用R做数据分析.docx

用R做数据分析.docx

《用R做数据分析.docx》由会员分享，可在线阅读，更多相关《用R做数据分析.docx（22页珍藏版）》请在冰豆网上搜索。

用R做数据分析

R简介

R语言是由RossIhaka、RobertGentleman二位创建的，这也许可以解释为什么叫R语言。

现在由“R开发核心团队”负责开发。

R是基于S语言的一个GNU项目。

一、R语言介绍

R是为统计计算和作图的一门语言和环境。

是一个GNU项目，和S语言和环境很相似，S语言是由BELL实验室的JohnChambers和他的同事开发的。

R语言可以认为是从S语言衍生而来的，他们之前有很重要的不同，但是大多数用S语言写的代码也可以在R中运行。

目前R在高校非常流行，特别是随着这几年互联网的发展，（R在一些大公司的运用得到的实践，例如：

国外的google、linkdin、facebook等，国内一些大型互联网公司也在开始使用R），及随着互联网版权的意识增强，也促使了R在互联网的发展。

当然R在很多领域都有很广泛的运用。

R语言是开源的，同时可以运行在各种平台上（Linux、Windows、MacOS等）。

R的许多软件包是由R语言、LaTeX、Java及最常用C语言和Fortran撰写。

可以说现在R包含各种各样的功能，可以说目前你能想到的功能，都可以找到一个或者多个R包来实现。

几千个R包，哪个才最适合你呢？

“最适合你自己的R包，也许就是你自己写的那个包”。

二、R软件安装下载

CRAN地址：

，什么是CRAN：

CRAN为ComprehensiveRArchiveNetwork（R综合典藏网）的简称。

它除了收藏了R的执行档下载版、源代码和说明文件，也收录了各种用户撰写的软件包。

现时，全球有超过一百个CRAN镜像站。

根据你的操作系统，下载相应的R语言安装文件。

下载地址：

三、R语言的特点

1、变量不需要申明即可引用。

2、R语言的核心是：

向量。

3、R语言是一个函数语言。

4、向量中的下标是从1开始引用的。

5、R是脚本语言、面像对象；

四、如何学学习R语言

1、不要期望你能学会R中所有的包。

不要把目标定的那么高。

2、关键能理解R语言的内涵。

多看看CRAN上的相关文档，例如：

季刊、R语言相关新闻，特别是每次版本更新的一些内容。

3、运用

如果你是做数据分析相关的工作的，一定要把学习到的R语言知识运用到你的工作中，不管你把R语言当用一门编程语言还是统计工具，用的多了，自然你就有感觉，很多东西你就记住了。

4、持续

每天花点时间写几条R代码，实现一些小功能。

如果你工作上就用R，那是最完美的。

5、多看

多看别人写的代码，R运用的案例。

你可以google一下R会有很多好的博客，文章。

很多人都是R的GREEK。

6、开放

一定要开放、分享的心态。

多与别人交流，不要总是需求，一定要学习给予。

7、总结

学到的东西，及时做好总结，可以总结成案例或者笔记，如果可以欢迎分享给大家（到这投稿是一个不错的选择）

五、我对R语言的理解和看法

随时互联网的发展，特别是互联网对于版权、成本的因素考虑，因为免费、开源使越来越多的公司开始用R语言来处理数据、分析数据、完成模型等，当然这其中也伴随着对于数据价值挖掘的，特别是在大数据的背景下，想通过对数据挖掘&分析建立自己的竞争优势。

R不仅免费还有各种各样的的功能包资源。

从某种程度上讲，任何你想要的功能应该都可以找到对应的包，只是说是否完全满足，对于一些算法研究人员来说，可以在原来的代码的基础进行借鉴。

这也许就是为什么R最开始主要用到高校或者学术领域（当然和国外学者、专家这种自由、开放的环境或者意识有很关系，这也许就是为什么许多开源软件都是国外出来，很少看到国内的大公司有什么好的东西开源）。

很多行业人士都说R是未来的“王道”，就像unix的发展过程一样。

我觉得未来一定有属于R的一片天空，而且这种天空可以说是接近无限。

所以，对于有志于从事数据挖掘、数据分析这个行业的朋友来说，掌握R是也许会成为未来的必备技能（就像现在数据分析师大多要求会：

SQL）。

最后，我对R语言的理解与总结可以概括为一句话：

“开源、二次加工、分享精神”。

R包介绍

R语言的使用，很大程度上是借助各种各样的R包的辅助，从某种程度上讲，R包就是针对于R的插件，不同的插件满足不同的需求

一、R语言包的安装

1、通过选择菜单：

程序包->安装程序包->在弹出的对话框中，选择你要安装的包，然后确定。

2、使用命令

install.packages（"package_name","dir"）

package_name:

是指定要安装的包名，请注意大小写。

dir:

包安装的路径。

默认情况下是安装在..\library文件夹中的。

可以通过本参数来进行修改，来选择安装的文件夹。

例如：

mvtnorm安装到D:

/DM/r/R-2.15.2/library/目标下install.packages（"mvtnorm","D:

/DM/r/R-2.15.2/library/"）

3、本地来安装

如果你已经下载的相应的包的压缩文件，则可以在本地来进行安装。

请注意在windows、unix、macOS操作系统下安装文件的后缀名是不一样的：

1）linux环境编译运行：

tar.gz文件

2）windows环境编译运行：

.zip文件

3）MacOSg环境编译运行:

.tgz文件

注：

包安装好后，并不可以直接使用，如果在使用包中相关的函数，必须每次使用前包加载到内存中。

通过library（package_name）来完成。

二、加载包

包安装后，如果要使用包的功能。

必须先把包加载到内存中（默认情况下，R启动后默认加载基本包），加载包命令：

Library（“包名”）

Require（“包名”）

三、查看包的相关信息

1、查看包帮忙

library（help=package_name）

主要内容包括：

例如：

包名、作者、版本、更新时间、功能描述、开源协议、存储位置、主要的函数，例如：

library（help=igraph）

2、查看当前环境哪些包加载

find.package（）或者 .path.package（）

例如：

默认情况下安装7个包（本系列文章使用的R的版：

2.15.2）

3、移除包出内存

detach（）

4、把其它包的数据加载到内存中

data（dsname,package="pkgname"）

5、查看这个包里的包有数据

data（package="包名"）

6、列出所有安装的包

library（）

四、R包的分类

1、根据包的功能，分成不同的类：

2、截止到2013年3月6号，CRAN上一共收录的：

4338个包。

3、不同开源协议的包的分布如下：

（相关查看代码：

#读取CRAN上包的相关信息

a<-available.packages（contrib.url（"","source"））

#查看CRAN上当前包的个数

nrow（a）

#各种开源协议的包的分布个数

sort（table（gsub（".*","",a[,"License"]））, decreasing=T）

R软件初识数据分析

R软件下载地址：

1.用来制作散点图非常便捷。

plot（纵坐标变量~横坐标变量，data=数据集名称）

library（lattice）

xyplot（纵坐标变量~横坐标变量|属性拥有者，data=数据集名称）。

多个散点图。

2.数据存储成CSV格式的会更容易处理

3.R能用正则表达式来处理数据模式！

！

！

NewName<- sub（" \\（.* \\）","",Test$Name）

\\（ 表示左括号，告诉R这不是R表达式

. 句点表示任何字符

*星号表示任何数值的前字符

\\）表示右括号

4.读写文件语句

INPUT<-read.csv（"  .csv",header=TRUE） 读取一个.csv格式的文件

head（INPUT,n=?

）     查看开头数据中开头?

行

write.csv（INPUT,file="OUTPUT.csv"） 将结果写入到csv格式的文件

5.R区分大小写，连TRUE都不能用小写.

向量

在本系列文章中，接下将分别介绍R语言的几种数据对象：

向量、矩阵、数据框与列表、其它特殊对象；

请大家在学习R语言的时候永远记住一个概念，R语言所有内容都是对象；

一、向量基本概念

R语言中最为核心的构成之一

1、向量构成的基本元素为：

数值（numeric）、字符（character）、逻辑值（logical）、复数型（complex）；

2、向量不需要定义类型，可直接赋值：

1）生成一个空向量；x<-c（）;

2）给向量赋值。

x<-c（0,1,2,3）;

3、向量的元素下标取值是以1开始，这点请刚开始接触R的同学注意。

例如：

要前例中取x向量中值为1,则为x[2]

4、如果一个向量中有一个字符，则该向量的类型会变成字符；

如果逻辑变量与数值在一起，则为转换成数值。

TRUE转变成1andFALSE转变成0.

2、在R语言中没有单一的整数、单一字符的概念

例如：

X<-2；X<-'a'；R都是当作向量来处理，只是这个向量只包括单一值。

3、给向量各元素命名:

names（x）

Demo_3<-1:

3

names（Demo_3）<-c（"a","b","ab"）

二、几种特殊向量的生成

1、生成系列seq（）

1）seq（length=,from=,to=）

Length:

指定生成个数

From:

是指开始生成的点

To:

截止点

2）如果不指定，则默认条件下：

seq（N1,N2,BY=）

N1：

开始位置

N2：

截止位置

BY=指定间隔

2、rep（P，N）重复生成P值N次

三、向量运算

1、取子向量

通过下标:

取某个元素：

x[2];（如果X包括名称，注意:

x[2]与x[[2]]的区别；

取某中几个：

x[c（1,2,0）]

取某个/几个元素，利用-：

x[-n]

2、向量排序；

sort（）;输出排序后的结果；

order（）；输出排序后的各个向量位置；

a<-c（3,9,0,12,19）

sort（a）；order（）;

3、循环。

如果二个向量进行运算过程中，二个向量不相同，则R对长度小的向量自动补充值，直到长度等于大的向量。

例如：

Demo_5<-1:

3;

Demo_6<-2:

5;

Demo_7=Demo_6+Demo_5;

Demo_5<-1:

3;

Demo_6<-2:

7;

Demo_7=Demo_6+Demo_5;

（这也是很多人学习R语言的时候很难理解的地方，为什么会有这种机制）

vectorizedoperation（向量化运算）

1）、如果有一个是向量，是则结果都是向量形式；

2）、进行向量运算；判断向量是否长度相等，如果长度不相等，则把短向量长度从头开始循环补充值，到与长向量的长度相等（所以二个长度的相关必须是整数倍）；

矩阵

矩阵的创建

在R中用函数matrix（）来创建一个矩阵，使用该函数时需要输入必要的参数值。

matrix（data=NA,nrow=1,ncol=1,byrow=FALSE,dimnames=NULL）

1.   data向量元素列表

2.   nrow行数

3.   ncol列数

4.   byrow矩阵是按列优先的方式进行排序,先列后行。

byrow项控制排列元素时优先级按行。

例如：

1） matrix（c（1,2,3,4,5,6）,nrow=2,byrow=T）

5.   Dimnames（Row_name,Col_name）给定行和列的名称,如果不需要给行或者列命名，则以NULL代替。

例如：

给下面的矩阵列命令

2）Demo_1<-matrix（rnorm（15）*10,5,3,dimnames=list（NULL,c（'A','B','C'）））

矩阵的运算

1、R矩阵查看矩阵的列/行相关信息

#查看矩阵列名colnames（Demo_1）

#查看矩阵行名rownames（Demo_1）

#给矩阵的行命名rownames（Demo_1）<-c（'r1','r2','r3','r4','r5'）

#矩阵的维度 dim（Demo_1）

#返回与矩阵相同的列与行 row（）/col（）函数将返回一个与某矩阵有相同维数的矩阵

#返回矩阵行数与列数nrow（）返回行数

ncol（）返回列数

2、R的子矩阵

#取矩阵中某个元素值，第二行第三列的值：

 Demo_1[2,3]

#取矩阵中的某列，取矩阵的第一列 Demo_1[,1]

#取矩阵中的某行，取矩阵的第一行 Demo_1[1,]

#取某列大于某个值，取第二列大于3  Demo_1[Demo_1[,2]>3,]

3、R矩阵的基本运算

#矩阵加&减

Demo_2=Demo_3=matrix（1:

20,nrow=5,ncol=4）

#矩阵相乘

Demo_4=matrix（1:

20,nrow=4,ncol=5）

Demo_5=matrix（1:

20,nrow=5,ncol=4）

Demo_4%*%Demo_5

4、增加行与列

Demo_6<-matrix（,4,2）

Demo_6[c（1,3）,]<-matrix（c（1,2,3,4））

Demo_6

5、R矩阵的转置

t（Demo_1）

6、矩阵其它运算

#取对角元素diag（）

#各行汇总值rowSums（）

#各行的平均值rowMeans（）

#各位的汇总值colSums（）

#各列的平均值colMeans（）

数据框

前面几篇文章对R语言、R包以及R向量与矩阵等对象做了简单介绍，本篇继续介绍R数据框的相关内容。

数据框的创建

通过data.frame函数来创建数据框，该函数包含的主要参数为:

data.frame（...,row.names=NULL,check.rows=FALSE,check.names=TRUE,

stringsAsFactors=default.stringsAsFactors（））

创建一个数据框

Demo_1<-data.frame（name=c（'lucy','alice','lei'）,

heigh=c（178,156,188）,

sex=c（'F','F','M'）,

score=c（200,210,198））

#包括一个缺少值的数据框

Demo_2<-data.frame（name=c（'lucy','alice','lei'）,

heigh=c（178,156,188）,

sex=c（'F','F',NA）,

score=c（200,210,198）,

stringsAsFactors=F）

默认情况下，name与sex都是factor类型，如果要将某转化成字符类型，则使用选项：

stringsAsFactors=F

数据框特别点

1、可以包含不同类型的变量；而在矩阵中只能是同一种类型，例如：

不能出现字符与数值二种类型；所以可以把数据框理解为各列可为不同类型的向量组合。

2、各列的长度要求一致。

如果长度不一，则会报错。

例如：

3、如果你对数据库比较熟悉，你可以把数据框理解为数据库中的表。

数据框基本操作

1、查看数据框信息

#查看类型  class（Demo_1）

#查看某列的类型  class（Demo_1$sex）

#查看数据框长度  length（Demo_1）

#数据框各项名称  names（Demo_1）

#数据框信息总结,对字符类/因子类数据，给出相应的频数统计；给数值型数据给出5个主要的指标。

summary（Demo_1）

#对数据框进行去重

unique（Demo_1）

#取数据框中重复的行  Demo_1[duplicated（Demo_1）,]

2、取数据框中的某个元素

Demo_1[i,j]指第i行第j列的数据；

3、取数据框中一列与多列

#取某列，可以通过列标或者名称

Demo_1$sex

Demo_1[,3]

#取多行，例如取1，2，4列

Demo_1[,-3]

Demo_1[,c（1,2,4）]

4、取数据框中的一行与多行

#取某行，可以通过行标或者名称,例如：

取数据框的第一行

Demo_1[1,]

#取多行，例如：

取数据框的第一与第二行

5、判断数据框各行是否完整

complete.cases（Demo_2）

#选择非缺失值的数据  Demo_1[complete.cases（Demo_2）,]

6、增加列

#给Demo_1增加一列 Demo_1$score2<-c（12,13,23）

Demo_1<-cbind（Demo_1,score2=c（12,13,23））

7、增加行

#合并某二个数据框的二列 Demo_3<-rbind（Demo_1[,c（1,2）],Demo_2[,c（1,2）]）

列表

通过list函数来创建列表,例如，创建一个包含三个列的列表，请注意与R语言中的列表显示有什么不一样：

1.创建列表demo_1

2、创建数据框demo_1_1

列表对每个列显示都会单独以一行的形式存在；

数据框则是以表（或者是矩阵）的形式显示；所以根据数据输出的格式可以判断是列表还是数据框；

创建一个示例列

Demo_2<-list（name=c（'lucy','alice','lei'）,

heigh=c（178,156,188）,

sex=c（'F','F','M'）,

score=c（200,210,198））

#包括一个缺少值的列表

Demo_3<-list.frame（name=c（'lucy','alice','lei'）,

heigh=c（178,156,188）,

sex=c（'F','F',NA）,

score=c（200,210,198））

列表特点

列表包含所有列表的特点。

列表与列表的最大区别在于，列表的各列的长度是可以不一致的。

例如：

Demo_3<-list（name=c（'lucy','alice','lei'）,          

heigh=c（178,156）,         

sex='F'）

列表基本操作

1.查看列表信息

#查看类型  class（Demo_1）

#查看某列的类型  class（Demo_1$sex）

#查看列表长度即就是列的个数  length（Demo_1）

#列表各项名称 names（Demo_1）   

2.取列表中的某列或者某列元素

#取列表的第二列

Demo_2[2]

Demo_2$heigh

#取列表的某二列的元素

Demo_2[[2]]

Demo_2[[2]]与Demo_2[2]二者输出的区别在于，前者是输出向量，后者输出是列表；

我们详细来看下面的内容：

3.取向量中的某个元素

Demo_2[[N]][M]取：

N列中的第M个元素；

4.判断列表各行是否完整

complete.cases（Demo_2）

#选择非缺失值的数据

Demo_3[complete.cases（Demo_3）

5.增加列

#给Demo_1增加一列

Demo_1$score2<-c（12,13,23）

Demo_1<-cbind（Demo_1,score2=c（12,13,23）

6.其它操作

#删除一个值

Demo_1$score2<-NULL

#把列表转为向量：

unlist（）

#移除列表中的元素：

list[[N]]<-NULL

数据的输入与输出之Scan函数

前面系列文章，介绍了R语言中的几种数据格式；其它特殊的数据格式将在后续的文章中介绍，接下来的几篇文章，将讨论如何从外部中读入数据或者将其它格式的数据读入到R环境中；

scan（）函数

scan（file="",what=double（0）,nmax=-1,n=-1,sep="",

quote=if（identical（sep,"\n"））""else"'\"",dec=".",

skip=0,nlines=0,na.strings="NA",

flush=FALSE,fill=FALSE,strip.white=FALSE,

quiet=FALSE,blank.lines.skip=TRUE,multi.line=TRUE,

comment.char="",allowEscapes=FALSE,encoding="unknown"）

一、主要的参数说明如下：

1） what:

声明读入为字符类型数据，可能指定读入的精度/类型，例如：

what=integer（0）；what=numeric（0）；what=character（0）；

如果SCAN（）读入有字符与数字，用what=""来进行声明，则会把读入的数字隐式的都转变成字符；

2） SEP：

指定各个读入的数据之间的分隔符；默认情况下分隔符：

空格、tab；如果不是其它分隔符，例如“：

/”通过SEP来指定；

3） 可以通过list指定读入变量的变量名，同时生成的对象为列表，则可以同时读入字符与数字；

4） Skip从第几行开始读入数据；

5） Nlines指定最大读入行数；

6） 如果通过键盘输入的时候，不希望出现下标提示，则可以使用：

quiet=TRUE；

7） encoding=””指定的编码格式，有时候读入的中文可能会出现乱码的时候，可能通过这个参数来指定：

Latin-1或者UTF-8；

二、SCAN几点注意：

1）  用于读入纯字符或者数字，没有表头；

2）  如果输入的单一类型的变量，例如均是：

数值或者均是字符，用scan效率更高。

但其不能读入混合类型的数据，也就是在scan（）读入的必须同为字符或者同为数值；

3）  默认情况下用scan读入的数据生成向量类型（这也就是为什么读入的数据必须是同为字符或者同为数字）。

三、案例说明

1、手工输入数据

1）从键盘中输入数字

2）从键盘中输入字符

2、从外部读入

1）从D盘读入TXT文件，例如：

3、如果读入的数据中有字符或者数字，可以通过list来进行指定，则生成的对象是列表格式，如下：

4、指定输入字符的编码类型

数据的输入与输出之READ函数

read.table（）函数

1、用于读入表格（表）类型的数据，同时生成数据框对象。

2、读入的数据要求有规则的分隔符，默认有：

空格、TAB、换行符、回车符；其它的分隔符，通过sep=来进行指定。

read.table（file,header=FALSE,sep="",quote="\"'",

dec=".",row.names,col.names,

as.is=!

stringsAsFactors,

na.strings="NA",colClasses=NA,nrows=-1,

skip=0,check.names