简单的回归分析

fitbit <- read.csv("fitbit.csv")

date        cal   step  dist floor sit  inactive walk    run
2014年1月1日 2496 12803  9.14    15 1161      123   98     58
2014年1月2日 2513 12955  9.47    12 1188      112   67     73
2014年1月3日 2228  8768  6.31    16 1234       97   72     37
2014年1月4日 2336  8971  6.41    16 1140      174  113     13
2014年1月5日 2508 12078  9.05     8 1153      130  108     49
2014年1月6日 2763 15880 11.36    20 1061      177  141     61
2014年1月7日 2453 10895  7.78    12 1145      156   99     40
2014年1月8日 2449 11692  8.44    13 1164      121  118     37

attach(fitbit)   #可以直接用step表示fitbit$step了
plot(step, dist)

　　

 

查看step与dist的相关度，可以看出值几乎等于1，说明步数与距离是强相关。

cor(step, dist)
[1] 0.9998078

进行简单的线性回归：

dist.step <- lm(dist ~ step, fitbit)

显示dist.step的值可以看到：

Call:  lm(formula = dist ~ step, data = fitbit)

Coefficients:
(Intercept)      step 
-0.0059966    0.0007171

说明拟合的公式为：dist = -0.0059966 + 0.0007171 * step

可以用abline函数画出拟合的直线：

abline(dist.step)

还有一个更牛的car包，可以一次性绘出更强的图形：

library(car)
scatterplot(dist ~ step, data = fitbit)

在坐标系的旁边还有箱线图，图中自动画出了拟合的直线。

可以看看卡路里消耗与步数的关系：

scatterplot(cal ~ step, data = fitbit, spread=FALSE)

可以看出这函数自动拟合了一条直线和一条曲线。