r语言lm函数找不到对象_怎么才能查看R语言某个包某函数源码？

方法一：直接写函数名称，如在R中查看回归分析代码：

lm

直接可以查看到

function (formula, data, subset, weights, na.action, method = "qr",

model = TRUE, x = FALSE, y = FALSE, qr = TRUE, singular.ok = TRUE,

contrasts = NULL, offset, ...)

{

ret.x

ret.y

cl

mf

m

"offset"), names(mf), 0L)

mf

mf$drop.unused.levels

mf[[1L]]

mf

if (method == "model.frame")

return(mf)

else if (method != "qr")

warning(gettextf("method = '%s' is not supported. Using 'qr'",

method), domain = NA)

mt

y

w

if (!is.null(w) && !is.numeric(w))

stop("'weights' must be a numeric vector")

offset

if (!is.null(offset)) {

if (length(offset) != NROW(y))

stop(gettextf("number of offsets is %d, should equal %d (number of observations)",

length(offset), NROW(y)), domain = NA)

}

if (is.empty.model(mt)) {

x

z

3) else numeric(), residuals = y, fitted.values = 0 *

y, weights = w, rank = 0L, df.residual = if (!is.null(w)) sum(w !=

0) else if (is.matrix(y)) nrow(y) else length(y))

if (!is.null(offset)) {

z$fitted.values

z$residuals

}

}

else {

x

z

lm.fit(x, y, offset = offset, singular.ok = singular.ok,

...)

else lm.wfit(x, y, w, offset = offset, singular.ok = singular.ok,

...)

}

class(z)

z$na.action

z$offset

z$contrasts

z$xlevels

z$call

z$terms

if (model)

z$model

if (ret.x)

z$x

if (ret.y)

z$y

if (!qr)

z$qr

z

}

优点：直接简单。

缺点：并非所有的函数都能通过此方法得到。

原因：R是面向对象设计的程序语言。

方法二：与方法一类似，用函数page()，不过，结果在另一个窗口显示。

方法三：与方法二类似，用函数edit()。

方法四：对于计算方法不同的函数，要用methods()来定义具体的查看对象，如查看函数mean代码，用方法一只能查到

function (x, ...)

UseMethod("mean")

无法得到具体的代码。此时要有methods()来查找mean具体的对象

methods(mean)

此时，结果是

[1] mean.Date mean.default mean.difftime mean.POSIXct mean.POSIXlt

要查看具体名称，如mean.default的代码，直接用代码

mean.default

可以看到mean.default的源代码

function (x, trim = 0, na.rm = FALSE, ...)

{

if (!is.numeric(x) && !is.complex(x) && !is.logical(x)) {

warning("argument is not numeric or logical: returning NA")

return(NA_real_)

}

if (na.rm)

x

if (!is.numeric(trim) || length(trim) != 1L)

stop("'trim' must be numeric of length one")

n

if (trim > 0 && n) {

if (is.complex(x))

stop("trimmed means are not defined for complex data")

if (anyNA(x))

return(NA_real_)

if (trim >= 0.5)

return(stats::median(x, na.rm = FALSE))

lo

hi

x

}

.Internal(mean(x))

}

注意：对于程序包里的函数，需要先调用函数所在的包。

对于methods()得出的类函数中带星号标注的源代码是看不到的。

对于非类函数，不能用此方法。

方法五：对于方法四中methods()得出的类函数中带星号标注的源代码，用函数getAnywhere()，如查找predict函数的源代码。

methods(predict)

结果显示：

[1] predict.ar* predict.Arima* predict.arima0* predict.glm predict.HoltWinters* predict.lm

[7] predict.loess* predict.mlm* predict.nls* predict.poly* predict.ppr* predict.prcomp*

[13] predict.princomp* predict.smooth.spline* predict.smooth.spline.fit* predict.StructTS*

若用命令predict.Arima查看predict.Arima源代码。结果显示：

错误: 找不到对象'predict.Arima'

此时，用

getAnywhere(predict.Arima)

这样就可以查看到predict.Arima的源代码。

function (object, n.ahead = 1L, newxreg = NULL, se.fit = TRUE,

...)

{

myNCOL

0

else NCOL(x)

rsd

xr

xreg

eval.parent(xr)

else NULL

ncxreg

if (myNCOL(newxreg) != ncxreg)

stop("'xreg' and 'newxreg' have different numbers of columns")

class(xreg)

xtsp

n

arma

coefs

narma

if (length(coefs) > narma) {

if (names(coefs)[narma + 1L] == "intercept") {

xreg

newxreg

ncxreg

}

xm

drop(as.matrix(newxreg) %*% coefs)

else drop(as.matrix(newxreg) %*% coefs[-(1L:narma)])

}

else xm

if (arma[2L] > 0L) {

ma

if (any(Mod(polyroot(c(1, ma))) < 1))

warning("MA part of model is not invertible")

}

if (arma[4L] > 0L) {

ma

if (any(Mod(polyroot(c(1, ma))) < 1))

warning("seasonal MA part of model is not invertible")

}

z

pred

frequency = xtsp[3L])

if (se.fit) {

se

deltat(rsd), frequency = xtsp[3L])

return(list(pred = pred, se = se))

}

else return(pred)

}

方法六：直接上CRAN 下载源代码包

流程如下：登入R主页 http://www.r-project.org/ ，点击 Download 下的CRAN;

选择一个镜像;

里面的Source Code for all Platforms下有各种源码了，对于程序包，点packages;

点选择项Table of available packages, sorted by name;

找到你你想要的包，点击看Package source这一项，用tar.gz封装的，下载解压后就能看见源代码了。

很多函数的核心是用C或FORTRAN等写的，利用.C(),.FORTRAN()等函数调用。这种做法是出于计算效率的考虑。

最后，如果真的想阅读组成R系统本身的源代码，在各个CRAN中均有下载。都是精心挑选过的算法，是学习的好材料。同时，你可以看到R系统内部是如何构成的，对于高效使用R有至关重要的作用。