stelladi

R语言学习笔记2（学习林月老师R课程）

一、R下载及推荐学习书目

推荐学习书目：至少需要学习5本R语言有关的书才能说你掌握了R

R语言之书编程与统计，Tilman M.Davis著作，李毅译.2019

R markdown：The Definitive Guide，https://bookdown.org/yihui/rmarkdown/

    • R下载：The Comprehensive R Archive Network (ustc.edu.cn)首次下载直接点击base包
    • R studio下载：R studio是IDE集成开发环境，结合了R和R markdown。R已经有完整可用的功能套件，但是对初学者来说比较难用，因此需要安装整合数据分析（R）和论文写作的集成开发环境（R studio）Download the RStudio IDE - RStudio
    • 论文写作的英文环境搭建：打开R studio-file-new file-R markdown，首次打开的时候会弹出对话框，直接yes就会自动下载需要的包。使得我们可以新建输出格式为pdf的.rmd文档，之后输出PDF会报错“pdflatex not found”因为没有安装LaTaX环境。
      • 安装LaTaX环境方案一：只是写课堂作业研究报告，对学术要求不高。但要求之前安装过LaTeX的需要卸载已经安装好的，避免两个LaTeX起冲突。 
        #直接在console控制台输入
install.packages('tinytex')
tinytex::install_tinytex()
      • 安装LaTaX环境方案二：经常需要写学术论文 
        #从TeX Live、MiKTex、MacTex中选一个百度搜索安装，会经历漫长的下载和安装过程
#安装之后重启R studio就可以正常从R studio中导出PDF了
    • 　论文写作的中文环境搭建 
      #在控制台安装模板包rticles
install.packges("rticles")
#点击菜单栏file-new file-R markdown-form a template-CTex
#还有很多适用于不同期刊的R markdown模板，其中只有CTex是支持中文显示的模板，唯一缺点是页边距大，调整页边距，在documentclass下一排输入（下列实例是比较常见的页边距情况）
geometry:"left=2.5cm,right=2cm,top=3cm,bottom=2.5cm"

二、R语言数据类型和变量调用

1. R中的数据类型

 

 2. R中的数据结构

向量vector、矩阵matrix、数据框dataframe(跟matrix相似但不要求数据类型一致，只要求向量长度相等)、数组Array(matrx在多维上的扩展)、列表list（什么都可以往里放，组成部分是元素，列表中甚至可以包括列表）

 

3.变量调用：子集运算符（subsetting operators）[ ]、[[ ]]、$

  • 基于位置索引或者逻辑索引提取 
    #1.创建向量
color <- c("red"，”yellow“)
color
#输出的结果：[1]"red" ”yellow“

#2.创建矩阵
c(1:24)
#输出的结果:
#[1]1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
#[19]19 20 21 22 23 24

#这里的[1]和[19]是紧贴着方括号的元素的位置，因此位置编号的方式是从左到右依次编号

#3.创建矩阵
num <- matrix(c(1:4),2,2)
num
#输出结果是(行，列)
#     [,1][,2]
#[1,]  1   3
#[2,]  2   4

#4.创建数据框：因为数据框只要求长度一致，不要求数据类型一致，因此可以将上述的向量和矩阵组成数据框
df <- data.frame(color, num)
df
#输出结果为,因为num没有特定的名字所以默认为x1,x2
#color x1 x2
#red    1   3
#yellow2   4
#想要在表格中查看上述，用View(df)

#现在要看看如何提取变量
#（1）df[1]:输出结果直接是第一列
#color
#red
#yellow
#（2）df[，1]:输出结果是[1] ”red“ "yellow"
#（3）df[[1]]:输出结果是[1] ”red“ "yellow"
#（4）df[[，1]]：直接报错
#（5）用变量名称提取df["color"]结果与（1）一致；df[，"color"]结果与（2）一致；df[["color"]]与（3）一致，区别在于一个是给出了位置，一个是给了一个tag
#（6）那为了方便，不用每次都输入tag，使用$。在有名称的情况下，$返回的结果与[[]]是等价的：df$color，输出结果是[1] ”red“ "yellow"

#5.创建列表；一共有4个元素，color向量，num矩阵，df数据框，array数组
l <- list(color=color, num, df=df,a=array(c(1:8),dim=c(2,2,2))
l
#输出的结果
#$color
#[1]"red" "yellow"
#
#[[2]]
#       [,1] [,2]
#[1,]    1    3
#[2,]    2    4
#
#$df
#     color x1 x2
# 1   red    1   3
# 2   yellow2   4
#
#$a
#，，1
    #    [,1] [,2]
    #[1,]  1    3
    #[2,]  2    4
    #
    #，，2
    #    [,1] [,2]
    #[1,]  5    7
    #[2,]  6    8

    #现在调用l中的几种情况
#（1）l[1]:输出结果：
$color
[1]"red" "yellow"
#（2）l[[1]]=l[["color"]]输出结果：
[1]"red" "yellow"
#（3）l$df$x1:输出结果[1] 1 2
#（4）l[["df"]][[2]]:输出结果[1] 1 2
#（5）l[3]["x1"]:输出结果：返回的是空
$<NA>
NULL

#因此[]截取的是什么，返回的就是什么。因此l[3]["x1"]中提取出来的只有一个列表其中不存在x1的元素
#[[]]则是提取的元素，提取变量返回的是向量而不是数据框　　

4.描述性统计：以某一个研究为例

  •  R markdown的基本构成
    • 最前面的YAML，规定文档的整体排版格式，行间距页边距页眉页脚文献引用格式等等（点击最左边可以收起来）：前面有title、author、date……页眉页脚一定需要在里面写，写完就可以点击左侧收起 
      title: "Descriptive Statistics"
author: "Linyue"
date: '2022-05-29'
bibliography: "Example.bib"
csl: "apa_7th.csl"
      #插入的bibliography和csl方便插入文献
output:
  bookdown::pdf_document2
    • 代码块，根据需要在适当的位置插入代码块进行数据分析，可以根据情况选在输出的文档中保留或者隐藏代码：灰色底色的“、、、“之间的是R的代码，最右边可以运行。点击insert a new code可以添加R、Bash、D3、python、SQL等代码块。

    • 文本内容，用R markdown语言规定文本格式，包括加粗、斜体、标题、字体等：引言introduction，蓝色的部分是格式；玫红色是参考文献

  • 研究问题和数据：
    • 母亲抑郁症对初中学生的认知发展的影响
    • 数据来自美国1988-1999年的early childhood longitudual study,kindergarten class从幼儿园追踪到初中毕业，选取8年级的部分数据，总计4577个样本
  • 用R做描述性统计分析和表格展示： 
    • {r, include=FALSE}
#r, echo=FALSE表示不会输出
#load data，仅运行一行命令：选中该命令所在行（点击最左边的数字）ctrl+enter
df <- read.csv(file = "maternaldep.csv", header = TRUE)
#1.数学分数的平均数“df$mathirt”：df为数据名称；$为调用的符号；mathirt为变量名称
mean(df$mathirt)

#2.数学分数的标准差standard deviation
sd(df$mathirt)

#3.数学分数的最小值最大值中位数
min(df$mathirt)
max(df$mathirt)
median(df$mathirt)

#4.数学分数的百分位数percentile：这里的是median所以是0.5，后面要说明是多少百分位数
quantile(df$mathirt,0.5)

#5.对数据中每个变量求均值colMeans(df)
# summary statistics for data set
tab_01 = data.frame(
  Mean  = c(colMeans(df)),
  SD = c(sapply(df, sd)),
  Median = c(sapply(df, median)),
  Min = c(sapply(df, min)),
  Max = c(sapply(df, max))
)
#SD = c(sapply(df, sd)),sapply循环函数对数据中的每个变量求标准差；后面的以此类推；后面分别mean，SD看运算结果

＃６.制作表格，制表命令Kable
```{r tab2}
## table for descriptive statistics
kable(
  tab_01,
  col.names = c("Mean", "SD", "Median", "Minimum", "Maximum"),
  digits = 2,
  caption = "\\label{tab2}Summary Statistics",
  booktabs = T 
＃对格式的规定，一般选Ture，如果表格中有莫名其妙的横线你改成F就行了
) 
```
       

5.单个分类变量声明、频数比例、饼图柱状图、R markdown交叉引用

  • 分类变量的声明 
    ```{r, echo=TRUE, message=FALSE, results='hide'}
# 以种族ethnicity为例，查看种族的变量类型（分类变量还是连续型变量）
df$ethnicity
Count <- table(df$ethnicity)
Count
#可以看到ethnicity的取值范围是1~4
library(expss)
library(maditr) 
val_lab(df$ethnicity) = num_lab("
             1 White Non-hispanic
             2 Black Non-hispanic    
             3 Hispanic
             4 Other
")
#意思是白种拉丁裔是1，黑人拉丁裔为2，拉丁裔3，都不是是4。这里的1234可以是连续的也可以是不具备加减含义的分类变量，因此要查看在R中是否是分类变量is.factor()，如果是F就说明是连续变量
is.factor(df$ethnicity)  # False, not a factor variable
#连续变量做线性回归，数学成绩和种族coefficients只有一个值，说明确实是当成了连续变量 linear regression when ethnicity is treated as continuous variable
lm(mathirt~ethnicity, data=df)

# 因此需要把连续变量声明成分类变量define factor variable. ***!!!!Important!!!!!***
df$ethnicity<- factor(df$ethnicity)
is.factor(df$ethnicity) # True

#现在看声明的分类变量分成几类，会显示1234中的内容
levels(df$ethnicity)

#再对数学成绩做线性回归就有4个值了linear regression when ethnicity is treated as factor variable
lm(mathirt~ethnicity, data=df)
```
  • 频数比例 
    ```{r, include=FALSE}
# occurrences
# 用table（）求分类变量各类的频数
Counts <- table(df$ethnicity)
Counts
# proportion
#直接计算 Calculate proportions for each manually
Counts / sum( Counts )
# 用 prop.table（）计算各类在总体中的占比
prop.Counts <- prop.table(Counts)
prop.Counts
```
Table \@ref(tab:tab3) shows the frequencies and proportions.
#这里是交叉引用的内容
```{r tab3}
# Use kable to make a frequency table
tab_02 <- data.frame(Counts, prop.Counts)
tab_02 <- tab_02[-3]
#这里是因为第三列是不想要的所以去除掉了，下面是用kable制表
#注意数据处理和结果作图的代码分开成两个代码块，方便后面形成PDF的时候交叉引用

kable(
  tab_02,
  col.names = c("Class","Frequency",  "Proportion"),
  digits = 2,
  caption = "\\label{3}Frequency table",
  booktabs = T 
) %>%
  kable_styling(latex_options =  "hold_position")
```
  • 饼状图柱状图 
    ```{r fig1, fig.cap="The pie chart"}
# Make a pie chart
pie(Counts)
```

Figure \@ref(fig:fig2) presents the bar chart.
```{r,include=FALSE}
# Make a bar chart
barplot(Counts)
```
```{r fig2,fig.height=3.5, fig.cap="Distribution of ethnicity"}
#beautify bar chart
library(RColorBrewer)
#自动配色的包
coul <- brewer.pal(4, "Set2") 
b<- barplot(Counts,
        xlab = "Ethnicity",#x轴标签
        ylab = "Frequency",
        main = "Distribution of ethnicity",
        ylim=c(0,3600),#调整Y轴上限
        col=coul,
        cex.names=0.75,
        space=0.8#柱子之间的间隔
        )
text(x=b, y= Counts+150, labels=as.character(Counts))#每个柱子上边加上数值，间隔150个单位
```
  • 直方图、密度曲线（density curve）和箱线图boxplot 
    #集中趋势查（均值和中位数）；离散趋势（最小值，最大值，四分位数，方差和标准差）
```{r, include=FALSE}
#1.检查变量是否是数值型的numeric
is.numeric(df$bweight)
```
#2.评估Evaluating a quantitative variable
#R自带一个summary()计算最大最小值，四分位数（1、3四分位）和平均值
#var()计算方差；sd()计算标准差
#cbind()添加列
Table \@ref(tab:tab4) shows the center and spread of a variable.
```{r, include=FALSE}
# five number summary
su <-summary(df$bweight)
su <- t(as.matrix(unlist(su)))
# variance and standard deviation 
var <- data.frame(var(df$bweight))
sd <- sd(df$bweight)
tab_03 <- cbind(su, var, sd)
```
```{r tab4}
## table for center and spread
kable(
  tab_03,
  col.names = c("Minimum", "Q1", "Median", "Mean", "Q3", "Maximum","Variance", "Std. Dev."),
  digits = 2,
  caption = "\\label{tab3}Center and spread",
  align = "c",#c表示居中排列，lr分别表示左右对齐
  booktabs = T 
) %>% kable_styling(latex_options = c("hold_position"))
```

#3.绘制直方图Histogram graph
```{r, include=FALSE}
hist(df$bweight)
```
#绘制出来的还比较钟型，bell-shaped,  uni-modal and symmetrical. 
```{r fig3,fig.height=3.5, fig.cap="Histogram graph"}
 hist(df$bweight,
     main = "Histogram graph of birth weight",
     xlab = "Birth weight (lbs)",
     breaks = 20)
```

#4.给直方图绘制密度曲线
```{r fig4, fig.height=3.5, fig.cap="Histogram and density graph of birth weight"}
par(mfrow=c(1,2))
# Adding density curve 
hist(df$bweight,
     main = "Adding density curve",
     xlab = "Birth weight (lbs)",
     prob = TRUE,
     ylim=c(0, .4),#定义Y轴最大值
     cex.main=0.9,#调整字体大小
     col = "peachpuff",#定义画图主体颜色
     breaks = 20)
lines(density(df$bweight), #增加密度曲线
      lwd = 2, #thickness of line线的粗细
      col = "chocolate3")
#5.加上密度曲线和正态分布曲线 normal distribution curve 
hist(df$bweight,
     main = "Adding normal distribution curve",
     xlab = "Birth weight (lbs)",
     ylab = "",
     prob = TRUE,
     ylim=c(0, .4),
     cex.main=0.9,
     breaks = 20,
     col = "peachpuff")
lines(density(df$bweight), #density plot
      lwd = 2, #thickness of line
      col = "chocolate3")
curve(dnorm(x,mean=mean(df$bweight), 
             sd=sd(df$bweight,na.rm=T)), add=T, col='blue')
```

#6.Boxplot
#离群值outliers：Q1-1.5IQR跟最小值比较，如果比最小值大，这条线就是Q1-1.5IQR；如果比最小值小，那么最小值是这条线（Q1为第一四分位数）；中间的黑色线是中位数；上面的线是第三四分位数（判断是通过Q3+1.5IQR跟最大值用最大的当上面的线），最上面和最下面的线叫whisker,whisker外面的点就是离群值
```{r, include=FALSE}
boxplot(df$bweight)
#也可以去掉离群值再画一次
boxplot(df$bweight, outline = FALSE)
```
#对去掉离群值的箱线图进行标注
```{r fig5,fig.height=3.5, fig.cap="Boxplot of birth weight"}
#因为summrize是第一行第一列，因此取数据框中的第一行第一列su[,1];su[,2]-1.5*IQR(df$bweight)第一四分位数家-1。5IQR；su[,2:3]第四百分位数和中位数在2，3列； su[,5]+1.5*IQR(df$bweight)在第五列的第三四分位数+1.5IQR；su[,6]最大值在第六列
x.value <- c(su[,1],su[,2]-1.5*IQR(df$bweight),su[,2:3],
           su[,5]+1.5*IQR(df$bweight),su[,6])
#保留小数点两位数，有几位round到几位
x.value <- round(x.value,digits = 2)
fig <- boxplot.default(df$bweight, horizontal = TRUE, #变成横着的
                boxwex=.8,#箱体的宽度是之前的0.8倍
                col = "light grey",
                xlab = "Birth weight (lbs)",
                pch = 20,#规定离群值用实心点，防都在一起看不清楚。用第20种即实心点
                cex = 0.3,#实心圆点大小0.3
                outcol="red",#离群值的颜色
                staplewex = 0.5)#分割线的宽度=1是正常的，0.5缩短
text(x=x.value, labels =x.value, y=1.3, cex=0.8)#标注添加文字：在X轴的位置增加X值，y轴的位置是1.3，文字大小为0.8
  • ≥2个分类变量的描述性分析和作图（列联表、卡方独立性检验、Fisher精确检验、Cramer's V系数、lambda系数、柱状堆积图、并列柱状图）
    • 二维列联表分析：通常会将因变量Y按行分类，自变量按列分类。（1）按照列计算Y的频数分布（2）按行比较是否有比例变化。如果比例变化则说明有相关性
      • 如果母亲抑郁程度不会随着性别的变化发生变化，则说明母亲抑郁与孩子性别没有相关性。
    • Pearson卡方独立检验：如果Y和X相关，那么Y的条件概率分布随着X的取值不同而变化。做推断
    • Fisher精确检验：比P值还要大，则说是极端值。说是精确，而大家都用卡方的原因是如果没有计算机是没法算fisher的
    • Cramer's V系数、lambda系数：现在看两者之间的强弱关系如何
      • Cramer's V系数：适用于名义变量或者有序变量，每个变量至少有两个分类（0~0.1弱相关；0.11~0.3一般相关；>0.3强相关） 
      • lambda系数：
    • 柱状堆积图、并列柱状图

6.单个连续变量作图及分析

posted on 2022-09-05 21:33  Stellaself  阅读(434)  评论(1)    收藏  举报

导航