R语言方法总结.docx
《R语言方法总结.docx》由会员分享，可在线阅读，更多相关《R语言方法总结.docx（19页珍藏版）》请在冰豆网上搜索。
R语言方法总结
R语言方法总结
计算描述性统计量:
1、summary（）:
例：
summary（mtcars[vars]）
summary（）函数提供了最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻
辑型向量的频数统计。
2、apply（）函数或sapply（）函数
计算所选择的任意描述性统计量。
mean、sd、var、min、max、median、length、range
和quantile。
函数fivenum（）可返回图基五数总括（Tukey’sfive-numbersummary，即最小值、
下四分位数、中位数、上四分位数和最大值）。
sapply（）
例：
mystats<-function（x,na.omit=FALSE）{
if（na.omit）
x<-x[!
is.na（x）]
m<-mean（x）
n<-length（x）
s<-sd（x）
skew<-sum（（x-m）^3/s^3）/n
例：
dstats<-function（x）（c（mean=mean（x）,sd=sd（x）））
by（mtcars[vars],mtcars$am,dstats）
by（mtcars[,vars],mtcars$am,plyr:
:
colwis（dstats））
3、summaryBy（）：
doBy包
例library（doBy）
summaryBy（mpg+hp+wt~am,data=mtcars,FUN=mystats）
4、describe.by（）：
doBy包（describe.by（）函数不允许指定任意函数，）
例：
library（psych）
describe.by（mtcars[vars],mtcars$am）
5、reshape包分组：
（重铸和融合）
例：
library（reshape）
dstats<-function（x）（c（n=length（x）,mean=mean（x）,
sd=sd（x）））
dfm<-melt（mtcars,measure.vars=c（"mpg","hp",
"wt"）,id.vars=c（"am","cyl"））
cast（dfm,am+cyl+variable~.,dstats）
频数表和列联表
1、table（）：
生成简单的频数统计表
mytable<-with（Arthritis,table（Improved））
Mytable
2、prop.table（）：
频数转化为比例值
prop.table（mytable）
3、prop.table（）*100：
转化为百分比
prop.table（mytable）*100
二维列联表
4、table（A,B）/xtabs（~A+b,data=mydata）
例：
mytable<-xtabs（~Treatment+Improved,data=Arthritis）
5、margin.table（）和prop.table（）：
函数分别生成边际频数和比例
（1:
行，2：
列）
行和与行比例
margin.table（mytable,1）
prop.table（mytable,1）
列和与列比例
margin.table（mytable,2）
prop.table（mytable,2）
prop.table（mytable）
6、addmargins（）：
函数为这些表格添加边际和
addmargins（mytable）
admargins（prop.table（mytable））
addmargins（prop.table（mytable,1）,2）
addmargins（prop.table（mytable,2,1）
7.crossTable（）：
gmodels包
例：
library（gmodels）
CrossTable（Arthritis$Treatment,Arthritis$Improved）
多维列联表
1、table（）和xtabs（）：
都可以基于三个或更多的类别型变量生成多维列联表。
2、ftable（）:
例：
mytable<-xtabs（~Treatment+Sex+Improved,data=Arthritis）
mytable
ftable（mytable）
margin.table（mytable,1）
margin.table（mytable,2）
margin.table（mytable,3）
margin.table（mytable,c（1,3））
ftable（prop.table（mytable,c（1,2）））
ftable（addmargins（prop.table（mytable,c（1,2））,3））
gtable（addmargins（prop.table（mytable,c（1,2））,3））*100
独立检验
1、卡方独立性检验：
chisq.test（）
例：
library（vcd）
mytable<-xtabs（~Treatment+Improved,data=Arthritis）
chisq.test（mytable）
mytable<-xtabs（~Improved+Sex,data=Arthritis）
chisq.test（mytable）
2、Fisher精确检验：
fisher.test（）
例：
mytable<-xtabs（~Treatment+Improved,data=Arthritis）
fisher.test（mytable）
3、Cochran-Mantel—Haenszel检验：
mantelhaen.test（）
例：
mytable<-xtabs（~Treatment+Improved+Sex,data=Arthritis）
mantelhaen.test（mytable）
相关性度量
1、assocstats（）：
例：
library（vcd）
mytable<-xtabs（~Treatment+Improved,data=Arthritis）
assocstats（mytable）
2、cor（）：
函数可以计算这三种相关系数，
3、cov（）：
函数可用来计算协方差
例：
states<-state.x77[,1:
6]
cov（states）
cor（states）
cor（states,method="spearman"）
x<-states[,c（"Population","Income","Illiteracy","HSGrad"）]
y<-states[,c（"LifeExp","Murder"）]
cor（x,y）
4、pcor（）：
偏相关ggm包
例：
library（ggm）
pcor（c（1,5,2,3,6）,cov（states））
相关性的显著性检验
1、cor.test（）
其中的x和y为要检验相关性的变量，alternative则用来指定进行双侧检验或单侧检验（取值为"two.side"、"less"或"greater"），而method用以指定要计算的相关类型（"pearson"、
"kendall"或"spearman"）当研究的假设为总体的相关系数小于0时，请使用alternative=
"less"。
在研究的假设为总体的相关系数大于0时，应使用alternative="greater"。
在默认情况下，假设为alternative="two.side"（总体相关系数不等于0）。
例：
cor.test（states[,3],states[,5]）
2、corr.test（）：
可以为Pearson、Spearman或Kendall相关计算相关矩阵和显著性水平。
例：
library（psych）
corr.test（states,use="complete"）
3、pcor.test（）：
psych包
t检验
1、t.test（y~x,data）（独立样本）
例：
library（MASS）
t.test（Prob~So,data=UScrime）
2、t.test（y1,y2,paired=TRUE）（非独立）
例：
library（MASS）
sapply（UScrime[c（"U1","U2"）],function（x）（c（mean=mean（x）,
sd=sd（x））））
with（UScrime,t.test（U1,U2,paired=TRUE））
组间差异的非参数检验
两组的比较：
1、wilcox.test（y~x,data）：
评估观测是否是从相同的概率分布中抽得
例：
with（UScrime,by（Prob,So,median））
wilcox.test（Prob~So,data=UScrime）
2、wilcox.test（y1，y2,paried=TRUE）：
它适用于两组成对数据和无法保证正态性假设的情境。
例：
sapply（UScrime[c（"U1","U2"）],median）
with（UScrime,wilcox.test（U1,U2,paired=TRUE））
多于两组的比较：
1、kruskal.test（y~A，data）:
各组独立
例：
states<-as.data.frame（cbind（state.region,state.x77））
kruskal.test（Illiteracy~state.region,data=states）
2、friedman.test（y~A|B,data）:
各组不独立
非参数多组比较:
1、npmc（）:
npmc包
例：
class<-state.region
var<-state.x77[,c（"Illiteracy"）]
mydata<-as.data.frame（cbind（class,var））
rm（class,var）
library（npmc）
summary（npmc（mydata）,type="BF"）
aggregate（mydata,by=list（mydata$class）,median）
回归
用一个或多个预测变量（也称自变量或解释变量）来预测响应变量（也称因变量、效标变量或结果变量）的方法。
1、lm（）:
拟合回归模型lm（y~x1+x2+x3,data）
简单线性回归
1、lm（）:
（data是数据框）
例：
fit<-lm（weight~height,data=women）
summary（fit）
women$weight
fitted（fit）
residuals（fit）
plot（women$height,women$weight,main="WomenAge30-39",
xlab="Height（ininches）",ylab="Weight（inpounds）"）
多项式回归
例：
fit2<-lm（weight~height+I（height^2）,data=women）
summary（fit2）
升级会员 