多元统计分析及R语言建模#学习笔记

最近在学习R语言，把书上的代码都敲一遍，仅供学习

函数c()创建向量

x1=c(171,175,159,155,152,158,154,164,168,166,159,164)
x2=c(57,64,41,38,35,44,41,51,57,49,47,46)
length(x1)
length(x2)

12  12

查看数据类型

mode(x1)

'numeric'

生成等差数列向量

a=1:12

1. 1
2. 2
3. 3
4. 4
5. 5
6. 6
7. 7
8. 8
9. 9
10. 10
11. 11
12. 12

b=c(1,3,6:4,9)

1. 1
2. 3
3. 6
4. 5
5. 4
6. 9

创建矩阵

A=matrix(c(1,4,2,5,3,6),nrow=2,ncol=3)
A

A matrix: 2 × 3 of type dbl

1	2	3
4	5	6

B=matrix(c(1,2,3,4,5,6),3,2) #3行2列
B

A matrix: 3 × 2 of type dbl

1	4
2	5
3	6

matrix(x1,nrow=3,ncol=4) #按列摆放顺序

A matrix: 3 × 4 of type dbl

171	155	154	166
175	152	164	159
159	158	168	164

matrix(x1,nrow=4,ncol=3)

A matrix: 4 × 3 of type dbl

171	152	168
175	158	166
159	154	159
155	164	164

matrix(x1,nrow=4,ncol=3,byrow=T) #按行排列的矩阵

A matrix: 4 × 3 of type dbl

171	175	159
155	152	158
154	164	168
166	159	164

矩阵转置

t(A) #A'为转置矩阵，矩阵A并未发生改变

A matrix: 3 × 2 of type dbl

1	4
2	5
3	6

矩阵加减

A[,1:2]+B[1:2,]

A matrix: 2 × 2 of type dbl

2	6
6	10

A[,2:3]-B[2:3,]

A matrix: 2 × 2 of type dbl

0	-2
2	0

矩阵相乘

C=A%*%B
C

A matrix: 2 × 2 of type dbl

14	32
32	77

D=B%*%A
D

A matrix: 3 × 3 of type dbl

17	22	27
22	29	36
27	36	45

矩阵对角运算

diag(D) #取方阵的对角元素

1. 17
2. 29
3. 45

diag(C)

1. 14
2. 77

I=diag(3) #对一个正整数k应用diag()函数将产生k维单位矩阵
I

A matrix: 3 × 3 of type dbl

1	0	0
0	1	0
0	0	1

c=c(1,2,3,4) #对一个向量用diag()函数将产生以这个向量为对角元素的对角矩阵
M=diag(c)
M

A matrix: 4 × 4 of type dbl

1	0	0	0
0	2	0	0
0	0	3	0
0	0	0	4

矩阵求逆

solve(C)

A matrix: 2 × 2 of type dbl

1.4259259	-0.5925926
-0.5925926	0.2592593

矩阵的特征值与向量

D.e=eigen(D,symmetric=T)
D.e

eigen() decomposition
$values
[1] 9.040267e+01 5.973275e-01 1.329470e-15

$vectors
           [,1]       [,2]       [,3]
[1,] -0.4286671  0.8059639  0.4082483
[2,] -0.5663069  0.1123824 -0.8164966
[3,] -0.7039467 -0.5811991  0.4082483

D.e$vectors%*%diag(D.e$values)%*%t(D.e$vectors) #D=URU',R为D的特征值组成的对角矩阵

A matrix: 3 × 3 of type dbl

17	22	27
22	29	36
27	36	45

矩阵的奇异值分解

(A=matrix(1:18,3,6))

A matrix: 3 × 6 of type int

1	4	7	10	13	16
2	5	8	11	14	17
3	6	9	12	15	18

(A.s=svd(A)) #矩阵的奇异值分解

$d

1. 45.8945322027251
2. 1.6407053035306
3. 1.36652174299492e-15

$u

A matrix: 3 × 3 of type dbl

-0.5290354	0.74394551	0.4082483
-0.5760715	0.03840487	-0.8164966
-0.6231077	-0.66713577	0.4082483

$v

A matrix: 6 × 3 of type dbl

-0.07736219	-0.71960032	-0.4076688
-0.19033085	-0.50893247	0.5745647
-0.30329950	-0.29826463	-0.0280114
-0.41626816	-0.08759679	0.2226621
-0.52923682	0.12307105	-0.6212052
-0.64220548	0.33373889	0.2596585

A.s$u%*%diag(A.s$d)%*%t(A.s$v) #'$'表示从一个dataframe取出某一列数据

A matrix: 3 × 6 of type dbl

1	4	7	10	13	16
2	5	8	11	14	17
3	6	9	12	15	18

矩阵的维数

A=matrix(1:16,4,4)
dim(A)

1. 4
2. 4

nrow(A)

4

ncol(A)

4

矩阵的和

A
sum(A)

A matrix: 4 × 4 of type int

1	5	9	13
2	6	10	14
3	7	11	15
4	8	12	16

136

rowSums(A) #矩阵按行求和

1. 28
2. 32
3. 36
4. 40

colSums(A) #矩阵按列求和

1. 10
2. 26
3. 42
4. 58

矩阵的均值

mean(A)
rowMeans(A) #按行求均值
colMeans(A) #按列求均值

8.5

1. 7
2. 8
3. 9
4. 10

1. 2.5
2. 6.5
3. 10.5
4. 14.5

数据框的构成

X=data.frame(x1,x2) #x1,x2的长度必须一致
X

A data.frame: 12 × 2

x1	x2
<dbl>	<dbl>
171	57
175	64
159	41
155	38
152	35
158	44
154	41
164	51
168	57
166	49
159	47
164	46

Y=data.frame('身高'=x1,'体重'=x2)
Y

A data.frame: 12 × 2

身高	体重
<dbl>	<dbl>
171	57
175	64
159	41
155	38
152	35
158	44
154	41
164	51
168	57
166	49
159	47
164	46

数据框的组成

rbind(x1,x2) #按行合并

A matrix: 2 × 12 of type dbl

x1	171	175	159	155	152	158	154	164	168	166	159	164
x2	57	64	41	38	35	44	41	51	57	49	47	46

cbind(x1,x2) #按列合并

A matrix: 12 × 2 of type dbl

x1	x2
171	57
175	64
159	41
155	38
152	35
158	44
154	41
164	51
168	57
166	49
159	47
164	46

按行显示

head(X) #前6行

A data.frame: 6 × 2

	x1	x2
	<dbl>	<dbl>
1	171	57
2	175	64
3	159	41
4	155	38
5	152	35
6	158	44

tail(X) #后6行

A data.frame: 6 × 2

	x1	x2
	<dbl>	<dbl>
7	154	41
8	164	51
9	168	57
10	166	49
11	159	47
12	164	46

数据框的应用

apply(x,margin,fun)

x:数据框或矩阵

margin:指定对行还是对列运算（margin=1表示对行运算,margin=2表示对列运算）

fun:指定运算函数

Xr=apply(X,1,sum) #按行求和=rowSums
Xr

1. 228
2. 239
3. 200
4. 193
5. 187
6. 202
7. 195
8. 215
9. 225
10. 215
11. 206
12. 210

Xc=apply(X,2,sum) #按列求和=colSums
Xc

x1 1945

x2 570

cbind(X,'行合计'=Xr) 

A data.frame: 12 × 3

x1	x2	行合计
<dbl>	<dbl>	<dbl>
171	57	228
175	64	239
159	41	200
155	38	193
152	35	187
158	44	202
154	41	195
164	51	215
168	57	225
166	49	215
159	47	206
164	46	210

rbind(X,'列合计'=Xc)

A data.frame: 13 × 2

x1	x2
<dbl>	<dbl>
171	57
175	64
159	41
155	38
152	35
158	44
154	41
164	51
168	57
166	49
159	47
164	46
1945	570