R语言学习day_2

最新推荐文章于 2024-08-15 21:26:55 发布

西瓜管够

最新推荐文章于 2024-08-15 21:26:55 发布

阅读量121

点赞数

分类专栏： R 文章标签： r语言学习开发语言

本文链接：https://blog.csdn.net/m0_67165014/article/details/125988308

版权

R 专栏收录该内容

10 篇文章 1 订阅

订阅专栏

时间序列函数ts（）

ts（）的参数

data	观察值的向量或矩阵
start	第一个观察值的时间
end	最后一个观察值的时间
frequency	观察值的时间频率
deltat	表示观察值时间频次的分数，比如1/12表示月度
ts.eps	时间序列表示比较容限
class	结果类的设定
names	设定多元时间序列变量名称的字符型向量
header	TRUE/FALSE,原始数据第一列是否为变量名称

列表

列表的应用

#列表
> x=rnorm(20)#生成正态随机20个数据
> e=rnorm(20,mean = 0,sd=0.25)#sd表示标准差
> y=0.15*x+e
> output=lm(y~x)#lm（y~x）表示关于x的线性回归函数
> names(output)
 [1] "coefficients"  "residuals"    
 [3] "effects"       "rank"         
 [5] "fitted.values" "assign"       
 [7] "qr"            "df.residual"  
 [9] "xlevels"       "call"         
[11] "terms"         "model"        
> output$coefficients#output中存放的回归系数
(Intercept)           x 
 0.08810978  0.19939250 
> output$residuals #残差值
          1           2           3           4 
-0.09282232 -0.13877388  0.24089096  0.07408545 
          5           6           7           8 
 0.31357607 -0.07479624 -0.02548409 -0.10585975 
          9          10          11          12 
-0.13589863 -0.10550118 -0.13213445  0.08072300 
         13          14          15          16 
-0.25224860  0.06710868 -0.09243627  0.26019371 
         17          18          19          20 
-0.29309579  0.32606966  0.17197668 -0.08557302 
> output$model#原始数据y和x
              y           x
1  -0.018958396 -0.07144633
2   0.360034812  2.05975108
3   0.165100767 -0.82199670
4   0.202606823  0.20267360
5   0.704361980  1.51799156
6   0.185344148  0.86277372
7   0.246775090  0.92355229
8  -0.176371069 -0.79552193
9  -0.283548596 -1.18239030
10 -0.571401633 -2.77849091
11 -0.096402343 -0.26268629
12  0.017628165 -0.75832654
13 -0.235598842 -0.35838875
14  0.005605898 -0.75034201
15  0.084909517  0.44753942
16  0.199469362 -0.74643800
17 -0.104335161  0.50478752
18  0.472742224  0.29370607
19  0.053073577 -1.03821803
20  0.028147960  0.12844616

函数summary（）,可以获取对象的详细信息。

output_more=summary(output)
> output_more

Call:
lm(formula = y ~ x)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.29310 -0.11243 -0.08018  0.10354  0.32607 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)  0.08811    0.04230   2.083 0.051805
x            0.19939    0.04020   4.960 0.000101
               
(Intercept) .  
x           ***
---
Signif. codes:  
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.1877 on 18 degrees of freedom
Multiple R-squared:  0.5775,	Adjusted R-squared:  0.554 
F-statistic:  24.6 on 1 and 18 DF,  p-value: 0.0001013

> names(output_more)
 [1] "call"          "terms"        
 [3] "residuals"     "coefficients" 
 [5] "aliased"       "sigma"        
 [7] "df"            "r.squared"    
 [9] "adj.r.squared" "fstatistic"   
[11] "cov.unscaled"

函数list()

x1=1:15
> x2=LETTERS[1:18]#生成前18个大写字母
> x3=sample(c(TRUE,FALSE),size=20,replace=TRUE)
> L=list(num=x1,ABC=x2,TF=x3)
> #显示L中的第一列
> L$num;**L[[1]]**;L[[""]]
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15
NULL
> L$num;L[[1]];L[["num"]]
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15
> #显示第一个子列表
> **L[1]**
$num
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15
#注意L[1]和L[[1]]的区别

常规数据对象处理

向量的处理

1、利用正整数取值筛取数据

#利用正整数取值筛选数据
> x=seq(1,10,2)
> x[5]
[1] 9
> x[length(x)]
[1] 9
> length(x)
[1] 5
> x[2:5]
[1] 3 5 7 9
> x[c(2,3,4,5)]
[1] 3 5 7 9
> x[3]
[1] 5

2、利用逻辑条件筛取数据

#利用逻辑条件筛选数据
> x=c(-23,24,25,30,-69)
> index=x>20
> index
[1] FALSE  TRUE  TRUE  TRUE FALSE
> x[c(FALSE,TRUE)]
[1] 24 30
> x[x>20]=0
> x
[1] -23   0   0   0 -69

3、利用负整数筛取数据

#利用负整数取值筛除数据
> x=c(1.5,2.6,3.7,4.8,5.9,6)
> x[-(1:2)]
[1] 3.7 4.8 5.9 6.0
> x[-(5:6)]
[1] 1.5 2.6 3.7 4.8
> x[-6]
[1] 1.5 2.6 3.7 4.8 5.9
> x[-7]
[1] 1.5 2.6 3.7 4.8 5.9 6.0
> x[-8]
[1] 1.5 2.6 3.7 4.8 5.9 6.0
> x[1:8]
[1] 1.5 2.6 3.7 4.8 5.9 6.0  NA  NA

4、常用向量运算函数

#常用的向量运算函数
> x=1:20
> length(x)
[1] 20
> max(x)
[1] 20
> min(x)
[1] 1
> range(x)
[1]  1 20
> prod(x)
[1] 2.432902e+18
> sum(x)
[1] 210
> sum(x)
[1] 210
> any(x>10)
[1] TRUE
> all(x>10)
[1] FALSE
> summary(x)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1.00    5.75   10.50   10.50   15.25   20.00
> cumsum(x)
 [1]   1   3   6  10  15  21  28  36  45  55  66  78  91 105 120 136 153 171 190 210
> cummin(x)
 [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
> cummax(x)
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20