R語言函式總結
阿新 • • 發佈:2019-01-25
R語言特徵
- 對大小寫敏感
- 通常,數字,字母,. 和 _都是允許的(在一些國家還包括重音字母)。不過,一個命名必須以 . 或者字母開頭,並且如果以 . 開頭,第二個字元不允許是數字。
- 基本命令要麼是表示式(expressions)要麼就是 賦值(assignments)。
- 命令可以被 (;)隔開,或者另起一行。
- 基本命令可以通過大括弧({和}) 放在一起構成一個複合表示式(compound expression)。
- 一行中,從井號(#)開始到句子收尾之間的語句就是是註釋。
- R是動態型別、強型別的語言。
- R的基本資料型別有數值型(numeric)、字元型(character)、複數型(complex)和邏輯型(logical),物件型別有向量、因子、陣列、矩陣、資料框、列表、時間序列。
基礎指令
- 程式輔助性操作:
執行
q()——退出R程式tab——自動補全ctrl+L——清空consoleESC——中斷當前計算除錯查錯
browser() 和 debug()——設定斷點進行,執行到此可以進行瀏覽檢視(具體除錯看browser()幫助文件(c,n,Q))stop('your message here.')——輸入引數不正確時,停止程式執行cat()——檢視變數?
幫助
help(solve) 和 ?solve 等同??solve——檢索所有與solve相關的資訊help("[[") 對於特殊含義字元,加上雙引號或者單引號變成字串,也適用於有語法涵義的關鍵字 if,for 和 functionhelp(package="rpart")——檢視某個包help.start()——得到html格式幫助
help.search()——允許以任何方式(話題)搜尋幫助文件
example(topic)——檢視某個幫助主題示例apropos("keyword")——查詢關鍵詞keyword相關的函式RSiteSearch("onlinekey", restrict=fuction)——用來搜尋郵件列表文件、R手冊和R幫助頁面中的關鍵詞或短語(網際網路)RSiteSearch('neural networks')
- 準備
檔案目錄設定
setwd(<dir>)——設定工作檔案目錄getwd()——獲取當前工作檔案目錄list.files()——檢視當前檔案目錄中的檔案載入資源
search()——通過search()函式,可以檢視到R啟動時預設載入7個核心包。基礎函式:數學計算函式,統計計算函式,日期函式,包載入函式,資料處理函式,函式操作函式,圖形裝置函式 setRepositpries()——選擇軟體庫(CRAN,Bioconductor,R-Forge),尋找安裝包的方法另看《【R筆記】尋找R的安裝包》(.packages())——列出當前包
(.packages(all.available=TRUE))——列出有效包
install.packages(“<package>”)——安裝包library()和require()——載入R包(package)至工作空間
data()——列出可以被獲取到的存在的資料集(base包的資料集)data(<datasets>,package=“nls”)——將nls包的datasets載入到資料庫中
批處理檔案和結果重定向
source("commands.R")——執行commands.R (存放批處理命令的)指令碼檔案。cat(<Rcommond>,file="")——可以把R命令輸出至外部檔案,然後呼叫source函式進行批處理do.call(<funcname>,<pars>)——呼叫函式,第一個引數<funcnames>指示呼叫函式字串名稱,第二個引數包含呼叫所需引數的一個列表<pars>sink("record.lis")——把後續的輸出結果從控制檯重定向到外部檔案 record.lis 中sink()——把後續程式碼輸出重新恢復到終端上展示attach(<datafame>)——將資料框<datafame>中的變數連結到記憶體中,便於資料呼叫detach()——對應attach(<datafame>),取消變數的連結,detach()裡沒有引數!注:attach()和detach()均是在預設變數搜尋路徑表中由前向後找到第一個符合變數名稱,因此之前若存在重名變數,有可能會出現問題!!!
- 資料處理
輸入輸出(讀入輸出資料、檔案)
assign("x",c(1,2,3)) 和 x <- c(1,2,3) 和 c(1,2,3)->x ——向量賦值read.table("infantry.txt", sep="\t", header=TRUE)——seq屬性用其它字元分割,比如文字檔案用空格(tab)分隔,header設定為檔案中已經存在表頭名稱
read.csv("targets.csv")——讀入csv(Comma Seperated Values)檔案,屬性被逗號分割read.csv(url("<link>"))——read.csv() 和 url()的合體,讀存在網上的資料
x <- scan(file="")——手動輸入資料,同時scan可以指定輸入變數的資料型別,適合大資料檔案
scan("data.dat", what = list("", 0, 0))——what指定變數型別列表readLines('http://en.wikipedia.org/wiki/Main_Page',n=10)——讀取文字檔案,將文件轉為以行為單位存放的list格式,比如讀取讀取wikipedia的主頁html檔案的前十行write.table(Data, file="file.txt", row.names = FALSE, quote=FALSE)——輸出,quote為FALSE去掉字串型別的雙引號,write.table(stasum, "stasum.csv",row.names = FALSE,col.name=FALSE,sep=",",append=TRUE)write.csv(data,file="foo.csv",row.names=FALSE)——寫成csv格式,row.names=FALSE去掉行號print()——列印save.image("./data.RData")——把原本在計算機記憶體中(工作空間)活動的資料轉存到硬碟中。load("./RData")——載入目錄中的*.RData,把文件-詞項矩陣從磁碟載入到記憶體中
資料檢視
- 通用物件
class(<object>) 和 data.class(object)——檢視物件object的類或型別unclass()——消除物件object的類
- 基本資料型別
as.<資料型別>——改變物件的資料型別
- 特殊屬性
attr(<object>,“name”)——存取物件object的名為name的屬性
- 混合型別
邏輯型別+字元型別=字元型別數值型別+字元型別=字元型別
ls() 和 objects()——檢視當前工作空間中存在的物件(變數)rm(list=ls())——刪除工作空間的所有物件methods(x)——檢視x函式的原始碼,有些自帶函式輸入名稱x可以直接看到,有一些需要呼叫methods方法才能檢視函式x的原始碼,出現多重名,輸入對應名稱即可str()——檢視資料(框)中的資料總體資訊(比如樣本個數、變數個數、屬性變數名稱、型別)
nrow(dataframe)——檢視資料集行數
NROW(vector)——查看向量的行數,等於length(x)head(dataframe)——檢視資料集前6行資料tail(dataframe)——檢視資料集尾6行資料
- 向量特徵
ANY,ALL——任意,全部陣列和矩陣train$vartrain$new[train$var == NA] <- 1Data[is.na(Data)] <- 0——資料框多維變數中給NA值賦值為0
apply(A,Margin,FUN,...)——A為矩陣,Margin設定待處理的維數,為1是橫排(行),為2是豎排(列)做運算,Fun是運算函式sweep(x,2,apply(x,MARGIN=1,mean),FUN)——對陣列或者矩陣進行運算。 MARGIN=1表示行,2表示列;STATS統計量,如apply(x,MARGIN=1,mean),FUN函式運算預設為減法,“/”除法y.vector<-with(data,get(yval))——表示在data資料框中讀取列名稱為yval的向量。with(<data>,<colname|func>)——提取資料框中的某些引數做運算,對於資料框運算很方便
繪圖
plot()——繪製圖像plot(<vecter_horizontal>, <vector_vertical>, pch=as.integer(<factors>),col,xlab,ylab)——用factors區分影象點的型別pch(圓的,三角,叉),col是顏色類別,xlab或者ylab對應橫縱軸標題legend(<location="topright">,legend=<vector_labelname>,pch=1:3,cex=1,col)——圖例,<location>是位置(比如右上),<vector_labelname>圖例類別標籤名,pch是圖例對應標籤的類別id(向量),<cex>調整字型比例大小,顏色設定,legend("topright", levels(<factors>), pch=1:length(levels(factors)))text(X,Y,labels=c(1,2,3),adj=1.2)——新增標註,X,Y是對應座標的向量,labels是標記值,adj調整標註位置abline(h = <int>,lty=2)——低階繪圖新增一條水平線h或者是迴歸模型直線,垂線v;lty為2表示繪製虛線abline(a,b)——畫一條y=a+bx的直線points(x,y)————低階繪圖,畫個點,座標為向量x,ylines(x,y)——低階繪圖,畫一條線,座標為向量x,y
axis(side=1,at=seq(from=0.7,by=1.2,length.out=7),labels=c(...))——繪製座標軸,低階繪圖,side為2是縱座標barchart()——lattice包預先要對資料彙總barplot(<vector>)——繪製柱狀圖,vector可增加名稱。也可以繪製直方圖,和hist()均分資料不太一樣,需要用table()統計各個子分段下樣本數量後在畫圖。mosaicplot(x~y,main,color=T,xlab,ylab)——柱形對應關係圖
contour(<matrix>)——建立等高線
persp(<matrix>,expand=0.2)——建立3D圖,expand擴充套件值設定為0.2,否則為全屏擴充套件image(volcano)——載入柵格(矩陣)影象par(mfrow=c(1,2),oma,mar)——mfrow設定圖形輸出視窗為1行2列,新增car包?oma是所有影象距離邊框的距離(底部,左邊,頂部,右邊),mar是每幅影象對邊框的距離,預設是c(5, 4, 4, 2) + 0.1。lines(data)——(低階)原圖中畫線,data是由散點(x,y)組成rug(jitter(<data>),side =2)——檢驗離群點資料,rug()原圖中執行繪圖繪製在橫座標上,side為2是縱座標,jitter(<data>)對繪製值略微調整,增加隨機排序以避免標記值作圖重合。pairs(data)——資料框各個變數的散佈圖
coplot(y~x|a+b)——多個變數時的散點圖,在a,b(向量或是因子)的劃分下的y與x的散點圖scatterplotMatr()——散點圖矩陣,car包identify(<data>)——互動式點選,單擊圖形中的點,將會輸出對應資料的行號,右擊結束互動stem(x,scale=1,width=80,atom=1e-08)——莖葉圖,scale控制莖葉圖的長度,為2即是以0~4為一組,5~9為一組將個位分成兩部分,width是繪圖寬度,atom是容差
boxplot()——箱圖,研究變數的中心趨勢,以及變數發散情況和離群值。上體頂部和底部為上下四分位數,中間粗線為中位數,上下伸出的垂直部分為資料的散步範圍,最遠點為1.5倍四分為點,超出後為異常點,用圓圈表示。boxplot(y~f,notch=TRUE,col=1:3,add=TRUE)#y是資料,f是由因子構成,notch是帶有切口的箱型圖,add=T圖疊加到上一幅圖。plot(f,y)——箱線圖,f是因子,y是與f因子對應的數值bwplot(<factor> ~ <y>,data,ylab)——lattice包的箱圖,繪製不同factor下的y的箱圖(條件繪圖,在某個因子取值集合下的y值變化)
bwplot(size~a1,data,panel=panel.bpplot,prob=seq(.01,.49,by=.01),datadensity=TRUE,ylab='')——Hmisc包的分位箱圖
earth.count(na.omit(x),number=4,overlap=1/5)——連續變數x的離散化,把x轉化為因子型別;number設定區間個數,overlap設定兩個區間靠近邊界的重合?每個區間的觀測值相等stripplot(x1~y|x2)——lattice包的複雜箱圖,存在兩個因子x1,x2控制下的y, x2按照從左到右,從下到上的順序排列,左下方的x2值較小palette()——col取值對應的顏色, "black" "red" "green3" "blue" "cyan" "magenta" "yellow" "gray" colors()——列出對應的顏色陣列
qcc()——qcc包,監控轉化率型指標的質量監控圖(P控制圖),監控異常點,前提是二項分佈足夠大後趨於正態分佈mosaic(<tab>,shade=T,legend=T)——繪製三級列聯表,<tab>是三級列聯表或者公式,vcd包curve(sapply(x,<func>),<from>,<to>)——畫曲線圖,from和to設定橫座標取值範圍
編輯
optim(c(0,0),<func>)——優化問題函式,c(0,0)是優化函式引數的初始值,返回值par是引數最優點值,value是引數的最優點時平方誤差值,counts是返回執行輸入函式func的次數以及梯度gradient的次數,convergence值為0表示有把握找到最優點,非0值時對應錯誤,message是一些其它資訊。curve(sapply(x,<func>),<from>,<to>)——畫曲線圖,from和to設定橫座標取值範圍sample(length(x),<size>,replace=F)——取樣,生成向量x的隨機順序的大小為<size>的新向量;replace為False為不重複抽樣,為True則重複抽樣Round ——取整。精確ceiling()——取整,偏向數值小的floor() ——取整,偏向數值大的%/% ——整除
colnames(Data)[4]="value"——更換某一列名edit()——編輯資料表格
fix()——rm(x,y)——移除物件(變數)x和y
na.exclude(<data>)——移除缺失資料整行
na.omit(<data>)——刪除缺失資料
attr(na.omit(<data>),"na.action")——返回向量a中元素為NA的下標na.fail()——如果向量中至少包括1個NA值,則返回錯誤;如果不包括任何NA,則返回原有向量merge(x = targets, y = infanty)——合併資料框,x和y是待合併資料框,相同屬性欄位也會合並在一起
merge(x, y, by = intersect(names(x), names(y)),by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all,sort = TRUE, suffixes = c(".x",".y"),incomparables = NULL, ...)merge函式引數的說明:
x,y:用於合併的兩個資料框 by,by.x,by.y:指定依據哪些行合併資料框,預設值為相同列名的列. all,all.x,all.y:指定x和y的行是否應該全在輸出檔案. sort:by指定的列是否要排序.
suffixes:指定除by外相同列名的字尾. incomparables:指定by中哪些單元不進行合併.scale(x, center = TRUE, scale = TRUE)——中心化與標準化,center是中心化,scale是標準化。(全選:減去均值,再除以標準差)cut(x,breaks=c(0,10,30),labels,ordered_result=F)——連續資料的離散化,將向量依據breaks區間分割為因子向量。labels設定返回因子向量的水平標籤值,ordered_result為False生成的因子向量無大小意義,否則有大小意義
- apply族函式
按行?tapply(X, INDEX, FUN, simplify = TRUE) ——處理分組資料, INDEX和X是有同樣長度的因子,simplify是邏輯變(量預設為T)aggregate(x~y+z, data,FUN)和by()——和tapply功能類似
- plyr庫
- reshape庫(reshape2)
- 字串處理
sub()函式——和gsub是類似的,但只替代第一個發現結果。chartr( )——字串替換函式
toupper( )、tolower( )及casefold( )——大小寫轉換函式
- 控制流
特殊資料物件
- 向量特性
length(vector)<- leg——修改物件長度為legnames(vector) <- c("A","B","C")——給向量起名稱vector["A"]——通過名稱訪問對應元素 a == c(1, 99, 3)——比較每一個元素對應是否相等
c(0,1)——建立向量,向量內元素型別應一致!seq(5,9)和5:9 ——連續向量,等差數列seq(5,9,0.5)——以0.5為間隔建立seq(from,to,length,by)
資料索引
which(is.na(var) == T)——返回對應陣列序號which.max() 和 which.min()——返回數值型別中最大和最小元素下標subset(<data>,<condition>,<colname>)——索引,<data>是資料,<condition>是索引條件,colnames指定索引列名match(x,table,nomatch,incomparables)——匹配函式,返回x對應值在table中是否存在,並從1開始編號。x是查詢物件,table是待匹配的向量,nomatch是不匹配項的設定值(預設為NA值),incomparables設定table表中不參加匹配的數值,預設為NULL<x> %n% <y>——判斷x中是否包含y,返回x對應的邏輯值
排序
sort(x, decreasing = FALSE, na.last = NA, ...)——排序,單變數排序,輸出排序結果(不是序號)。na.last為TRUE,缺失值放在資料最後,為False 缺失值放在資料最前面,為NA,缺失資料將被移除sort.list()——排序輸出序號值order()——排序,多個變數資料框排序,返回資料框序號數。order例子【結】結合ddply和transform函式,降序輸出並,輸出編號:ddply(dfx,.(group,sex),.fun=function(x){transform(x[order(x$age,decreasing=TRUE),c(1:3)],ind=1:length(group))})rank()——秩排序,有重複數字的時候就用這個,根據數值之間的遠近輸出序號rev()——依據下標從後往前倒排資料unique(<dataframe>)——返回無重複樣本的資料集duplicated(x)——查詢重複資料,重複序號返回為TRUE比較大小
pmin(x1,x2,...)——比較向量中的各元素,並把較小的元素組成新向量pmax(x1,x2,...)——向量間的交、並、補集
union(x, y)——(並集)合併兩組資料,x和y是沒有重複的同一類資料,比如向量集intersect(x, y)——(交集)對兩組資料求交集,x和y是沒有重複的同一類資料,比如向量集setdiff(x, y)——(補集)x中與y不同的資料,x和y是沒有重複的同一類資料,比如向量集,重複不同不記setequal(x, y)——判斷x與y相同,返回邏輯變數,True為相同,False不同。x和y是沒有重複的同一類資料,比如向量集is.element(x, y) 和 %n%——對x中每個元素,判斷是否在y中存在,TRUE為x,y重共有的元素,Fasle為y中沒有。x和y是沒有重複的同一類資料,比如向量集Vectorize()——將不能進行向量化預算的函式進行轉化- 矩陣
matrix(0, 3, 4)——0為賦初值,3行,4列,儲存方式是先列後行!矩陣是二維的,用ncol和nrow設定矩陣的行數和列數。byrow設定儲存方式(預設列優先),若為TRUE則以行優先
dim(<vector>)<- c(2,3)——設定矩陣為2行3列dimnames()=list(c(<row>),c(<col>))——設定引數行和列的名稱,以列表的形式進行輸入matrix[ ,4]——矩陣第4列as.vector(matrix)——將矩陣轉換成向量a["name1","name2"]——矩陣以行和列的名稱來代替行列的下標,name1是行名,name2是列名rbind()——矩陣合併,按行合併,自變數寬度應該相等
cbind()——矩陣合併,安列合併,自變數高度應該相等t()——矩陣轉置det()——行列式solve(A,b)——求線性方程組Ax=bsolve(A)——求逆矩陣eigen(A) ——求距陣的特徵值與特徵向量,Ax=(Lambda)x,A$values是矩陣的特徵值構成的向量,A$vectors是A的特徵向量構成的矩陣*——矩陣中每個元素對應相乘%*%——矩陣相乘
- 因子
is.factor()——判斷是否為無序因子is.order()——判斷是否為有序因子
- 列表和資料框
data.frame()——資料框names(<dataframe>)——顯示資料框的列名稱dataframe[[2]] 和 dataframe[["TheSec.Name"]] 和 dataframe$TheSec.Name——獲取資料框第二列的元素值as.matrix(<dataframe>)[,1]——把資料框轉化為矩陣後,再去提取列向量
- na和NULL的區別
- 處理缺失資料na
3、通過變數的相關關係來填補缺失值4、通過探索案例之間的相似性來填補缺失值
- 公式
poly(a,n)——a的n階多項式I(x1+x2)——表示模型y=b(x1+x2)+a
數理統計
- 基礎知識
統計量
mean(x,trim=0,na,rm=FALSE)——均值,trim去掉x兩端觀測值的便利,預設為0,即包括全部資料,na.rm=TRUE允許資料中有缺失weighted.mean(x,<weigth>)——加權平均值,weigth表示對應權值median——中值quantile(x,probs=seq(<start>,<end>,<diff>))——計算百分位數,是五數總和的擴充套件,probs設定分位數分位點,用seq(0,1,0.2)設定,表示以樣本值*20%為間隔劃分資料。var()——樣本方差(n-1)sd——樣本標準差(n-1)cov——協方差cor——相關矩陣fivenum(x,na.rm=TRUE)——五數總括:中位數,下上四分位數,最小值,最大值
數學函式
sum(x,y,z,na.rm=FALSE)——x+y+z,na.rm為TURE可以忽略掉na值資料sum(x>4)——統計向量x中數值大於4的個數rep(“LOVE!”,<times>)——重複times次,rep(1:3,c(1,2,3))表示1個1,2個2,3個3組成的序列sqrt()——開平方函式2^2 和 **——“^”冪運算abs()——絕對值函式'%%'——表示求餘
'%/%'——求商(整數)exp : 2.71828…expm1 : 當x的絕對值比1小很多的時候,它將能更加正確的計算exp(x)-1log : 對數函式(自然對數)log10 : 對數(底為10)函式(常用對數)log2 : 對數(底為2)函式因為10>e>1,常用對數比自然對數更接近橫座標軸xlog1p()——log(1+p),用來解決對數變換時自變數p=0的情況。指數和對數的變換得出任何值的0次冪都是1特性:對數螺旋圖。當影象呈指數型增長時,常對等式的兩邊同時取對數已轉換成線性關係。sin : 正弦函式cos : 餘弦函式tan : 正切函式asin : 反正弦函式acos : 反餘弦函式atan : 反正切函式sinh : 超越正弦函式cosh : 超越餘弦函式tanh : 超越正切函式asinh : 反超越正弦函式acosh : 反超越餘弦函式atanh : 反超越正切函式logb : 和log函式一樣log1px : 當x的絕對值比1小很多的時候,它將能更加正確的計算log(1+x)gamma : Γ函式(伽瑪函式)lgamma : 等同於log(gamma(x))ceiling : 返回大於或等於所給數字表達式的最小整數floor : 返回小於或等於所 給數字表達式的最大整數trunc : 擷取整數部分round : 四捨五入signif(x,a) : 資料擷取函式 x:有效位 a:到a位為止圓周率用 ‘pi’表示crossprod(A,B)——A %*% t(B) ,內積tcrosspeod(A,B)——t(A) %*% B,外積%*%——內積,a1b1+a2b2+...+anbn=a*b*cos<a,b>,crossprod(x)表示x與x的內積。||x||2,矩陣相乘%o%——外積,a*b*sin<a,b>(矩陣乘法,叉積),tcrossprod(x,y)表示x與y的外積。*表示矩陣中對應元素的乘積!
正態分佈
dnorm(x,mean=0,sd=1,log=FALSE)——正態分佈的概率密度函式pnorm(x,mean=0,sd=1)——返回正態分佈的分佈函式·rnorm(n,mean=0.sd=1)——生成n個正態分佈隨機數構成的向量qnorm()——下分為點函式qqnorm(data)——畫出qq散點圖qqline(data)——低水平作圖,用qq圖的散點畫線qq.plot(<x>,main='')——qq圖檢驗變數是否為正態分佈簡單分析
summary()——描述統計摘要,和 Hmisc()包的describe()類似,會顯示NA值,四分位距是第1個(25%取值小於該值)和第3個四分位數(75%取值小於該值)的差值(50%取值的數值),可以衡量變數與其中心值的偏離程度,值越大則偏離越大。table(<datafame>$<var>)——統計datafame資料中屬性變數var的數值取值頻數(NA會自動去掉!),列聯表table(<data_var_1>, <data_var_2>)——比較兩個data_var,<data_var_1>為列,<data_var_2>為行,先列後行!xtabs(formular,data)——列聯表ftable( table())——三維列聯表prop.table()——統計所佔百分比例prop.table(table(<data_var_1>, <data_var_2>),<int>)——比較兩個data_var所佔百分比,<int>填1位按行百分計算,2為列計算
margin.table( table(),<int> )——計算列聯表的邊際頻數(邊際求和),<int>=1為按列變數addmargin.table(table(),<int>)——計算列聯表的邊際頻數(邊際求和)並求和,<int>=1為按列變數as.formula(<string>)——轉換為一個R公式,<string>是一個字串迴圈時的判斷語句:ifelse(<test>, <yes>, <no>)——if,else的變種,test是判斷語句,其中的判斷變數可以是一個向量!yes是True時的賦值,no是False時的賦值hist(<data>,prob=T,xlab='橫座標標題',main='標題',ylim=0:1,freq,breaks=seq(0,550,2))——prob=T表示是頻率直方圖,在直角座標系中,用橫軸每個小區間對應一個組的組距,縱軸表示頻率與組距的比值,直方圖面積之和為1;prob位FALSE表示頻數直方圖;ylim設定縱座標的取值範圍;freq為TRUE繪出頻率直方圖,counts繪出頻數直方圖,FALSE繪出密度直方圖。breaks設定直方圖橫軸取點間隔,如seq(0,550,2)表示間隔為2,從0到550之間的數值。density(<data>,na.rm=T)——概率密度函式(核密度估計,非引數估計方法),用已知樣本估計其密度,作圖為lines(density(data),col="blue")ecdf(data)——經驗分佈函式,作圖plot(ecdf(data),verticasl=FALSE,do.p=FALSE),verticals為TRUE表示畫豎線,預設不畫。do.p=FALSE表示不畫點處的記號
- 假設檢驗
分佈函式
shapiro.test(data)——正態W檢驗方法,當p值大於a為正態分佈ks.test(x,y)——經驗分佈的K-S檢驗方法,比較x與y的分佈是否相同,y是與x比較的資料向量或者是某種分佈的名稱,ks.test(x, rnorm(length(x), mean(x), sd(x))),或ks.test(x,"pnorm",mean(x),sd(x))chisq.test(x,y,p)——Pearson擬合優度X2(卡方)檢驗,x是各個區間的頻數,p是原假設落在小區間的理論概率,預設值表示均勻分佈,要檢驗其它分佈,比如正態分佈時先構造小區間,並計算各個區間的概率值,方法如下:brk<-cut(x,br=c(-6,-4,-2,0,2,4,6,8))#切分割槽間A<-table(brk)#統計頻數 p<-pnorm(c(-4,-2,0,2,4,6,8),mean(x),sd(x))#構造正態分佈函式p<-c(p[1],p[2]-p[1],p[3]-p[2],p[4]-p[3],p[5]-p[4],p[6]-p[5],p[7]-p[6])#計算各個區間概率值 chisq.test(A,p=p)正態總體的均值方差
t.test(x,y,alternative=c("two.sided","less","greater"),var.equal=FALSE)——單個正態總體均值μ或者兩個正態總體均值差μ1-μ2的區間估計;alternative表示備擇假設:two.side(預設)是雙邊檢驗,less表示H1:μ<μ0,greater表示H1:μ>μ0的單邊檢驗(μ0表示原假設);當var.equal=TRUE時,則是雙樣本方差相同的情況,預設為不同var.test(x,y)——雙樣本方差比的區間估計獨立性檢驗(原假設H0:X與Y獨立)
chisq.test(x,correct=FALSE)——卡方檢驗,x為矩陣,dim(x)=c(2,2),對於大樣本(頻數大於5)fisher.test()——單元頻數小於5,列聯表為2*2
相關性檢驗(原假設H0:X與Y相互獨立)
cor.test(x,y,method=c("pearson","kendall","spearman"))——相關性檢驗,觀察p-value小於0.05則相關。method選擇相關性檢驗方法秩
rank()——秩統計量cor.test()——秩相關檢驗:Spearman,Kendallwilcox.test(x,y=NULL,mu,alternative,paired=FALSE,exact=FALSE,correct=FALSE,conf.int=FALSE)——秩顯著性檢驗(一個樣本來源於總體的檢驗,顯著性差異的檢驗),Wilcoxon秩和檢驗(非成對樣本的秩次和檢驗),mu是待檢測引數,比如中值,paired邏輯變數,說明變數x,y是否為成對資料,exact說民是否精確計算P值,correct是邏輯變數,說明是否對p值採用連續性修正,conf.int是邏輯變數,給出相應的置信區間。uniroot(f,interval=c(1,2))——求一元方程根的函式,f是方程,interval是求解根的區間內,返回值root為解optimize()或 optimise()——求一維變數函式的極小點nlm(f,p)——求解無約束問題,求解最小值,f是極小的目標函式,p是所有引數的初值,採用Newton型演算法求極小,函式返回值是一個列表,包含極小值、極小點的估計值、極小點處的梯度、Hesse矩陣以及求解所需的迭代次數等。顯著性差異檢驗(方差分析,原假設:相同,相關性)
mcnemar.test(x,y,correct=FALSE)——相同個體上的兩次檢驗,檢驗兩元資料的兩個相關分佈的頻數比變化的顯著性,即原假設是相關分佈是相同的。y是又因子構成的物件,當x是矩陣時此值無效。binom.test(x,n,p,alternative=c("two.sided","less","greater"),conf.level=0.95)——二項分佈,符號檢驗(一個樣本來源於總體的檢驗,顯著性差異的檢驗)aov(x~f)——計算方差分析表,x是與(因子)f對應因素水平的取值,用summary()函式檢視資訊aov(x~A+B+A:B)——雙因素方差,其中X~A+B中A和B是不同因素的水平因子(不考慮互動作用),A:B代表互動作用生成的因子p.adjust()——P值調整函式pairwise.t.test(x,g,p.adjust.method="holm")——多重t檢驗,p.adjust.method是P值的調整方法,其方法由p.adjust()給出,預設值按Holm方法(”holm“)調整,若為”none“,表示P值不做任何調整。雙因素互動作用時g=A:B
shapiro.test(x)——資料的正態W檢驗bartlett.test(x~f,data)——Bartlett檢驗,方差齊性檢驗
kruskal.test(x~f,data)——Kruskal-Wallis秩和檢驗,非引數檢驗法,不滿足正態分佈friedman.test(x,f1,f2,data)——Friedman秩和檢驗,不滿足正態分佈和方差齊性,f1是不同水平的因子,f2是試驗次數的因子
- 常用模型
1、迴歸模型
lm(y~.,<data>)——線性迴歸模型,“.”代表資料中所有除y列以外的變數,變數可以是名義變數(虛擬變數,k個水平因子,生成k-1個輔助變數(值為0或1))summary()——給出建模的診斷資訊:1、資料擬合的殘差(Residual standard error,RSE),殘差應該符合N(0,1)正態的,值越小越好2、檢驗多元迴歸方程係數(變數)的重要性,t檢驗法,Pr>|t|, Pr值越小該係數越重要(拒絕原假設)3、多元R方或者調整R2方,標識模型與資料的擬合程度,即模型所能解釋的資料變差比例,R方越接近1模型擬合越好,越小,越差。調整R方考慮迴歸模型中引數的數量,更加嚴格4、檢驗解釋變數x與目標變數y之間存在的依賴關係,統計量F,用p-value值,p值越小越好5、繪圖檢驗plot(<lm>)——繪製線性模型,和qq.plot誤差的正態QQ圖6、精簡線性模型,向後消元法線性迴歸模型基礎lm(formula=x~y,data,subset)——迴歸分析,x是因變數(響應變數),y是自變數(指示變數),formular=y~x是公式,其中若是有x^2項時,應把公式改寫為y~I(x^2),subset為可選擇向量,表示觀察值的子集。例:lm(Y ~ X1 + X2 + I(X2^2) + X1:X2, data = data)predict(lm(y~x),new,interval=“prediction”,level=0.95)——預測,new為待預測的輸入資料,其型別必須為資料框data.frame,如new<-data.frame(x=7),interval=“prediction”表示同時要給出相應的預測區間predict(lm(y~x))——直接用用原模型的自變數做預測,生成估計值篩選模型自變數lm.new<-update(lm.sol,sqrt(.)~.)——修正原有的迴歸模型,將響應變數做開方變換update(<lm>, .~. - x1)——移除變數x1後的模型
coef(lm.new)——提取回歸係數迴歸診斷1、正態性(QQ圖)plot(x,which)——迴歸模型殘差圖,which=1~4分別代表畫普通殘差與擬合值的殘差圖,畫正態QQ的殘差圖,畫標準化殘差的開方與擬合值的殘差圖,畫Cook統norm.test()——正態性檢驗,p-value>0.05為正態
計量的殘差圖residuals()和resid()——殘差
rstandard()——標準化殘差rstudent()——學生化殘差influence.measures(model)——model是由lm或者glm構成的物件,對迴歸診斷作總括,返回列表中包括,廣義線性模型也可以使用
anova(<lm>)——簡單線性模型擬合的方差分析(確定各個變數的作用)anova(<lm1>,<lm2>)——比較兩個模型(檢驗原假設為不同)2、誤差的獨立性——car包提供Duerbin_Watson檢驗函式3、線性——car包crPlots()繪製成分殘差圖(偏殘差圖)可以看因變數與自變數之間是否呈線性4、同方差性——car包ncvTest()原假設為誤差方差不變,若拒絕原假設,則說明存在異方差性5、多重共線性——car包中的vif()函式計算VIF方差膨脹因子,一般vif>2存在多重共線性問題異常點分析(影響分析)hatvalues()和hat()——帽子矩陣dffits()——DFFITS準則cooks.distance()——Cook統計量,值越大越有可能是異常值點covratio()——COVRATIO準則kappa(z,exact=FALSE)——多重共線性,計算矩陣的條件數k,若k<100則認為多重共線性的程度很小;100<=k<=1000則認為存在中等程度或較強的多重共線性;若k>1000則認為存在嚴重的多重共線性。z是自變數矩陣(標準化,中心化的?相關矩陣),exact是邏輯變數,當其為TRUE時計算精準條件數,否則計算近似條件數。用eigen(z)計算特徵值和特徵向量,最小的特徵值對應的特徵向量為共線的係數。step()——逐步迴歸,觀察AIC和殘差平方和最小,廣義線性模型也可以使用add1()——前進法
drop()——後退法stepAIC(sol,direction="backward")——MASS包,可以實現逐步迴歸(向前、向後、向前向後)預測predict(<sol>,<newdataframe>,level=0.95,interval="prediction")——迴歸預測,sol是模型,newdataframe是待預測資料框,level設定置信度,interval="prediction"表示結果要計算置信區間glm(formula,family=binomial(link=logit),data=data.frame)——廣義線性模型,logit預設為二項分佈族的連結函式,formula有兩種輸入方法,一種方法是輸入成功和失敗的次數,另一種像線性模型的公式輸入方式predict(glm(),data.frame(x=3.5),type="response")——預測廣義線性迴歸模型,type=“response”表示結果為概率值,否則為預測值yinv.logit()——預測值y的反logit,boot包的函式
glmnet()——正則化glm函式,glmnet包,執行結果的行數越前正則化越強。其輸出結果的意義是:
1)DF是指明非0權重個數,但不包括截距項。可以認為大部分輸入特徵的權重為0時,這個模型就是稀疏的(sparse)。2)%Dev就是模型的R23)超引數(lambda)是正則化引數。lambda越大,說明越在意模型的複雜度,其懲罰越大,使得模型所有權重趨向於0。plot(lm(y~x),which=1:4,caption=c(“Residuals vs Fitted”,“Normal Q-Q plot”,“Scale-Location plot”,“Cook's distance plot”))——畫迴歸模型殘差圖,which為1表示畫普通殘差