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：/a/639494.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

2024.05.24 学习记录

2024.05.24 学习记录

1、面经复习&#xff1a; js基础、知识深度、js垃圾回收 2、代码随想录刷题&#xff1a;动态规划 完全背包 all 3、rosebush 完成 Tabs、Icon、Transition组件
阅读更多...
Java基础的语法---String

Java基础的语法---String

Java的String类是不可变的&#xff0c;意味着一旦创建&#xff0c;其值就不能被改变。String类提供了丰富的API来操作字符串。 以下是一些常用的方法&#xff1a; 构造方法&#xff1a; 有以下几种常见的&#xff1a; public class stringlearn {public static void main(S…
阅读更多...
CTF-web-WP-攻防世界-1

CTF-web-WP-攻防世界-1

1、view_source&#xff1a;打开开发者工具F12就能看到flag 2、robots (1)、使用目录扫描工具 工具&#xff1a;dirsearch命令&#xff1a;python dirsearch.py -u http://61.147.171.105:55644/ -e * (2)、看到下面有robots.txt文件&#xff0c;在URL后面输入&#xff0c…
阅读更多...
mdm 推送证书制作教程

mdm 推送证书制作教程

第一步点击获取&#xff0c;点击以后会下载一个zip压缩包 解压以后&#xff1a;会得到四个文件&#xff0c;请务必保存好&#xff0c;待会需要使用 登录apple开发者官网 https://developer.apple.com/account/resources/certificates/list 点击添加证书 找到mdm csr 然后点击…
阅读更多...
利用边缘计算网关的工业设备数据采集方案探讨-天拓四方

利用边缘计算网关的工业设备数据采集方案探讨-天拓四方

随着工业4.0时代的到来&#xff0c;工业设备数据采集成为了实现智能制造、提升生产效率的关键环节。传统的数据采集方案往往依赖于中心化的数据处理方式&#xff0c;但这种方式在面对海量数据、实时性要求高的工业场景时&#xff0c;往往显得力不从心。因此&#xff0c;利用边缘…
阅读更多...
跟TED演讲学英文：Do schools kill creativity by Sir Ken Robinson

跟TED演讲学英文：Do schools kill creativity by Sir Ken Robinson

Do schools kill creativity? Link: https://www.ted.com/talks/sir_ken_robinson_do_schools_kill_creativity Speaker: Sir Ken Robinson Date: February 2006 文章目录 Do schools kill creativity?IntroductionVocabularySummaryTranscriptAfterword Introduction Sir…
阅读更多...
Win10【无线显示器】安装失败（无法添加）解决中。。。

Win10【无线显示器】安装失败（无法添加）解决中。。。

目录 ■失败现象 ■解决方法 【服务启动1】 【服务确认】 【服务启动2】 参考 ■查看电脑是否支持【Miracast无线投屏功能】 参考2 ■解决方法&#xff08;对我的这台电脑有效&#xff09; ■解决后的效果 ■连接时&#xff0c;出现【无法在此设备上查看受保护内容。…
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...
＜MySQL＞ 【数据类型】

＜MySQL＞ 【数据类型】

目录 一、数据类型一览 二、整型 &#xff08;一&#xff09;INT &#xff08;二&#xff09;BIT 三、浮点数 &#xff08;一&#xff09;FLOAT &#xff08;二&#xff09;DECIMAL &#xff08;三&#xff09;如何选择 四、字符 &#xff08;一&#xff09;CHAR &a…
阅读更多...
hive初始化失败报错：Error: Duplicate key name ‘PCS_STATS_IDX‘ (state=42000,code=1061)

hive初始化失败报错：Error: Duplicate key name ‘PCS_STATS_IDX‘ (state=42000,code=1061)

意思是key name ‘PCS_STATS_IDX’ (state42000,code1061)重复了&#xff0c;问题出在不是第一次初始化&#xff0c;因为我们在hive-site.xml中配置了 javax.jdo.option.ConnectionURL jdbc:mysql://192.168.200.137:3306/metastore?createDatabaseIfNotExisttrue JDBC conne…
阅读更多...
Windows DNS 服务器配置转发器

Windows DNS 服务器配置转发器

DNS服务器转发器 在企业中由于自身条件的限制&#xff0c; 可能本身的DNS新能并不是很好&#xff0c;这个时候通过使用转发器功能&#xff0c; 将收到的DNS请求转发给另外一台高性能的DNS服务器&#xff0c;让其做后面的迭代查询。 1. 选择DNS服务器&#xff0c; 右击选择属性…
阅读更多...
【知识蒸馏】deeplabv3 logit-based 知识蒸馏实战，对剪枝的模型进行蒸馏训练

【知识蒸馏】deeplabv3 logit-based 知识蒸馏实战，对剪枝的模型进行蒸馏训练

本文将对【模型剪枝】基于DepGraph(依赖图)完成复杂模型的一键剪枝 文章中剪枝的模型进行蒸馏训练 一、逻辑蒸馏步骤 加载教师模型定义蒸馏loss计算蒸馏loss正常训练 二、代码 1、加载教师模型 教师模型使用未进行剪枝&#xff0c;并且已经训练好的原始模型。 teacher_mod…
阅读更多...
Java+Spring+ MySQL + MyCat云HIS有哪些优势？智慧医疗云(HIS)低成本与安全保障的完美结合

Java+Spring+ MySQL + MyCat云HIS有哪些优势？智慧医疗云(HIS)低成本与安全保障的完美结合

JavaSpring MySQL MyCat云HIS有哪些优势&#xff1f;智慧医疗云(HIS)低成本与安全保障的完美结合 云HIS的优点包括节省成本、便捷高效、稳妥安全等。通过云HIS&#xff0c;医疗机构无需在本地建立机房、购买服务器和应用软件&#xff0c;降低了硬件和人力成本。同时&#xff0…
阅读更多...
spring-boot-starter-mail 发送带附件的邮件信息

spring-boot-starter-mail 发送带附件的邮件信息

背景 项目使用的事ruoyi低代码开发平台ruoyi中有常见的web端下载excel的方式&#xff0c;但是这种方式是直接把输出流写到一个response中&#xff0c;而不是给一个outputstream&#xff0c;如果是给一个outputstream的话&#xff0c;就可以写入到一个固定的文件中去了 解决思路…
阅读更多...
普源精电收购耐数电子——用“钞能力”拿下“量子”？

普源精电收购耐数电子——用“钞能力”拿下“量子”？

「量子市界」聚焦量子前沿&#xff0c;揭秘市场动态┃2024年4月30日&#xff0c;普源精电新增“量子科技”概念。 似乎一夜之间&#xff0c;新增“量子科技”概念的上市企业如雨后春笋般登场——普源精电就是其一。普源精电本就持有耐数电子32.26%股权&#xff0c;于4月2日发布…
阅读更多...
飞天发布时刻｜阿里云可观测全速演进

飞天发布时刻｜阿里云可观测全速演进

在数字化转型的浪潮中&#xff0c;云计算的深化应用不断推动着技术边界的扩展&#xff0c;而可观测性作为确保系统稳定运行与高效迭代的关键支撑&#xff0c;正逐渐成为现代云原生架构不可或缺的一部分。5 月 22 日 10:00&#xff0c;阿里云飞天发布时刻&#xff0c;阿里云应用…
阅读更多...
【C++提高编程-03】----C++之STL常用容器基础实战

【C++提高编程-03】----C++之STL常用容器基础实战

&#x1f3a9; 欢迎来到技术探索的奇幻世界&#x1f468;‍&#x1f4bb; &#x1f4dc; 个人主页&#xff1a;一伦明悦-CSDN博客 ✍&#x1f3fb; 作者简介&#xff1a; C软件开发、Python机器学习爱好者 &#x1f5e3;️ 互动与支持&#xff1a;&#x1f4ac;评论 &…
阅读更多...
【机器学习】必会降维算法之：t-分布邻域嵌入（t-SNE）

【机器学习】必会降维算法之：t-分布邻域嵌入（t-SNE）

t-分布邻域嵌入&#xff08;t-SNE&#xff09; 1、引言2、随机梯度下降&#xff08;SGD&#xff09;2.1 简介2.1.1 定义2.1.2 应用场景 2.2 原理2.3 实现方式2.4 算法公式2.5 代码示例解析&#xff1a; 3、总结 1、引言 小屌丝&#xff1a;鱼哥&#xff0c; 啥是降维算法 小鱼…
阅读更多...
（二）可视化面板：Grafana的安装

（二）可视化面板：Grafana的安装

其他相关文章 &#xff08;一&#xff09;一套开源的系统监控报警框架&#xff1a;Prometheus安装 什么是grafana Grafana是一个面板(Dashboard),有着非常漂亮的图表和布局展示,功能齐全的度量仪表盘和图形编辑器。支持Graphite、zabbix、InfluxDB、Prometheus和OpenTSDB作为…
阅读更多...
【汽车操作系统】Autosar和商用OS

【汽车操作系统】Autosar和商用OS

目录 什么是AUTOSAR? CP AUTOSAR架构 CAN通信 AP AUTOSAR 背景 CP&AP 开发方面的不同&#xff1a; WRLinux介绍 QNX介绍 什么是AUTOSAR? 随着汽车功能越来越多&#xff0c;导致ECU的数量越来越多。1993年的时候&#xff0c;奥迪A8才只有5个ECU现在典型的现代汽车…
阅读更多...
最新文章

Copyright @ 2022~2023