随笔分类 - R
摘要：上一节我们介绍了复制—修改机制，示例中给出了触发该机制的两种情况。当一个对象有多个名称或作为参数传递给函数时，修改这个对象会先复制它，然后再修改它的副本。对于在函数外修改对象，我们介绍了<<- 的用法，首先找到函数外的变量，然后修改该对象而不是局部复制。这就引出了一个重要的概念，即函数有内部和外部之
阅读全文
摘要：前一节中我们展示了惰性求值的工作机制，通过避免不必要计算，节省时间和内存。本节要介绍 R 的一个重要特性，以便更安全地处理数据。我们先创建一个简单的数值向量 x1：x1 <- c(1, 2, 3)然后将 x1 的值赋给 x2：x2 <- x1现在 x1 和 x2 的值完全相同。如果我们修改其中一个向
阅读全文
摘要：如果能够理解 R 函数的运行机制，那么对 R 的运行机制就能够掌握十之八九。通过前几章的学习，我们掌握了一些最常用的基本函数的用法，但是可能对其内部机制仍有疑惑。比如创建如下的函数：test0 <- function(x, y) {if (x > 0) x else y}这个函数有点特殊，看似只有当
阅读全文
摘要：我们使用 new.env( ) 函数创建一个新环境：e1 <- new.env()环境通常用十六进制数表示，即内存地址：e1## <environment: 0x0000000014a45748>我们可以用提取操作符（$ 和 [[）在环境中创建变量，其代码形式类似于修改一个列表：e1$x <- 1e
阅读全文
摘要：环境是由一组名称组成的对象，每个环境（除了空环境）都有一个父环境。每个名称（也称为符号或变量）都指向一个对象。当我们查找一个符号时，如果它在当前环境中，R 就 会在当前环境中搜索并返回该符号指向的对象。如果这个符号在当前环境中没有找到，R 就会到它的父环境中搜索（直到找遍所有环境）。图 8-1 说明
阅读全文
摘要：上一节我们介绍了复制—修改机制，示例中给出了触发该机制的两种情况。当一个对象有多个名称或作为参数传递给函数时，修改这个对象会先复制它，然后再修改它的副本。对于在函数外修改对象，我们介绍了<<- 的用法，首先找到函数外的变量，然后修改 该对象而不是局部复制。这就引出了一个重要的概念，即函数有内部和外部
阅读全文
摘要：前一节中我们展示了惰性求值的工作机制，通过避免不必要计算，节省时间和内存。本节要介绍 R 的一个重要特性，以便更安全地处理数据。我们先创建一个简单的数值向量 x1：x1 <- c(1, 2, 3)然后将 x1 的值赋给 x2：x2 <- x1现在 x1 和 x2 的值完全相同。如果我们修改其中一个向
阅读全文
摘要：如果能够理解 R 函数的运行机制，那么对 R 的运行机制就能够掌握十之八九。通过前几章的学习，我们掌握了一些最常用的基本函数的用法，但是可能对其内部机制仍有疑惑。比如创建如下的函数：test0 <- function(x, y) {if (x > 0) x else y} 这个函数有点特殊，看似只有
阅读全文
摘要：在前面的章节中，我们已经学习了 R 中最常用到的对象类型和函数。掌握了如何创建和修改向量、列表和数据框，如何定义自己的函数，以及如何用恰当的表达式把脑中的逻辑转换成编辑器中的 R 语言代码。有了这些对象、函数和表达式，就可以开始处理数据了。本章将开始数据处理的旅程，主要包括以下几个主题： 读写数据
阅读全文
摘要：实际的数据分析中，我们大部分时间都在进行数据清洗（data cleansing），即对原数据进行筛选和转换，使其更易于分析。这个筛选和转换的过程也叫数据处理（data manipulation）。我们将在第 12 章中详细介绍这个主题。在这一小节，我们直接假设数据已经过处理，可以用于分析。我们不对模
阅读全文
摘要：这一节，我们尝试用另一种模型拟合数据，这种模型称作回归树（regression tree） （https://en.wikipedia.org/wiki/Decision_tree_learning），它是一种机器学习模型。它不是简单的线性回归，而是用决策树来拟合数据。假设我们想根据太阳辐射（Sol
阅读全文
摘要：R 中最简单的模型就是线性模型，即使用一个线性模型描述两个随机变量在一系列假设下的关系。在以下例子中，我们创建了一个线性函数，将 x 映射到 3+2*x（即 f(x)）。然后，生成一个正态分布的随机数值向量 x，再用 f(x)加上一些独立的噪声生成 y：f <- function(x) 3 +2 *
阅读全文
摘要：直方图和密度图是展示数据分布的两种形式。通常只需要几个关键的分位数，我们就能对数据的整体分布有一个印象。箱线图（或称为盒须图，box-and-whisker plot）是完成此项任务的简单方式。对于一个随机生成的数值向量，我们可以调用boxplot( )来绘制箱线图，如图7-28所示。x <- rn
阅读全文
摘要：在上一节中，我们介绍了一些导入数据的函数，这是大多数数据分析的第一步。通常，最好在将数据代入模型前先查看一下数据，这也是我们下一步要讲的内容。原因很简单，不同的模型具有不同的优势，没有任何一个模型在所有情况下都是最佳的，因为这些模型都有一系列不同的假设。若不根据假设条件对数据进行检验，就随意应用一个
阅读全文
摘要：前面我们已经学会了如何创建几种不同类型的图。散点图和折线图是对数据集中观测值直接作图，柱状图和饼状图通常用于对不同类别的数据进行粗略总结。上述这几种图形有以下两方面的局限性：散点图和折线图表达的信息过多，以至于很难刻画出重点特征；饼状图和柱状图则丢弃过多信息，因此也难以做出可信判断。直方图能够展示数
阅读全文
摘要：在前面的小节中，我们已经学会了如何创建散点图和折线图。此外，还有其他几种类型的图形比较有用，在这里值得一提。柱状图是其中最常用的一种。柱状图中柱子的高度可以用于对比不同类别的数量。我们创建一个最简单的柱状图，如图7-20所示。这里，使用barplot( )而不是plot( )：barplot(1:1
阅读全文
摘要：另一种有用的图形是饼状图。用于创建饼状图的函数 pie( )，与 barplot( )的运行方式类似。它作用于含有说明标签的数值向量；也可以直接作用于命名数值向量。图 7-22是一个简单的例子：grades <- c(A = 2, B = 10, C = 12, D = 8)pie(grades,
阅读全文
摘要：对于时间序列数据，折线图能更清楚地展示随时间发展的趋势和变化。如图 7-13 所示，创建折线图，只需要在调用 plot( )时设置 type= "l"即可：t <- 1:50y <- 3 * sin(t * pi /60) + rnorm(t)plot(t, y, type = "l",main =
阅读全文
摘要：在 R 中，可视化数据的基本函数是 plot( )。如果我们只为 plot( )提供一个数值向量或整数向量，它将按索引顺序产生一个散点图。例如，以下代码按递增顺序创建包含10 个点的散点图，如图 7-3 所示。plot(1:10) 图 7-3192 第 7 章 数据处理我们可以通过生成两个线性相关的
阅读全文
摘要：在 R 中，任何类型的数据分析的第 1 步都是加载数据，即将数据集导入到环境中。在此之前，我们必须判断出数据文件的类型，并选择适当的工具来读取数据。 读写文件中的文本格式数据 读写 Excel 工作表 读写原生数据文件 加载内置数据集
阅读全文
浙公网安备 33010602011771号