2. 程式人生 > >R語言--統計（六）

R語言--統計（六）

阿新 • • 發佈：2019-01-04
1. 平均值、中位數和模式
  • Mean平均值
    I. 語法
    用於計算R中的平均值的基本語法是 -
    mean(x, trim = 0, na.rm = FALSE, ...)
    以下是所使用的引數的描述 -
    -- x是輸入向量。
    -- trim用於從排序向量的兩端丟棄一些觀察結果。
    -- na.rm用於從輸入向量中刪除缺失值。

示例：

# 建立向量
x <- c(12, 7, 3, 4.2, 18, 2, 54, -21, 8, -5)
# 執行
result.mean <- mean(x)
print(result.mean)

列印結果：


3110861-864985be2e68d8e3.png
圖1.png

II. 修剪選項

# 建立向量
x <- c(12, 7, 3, 4.2, 18, 2, 54, -21, 8, -5)
# 執行
result.mean <- mean(x)
print(result.mean)
# 修剪選項
result.mean <- mean(x, trim = 0.3)
print(result.mean)

列印結果：


3110861-3d309628f69a3987.png 圖2.png

III. NA選項

# NA選項--如果有缺失值，則平均函式返回NA
x <- c(12, 7, 3, 4.2, 18, 2, 54, -21, 8, -5, NA)
result.mean <- mean(x)
print(result.mean)

result.mean <- mean(x, na.rm = TRUE)
print(result.mean)

列印結果：


3110861-bef50146f6a7e745.png 圖3.png
  • Median中位數
    I. 語法
    計算R語言中位數的基本語法是 -
    median(x, na.rm = FALSE)
    以下是所使用的引數的描述 -
    -- x
    是輸入向量。
    -- na.rm用於從輸入向量中刪除缺失值。

II. 示例

# 建立向量
x <- c(12, 7, 3, 4.2, 18, 2, 54, -21, 8, -5)
# 查詢中位數
median.result <- median(x)
print(median.result)

列印結果：


3110861-76345f3cd292429e.png 圖4.png
  • Mode模式
    I. 模式是一組資料中出現次數最多的值。
    II. 示例
# 建立函式
getmode <- function(v) {
    uniqv <- unique(v)
    uniqv[which.max(tabulate(match(v, uniqv)))]
}
# 建立向量
v <- c(2, 1, 2, 3, 1, 2, 3, 4, 1, 5, 5, 3, 2, 3)
# 計算模式
result <- getmode(v)
print(result)

# 建立字元向量
charv <- c("o", "it", "the", "it", "it")
# 獲取模式
result <- getmode(charv)
print(result)

列印結果：


3110861-daf9e029eb0bdabc.png 圖5.png
2. 線性迴歸
  • 方程
    線性迴歸的一般數學方程為 -
y = ax + b

以下是所使用的引數的描述 -
-- y是響應變數。
-- x是預測變數。
-- a和b被稱為係數常數。

  • 建立迴歸步驟
1. 進行收集高度和相應重量的觀測值的樣本的實驗。
2. 使用R語言中的lm()函式建立關係模型。
3. 從建立的模型中找到係數，並使用這些建立數學方程
4. 獲得關係模型的摘要以瞭解預測中的平均誤差。 也稱為殘差。
5. 為了預測新人的體重，使用R中的predict()函式。
  • LM()函式
    此函式建立預測變數和響應變數之間的關係模型。
    語法
    線性迴歸中lm()函式的基本語法是 -
lm(formula,data)

以下是所使用的引數的說明 -
-- 公式是表示x和y之間的關係的符號。
-- 資料是應用公式的向量。

  • 建立關係模型並獲取係數
# 建立關係模型並獲取係數
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
# 應用lm()函式
relation <- lm(y~x)
print(relation)

列印結果：


3110861-d7b8079f72540954.png 圖6.png

其中a=0.6746, b=-38.4551

  • 獲取相關的摘要
# 獲取相關摘要
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
# 應用lm()函式
relation <- lm(y~x)
print(summary(relation))

列印結果：


3110861-b00b1166a7f7059e.png 圖7.png

  • predict()函式
    語法
    線性迴歸中的predict（）的基本語法是 -
    predict(object, newdata)
    以下是所使用的引數的描述 -
    -- object是已使用lm()函式建立的公式。
    -- newdata是包含預測變數的新值的向量。

  • 預測新人的體重

# 預測新人體重
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
# 應用lm()函式
relation <- lm(y~x)
# 身高170，預測體重
a <- data.frame(x = 170)
result <- predict(relation, a)
print(result)

列印結果：


3110861-c23d26ec3b78dea1.png 圖8.png
  • 以圖形方式視覺化迴歸
# 圖形方式視覺化迴歸
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
# 應用lm()函式
relation <- lm(y~x)
# 設定檔名
png(file = "linearregression.png")
# 繪製圖表
# 繪製點
plot(y, x, col = "blue", main = "Height & Weight Regression")
# 繪製線
abline(lm(x~y), cex = 1.3, pch = 16, xlab = "Weight in Kg", ylab = "Height in cm")

# 儲存檔案
dev.off()

效果：


3110861-bc3e4f0cdda0d854.png linearregression.png
3. 多重回歸
  • 方程
    多元迴歸的一般數學方程為 -
y = a + b1x1 + b2x2 +...bnxn

以下是所使用的引數的描述 -
-- y是響應變數。
-- a，b1，b2 ... bn是係數。
-- x1，x2，... xn是預測變數。

  • lm()函式
    此函式建立預測變數和響應變數之間的關係模型。
    語法
    lm()函式在多元迴歸中的基本語法是 -
lm(y ~ x1+x2+x3...,data)

以下是所使用的引數的描述 -
-- 公式是表示響應變數和預測變數之間的關係的符號。
-- 資料是應用公式的向量。

  • 建立關係模型並獲取係數
# 建立模型並獲取係數
input <- mtcars[,c("mpg", "disp", "hp", "wt")]
# 建立關係模型
model <- lm(mpg~disp+hp+wt, data = input)
# 顯示模型
print(model)
# 列印係數
cat("# # # # The Coefficient Values # # # ","
")
# 列印係數
a <- coef(model)[1]
print(a)
Xdisp <- coef(model)[2]
Xhp <- coef(model)[3]
Xwt <- coef(model)[4]
print(Xdisp)
print(Xhp)
print(Xwt)

列印結果：


3110861-f0461a812e1cac52.png 圖9.png
4. 邏輯迴歸
  • 邏輯迴歸
y = 1/(1+e^-(a+b1x1+b2x2+b3x3+...))

以下是所使用的引數的描述 -
-- y是響應變數。
-- x是預測變數。
-- a和b是作為數字常數的係數。
用於建立迴歸模型的函式是glm()函式。

  • 語法
    邏輯迴歸中glm()函式的基本語法是 -
glm(formula,data,family)

以下是所使用的引數的描述 -
-- formula是表示變數之間的關係的符號。
-- data是給出這些變數的值的資料集。
-- family是R語言物件來指定模型的細節。 它的值是二項邏輯迴歸。

  • 建立迴歸模型
# 建立迴歸模型
input <- mtcars[,c("am", "cyl", "hp", "wt")]
am.data = glm(formula = am ~ cyl + hp + wt, data = input, family = binomial)
print(summary(am.data))

列印結果：


3110861-692cbd17454db4e4.png 圖10.png
5. 標準分佈
  • 函式
dnorm(x, mean, sd)
pnorm(x, mean, sd)
qnorm(p, mean, sd)
rnorm(n, mean, sd)

以下是在上述功能中使用的引數的描述 -
-- x是數字的向量。
-- p是概率的向量。
-- n是觀察的數量（樣本大小）。
-- mean是樣本資料的平均值。 它的預設值為零。
-- sd是標準偏差。 它的預設值為1。

  • dnorm()
# dnorm() - 該函式給出給定平均值和標準偏差在每個點的概率分佈的高度。
x <- seq(-10, 10, .1)
y <- dnorm(x, mean = 2.5, sd = 0.5)
# 設定檔名
png(file = "dnorm.png")
# 繪製點
plot(x,y)
dev.off()

效果：


3110861-fb697d9b07ce9806.png dnorm.png
  • pnorm()
# pnorm() - 該函式給出正態分佈隨機數的概率小於給定數的值。 它也被稱為“累積分佈函式”。
x <- seq(-10, 10, .2)
y <- pnorm(x, mean = 2.5, sd = 2)
# 設定檔名
png(file = "pnorm.png")
# 繪製點
plot(x, y)
dev.off()

效果：


3110861-6720eb296b1f4016.png pnorm.png
  • qnorm
# qnorm() - 該函式採用概率值，並給出累積值與概率值匹配的數字。
x <- seq(0, 1, by = 0.02)
y <- qnorm(x, mean = 2, sd = 1)
# 設定檔名
png(file = "qnorm.png")
plot(x, y)
dev.off()

效果：


3110861-9fc5643c4ac67649.png qnorm.png
  • rnorm()
# rnorm() - 此函式用於生成分佈正常的隨機數。 它將樣本大小作為輸入，並生成許多隨機數。 我們繪製一個直方圖來顯示生成的數字的分佈。
y = rnorm(50)
png(file = "rnorm.png")
hist(y, main = "Normal Distribution")
dev.off()

效果：


3110861-22fcf178b2ad31d9.png rnorm.png
6. 二項分佈
  • 函式
dbinom(x, size, prob)
pbinom(x, size, prob)
qbinom(p, size, prob)
rbinom(n, size, prob)

以下是所使用的引數的描述 -
-- x是數字的向量。
-- p是概率向量。
-- n是觀察的數量。
-- size是試驗的數量。
-- prob是每個試驗成功的概率。

  • dbinom()
x = seq(0, 50, 1)
y = dbinom(x, 50, 0.5)
png(file = "dbinom.png")
plot(x, y)
dev.off()

效果：


3110861-5de9a82fee0f4913.png dbinom.png
  • pbinom()
# pbinom() - 此函式給出事件的累積概率。 它是表示概率的單個值。
x <- pbinom(26, 51, 0.5)
print(x)

列印結果：


3110861-150ffea00a3a80c7.png 圖11.png
  • qbinom()
# qbinom() - 該函式採用概率值，並給出累積值與概率值匹配的數字。
x <- qbinom(0.25, 51, 1/2)
print(x)

列印結果：


3110861-a808b2619584609b.png 圖12.png
  • rbinom()
# rbinom() - 該函式從給定樣本產生給定概率的所需數量的隨機值。
x <- rbinom(8, 150, .4)
print(x)

列印結果：


3110861-914dcf59ce61631b.png 圖13.png
7. 泊松分佈
  • 數學方程
log(y) = a + b1x1 + b2x2 + bnxn.....

以下是所使用的引數的描述 -

  • y是響應變數。
  • a和b是數字係數。
  • x是預測變數。
    用於建立泊松迴歸模型的函式是glm()函式。
  • glm()語法
glm(formula,data,family)

以下是在上述功能中使用的引數的描述 -
-- formula是表示變數之間的關係的符號。
-- data是給出這些變數的值的資料集。
-- family是R語言物件來指定模型的細節。 它的值是“泊松”的邏輯迴歸。

  • 建立迴歸
# 建立迴歸模型
# 內建的資料集“warpbreaks”
output <- glm(formula = breaks ~ wool + tension,
        data = warpbreaks,
        family = poisson
    )
print(summary(output))

列印結果：


3110861-7a82a18f94256886.png 圖14.png
8. 協方差分析
  • 模型與分類變數和預測變數之間的相互作用
# 模型與分類變數和預測變數之間的相互作用
result <- aov(mpg~hp*am, data = mtcars)
print(summary(result))

列印結果：


3110861-d5b5ab1fcbf3e80e.png 圖15.png
  • 沒有分類變數和預測變數之間相互作用的模型
# 沒有分類變數和預測變數之間相互作用的模型
result <- aov(mpg~hp+am, data = mtcars)
print(summary(result))

列印結果：


3110861-06563c18609f5375.png 圖16.png
  • 比較兩個模型
# 比較兩個模型
input <- mtcars
result1 <- aov(mpg~hp*am, data = input)
result2 <- aov(mpg~hp+am, data = input)
# 比較兩個模型
print(anova(result1, result2))

列印結果：


3110861-eac637daf5abd3ed.png 圖17.png
9. 時間序列分析
  • 語法
timeseries.object.name <-  ts(data, start, end, frequency)

以下是所使用的引數的描述 -
-- data是包含在時間序列中使用的值的向量或矩陣。
-- start以時間序列指定第一次觀察的開始時間。
-- end指定時間序列中最後一次觀測的結束時間。
-- frequency指定每單位時間的觀測數。
除了引數“data”，所有其他引數是可選的。

  • 單時間序列
# 單時間序列
rainfall <- c(799,1174.8,865.1,1334.6,635.4,918.5,685.5,998.6,784.2,985,882.8,1071)
# 轉換為時間序列物件
rainfall.timeseries <- ts(rainfall, start = c(2012, 1), frequency = 12)
print(rainfall.timeseries)
# 設定圖片
png(file = "rainfall.png")
# 繪圖
plot(rainfall.timeseries)
# 儲存圖片
dev.off()

列印結果：


3110861-0b09eae8a6763759.png 圖18.png

效果：


3110861-6691d51af213cfa1.png rainfall.png
  • 不同的時間間隔
    ts()函式中的頻率引數值決定了測量資料點的時間間隔。 值為12表示時間序列為12個月。 其他值及其含義如下 -
    -- 頻率= 12指定一年中每個月的資料點。
    -- 頻率= 4每年的每個季度的資料點。
    -- 頻率= 6每小時的10分鐘的資料點。
    -- 頻率= 24 * 6將一天的每10分鐘的資料點固定。
  • 多時間序列
# 多時間序列
rainfall1 <- c(799,1174.8,865.1,1334.6,635.4,918.5,685.5,998.6,784.2,985,882.8,1071)
rainfall2 <- c(655,1306.9,1323.4,1172.2,562.2,824,822.4,1265.5,799.6,1105.6,1106.7,1337.8)
# 轉換為矩陣
combined.rainfall <- matrix(c(rainfall1, rainfall2), nrow = 12)
# 轉換為時間序列
rainfall.timeseries <- ts(combined.rainfall, start = c(2012, 1), frequency = 12)
print(rainfall.timeseries)
# 設定檔名
png(file = "rainfall_combined.png")
# 繪製點
plot(rainfall.timeseries, main = "Multiple Time Series")
# 儲存檔案
dev.off()

列印結果：


3110861-dc71031ec0f63279.png 圖19.png

效果：


3110861-a694da5fdf910950.png rainfall_combined.png
10. 非線性最小二乘
  • 語法
nls(formula, data, start)

以下是所使用的引數的描述 -
-- formula是包括變數和引數的非線性模型公式。
-- data是用於計算公式中變數的資料框。
-- start是起始估計的命名列表或命名數字向量。

  • 示例
# 非線性最小二乘法
xvalues <- c(1.6,2.1,2,2.23,3.71,3.25,3.4,3.86,1.19,2.21)
yvalues <- c(5.19,7.43,6.94,8.11,18.75,14.88,16.06,19.12,3.21,7.58)
# 設定圖片
png(file = "nls.png")
# 繪圖
plot(xvalues, yvalues)
# 取假設值並適合模型。
model <- nls(yvalues ~ b1 * xvalues^2 + b2, start = list(b1 = 1, b2 = 3))
# 繪製圖表
new.data <- data.frame(xvalues = seq(min(xvalues), max(xvalues), len = 100))
lines(new.data$xvalues, predict(model, newdata = new.data))
# 儲存檔案
dev.off()
# 獲取model平法和
print(sum(resid(model)^2))
# 獲得所選系數值的置信區間。
print(confint(model))

列印結果：


3110861-2c22f3c35c20c364.png 圖20.png

效果圖：


3110861-472d5aa445522b94.png nls.png
11. 決策樹
  • 安裝包
# 安裝包 -- party包中用於建立和分析決策樹的函式ctree()
install.packages("party", repos="https://cran.cnr.berkeley.edu/")
  • 語法
ctree(formula, data)

以下是所使用的引數的描述 -
-- formula是描述預測變數和響應變數的公式。
-- data是所使用的資料集的名稱。

  • 建立決策樹
# 建立決策樹
library(party)
# 建立輸入資料幀
input.data <- readingSkills[c(1:105),]
# 設定檔名
png(file = "decision_tree.png")
# 建立樹
output.tree <- ctree(
        nativeSpeaker ~ age + shoeSize + score,
        data = input.data
    )
# 繪圖
plot(output.tree)
# 儲存檔案
dev.off()

列印結果：


3110861-81a10c26797415e5.png 圖21.png

效果：


3110861-2c68aeed9034d82c.png decision_tree.png
12. 隨機森林演算法
  • 安裝包
# 安裝包 -- randomForest具有函式randomForest()，用於建立和分析隨機森林。
install.packages("randomForest", repos="https://cran.cnr.berkeley.edu/")
  • 語法
randomForest(formula, data)

以下是所使用的引數的描述 -
formula是描述預測變數和響應變數的公式。
data是所使用的資料集的名稱。

  • 建立森林
library(party)
library(randomForest)

# 建立森林
output.forest <- randomForest(nativeSpeaker ~ age + shoeSize + score, data = readingSkills)
print(output.forest)
print(importance(output.forest, type = 2))

列印結果：


3110861-0fcbf78d78bfabcb.png 圖22.png
13. 生存分析
  • 語法
Surv(time,event)
survfit(formula)

以下是所使用的引數的描述 -
-- time是直到事件發生的跟蹤時間。
-- event指示預期事件的發生的狀態。
-- formula是預測變數之間的關係。

  • 應用生存分析
# 應用函式
library("survival")
# 建立生存物件
survfit(Surv(pbc$time, pbc$status == 2) ~ 1)
# 設定檔名
png(file = "survival.png")
# 繪製圖
plot(survfit(Surv(pbc$time, pbc$status == 2) ~ 1))
# 儲存
dev.off()

列印結果：


3110861-d1c49a002c64178f.png 圖23.png

效果圖：


3110861-187162b239c07d21.png survival.png
14. 卡方檢驗
  • 語法
chisq.test(data)

以下是所使用的引數的描述 -
-- data是以包含觀察中變數的計數值的表的形式的資料。

  • 卡方校驗
# 卡方檢驗
library("MASS")
# 建立資料幀
car.data <- data.frame(Cars93$AirBags, Cars93$Type)
# 建立表
car.data = table(Cars93$AirBags, Cars93$Type)
print(car.data)
# 卡方校驗
print(chisq.test(car.data))

列印結果：


3110861-0f2e6423b6ca89ba.png 圖24.png

程式碼下載

相關推薦

R語言--統計（六）

1. 平均值、中位數和模式 Mean平均值 I. 語法 用於計算R中的平均值的基本語法是 - mean(x, trim = 0, na.rm = FALSE, ...) 以下是所使用的引數的描述 - -- x是輸入向量。 -- trim用於從排序向量的兩端丟棄一些觀察結果。

R語言學習（7）字符串和因子

const sprint 水平 tostring 大小 pow 個數 end paste 字符串和因子 1.字符串 　　創建字符串 > c("Hello","World")[1] "Hello" "World" 　　paste( ) 函數連接字符串 >

[讀書筆記] R語言實戰 （四） 基本數據管理

mean 圖片 數值 函數 nbsp 一個 img order 分享 1. 創建新的變量 mydata<-data.frame(x1=c(2,2,6,4),x2=c(3,4,2,8)) #方法一 mydata$sumx<-mydata$x1+mydat

Go語言開發（六）、Go語言閉包

技術 iad 調用 導致 nil \n 整體 不支持 變化 Go語言開發（六）、Go語言閉包 一、函數式編程 1、函數式編程簡介 函數式編程是一種編程模型，將計算機運算看作是數學中函數的計算，並且避免了狀態以及變量的概念。在面向對象思想產生前，函數式編程已經有數十年的歷史。

C++語言學習（六）——二階構造模式

工程 ESS 語句 argc 流程 失敗 ostream 分享圖片 半成品對象 C++語言學習（六）——二階構造模式 一、構造函數的問題 構造函數存在的問題：A、構造函數只提供自動初始化成員變量的機會B、不能保證初始化邏輯一定成功，如申請系統資源可能失敗C、執行return

GO語言學習（六）Go 語言數據類型

支持 Go語言 基於 固定 run 出現 簡單 架構 ble 在 Go 編程語言中，數據類型用於聲明函數和變量。 數據類型的出現是為了把數據分成所需內存大小不同的數據，編程的時候需要用大數據的時候才需要申請大內存，就可以充分利用內存。 Go 語言按類別有以下幾種數據類

Mac版R語言入門（三）資料的匯入

R語言（三）資料的匯入，包括以下幾個部分的內容： R語言問題討論交流，歡迎關注我的新浪微博：Jenny愛學習                1.資料型別介紹      

Java語言學習（六）：面向物件進階

    上篇部落格中我們初步認識了Java面向物件程式設計，下面進一步學習下。     面向物件程式設計三大特性：封裝、繼承、多型。     封裝隱藏了類的內部實現機制，對外界而言它的內部細節是隱藏的，暴露給外界的只是它的訪問方法。

程式設計菜鳥到大佬之路：C語言程式（六）

第六天學習精要 if語句 條件分支結構之if 語句 有時，並非所有的程式語句都要被順序執行到，會希望滿足某種條件就執行這部分語句，滿足另一條件就執行另一部分語句，這就需要“條件分支結構”。 依次計算表示式1、表示式2…只要碰到一個表示式i為真，則執行語

C語言入門（六）之include、多檔案開發

include基本概念 #include <stdio.h> // 告訴系統printf函式是存在的, 告訴系統printf函式的格式(宣告printf函式) // include的作用

R語言學習（三）——二項分佈

二項分佈統計推斷 dbinom(x, size, prob)：計算某點的概率值 x:生成隨機數的數量；size：伯努利實驗的次數；prob:試驗成功的概率 pbinom(q, size, prob)：生成累積概率 qbinom(p, size, prob)：生成

R語言學習（四）——泊松分佈

dpois(x, lambda, log = FALSE) ppois(q, lambda, lower.tail = TRUE, log.p = FALSE) qpois(p, lambda, lower.tail = TRUE, log.p = FALSE)

R語言學習（七）——資料規範化

由於取值範圍大的變數會在測算距離時被賦予較大的權重，降低取值範圍小的資料對結果的影響，所以要對原始變數進行規範化處理。 讀取資料： 或者將Excel檔案儲存為csv（逗號分隔）型檔案，然後用read函

R語言學習（五）高階資料管理

（一）數值和字元處理函式 數學函式： 統計函式：  輸入help（ ）可以檢視函式的具體用法 z <- mean(x) z <- mean(x,trim=0.05,na.rm=TRUE) ;;丟棄最大最小百分之5後的截尾平均書  均值與標準

C語言學習（六）三種基本程式結構

例一：財務人員給員工發工資時經常遇到這樣一個問題，即根據每個人的工資額（以元作為單位）計算出各種面值的鈔票的張數，且要求總張數最少。 例如，某職工工資為3436元，發放方案為：100元34張，20元1張，10元1張，5元1張，1元1張。 #include <stdio

R語言--圖表（四）

1. 條形圖 語法 在R語言中建立條形圖的基本語法是 - barplot(H, xlab, ylab, main, names.arg, col) 以下是所使用的引數的描述 - -- H是包含在條形圖中使用的數值的向量或矩陣。 -- xlab是x軸的標籤

R語言--基礎（三）

1. 字串 連線字串 - paste()函式 對於貼上功能的基本語法是 - paste(..., sep = " ", collapse = NULL) 以下是所使用的引數的說明 - -- ...表示要組合的任意數量的自變數。 -- sep表示引數之間的

R語言--基礎（二）

1. 決策 概述 決策結構要求程式設計師指定要由程式評估或測試的一個或多個條件，以及如果條件被確定為真則要執行的一個或多個語句，如果條件為假則執行其他語句。 Sr.No. 宣告和描述

R語言--基礎（一）

1. 概述 R語言是用於統計分析，圖形表示和報告的程式語言和軟體環境。 R語言由Ross Ihaka和Robert Gentleman在紐西蘭奧克蘭大學建立，目前由R語言開發核心團隊開發。 R語言在GNU通用公共許可證下免費提供，併為各種作業系統（如Linux，Windows和Ma

c語言基礎（六）靜態和動態記憶體分配

1.靜態記憶體是程式編譯執行後系統自動分配，由系統自動釋放，靜態記憶體是棧分配的 第一次執行完畢後i就被釋放了，所以後面輸出的為垃圾值 2.動態記憶體分配是開發者手動分配的，是堆分配的 malloc（int）函式申請記憶體空間 free（）回收 realloc（）重新分