R函数
平均值,中位值,模式
mean()求平均值
mean(x, trim = 0, na.rm = FALSE, ...)
x是输入向量。
trim用于从排序向量的两端丢弃一些观察结果。
na.rm用于从输入向量中删除缺失值。
median()
x <- c(12,7,3,4.2,18,2,54,-21,8,-5)
直接输出平均值
result <- mean(x)
result.mean <- mean(x)
输出:
print(result.mean)
#直接输出名字也可以输出
result
#修剪,会先排序,然后去掉左右两边最大最小前三名,再求平均值
result.mean <- mean(x,trim = 0.3)
# 去除NA值 na.rm = TRUE
result.mean <- mean(x,na.rm = TRUE)
Median( )中位数
median(x, na.rm = FALSE)
x是输入向量。
na.rm用于从输入向量中删除缺失值。
Mode模式
可以包含数字,字符,自定义编写输出出现次数最多的值
# Create the function.
getmode <- function(v) {
uniqv <- unique(v)
uniqv[which.max(tabulate(match(v, uniqv)))]
}
# Create the vector with characters.
charv <- c("o","it","the","it","it",1,3,5)
# Calculate the mode using the user function.
result <- getmode(charv)
print(result)
线性回归
回归分析用于建立两个变量之间的关系模型
预测变量X,响应变量Y
y = ax + b
y是响应变量。
x是预测变量。
a和b被称为系数常数。
建立回归的步骤
收集已有的两个变量数据
lm()函数创建关系模型
从创建的模型中找到系数,并用这些创建数学方程
获得关系模型的摘要以了解预测中的平均误差(残差)
预测新值,predict()函数
lm()函数
lm(formula,data)
公式是表示x和y之间的关系的符号。
数据是应用公式的向量。
predict()函数
predict(object, newdata)
object是已使用lm()函数创建的公式。
newdata是包含预测变量的新值的向量。
举例
# The predictor vector.
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
# The resposne vector.
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
# Apply the lm() function.
relation <- lm(y~x)
# Find weight of a person with height 170.
a <- data.frame(x = 170) ???这里用到一个数据框
result <- predict(relation,a)
print(result)
图形方式可视化回归
# Create the predictor and response variable.
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
relation <- lm(y~x)
# Give the chart file a name.
png(file = "linearregression.png")
# Plot the chart.
plot(y,x,col = "bl