|
帮助：help(nnet) = ?nnet =??nnet
清除命令框中所有显示内容：Ctrl+L
清除R空间中内存变量：rm(list=ls())、gc()
获取或者设置当前工作目录：getwd、setwd
保存指定文件或者从磁盘中读取出来：save、load
读入、读出文件：read.table、wirte.table、read.csv、write.csv
1、一些简单的基本统计量
- #基本统计量
- sum/mean/sd/min #一些基本统计量
-
- which.min() #找出最小值的序号
以上是单数列，如果是多变量下的呢？
- #多元数据
- colMeans() #每列,row是行（横向）
- colnames() #列名
- colSums() #列求和
- cov() #协方差阵
- cor() #相关矩阵
- cor.test() #相关系数
| abs |
绝对值 |
| sqrt |
平方根 |
| exp |
e^x次方 |
| log |
自然对数 |
| log2,log10 |
其他对数 |
| sin,cos,tan |
三角函数 |
| sinh,cosh,tanh |
双曲函数 |
| poly |
正交多项式 |
| polyroot |
多项式求根 |
对象操作：
| assign |
赋值操作，等同于“<-” |
| rm |
删除对象 |
| ls |
显示内存中的对象 |
| str |
显示对象的内在属性或简要说明对象 |
| ls.str |
展示内存中所有对象的详细信息 |
| length |
返回对象中元素的个数 |
| names |
显示数据的名称，对于数据框则是列名字 |
| levels |
因子向量的水平 |
| dim |
数据的维度 |
| nrow |
矩阵或数据框的行数 |
| ncol |
列数 |
| rownames |
数据的行名字 |
| colnames |
列名字 |
| class |
数据类型 |
| mode |
数据模式 |
| head |
数据的前n行 |
| tail |
数据的后n行 |
| summary |
显示对象的概要 |
| attr |
x的属性类型 |
| |
|
| is.na |
检测变量的类型 |
| is.null |
| is.array |
| is.data.frame |
| is.numeric |
| is.complex |
| is.character |
简单统计：
| max |
最大元素 |
| min |
最小元素 |
| range |
最小值和最大值组成的向量 |
| sum |
和 |
| prod |
元素连乘 |
| pmax |
向量间相同下标进行比较最大者，并组成新的向量 |
| pmin |
向量间相同下标进行比较最小者，并组成新的向量 |
| cumsum |
累积求和 |
| cumprod |
连乘 |
| cummax |
最大 |
| cummin |
最小 |
| mean |
均值 |
| weighted,mean |
加权平均数 |
| median |
中位数 |
| sd |
标准差 |
| norm |
正态分布 |
| f |
F分布 |
| unif |
均匀分布 |
| cauchy |
柯西分布 |
| binom |
二项分布 |
| geom |
几何分布 |
| chisq.test |
卡方检验，进行独立性检验 |
| prop.test |
对总体均值进行假设检验 |
| shapiro.test |
正态分布检验 |
| t.test |
T检验，对总体均值进行区间估计 |
| aov |
方差分析 |
| anova |
一个或多个模型对象的方差分析 |
2、向量
向量在循环语句中较为广泛
- #向量
- #向量在循环语句中较为广泛
- M=vector(length = 8);M #生成一个长为8的布尔向量
- M[1]="1";M #赋值之后就会定义为字符
- M[1]=1;M #赋值之后，定义为数值
逻辑向量使用
- y[y < 0] <- -y[y < 0] #表示将向量(-y)中 与向量y的负元素对应位置的元素 赋值给 向量y中 与向量y负元素对应的元素。作用相当于： y <- abs(y)
3、数据储存形式
- #数据储存形式
- data.frame(wi=iris,ci=cars) #数据框形式，可以直接定义变量名
- list(wi=iris,ci=cars) #list，也可以直接定义变量名
注意：attach()、detach()
可以将数据框中的变量释放到Rs内存中，然后就可以直接调用。
- attach(iris)
- names(setosa)
- detach(iris)
在data.frame中，是可以实现数据集重命名的，比如data.frame(x=iris,y=cars)，
也可以实现横向、纵向重命名，data.frame(x=iris,y=cars,row.names=iris)
4、数据查看函数——names、str、unique组合、typeof()、mode()、class()
- ##数据查看函数
- names(iris) #查看所有变量名字
- str(iris) #变量属性（int整数,num数值）
- unique(iris$setosa) #查看分类变量的水平
- table(iris$setosa) #分类水平，不同水平的个数（=unique+sum功能）
- summary(iris) #所有变量各自的均值、分位数、众数、最大、最小值等统计量，在回归中就是系数表等
- attributes(iris) #包括names（变量名）、row.names（序号的名称）、class(数据形式)
一般names、str、unique会组合使用。
如何查看数据类型——typeof()、mode()、class()的区别？
- 我这里用个因子例子来说明，希望能讲清楚
- > gl(2,5) #新建一个因子
- [1] 1 1 1 1 1 2 2 2 2 2
- Levels: 1 2
- > class(gl(2,5)) #查看变量的类，显示为因子；
- [1] "factor"
- > mode(gl(2,5)) #查看数据大类，显示为数值型；
- [1] "numeric"
- > typeof(gl(2,5)) #查看数据细类，显示为整数型；
- [1] "integer"
- #来自：http://f.dataguru.cn/thread-99785-1-1.html
从精细度上说，typeof>mode>class.
5、矩阵的基本知识与注意
- #矩阵的基本知识
- t() #转置
- det() #行列式，方阵
- x%*%y #向量内积
- x%o%y#向量外积
-
-
- A=array(1:9,dim=c(3,3))
- A*A #这个代表矩阵内两两子元素相乘
- A%*%A #才是我们想要的结果
- crossprod(A,A) #等于t(A)%*%A
- crossprod(t(A),A) #等于A%*%A，所以需要t（A）一下
| t |
矩阵转置 |
| rowsum |
行求和 |
| colsum |
列求和 |
| rowmeans |
行平均 |
| colmeans |
列平均 |
| solve |
对线性方程求解或求矩阵的逆 |
| diag |
对角阵 |
6、因子
- ##因子（≈文本+数字的组合）
- #SPSS中值标签定义有异曲同工之妙
- M=factor(iris$setosa,levels=c(1,0),labels=c("M","F"));M #能够转化因子格式+定义值标签
- M=as.factor(iris$setosa);M #上面的函数更有效，因为as.factor只能转化成因子格式
7、输入输出
| library |
加载包 |
| data |
加载制定数据集 |
| load |
加载save或者save.image保存的数据 |
| read.table |
读取表格 |
| read.csv |
读取以逗号分割的表格 |
| read.delim |
读取以tab分割个表格 |
| read.fwf |
以fixed width formatted 形式读取数据至表格 |
| save |
二进制保存指定对象 |
| save.image |
二进制保存当前线程内所有对象 |
| write.table |
将数据以表格形式写入文本 |
| write.csv |
将数据以CSV表格形式写入文本 |
| cat |
强制转化为字符后输出 |
| sink |
输出转向到指定文件 |
| print |
输出屏幕 |
| format |
格式化 |
8、逻辑运算
| !x |
逻辑非 |
| x & y |
逻辑与 |
| x && y |
逻辑与（仅匹配并返回第一个值） |
| x | y |
逻辑或 |
| x || y |
逻辑或（仅返回第一个值） |
| x or (x,y) |
异或
|
|
客服电话
APP下载
官方微信
请发表评论