5.22R语言初步学习-1

今天上课讲R语言，要干什么没讲，分析什么，目的是什么没讲。助教基本上就是让我们打开窗口，按要求抄代码指令，代码原理也没讲......再加上最近正好在学概率论与数理统计，肯定是有用的，所以还是学习总结一下吧。

概述：

R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。

与其说R是一种统计软件，还不如说R是一种数学计算的环境，因为R并不是仅仅提供若干统计程序、使用者只需指定数据库和若干参数便可进行一个统计分析。R的思想是：它可以提供一些集成的统计工具，但更大量的是它提供各种数学计算、统计计算的函数，从而使使用者能灵活机动的进行数据分析，甚至创造出符合需要的新的统计计算方法。

目录

1.安装

2. 简单例程上手以及部分学习

R预备知识

简单指令上手 

1.因子化数据帧

2.交叉制表

3.卡方检验

4.二项式检验

返回值

适用场景

注意事项

示例

1.安装

先安装R，再安装Rstudio

  R 官方网站： https://www.r-project.org/
RStudio官网 ： https://www.rstudio.com/products/rstudio/download/

2. 简单例程上手以及部分学习

R预备知识

##1-变量名的命名
### 数字不能开头；
### %号是非法字符，不可以用来命名；
### .号后面不可以跟数字；


##2-赋值（赋值给谁，箭头就指向谁）
### 分别是左箭头<-（<键+-键（等号左边的那个，不要按Shift）），等号=，右箭头->
higth<-c(175,169,179,175,180,183)
higth_mean<-mean(higth)#对身高求均值


##3-变量的显示
a<-2
a #命令行直接输入变量名
print(a) #利用print()函数


##4-安装R包
install.packages()
library()


##5-文件的读取
readLines()
read.csv()#推荐使用
read.table()
read.xlsx()


##6-软件的推出与保存
### 可以直接输入q()函数；也可以右上角直接叉掉
### 有.R、.Rdata等后缀，.R一般是保存代码的，.Rdata是保存处理后的数据的。


##7-快捷键介绍
## 运行当前/被选中的代码：`Ctrl`+`Enter`
## 设置工作环境：`Ctrl`+`Shift`+`H`
## 快捷赋值 <- ：`alt`+`-`
## 查找不懂的函数：`?函数`，如`?plot`
## R会自动提示你需要的东西

简单指令上手 

Tools->Global options->Pane layout 面板设置##读取文件
getwd() 获取工作目录
setwd("G:/工效学/class_R")  设置工作目录，记得引号
prefsAB <-read.csv("prefsAB.csv")
ide2 <- read.csv("ide2.csv")     读取文件##查看数据
View(prefsAB)#分类变量，需做因子化
prefsAB$Subject = factor(prefsAB$Subject)
prefsAB$Pref = factor(prefsAB$Pref)   在R中使用factor函数来创建因子
str(prefsAB)#需要对类别数据进行因子化，以实现研究对象的分组、分类计算
#可以看到有多少类别和水平##基本统计
summary(prefsAB)
plot(prefsAB$Pref) # 画一个基本的柱状图##执行检验
prfs = xtabs( ~ Pref, data=prefsAB)
prfs
chisq.test(prfs)
binom.test(prfs)install.packages("plyr")              下载程序包
library(plyr)         加载包ddply(ide2,~IDE,summarise,Time.mean=mean(Time),Time.sd=sd(Time))
hist(ide2[ide2$IDE == "VStudio",]$Time)
hist(ide2[ide2$IDE == "Eclipse",]$Time)
plot(Time ~ IDE,data=ide2)#首先是正态性假设
# Shapiro-Wilk normality test(夏皮罗-威尔克检验)
shapiro.test(ide2[ide2$IDE == "VStudio",]$Time) #H0：研究对象符合正态分布。
shapiro.test(ide2[ide2$IDE == "Eclipse",]$Time)
## 满足正态性假设
m = aov(Time ~ IDE, data=ide2) # fit model
shapiro.test(residuals(m)) # test residuals
qqnorm(residuals(m)); qqline(residuals(m))

读取CSV文件、查看数据框、对数据框的特定列进行因子化，并对因子化后的数据进行摘要和绘图。

1.因子化数据帧

因子是用于表示分类数据的类型，这对于分类分析和统计建模非常有用。

factor 函数用于向量或单个列，而不是整个数据框。如果你尝试对整个数据框应用 factor 函数，会遇到错误。你需要对数据框中的特定列进行因子化，而不是对整个数据框。

# 读取CSV文件
prefsAB <- read.csv("prefsAB.csv")
ide2 <- read.csv("ide2.csv")

# 查看数据框内容
View(prefsAB)
View(ide2)

# 对prefsAB数据框中的列进行因子化
prefsAB$Subject <- factor(prefsAB$Subject)
prefsAB$Pref <- factor(prefsAB$Pref)

# 查看因子化后的数据框
View(prefsAB)

# 获取数据框的摘要信息
summary(prefsAB)

# 绘制prefsAB$Pref的图表
plot(prefsAB$Pref)

plot(prefsAB$Pref)绘制 prefsAB 数据框中 Pref 列的条形图有助于可视化每个因子水平的频数。 

summary(ide2) 用于生成并显示数据框的摘要信息，包括每列的统计信息。对于因子列，这将显示每个因子水平的频数。

head() 函数用于查看数据集的开头部分，它默认显示数据框的前六行。这对于快速查看数据集的结构和内容非常有用，可以帮助你了解数据的组织方式和其中包含的信息。

str(ide2) 函数显示了关于数据框 ide2 结构的摘要信息。在这个摘要中，我们可以看到：

  • 数据框 ide2 包含了 40 行观察值（observation）和 3 个变量（variables）。
  • 第一个变量是 Subject，是一个整数（int），表示实验参与者的编号。
  • 第二个变量是 IDE，是一个字符向量（chr），表示实验中使用的集成开发环境（IDE）的名称。
  • 第三个变量是 Time，是一个整数（int），表示实验中使用该 IDE 所花费的时间（以某个单位表示，可能是秒）。

summary(ide2) 函数提供了关于数据框 ide2 中数值变量的摘要统计信息。让我们逐一解释这个摘要：

  • Subject: 这是实验参与者的编号。摘要显示了每个不同值的频数。例如，出现了1次的有1、2、3、4等，没有显示的Subject编号表示频数为1。"Other"行表示其他出现次数少于5次的编号。

  • IDE: 这是实验中使用的集成开发环境（IDE）的名称。摘要显示了每个不同值的频数。在你的数据中，有20次使用Eclipse和20次使用VStudio。

  • Time: 这是实验中使用每个IDE所花费的时间。摘要包括了五个统计量：最小值（Min.）、第一四分位数（1st Qu.）、中位数（Median）、平均值（Mean）、第三四分位数（3rd Qu.）和最大值（Max.）。

2.交叉制表

prfs = xtabs(~Pref,data=prefsAB)

chisq.test(prfs) 

prfs = xtabs(~Pref, data=prefsAB) 执行了一个交叉制表的操作，它会创建一个交叉制表，显示了在 prefsAB 数据框中 Pref 列中各个水平（A 和 B）的频数。xtabs函数用于快速计算一个或多个变量的频率，响应变量~自变量。

  • xtabs 函数是 R 中用来创建交叉制表的函数。
  • ~Pref 表示要对数据框 prefsAB 中的列 Pref 进行交叉制表。
  • data=prefsAB 表示这个操作应该在 prefsAB 数据框中进行。

因此，prfs 变量中存储了一个交叉制表的结果，显示了在 prefsAB 数据框中 Pref 列中各个水平（A 和 B）的频数。

3.卡方检验

卡方检验的目的： 卡方检验用于检验观察到的类别数据是否与期望频率有显著差异。其基本思想是比较观察到的频数（observed frequencies）和期望频数（expected frequencies），并通过计算一个统计量来评估这种差异是否显著。

chisq.test 函数对 prfs 执行卡方检验

输出如下：

Chi-squared test for given probabilities

data:  prfs
X-squared = 17.067, df = 1, p-value = 3.609e-05

结果分析：

  • X-squared = 17.067：这是计算出的卡方统计量。
  • df = 1：这是自由度。
  • p-value = 3.609e-05：这是计算出的p值。

由于p值非常小（远小于0.05），我们可以拒绝零假设，认为 Pref 变量中的A和B类别的出现频率有显著差异。

通过卡方检验，能够确定 prefsAB 数据中 Pref 列的两个类别（A和B）是否存在显著的频数差异。结果显示，A和B的出现频率差异显著，这表明在这个数据集中A和B的分布并不是随机的，可能存在某种偏好或影响因素。

4.二项式检验

binom.test 函数用于执行二项式检验，也称为精确二项检验。它用于检验一个二项分布中的成功概率是否等于某个给定的值。

binom.test(x, n, p = 0.5, alternative = c("two.sided", "less", "greater"), conf.level = 0.95)

  • x: 成功的次数，或者是一个长度为2的向量，包含两个元素，分别是成功的次数和总的试验次数。
  • n: 总的试验次数。如果 x 是一个长度为2的向量，则该参数被忽略。
  • p: 假设的成功概率。默认为0.5。
  • alternative: 检验的备择假设类型，可以是 "two.sided"（双侧检验，默认）、"less"（左侧检验）、或者"greater"（右侧检验）。
  • conf.level: 置信水平，默认为0.95，表示95%的置信水平。

返回值

函数返回一个包含二项式检验的结果的列表，其中包括：

  • estimate: 成功概率的估计值。
  • p-value: 检验的p值。
  • conf.int: 成功概率估计的置信区间。
  • method: 使用的检验方法的名称。
适用场景
  • 当你有一组二项分布的数据，想要检验其中的成功概率是否等于某个给定的值时，可以使用二项式检验。
  • 常见的应用场景包括医学研究、产品测试、市场调查等。
注意事项
  • 在执行二项式检验之前，确保你的数据满足二项分布的假设，即每次试验之间是相互独立的，且成功概率在各次试验中保持不变。
  • 对于小样本数据
    示例

    假设你有一组硬币抛掷的数据，你想要检验硬币正面朝上的概率是否等于0.5。你可以使用 binom.test 函数来进行检验：

  • # 假设你投掷了100次硬币，正面朝上的次数是45次 binom.test(45, 100, p = 0.5)

    binom.test(45, 100, p = 0.5)

    这将会执行一个双侧的二项式检验，检验硬币正面朝上的概率是否等于0.5，返回相应的检验结果。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/840096.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

PHP质量工具系列之php_CodeSniffer

PHP质量工具系列之php_CodeSniffer

PHP_CodeSniffer 是一组两个 PHP 脚本&#xff1a;主脚本 phpcs 对 PHP、JavaScript 和 CSS 文件进行标记&#xff0c;以检测是否违反定义的编码标准&#xff1b;第二个脚本 phpcbf 自动纠正违反编码标准的行为。PHP_CodeSniffer 是一个重要的开发工具&#xff0c;可以确保你的…
阅读更多...
【简单介绍下近邻算法】

【简单介绍下近邻算法】

&#x1f308;个人主页: 程序员不想敲代码啊 &#x1f3c6;CSDN优质创作者&#xff0c;CSDN实力新星&#xff0c;CSDN博客专家 &#x1f44d;点赞⭐评论⭐收藏 &#x1f91d;希望本文对您有所裨益&#xff0c;如有不足之处&#xff0c;欢迎在评论区提出指正&#xff0c;让我们共…
阅读更多...
Python-3.12.0文档解读-内置函数hash()详细说明+记忆策略+常用场景+巧妙用法+综合技巧

Python-3.12.0文档解读-内置函数hash()详细说明+记忆策略+常用场景+巧妙用法+综合技巧

一个认为一切根源都是“自己不够强”的INTJ 个人主页&#xff1a;用哲学编程-CSDN博客专栏&#xff1a;每日一题——举一反三Python编程学习Python内置函数 Python-3.12.0文档解读 目录 详细说明 功能描述 参数 返回值 特性 使用示例 注意事项 记忆策略 常用场景 …
阅读更多...
Predictable MDP Abstraction for Unsupervised Model-Based RL

Predictable MDP Abstraction for Unsupervised Model-Based RL

ICML 2023 paper code Intro 文章提出了一种用于无监督基于模型强化学的方法&#xff0c;称为可预测MDP抽象&#xff08;Predictable MDP Abstraction, PMA&#xff09;。在MBRL中&#xff0c;一个关键部分是能够准确建模环境动力学动态模型。然而&#xff0c;这个预测模型误…
阅读更多...
【SQL国际标准】ISO/IEC 9075:2023 系列SQL的国际标准详情

【SQL国际标准】ISO/IEC 9075:2023 系列SQL的国际标准详情

目录 &#x1f30a;1. 前言 &#x1f30a;2. ISO/IEC 9075:2023 系列SQL的国际标准详情 &#x1f30a;1. 前言 ISO&#xff08;国际标准化组织&#xff0c;International Organization for Standardization&#xff09;是一个独立的、非政府间的国际组织&#xff0c;其宗旨是…
阅读更多...
IPKISS ------ AMF 添加自定义层

IPKISS ------ AMF 添加自定义层

IPKISS ------ AMF 添加自定义层 正文 正文 很多时候&#xff0c;我们想要添加属于我们自己的层&#xff0c;此时我们需要向 AMF pdk 中的 gdsii.py 和 layers.py 文件添加层的信息。这两个文件的目录如下&#xff1a; 在 gdsii.py 文件下的 TECH.GDSII.LAYERTABLE 字典中我们…
阅读更多...
工业大模型带来智能生产新范式

工业大模型带来智能生产新范式

在当前工业行业的发展背景下&#xff0c;大模型技术展现出广阔的应用前景&#xff0c;在提升专业知识的可获取性和传承、优化软件技术的应用、提高数据驱动决策的准确性和效率等方面拥有显著潜力。 ‍‍‍‍‍‍‍‍‍‍据了解&#xff0c;蓝卓“基于supOS工业操作系统的工业大…
阅读更多...
查看目录或文件的磁盘使用情况

查看目录或文件的磁盘使用情况

在排查问题过程中&#xff0c;会遇到磁盘占满&#xff0c;需要排查具体哪个文件占用比较大&#xff0c;此时可以使用du 命令 du [选项] [文件或目录...] 常用的选项包括&#xff1a; -h 或 --human-readable&#xff1a;以人类可读的格式&#xff08;如 K、M、G&#xff09;…
阅读更多...
WAF绕过（下）

WAF绕过（下）

过流量检测 这里的流量检测就是在网络层的waf拦截到我们向webshell传输的数据包&#xff0c;以及webshell返回的数据 包&#xff0c;检测其中是否包含敏感信息的一种检测方式。如果是大马的情况下&#xff0c;可以在大马中添加多处判断代码&#xff0c;因此在执行大马提供的功…
阅读更多...
吉林大学软件工程易错题

吉林大学软件工程易错题

1.【单选题】软件工程方法是&#xff08; &#xff09;。 A、为开发软件提供技术上的解决方法 &#xff08;软件工程方法 &#xff09; B、为支持软件开发、维护、管理而研制的计算机程序系统&#xff08;软件工程工具&#xff09; …
阅读更多...
Vue 3 的 setup语法糖工作原理

Vue 3 的 setup语法糖工作原理

前言 我们每天写vue3项目的时候都会使用setup语法糖&#xff0c;但是你有没有思考过下面几个问题。setup语法糖经过编译后是什么样子的&#xff1f;为什么在setup顶层定义的变量可以在template中可以直接使用&#xff1f;为什么import一个组件后就可以直接使用&#xff0c;无需…
阅读更多...
KDE-Ambari-Metrics-Collector问题排查解决手册

KDE-Ambari-Metrics-Collector问题排查解决手册

文档说明 本文档是为了解决KDE平台的Ambari-Metrics-Collector服务在运行时遇到的问题而提供的问题排查和解决方法的参考文档 说明： 当前的Ambari-Metrics-Collector服务包括了ams-collector和ams-hbase两个程序，在Ambari-Metrics-Collector安装的节点执行ps -elf|grep am…
阅读更多...
远动通讯屏具体干啥作用

远动通讯屏具体干啥作用

远动通讯屏具体干啥作用 远动通讯屏主要用于电力系统中的各类发电厂、变电站、光伏电站、开闭所、配电房等&#xff0c;具有实时传输数据和远程控制功能。它的主要作用包括&#xff1a; 数据采集&#xff1a;远动通讯屏能够采集各种模拟量、开关量和数字量等信息&#xff0c…
阅读更多...
pod介绍之 容器分类与重启策略

pod介绍之 容器分类与重启策略

目录 一 pod 基础概念介绍 1&#xff0c;pod 是什么 2&#xff0c;Pod使用方式 3&#xff0c;如何解决一个pod 多容器通信 4&#xff0c;pod 组成 5&#xff0c; k8s 中的 pod 二 pause容器 1&#xff0c;pause容器 是什么 2&#xff0c;pause容器作用 3&#xff…
阅读更多...
Vue开发实例（十三）用户登录功能

Vue开发实例（十三）用户登录功能

使用Vue实现登录具有以下几个好处&#xff1a; 响应式界面&#xff1a;Vue框架的响应式特性可以帮助开发者轻松地实现用户登录界面的交互效果&#xff0c;包括表单验证、实时错误提示等&#xff0c;从而提升用户体验。组件化开发&#xff1a;Vue框架支持组件化开发&#xff0c;…
阅读更多...
最新版npm详解

最新版npm详解

如&#xff1a;npm中搜索 jQuery image.png image.png 接地气的描述&#xff1a;npm 类似于如下各大手机应用市场 image.png image.png 查看本地 node 和 npm 是否安装成功 image.png image.png 或 npm install -g npm image.png image.png image.png image.png image.…
阅读更多...
【数据库】MySQL

【数据库】MySQL

文章目录 概述DDL数据库操作查询使用创建删除 表操作创建约束MySqL数据类型数值类型字符串类型日期类型 查询修改删除 DMLinsertupdatedelete DQL基本查询条件查询分组查询分组查询排序查询分页查询 多表设计一对多一对一多对多设计步骤 多表查询概述内连接外连接 子查询标量子…
阅读更多...
这所211专硕22408复试线310分，学硕收调剂！辽宁大学计算机考研考情分析！

这所211专硕22408复试线310分，学硕收调剂！辽宁大学计算机考研考情分析！

辽宁大学信息学院下设计算机科学与技术、电子信息科学与技术、通信工程、信息管理与信息系统、软件工程5个本科专业&#xff0c;有计算机软件与理论、计算机应用技术2个硕士学位授权点&#xff0c;软件工程和计算机技术两个专业硕士学位点&#xff0c;1个计算机应用研究所、1个…
阅读更多...
案例题（第一版）

案例题（第一版）

案例题目 软件架构设计考点&#xff08;历年必考&#xff09; 软件架构设计通常在每年的第一题&#xff0c;该题必考 必备概念 必备概念即考试必须要默写出来的概念 概念描述软件架构风格是指描述特定软件系统组织方式和惯用模式。组织方式描述了系统的组成构件和这些构件的组…
阅读更多...
在Spring Boot项目中通过自定义注解实现多数据源以及主备数据库切换

在Spring Boot项目中通过自定义注解实现多数据源以及主备数据库切换

在现代的企业应用开发中&#xff0c;使用多数据源是一个常见的需求。尤其在关键应用中&#xff0c;设置主备数据库可以提高系统的可靠性和可用性。在这篇博客中&#xff0c;我将展示如何在Spring Boot项目中通过自定义注解实现多数据源以及主备数据库切换。 在此说明&#xff…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023