R语言数据管理

最新推荐文章于 2024-07-11 14:43:56 发布
最新推荐文章于 2024-07-11 14:43:56 发布
阅读量206 收藏
点赞数
分类专栏： 编程训练 R语言 文章标签： r语言 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_69884785/article/details/132543387
版权

1.将变量加入列表中 

> mydata<-data.frame(x1=c(2,3,4,5),x2=c(2,5,7,9))
> mydata
  x1 x2
1  2  2
2  3  5
3  4  7
4  5  9
> sumx<-x1+x2
Error: object 'x1' not found
> sumx<-mydata$x1+mydata$x2
> sumx
[1]  4  8 11 14
> ls()
[1] "mydata" "sumx"
#这里是两个列表

> mydata$sumx<-mydata$x1+mydata$x2
> mydata
  x1 x2 sumx
1  2  2    4
2  3  5    8
3  4  7   11
4  5  9   14
#这里是一个列表

2.变量编码

managers<-c(1,2,3,4,5)
date<-c("10/24/08","10/28/08","10/1/08","10/12/08","5/1/09")
> country<-c("US","US","UK","UK","UK")
> gender<-c("M","F","F","M","F")
> age<-c(32,45,25,39,99)
> q1<-c(5,3,3,3,2)
> q2<-c(4,5,5,3,2)
> q3<-c(5,2,5,4,1)
> q4<-c(5,5,5,NA,2)
> q5<-c(5,5,2,NA,1)
> survey<-data.frame(managers,date,country,gender,age,q1,q2,q3,q4,q5,stringAsFactors=FALSE)
> survey
  managers     date country gender age q1 q2 q3 q4 q5 stringAsFactors
1        1 10/24/08      US      M  32  5  4  5  5  5           FALSE
2        2 10/28/08      US      F  45  3  5  2  5  5           FALSE
3        3  10/1/08      UK      F  25  3  5  5  5  2           FALSE
4        4 10/12/08      UK      M  39  3  3  4 NA NA           FALSE
5        5   5/1/09      UK      F  99  2  2  1  2  1           FALSE
> 
#更改变量中的数据
> survey$age[survey$age==99]<-NA
> survey
  managers     date country gender age q1 q2 q3 q4 q5 stringAsFactors
1        1 10/24/08      US      M  32  5  4  5  5  5           FALSE
2        2 10/28/08      US      F  45  3  5  2  5  5           FALSE
3        3  10/1/08      UK      F  25  3  5  5  5  2           FALSE
4        4 10/12/08      UK      M  39  3  3  4 NA NA           FALSE
5        5   5/1/09      UK      F  NA  2  2  1  2  1           FALSE
> 
#更改变量名
> names(survey)
 [1] "managers"        "date"            "country"         "gender"         
 [5] "age"             "q1"              "q2"              "q3"             
 [9] "q4"              "q5"              "stringAsFactors"
> names(survey)[6]<-"question"
> survey
  managers     date country gender age question q2 q3 q4 q5 stringAsFactors
1        1 10/24/08      US      M  32        5  4  5  5  5           FALSE
2        2 10/28/08      US      F  45        3  5  2  5  5           FALSE
3        3  10/1/08      UK      F  25        3  5  5  5  2           FALSE
4        4 10/12/08      UK      M  39        3  3  4 NA NA           FALSE
5        5   5/1/09      UK      F  NA        2  2  1  2  1           FALSE
>

3.判断是否为控制

> survey[,6:10]
  question q2 q3 q4 q5
1        5  4  5  5  5
2        3  5  2  5  5
3        3  5  5  5  2
4        3  3  4 NA NA
5        2  2  1  2  1
> is.na(survey[,6:10])
     question    q2    q3    q4    q5
[1,]    FALSE FALSE FALSE FALSE FALSE
[2,]    FALSE FALSE FALSE FALSE FALSE
[3,]    FALSE FALSE FALSE FALSE FALSE
[4,]    FALSE FALSE FALSE  TRUE  TRUE
[5,]    FALSE FALSE FALSE FALSE FALSE

如果数值里面有空值，计算得到的也为空值

x<-c(1,2,NA,4)

y<-x[1]+x[2]+x[3]+x[4]

y

[1] NA

去空值

> survey
  managers     date country gender age question q2 q3 q4 q5 stringAsFactors
1        1 10/24/08      US      M  32        5  4  5  5  5           FALSE
2        2 10/28/08      US      F  45        3  5  2  5  5           FALSE
3        3  10/1/08      UK      F  25        3  5  5  5  2           FALSE
4        4 10/12/08      UK      M  39        3  3  4 NA NA           FALSE
5        5   5/1/09      UK      F  NA        2  2  1  2  1           FALSE
> data<-na.omit(survey)
> data
  managers     date country gender age question q2 q3 q4 q5 stringAsFactors
1        1 10/24/08      US      M  32        5  4  5  5  5           FALSE
2        2 10/28/08      US      F  45        3  5  2  5  5           FALSE
3        3  10/1/08      UK      F  25        3  5  5  5  2           FALSE
>

4.日期值：将字符串的日期转化为数值

> mydata<-as.Date("2016-01-20")
> mydata
[1] "2016-01-20"

> mydata1<-c("01/05/2006","01/29/2007")
> date<-as.Date(mydata1,"%m/%d/%y")
> date
[1] "2020-01-05" "2020-01-29"

> Sys.Date()
[1] "2023-08-28"
> date()
[1] "Mon Aug 28 18:25:39 2023"

> today<-Sys.Date()
> today
[1] "2023-08-28"
> format(today,format="%B %d %Y")
[1] "八月 28 2023"
> format(today,format="%y")
[1] "23"
> startdate<-as.Date("2003-01-23")
> enddate<-as.Date("2011-09-18")
> startdate
[1] "2003-01-23"
> enddate
[1] "2011-09-18"
> days<-enddate-startdate
> days
Time difference of 3160 days

5.类型转换函数

判断数值类型

is.integer()

is.numeric()

is.character()

is.vector()

is.matrix()

is.date.frame()

is.factor()

is.logical()

（1）as.integer()

x <- 3.14
y <- as.integer(x)
print(y)
# 输出结果为 3，小数部分被截断

（2）as.numeric()

x <- "3.14"
y <- as.numeric(x)
print(y)
# 输出结果为 3.14，字符型转换为数值型

（3）as.character()

x <- 42
y <- as.character(x)
print(y)
# 输出结果为 "42"，整数型转换为字符型

（4）as.logical()

x <- 0
y <- as.logical(x)
print(y)
# 输出结果为 FALSE，数值 0 转换为逻辑型 FALSE

（5）as.vector()

# 示例1：将一个列表转换为向量
list_data <- list(1, 2, 3, 4)
vector_data <- as.vector(list_data)
print(vector_data)
# 输出结果为：1 2 3 4

# 示例2：将一个矩阵转换为向量（按列优先顺序）
matrix_data <- matrix(1:6, nrow = 2)
vector_data <- as.vector(matrix_data)
print(vector_data)
# 输出结果为：1 2 3 4 5 6

# 示例3：将一个数据框的列转换为向量
data <- data.frame(x = c(1, 2, 3), y = c(4, 5, 6))
vector_data <- as.vector(data$x)
print(vector_data)
# 输出结果为：1 2 3

（6）as.matrix()

# 示例1：将向量转换为矩阵
vector_data <- c(1, 2, 3, 4)
matrix_data <- as.matrix(vector_data)
print(matrix_data)
# 输出结果为：
#      [,1]
# [1,]    1
# [2,]    2
# [3,]    3
# [4,]    4

# 示例2：将列表转换为矩阵
list_data <- list(1:3, 4:6, 7:9)
matrix_data <- as.matrix(list_data)
print(matrix_data)
# 输出结果为：
#      [,1] [,2] [,3]
# [1,]    1    4    7
# [2,]    2    5    8
# [3,]    3    6    9

# 示例3：将数据框转换为矩阵
data <- data.frame(x = c(1, 2), y = c(3, 4))
matrix_data <- as.matrix(data)
print(matrix_data)
# 输出结果为：
#      x y
# [1,] 1 3
# [2,] 2 4

（7）as.data.frame()

# 示例1：将向量转换为数据框
vector_data <- c(1, 2, 3, 4)
data_frame <- as.data.frame(vector_data)
print(data_frame)
# 输出结果为：
#   vector_data
# 1           1
# 2           2
# 3           3
# 4           4

# 示例2：将矩阵转换为数据框
matrix_data <- matrix(1:6, nrow = 2)
data_frame <- as.data.frame(matrix_data)
print(data_frame)
# 输出结果为：
#   V1 V2 V3
# 1  1  3  5
# 2  2  4  6

# 示例3：将列表转换为数据框
list_data <- list(x = 1:3, y = 4:6)
data_frame <- as.data.frame(list_data)
print(data_frame)
# 输出结果为：
#   x y
# 1 1 4
# 2 2 5
# 3 3 6

(8)as.factor()

# 示例1：将向量转换为因子
vector_data <- c("Male", "Female", "Male", "Male", "Female")
factor_data <- as.factor(vector_data)
print(factor_data)
# 输出结果为：
# [1] Male   Female Male   Male   Female
# Levels: Female Male

# 示例2：将变量转换为因子
data <- data.frame(x = c("A", "B", "A"), y = c(1, 2, 3))
data$x <- as.factor(data$x)
print(data)
# 输出结果为：
#   x y
# 1 A 1
# 2 B 2
# 3 A 3
# Levels: A B

# 示例3：将数值型变量转换为有序因子
numeric_data <- c(1, 2, 3, 2, 1, 3)
factor_data <- as.factor(numeric_data)
ordered_factor_data <- ordered(factor_data, levels = c(1, 2, 3), labels = c("Low", "Medium", "High"))
print(ordered_factor_data)
# 输出结果为：
# [1] Low    Medium High   Medium Low    High  
# Levels: Low < Medium < High

（9）format()

x <- 3.14159
y <- format(x, digits = 2)
print(y)
# 输出结果为 "3.14"，数值格式化为指定小数位数

（10）trunc()

x <- 3.14159
y <- round(x, digits = 2)
print(y)
# 输出结果为 3.14，数值四舍五入到指定小数位数

6.排序

> data<-survey[order(survey$age),]
> data
  managers     date country gender age question q2 q3 q4 q5 stringAsFactors
3        3  10/1/08      UK      F  25        3  5  5  5  2           FALSE
1        1 10/24/08      US      M  32        5  4  5  5  5           FALSE
4        4 10/12/08      UK      M  39        3  3  4 NA NA           FALSE
2        2 10/28/08      US      F  45        3  5  2  5  5           FALSE
5        5   5/1/09      UK      F  NA        2  2  1  2  1           FALSE
#先按性别进行排序，再按年龄进行排序
> data2<-survey[order(survey$gender,survey$age),]
> data2
  managers     date country gender age question q2 q3 q4 q5 stringAsFactors
3        3  10/1/08      UK      F  25        3  5  5  5  2           FALSE
2        2 10/28/08      US      F  45        3  5  2  5  5           FALSE
5        5   5/1/09      UK      F  NA        2  2  1  2  1           FALSE
1        1 10/24/08      US      M  32        5  4  5  5  5           FALSE
4        4 10/12/08      UK      M  39        3  3  4 NA NA           FALSE
>

7.数据集的合并

（1）cbind

> x<-matrix(c(1,2,3,4,5,6,7,8,9),nrow=3,ncol=3)
> x
     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9
> y<-x
> y
     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9

#cbind
> z<-cbind(x,y)
> z
     [,1] [,2] [,3] [,4] [,5] [,6]
[1,]    1    4    7    1    4    7
[2,]    2    5    8    2    5    8
[3,]    3    6    9    3    6    9

#rbind
> z<-rbind(x,y)
> z
   k1 k2 data
1  NA  1    1
2  NA NA    2
3   3 NA    3
4   4  4    4
5   5  5    5
6  NA NA    1
7   2 NA    2
8  NA  3    3
9   4  4    4
10  5  5    5
>

（2）merge

> x<-data.frame(k1=c(NA,NA,3,4,5),k2=c(1,NA,NA,4,5),data=1:5)
> y<-data.frame(k1=c(NA,2,NA,4,5),k2=c(NA,NA,3,4,5),data=1:5)
> x
  k1 k2 data
1 NA  1    1
2 NA NA    2
3  3 NA    3
4  4  4    4
5  5  5    5
> y
  k1 k2 data
1 NA NA    1
2  2 NA    2
3 NA  3    3
4  4  4    4
5  5  5    5
> z<-merge(x,y,by="k1")
> z
  k1 k2.x data.x k2.y data.y
1  4    4      4    4      4
2  5    5      5    5      5
3 NA    1      1   NA      1
4 NA    1      1    3      3
5 NA   NA      2   NA      1
6 NA   NA      2    3      3
#by="k1",第一个中的NA,对应第二个中的第(1)个NA和第(3)个NA
相当于
for(x){
    for(y)
}
循环
> newdata <- subset(survey,age>=35 | age<24,select=c(q1,q2,q3,q4))
> newdata
  q1 q2 q3 q4
2  3  5  2  5
4  3  3  4 NA
5  2  2  1  2

(3)reshape2

这里使用的是airquality数据集----纽约1973年5月~9月空气质量情况

不知道Rstudio内置数据集的可以看

http://t.csdn.cn/E84Ff

BiocManager::install("reshape2")
library(reshape2)
> melt(airquality)
> head(aql)
  variable value
1    Ozone    41
2    Ozone    36
3    Ozone    12
4    Ozone    18
5    Ozone    NA
6    Ozone    28

> head(airquality)
  Ozone Solar.R Wind Temp Month Day
1    41     190  7.4   67     5   1
2    36     118  8.0   72     5   2
3    12     149 12.6   74     5   3
4    18     313 11.5   62     5   4
5    NA      NA 14.3   56     5   5
6    28      NA 14.9   66     5   6


#用于指定数据重塑（reshaping）操作中要保留的标识变量（identifier variables）
> aql<-melt(airquality,id.vars = c("Month","Day"))
> head(aql)
  Month Day variable value
1     5   1    Ozone    41
2     5   2    Ozone    36
3     5   3    Ozone    12
4     5   4    Ozone    18
5     5   5    Ozone    NA
6     5   6    Ozone    28

#以平均值作为聚合函数
> aqw<-dcast(aql,Month~variable,fun.aggregate = mean,na.rm=TRUE)
> head(aqw)
  Month    Ozone  Solar.R      Wind     Temp
1     5 23.61538 181.2963 11.622581 65.54839
2     6 29.44444 190.1667 10.266667 79.10000
3     7 59.11538 216.4839  8.941935 83.90323
4     8 59.96154 171.8571  8.793548 83.96774
5     9 31.44828 167.4333 10.180000 76.90000

> head(airquality)
  Ozone Solar.R Wind Temp Month Day
1    41     190  7.4   67     5   1
2    36     118  8.0   72     5   2
3    12     149 12.6   74     5   3
4    18     313 11.5   62     5   4
5    NA      NA 14.3   56     5   5
6    28      NA 14.9   66     5   6

(4)gather

#cyl、disp 和 mpg 则是原始数据框中的列名，将被转换为 Key 和 Value 两列
> tdata<-mtcars[1:10,1:3]
> tdata<-data.frame(names=rownames(tdata),tdata)
> tdata
                              names  mpg cyl  disp
Mazda RX4                 Mazda RX4 21.0   6 160.0
Mazda RX4 Wag         Mazda RX4 Wag 21.0   6 160.0
Datsun 710               Datsun 710 22.8   4 108.0
Hornet 4 Drive       Hornet 4 Drive 21.4   6 258.0
Hornet Sportabout Hornet Sportabout 18.7   8 360.0
Valiant                     Valiant 18.1   6 225.0
Duster 360               Duster 360 14.3   8 360.0
Merc 240D                 Merc 240D 24.4   4 146.7
Merc 230                   Merc 230 22.8   4 140.8
Merc 280                   Merc 280 19.2   6 167.6

> gather(tdata,key="Key",value="Value",cyl,disp,mpg)

也可以用列号表示

gather(tdata,key="Key",value="Value",2:4)

 

(5)spread

> gdata<- gather(tdata,key="Key",value="Value",2:4)
> spread(gdata,key="Key",value="Value")
               names cyl  disp  mpg
1         Datsun 710   4 108.0 22.8
2         Duster 360   8 360.0 14.3
3     Hornet 4 Drive   6 258.0 21.4
4  Hornet Sportabout   8 360.0 18.7
5          Mazda RX4   6 160.0 21.0
6      Mazda RX4 Wag   6 160.0 21.0
7           Merc 230   4 140.8 22.8
8          Merc 240D   4 146.7 24.4
9           Merc 280   6 167.6 19.2
10           Valiant   6 225.0 18.1

(6)separate与unite

> df<-data.frame(x=c(NA,"a.b","a.d","b.c"))
> df
     x
1 <NA>
2  a.b
3  a.d
4  b.c

> separate(df,col=x,into=c("A","B"))
     A    B
1 <NA> <NA>
2    a    b
3    a    d
4    b    c
> df<-data.frame(x=c(NA,"a.b-c","a-d","b-c"))
> separate(df,col=x,into=c("A","B"),sep="-")
     A    B
1 <NA> <NA>
2  a.b    c
3    a    d
4    b    c

> x<-separate(df,col=x,into=c("A","B"),sep="-")
> x
     A    B
1 <NA> <NA>
2  a.b    c
3    a    d
4    b    c
> unite(x,col="AB",A,B,sep="-")
     AB
1 NA-NA
2 a.b-c
3   a-d
4   b-c

(7)dplyr

#过滤iris数据中Sepal.Length<7的数据
dplyr::filter(iris,Sepal.Length>7)

#将合并后的数据框进行去重操作
dplyr::distinct(rbind(iris[1:10,],iris[1:15,]))

#选择 iris 数据框中的第 10 到 15 行，并将结果存储在 sliced_data 中
dplyr::slice(iris,10:15)

#从 iris 数据框中随机选择 10 行数据
dplyr::sample_n(iris,10)

#frac：表示要选择的行数占原始数据框总行数的比例
dplyr::sample_frac(iris,0.1)

#按照 Sepal.Length 列对 iris 数据框进行排序
dplyr::arrange(iris,Sepal.Length)

#按照相反方向排序
dplyr::arrange(iris,desc(Sepal.Length))

#使用 group_by() 函数对数据框 iris 按照 Species 列进行分组
dplyr::group_by(iris,Species)

补充 %>%
管道运算符 %>% 的作用是将前一个表达式的结果作为参数传递给下一个表达式的第一个参数
#对分组统计结果进行排序
iris %>% group_by(Species) %>% summaries(avg=mean(Sepal,Width) %>% arrange(ave))

#添加新的一列
dplyr::mutate(iris,new=Sepal.Length+Petal.Length)

#连接相关
a=data.frame(x1=c("A","B","C"),x2=c(1,2,3))
b=data.frame(x1=c("A","B","D"),x3=c(T,F,T))
#左连接
dplyr::left_join(a,b,by="x1")
#全连接
dplyr::full_join(a,b,by="x1")
#半连接
dplyr::semi_join(a,b,by="x1")
#反向连接：将a,b补集输出来
dplyr::anti_join(a,b,by="x1")

#取交集
intersect
#取并集
union_all
#非冗余的并集
union
#取first补集
setdiff(first,second)
#取second补集
setdiff(second,first)

(8)select

library(dplyr)

# 选择 iris 数据框中的两列：Sepal.Length 和 Sepal.Width
selected_data <- select(iris, Sepal.Length, Sepal.Width)

# 查看选择后的结果
selected_data

(9)summarise

library(dplyr)

# 计算 iris 数据框中 Sepal.Length 列的均值和标准差
summary_data <- iris %>%
  summarise(mean = mean(Sepal.Length), sd = sd(Sepal.Length))

# 查看汇总结果
summary_data

dplyr还有许多功能，可以使用help（dplyr）进行查看 

(10)sample(x,size,replace=FALSE)

size：取出的样品量        replace：是否放回，若为false则不放回，若为true则放回

> mysample<-survey[sample(5,3,replace = FALSE),]
> mysample
  managers     date country gender age q1 q2 q3 q4 q5 stringAsFactors
4        4 10/12/08      UK      M  39  3  3  4 NA NA           FALSE
5        5   5/1/09      UK      F  99  2  2  1  2  1           FALSE
2        2 10/28/08      US      F  45  3  5  2  5  5           FALSE

每一次执行都不同

8.数据集的调整

t()：能使行变为列，使列变为行

> survey
  managers     date country gender age q1 q2 q3 q4 q5 stringAsFactors
1        1 10/24/08      US      M  32  5  4  5  5  5           FALSE
2        2 10/28/08      US      F  45  3  5  2  5  5           FALSE
3        3  10/1/08      UK      F  25  3  5  5  5  2           FALSE
4        4 10/12/08      UK      M  39  3  3  4 NA NA           FALSE
5        5   5/1/09      UK      F  99  2  2  1  2  1           FALSE
> t(survey)
                [,1]       [,2]       [,3]      [,4]       [,5]    
managers        "1"        "2"        "3"       "4"        "5"     
date            "10/24/08" "10/28/08" "10/1/08" "10/12/08" "5/1/09"
country         "US"       "US"       "UK"      "UK"       "UK"    
gender          "M"        "F"        "F"       "M"        "F"     
age             "32"       "45"       "25"      "39"       "99"    
q1              "5"        "3"        "3"       "3"        "2"     
q2              "4"        "5"        "5"       "3"        "2"     
q3              "5"        "2"        "5"       "4"        "1"     
q4              " 5"       " 5"       " 5"      NA         " 2"    
q5              " 5"       " 5"       " 2"      NA         " 1"    
stringAsFactors "FALSE"    "FALSE"    "FALSE"   "FALSE"    "FALSE"

9.数学函数

这一篇已经涵盖大部分数学函数，这里进行补充

http://t.csdn.cn/m94L5​​​​​​

(1)pretty

#30个-3~3的数
> x<-pretty(c(-3,3),30)
> x
 [1] -3.0 -2.8 -2.6 -2.4 -2.2 -2.0 -1.8 -1.6 -1.4 -1.2 -1.0 -0.8
[13] -0.6 -0.4 -0.2  0.0  0.2  0.4  0.6  0.8  1.0  1.2  1.4  1.6
[25]  1.8  2.0  2.2  2.4  2.6  2.8  3.0

(2)dnorm

> y<-dnorm(x)
> plot(x,y)

 除了dnorm,还有其他计算正态分布的函数

  • dnorm(x, mean, sd): dnorm() 函数用于计算正态分布（或称为高斯分布）的概率密度函数（PDF）。给定一个值 x，均值 mean 和标准差 sd，该函数返回在给定值处的概率密度。例如，dnorm(0, 0, 1) 返回标准正态分布在 x=0 处的概率密度。

  • rnorm(n, mean, sd): rnorm() 函数用于生成服从正态分布的随机数。给定样本数 n、均值 mean 和标准差 sd，函数会生成一个长度为 n 的随机数向量，其中的随机数符合给定的正态分布。

  • pnorm(q, mean, sd): pnorm() 函数用于计算正态分布的累积分布函数（CDF）。给定一个值 q、均值 mean 和标准差 sd，该函数返回随机变量小于等于 q 的概率。例如，pnorm(0, 0, 1) 返回标准正态分布中小于等于 0 的概率。

  • qnorm(p, mean, sd): qnorm() 函数用于计算正态分布的分位数函数。给定一个概率值 p、均值 mean 和标准差 sd，该函数返回对应于给定概率的分位数。例如，qnorm(0.5, 0, 1) 返回标准正态分布的中位数。

rnorm(50,mean=20,sd=8)

（3）runif(5):随机生成5个服从正态分布的数

> runif(5)
[1] 0.1326900 0.4600964 0.9429571 0.7619739 0.9329098

set.seed(12)

runif(5)

[1] 0.1326900 0.4600964 0.9429571 0.7619739 0.9329098

就会得到之前得到的随机数

dulu~dulu
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R语言数据分析R语言数据分析
01-05
在这个"R语言数据分析"的主题中，我们将深入探讨R语言在数据处理、统计建模、可视化以及机器学习等方面的关键知识点。 1. **数据导入与预处理**： - `read.table()` 和 `read.csv()` 函数用于导入文本或CSV文件，`...
R语言笔记-数值型变量的描述统计
树屋Treehouse
10-21 3630
文章目录不分亚组的描述统计使用向量操作计算单个变量的描述统计量计算汇总了多个变量的数据框的描述统计量：``sapply()````psych``包：``describe()``分亚组的描述统计``aggregate()````epiDisplay``包：``summ()````psych``包：``describeBy()`` 不分亚组的描述统计 以MASS包中的数据集birthwt为示例。 使用向量操作计算单个变量的描述统计量 单个变量统计函数计算的基本语法：统计函数(数据框$变量名) 关于基本统计函数
R语言基础入门3--数值运算的R函数
smart_leizi的专栏
09-12 2146
> #别人不想做的，或者不屑与做的，我也要努力的去做。每次做一点，积累。 Business Intelligence 简写为BI BI=数据仓库（存储层datawarehouses）+数据分析和数据挖掘（分析层datamining data exploration）+报表（变现层Data Presentations）   #1.函数：c(),length(),mode(),rbind(
Rlang(3)Factor - String - Function and Package
快马扬鞭须努力！
09-03 233
Rlang(3)Factor - String - Function and Package 1. Factor Download more sample data from Here http://dapengde.com/wp-content/uploads/2013/03/dapengde_DummyR_PMBeijing.csv http://dapengde.com/wp-c...
R语言学习笔记
热门推荐
可木的专栏
11-22 18万+
参考：W.N. Venables, D.M. Smith and the R DCT: Introduction to R -- Notes on R: A Programming Environment for Data Analysis and Graphics, 2003. http://bayes.math.montana.edu/Rweb/Rnotes/R.html 前言：关于
自己总结的R语言数据分析笔记
04-11
【R语言数据分析笔记】 R语言是一种广泛用于统计分析和数据可视化的编程语言，尤其适合进行数据分析和数据挖掘任务。R语言拥有丰富的库和工具，其中ggplot2是用于创建高质量图形的强大包，非常适合数据可视化。 在...
R 语言数据分析教程及案例
01-11
总的来说，《R 语言数据分析教程及案例》为学习者提供了一个全面的学习路径，从安装R和RStudio，到掌握基本语法、向量操作、绘图、统计分析等，一步步引导读者深入理解R语言，以便在数据分析领域游刃有余。
R语言数据分析的简单案例
06-17
教育资源：可能指的是学校、在线课程、书籍、教育软件等，用于学习特定知识或技能的资料和工具...R语言资源：如果您之前提到的是R语言，那么资源可能指的是R包、数据集、教程、论坛等与R语言编程和统计分析相关的材料。
R语言数据分析案例实战文章整理
12-27
R语言是一种广泛使用的统计计算和图形化的编程语言，它可以处理各种类型和规模的数据，进行数据清洗、转换、可视化、建模、预测等操作，支持多种数据分析的技术和方法，如探索性数据分析、时间序列分析、回归分析、...
【R】 Error in is.data.frame(x) : (list) object cannot be coerced to type 'double'
象在舞的技术专栏
07-09 3万+
对于不经常使用R语言进行编程的人来说，一接触R语言可能会遇到各种各样的问题。今天在使用R语言读取数据的时候遇到了如下的错误：Error in is.data.frame(x) : (list) object cannot be coerced to type 'double'读取数据的代码如下：（其中interval_estimated()是自己定义的一个方法）&gt; df &lt;- r...
R语言学习-问题解决-Error in `[<-.ts`(`*tmp*`,...only replacement of elements is allowed
wlt9037的博客
07-05 3万+
Error in `[<-.ts`(`*tmp*`, ri, value = c(2.7110254334953, 2.95418132827278, : only replacement of elements is allowed
R语言进行判别分析
温馨的小窝
06-14 5907
本文中分三个方法介绍判别分析，Bayes判别，距离判别，Fisher判别。前两种判别方法都要考虑两个、或多个总体协方差（这里是算方差，方差是协方差的一种）相等或不等的情况，由var.equal=的逻辑参数表示，默认是FALSE，表示认为两总体协方差不等。用样本的协方差可以估计总体的协方差。在Bayes方法中我们把相等和不等的两个结果都列了出来，距离判别里我们默认两总体协方差不等。事实上，一般使用时，我们都以两总体的协方差不等作为标准来进行后续计算。 协方差计算公式： S(xy) = N,i ∑ [(xi-
R语言错误信息及相关解决方法
生信了
10-24 5万+
原创：黄小仙 Error: object of type ‘closure’ is not subsettable 对象大于被取子集，看看对象是不是空的，有时候文件路径或者名称不对，数据并没有导入成功 Remove duplicates before running TSNE 有重复的数据行，Rtsne package里有个参数 check_duplicates = FALSE Error ......
R语言 Error in array(x, c(length(x), 1L), if (!is.null(names(x))) list(names(x)
bug在左，生活在右
12-21 7671
做时间序列时， m1&lt;-auto.arima(dd) predict(m1, n.ahead =2) 报错： Error in array(x, c(length(x), 1L), if (!is.null(names(x))) list(names(x), : 'data' must be of a vector type, was 'NULL' 解决方案： 不用predict...
netscaler LDAP+RADIUS传统的双因素认证方式（之一）
最新发布
weixin_43969629的博客
07-11 923
如果使用传统的双因素认证方式，可以通过在Citrix ADC (NetScaler) 13.1上配置Authentication Virtual Server (Auth vServer)来实现LDAP和RADIUS的双因素认证。
FastAPI 学习之路（四十一）定制返回Response
mr~li的博客
07-11 286
我们看下实际返回：返回的类型是xml格式的，说明返回成功。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值