5 3
[[2]]
[1] 21.3
[[3]]
function (x) .Primitive("sin")
1.1.4 Matrices 矩阵
矩阵是二维矩形数据集。 它可以使用矩阵函数的向量输入创建。
# Create a matrix.
M = matrix( c('a','a','b','c','b','a'), nrow = 2, ncol = 3, byrow = TRUE)
print(M)
输出
[,1] [,2] [,3]
[1,] "a" "a" "b"
[2,] "c" "b" "a"
1.1.5 Arrays 数组
数组函数使用一个dim属性创建所需的维数。 在下面的例子中，我们创建了一个包含两个元素的数组，每个元素为3x3个矩阵。
# Create an array.
a <- array(c('green','yellow'),dim = c(3,3,2))
print(a)
输出
, , 1
[,1] [,2] [,3]
[1,] "green" "yellow" "green"
[2,] "yellow" "green" "yellow"
[3,] "green" "yellow" "green"
, , 2
[,1] [,2] [,3]
[1,] "yellow" "green" "yellow"
[2,] "green" "yellow" "green"
[3,] "yellow" "green" "yellow"
1.1.6 Factors 因子
因子是使用向量创建的r对象。 它将向量与向量中元素的不同值一起存储为标签，类似于集合set。 标签总是字符，不管它在输入向量中是数字还是字符或布尔等。 它们在统计建模中非常有用。
nlevels函数给出级别计数。
# Create a vector.
apple_colors <- c('green','green','yellow','red','red','red','green')
# Create a factor object.
factor_apple <- factor(apple_colors)
# Print the factor.
print(factor_apple)
print(nlevels(factor_apple))
输出
[1] green green yellow red red red yellow green
Levels: green red yellow
# applying the nlevels function we can know the number of distinct values
[1] 3
1.1.7 Data Frames 数据帧
数据帧是表格数据对象。 与数据帧中的矩阵不同，每列可以包含不同的数据模式。 第一列可以是数字，而第二列可以是字符，第三列可以是逻辑的。 它是等长度的向量的列表。
# Create the data frame.
BMI <- data.frame(
gender = c("Male", "Male","Female"),
height = c(152, 171.5, 165),
weight = c(81,93, 78),
Age = c(42,38,26)
)
print(BMI)
输出
gender height weight Age
1 Male 152.0 81 42
2 Male 171.5 93 38
3 Female 165.0 78 26
2、R语言常用函数
2.1 模型
- lm
线性模型
modle = lm(tempdub~month.)
- fitted(=fitted.value)
得到模型的拟合数值
win.graph(width = 4.875,height = 2.5,pointsize = 8)
plot(y=rstudent(model),x=as.vector(fitted(model)),xlab='Fitted Trend Values',ylab='Standardized Residuals')
points(y=rstudent(model),x=as.vector(fitted(model)),pch = as.vector(season(tempdub)),col = 'black')
2.2 统计参数
- rstudent
残差 X_t = Y_t - u_t(样本 - 平均值)
plot(y=rstudent(model),x=as.vector(time(tempdub)),xlab='Time',ylab='Standardized Residuals',type='o')
- qqnorm
正态得分或者分位数-分位数(QQ)图，用于验证正态性。横坐标：理论分位数；纵坐标：样本分位数。
qqnorm(rstudent(model))
- acf(Auto- and Cross- Covariance and -Correlation Function Estimation)
样本自相关系数。输出不同r_k，k为样本相隔的个数；输出水平虚线（0加减2倍样本自相关系数的近似标准误差，即±2/sqrt(n))
eg.Y_1,Y_2,…,Y_10
如果k = 2，则r_2 = f({Y_1,Y_3},{Y_2,Y_4},…)
acf(rstudent(model))
- diff
差分，可设置差分阶数
plot(diff(ima22.s,defference = 2),ylab = 'Defference twice',type = 'o') # 二阶阶差分数据
2.3 可视化
- points(x,y,type=’p’,…)
在特定坐标画点，可以画字符、有颜色的点、背景（具体见说明）
2.4 工具函数
- as.vector
生成一个向量
欢迎关注我的微信公众号
互联网矿工
