实践一:
x=1:100 #把1,2,。。。100个整数向量赋值到x
(x=1:100)#同上,只不过显示出来
sample(x,20)#从1,2,。。。,100中随机不放回地抽取20个值做样本
set.seed(0);sample(1:10,3)#先设随机种子,再抽样
z=sample(1:20000,10000)#从1到20000中不放回抽取10000个样本
z[1:10]#方括号中为向量z的下标
y=c(1,3,7,3,4,2)
z[y]#以y为下标的z的元素值
(z=sample(x,100,rep=T))#从x中有放回地随机抽取100个值做样本
(z1=unique(z))
length(z1)#z1中不同的元素个数
xz=setdiff(x,z)# x和z之间的不同元素 —— 集合差
sort(union(xz),z)#对xz以及z的并的元素从小到大排序
setequal(union(xz,z),x)#xz以及z的并的元素与x是否一样
intersect(1:10,7:50)#两个数据的交
sample(1:100,20,prob=1:100)#从1:100中不等概率随机抽样,各个数字被抽到的概率与其值成比例
实践二:
pi*10^2 #
"*"(pi, "^"(10,2))#
pi*(1:10)^-2.3#可以对向量求指数幂
x=pi*10^2#
x
print(x)#
(x=pi*10^2)#赋值带打印
pi^(1:5)#指数也可以是向量
print(x,digits=12)#输出x的12位数字
实践三(关于R的对象类型等)
x=pi*10^2 #
class(x)# x的class
typeof(x)# x的type
class(cars)#
cars是R中自带的数据
typeof(cars)#cars的type
names(cars)#
cars数据的变量名字
summary(cars)# cars的汇总
head(class)#
cars的头几行数据,和cars[1:6,]相同
tail(class)#
cars的最后几行数据
str(cars)# 也是汇总 ???
row.name(cars)# 行名字
attributes(cars)#cars的一些信息
class(dist~speed)# 公式形式 ,“~”的左边是因变量,右边是自变量
plot(dist~speed,cars)# 两个变量的散点图
plot(cars$speed,cars$dist)# 同上
实践四(包括简单自变量为定变量
及定性变量的回归)
ncol(cars),nrow(cars)
#cars的行列数
dim(cars)# cars的维数
lm(dist~speed, data
=cars)#一dist为因变量,speed为自变量做OLS,,,
cars$qspeed = cut(cars$speed,
breaks=quantile(cars$speed),include.lowest=TRUE)#增加定性变量qspeed,四分点位为分割点
names(cars)#数据cars多了一个变量
cars[3]#第三个变量的值,和
cars[,3]类似
table(cars[3])#列表
is.factor(car$speed)#
plot(dist~speed,data=cars)#点出箱线图
(a=lm(dist~speed,
data=cars))#拟合线性模型(简单最小二乘回归)
summary(a)#回归结果(包括一些检验)
实践五(简单样本描述统计