R语言基础学习

R与R Studio

• R语言是数据科学和统计分析的语言，适合数据分析和数据可视化。
• R是开源的，拥有丰富的包（packages），可以与优化软件进行交互。
• RStudio 提供了R语言的集成开发环境，支持代码编辑、运行、调试等功能。
• 下载R：CRAN
• 下载RStudio：RStudio Download

R Studio界面基本操作

• 保存/打开代码文件使用.R扩展名。
• 保存/打开环境文件使用.Rdata扩展名。
• 快捷键操作：
  • Ctrl + L: 清除控制台。
  • Ctrl + #: 专注于panel。
  • Ctrl + Enter: 运行当前行或选中的行。

R语言基本语法

• 基本运算与赋值

  # 加法
  add_result <- 3 + 7
  # 减法
  subtract_result <- 3 - 7
  # 除法
  divide_result <- 3 / 7
  # 乘法
  multiply_result <- 3 * 7
  # 次方
  power_result <- 3 ^ 7
  
  # 赋值
  A <- 10  # 向右赋值
  B <- 5   # 同上
  # 字符串赋值
  A_string <- 'This is a valid string'
  B_string <- "And so is this"
  

• 向量的生成与索引

  # 创建向量
  X <- c(1, 2, 3)
  Y <- c('one', 'two', 'three')
  
  # 使用seq()生成序列
  sequence_vector <- seq(1, 10, 2)
  
  # 使用rep()生成重复元素的向量
  repeated_vector <- rep(c(1, 2, 3), 2)
  
  # 索引向量
  X <- c(4, 5, 6, 7)
  third_element_X <- X[3]
  except_second_element_X <- X[-2]
  second_and_fourth_element_X <- X[c(2, 4)]
  
  # 通过索引重新赋值
  X[1] <- 14
  X[c(2, 4)] <- c(15, 17)
  
  # 对向量增加元素
  X[5] <- 8
  

• 向量的运算

  # 元素层面上的运算
  X <- c(4, 5, 6, 7)
  elementwise_addition <- X + X
  elementwise_subtraction <- X - X
  elementwise_power <- X ^ 3
  elementwise_multiplication <- X * X
  
  # 向量内积
  X %*% X
  

• 矩阵的生成与索引

  # 生成矩阵
  X_matrix <- matrix(1:10, nrow = 2, ncol = 5)
  
  # 索引矩阵
  element <- X_matrix[2, 2]
  row <- X_matrix[2, ]
  column <- X_matrix[, 2]
  specific_elements <- X_matrix[2, c(2, 4)]
  

• 控制流语句

  # if语句
  x <- 5
  if (x < 7) {
    x <- 9
  } else {
    x <- 11
  }
  
  # for循环
  sum <- 0
  for (i in 1:10) {
    sum <- sum + i
  }
  
  # while循环
  sum <- 0
  i <- 1
  while (i < 11) {
    sum <- sum + i
    i <- i + 1
  }
  

• 用户自定义函数

  # 自定义函数
  Accumulative <- function(n) {
    sum <- 0
    for (i in 1:n) {
      sum <- sum + i
    }
    return(sum)
  }
  result <- Accumulative(10)
  

DataFrame简介

• 数据框是R中类似于表格的数据结构，每行是一个个体，每列是一个变量。

数据框的创建

library(tibble)
data <- tibble(
  age = c(24, 22, 23, 25, 22),
  personality = c('g', 'b', 'g', 'b', 'g'),
  income = c(2000, 5800, 4200, 1500, 6000)
)

数据框的检索

# 使用$检索
ages <- data$age

# 使用[ ]检索
age_vector <- data['age']
income_vector <- data[["income"]]

# 使用[[ ]]检索（向量形式）
income_vector_direct <- data[[2]]

# 矩阵检索方式
data[2, 3]
data[, 2]
data[4, ]
data[1:3, c('age', 'income')]

数据框的基本操作

• filter(): 筛选数据框中的行。

  filter_data <- filter(data, age > 23)
  

• slice(): 根据行号筛选行。

  first_ten_rows <- slice(data, 1:10)
  last_ten_rows <- slice(data, (n() - 9):n())
  

• select(): 选择或排除列。

  selected_columns <- select(data, age, income)
  excluded_columns <- select(data, -age, -income)
  

• mutate(): 添加新列或修改现有列。

  transformed_data <- mutate(data, income_per_age = income / age)
  

• arrange(): 对数据框进行排序。

  arranged_data <- arrange(data, desc(income))
  

• summarize(): 对数据框进行汇总。

  summary_data <- summarize(data, avg_income = mean(income, na.rm = TRUE))
  

数据框分组操作

• group_by(): 按变量分组数据框。

  grouped_data <- group_by(data, personality)
  

• 分组后的操作: 对分组数据进行操作，如汇总。

  summary_by_personality <- summarize(grouped_data, avg_income = mean(income, na.rm = TRUE))
  

The pipe operator：%>%

• 使用管道操作符将前一步的结果传递给下一步的函数。

  count_cuts <- diamonds %>%
    group_by(cut) %>%
    mutate(N = n())
  

ggplot2绘图

• 使用ggplot2包进行数据可视化。

  library(ggplot2)
  ggplot(data, aes(x = age, y = income)) +
    geom_point()