入門書籍：R語言實戰

進度：1-4章

摘要：

1）實用的包

forecast:用於做時間序列預測的，有auto.arima函式

RODBC:可以用來讀取excel檔案。但據說R對csv格式適應更加良好，相應的匯入匯出均較為方便（read.table, write等）

reshape：目前用到rename函式，可以方便的對資料變數重新命名

fCalendar：在日期輸入處提及，據說對日期運算有奇效，但無具體示例。同理如lubridate

sqldf:在資料選取處提及，可代替subset以及各種where，即sql語句

2）資料匯入

data.frame(變數1，變數2，變數3）

attach/detach:一套使用，不必重複輸入資料框，直接輸入變數名即可定位/同理還有with

read.table(檔案路徑，header=TRUE,sep=",")：這裡sep為分隔符

3）資料處理

is.na:判斷缺失值是否存在

transform: 在按需建立新變數，並儲存到資料框時，可用。舉例如

mydata<-transform(mydata,
                            sumx=x1+x2,
                            meanx=(x1+x2)/2)

邏輯運算子：見P68，內有!=，不等於，!x非x等等

變數分組賦值重編碼：先把所有數值賦值為NA，然後逐個判斷，並賦予新值

test<-within(資料,{
                            agecat<-NA
                            agecat[age>75]<-"Elder"
                            agecat[age>=55 & age <=76]<-"Middle")
                            }

within：如上例用於賦值，與with類似但允許修改資料框，另外有提及recode,recodevar等充電嗎

fix(資料)：直接彈出互動式編輯器，可編輯資料

rename:用於重新命名，reshape包

is.na:用於判斷缺失值是否存在，缺失值為TRUE，非缺失值為FALSE（不能用==比較，因為預設缺失值不可比較）

na.rm=TRUE:用於在sum/avg等計算中，如果有缺失值時，忽略缺失值。否則函式會報錯

na.omit:用於刪除包含缺失值的行，一般資料量小時不建議使用

as.Date:表示將要輸入的資料是日期，預設為yyyy-mm-dd，但可通過format(具體見P73）修改，舉例如：

mydata《-as.Date("2014-10-12")

myformat<-"%m/%d/%y"
date<-as.Date(日期型變數，myformat直接引用之前的變數）

Sys.Date()：輸入當天日期；

Date():輸入當前時間‘

format(x,format=輸入的日期）：指定輸入什麼日期

difftime()：計算時間間隔

1 today<-Sys.Date()
2 born<-as.Date("1999-11-11")
3 difftime(today,born,units="weeks"/"days"/"hours"/"months"...）

is/as.datetype:判斷，生成某個資料型別，如numeric, vector, logical等

order:資料排序，結合attach使用

merge():用by=變數名，來指定合併物件。這裡NA影響很大，具體看幫助裡的例項，可用incomparables去掉不要的觀測值

cbind：不管其他，直接橫向連線

rbind:總想合併，必須擁有相同的變數，順序可以不一樣

然後有提及一堆子集選取，但最好的是

subset/sqldf:用於資料提取。見P79-80

另外：

1:50，表示從第一個變數取到第50個變數

1-50：這裡表示第一個變數不取……