大家好,这是从知乎《一个大学生的日常笔记》中迁移过来的R语言教程的第一篇。
这一份笔记follow了两本非常优秀的R语言教材,分别是Robert I.Kabacoff的《R语言实战》和Peter Dalgaard的《R语言统计入门》,两本教材的思路有所不同,我会根据我自己的思路尽量降低学习门槛,综合来写教程。(毕竟提高了门槛,我就不知道自己在写什么了……那就真的没卵用了……)
阅读教程的时候我有自己的思路,看过我的LaTeX入门笔记的同学们会明白,如果我想到了一些可能会让入门新手迷糊的地方,我会以注意:这样的形式去标记出来,而且有的时候,可能这些小插曲更加重要,请不要忽略它们。
例子大部分都是摘抄的,但是我会做一些解释和细节上的调整,同时考虑到代码规范的问题,我很多例子不会提供符号可选的余地,比如"和',用于标记字符都可以,但是代码规范推荐使用"
目前我已经是准大二学生,统计的先修课只有一门学校上的《概率论与数理统计》,事实上,这门课学完之后,R的大部分内容就已经可以上手操作了。因此我们不会在这门课程已有的理论部分下功夫去解释。但是,碍于我自己本科生的视野,我们不会把太复杂,或者根本不可能涉及到的的内容搬到这里,因此这对于真正的statistician,或者是统计学专业的大牛来说,可能最多只是一份入门笔记而已。
不过也还是有些亮点的,我可能会在教程里夹杂点别的语言的新奇玩意做些互相的对比2333
引言到此为止,下面我们开始正题。
目录
- R语言环境初探
- 一些基本的素养和操作
- 赋值
- 向量
- 索引
- 矩阵
- 数组
- 小结
R语言环境初探
细心的同学可能已经看到了封面的那个图,那个就是我们推荐下载的R语言编辑器——Rstudio,但是这仅仅是个编辑器,必须下载安装真正的R语言编译器才能够运行。至于如何下载——百度搜索R和Rstudio关键字就好。那两个玩意的图标大概长这样
我们主要使用的编辑器是Rstudio,但是为了教程的完整性(integrity),这里展示一张R语言的打开界面
输入一行命令试试?
plot(rnorm(1000))
(居然没提供R语言的选项……)
系统会为你画一张图
这是一张含有1000个按正态分布排列的随机数的图。
R的环境到此结束,下面我们回到Rstudio来看看
我们可以看到Rstduio有四个区域。分别的功能是
- 左上角,是Rstudio的脚本区域(但是远不止写脚本那么简单,其实还可以用来写Rmarkdown,RNotebook等,这些是很实用的插件,但这里我们不详谈)
- 左下角,是命令行(command)窗口,刚才我们在R中展示的窗口就是这个。
- 右上角是R的目前的变量环境
- 右下角是R的画图,装包,浏览文件的区域。
可以看出,综合的功能是比R要强大很多的,而且根据我们网站组的大佬的反应,这玩意其实是一个html……也就是说你会JS你就可以恶搞它的界面啦
对了,在你关掉R/Rstudio的时候,系统会问你是否要保存空间映像,那个其实就是保存历史记录,方便以后继续使用而设置的。
一些基本的素养和操作
R语言是一个统计语言。统计数据离不开一个良好的用于储存的结构和标识。我们会先从它的基本操作讲起,在其中夹杂着数据类型,数据框等大量的结构和细节。
首先说说帮助文档
R语言和C /python不一样,R语言非常琐碎,因此seek for help是必要的,但是R的official document很难懂,因此不推荐拿那个去当作你学习的教程。我们推荐的是以下三种寻求帮助的命令
help("function") or ?function
help.search("function") or ??function
example("function")
第一个是查函数的帮助文档,第二个是以某一个function为关键字搜索帮助文档。第三个会给出某一个函数的使用示例。在对函数不熟悉的时候一定要学会使用它。
不管是什么样的计算机语言,赋值都是最基础的工作。但是赋值符号不是C 里的=,而是<-,比如
r <- 2
注意:用=赋值是不会被编译器报错的,但是由于这个语法不标准,所以有的时候会出问题。
随着赋值而来的就是数值运算,但是我们不强调那种单变元的数值运算,R有个很强大的功能是向量化操作(当然matlab也有)。(向量理解为一系列变量的按序组合(比如数值向量可以理解为数列)就好)比如说给予五个人身高体重的例子,我们计算一个BMI。
A <- c(1.84,1.74,1.65,1.58,1.81)
B <- c(86.2,65,51.5,45,56)
BMI <- (B/(A^2))
BMI
最后显示的结果是
确实是一个向量。
注意:R语言构造向量的方法是c(...)
注意:如果不输入某一个变量的名称,R默认是不显示结果的,因此我最后一行又加了一个BMI变量名显示它。
注意:我们推荐写多行R代码的时候使用脚本,之后在Rstudio中,脚本区域的右上角有三个按钮,第一个run是逐行运行代码,第三个source是运行全部代码(但是要在下拉框选择source with echo,否则依然显示不了结果),大家注意回去找找看。
注意:如果你真的点击了source去运行代码的话,可以在command区域看到这样的命令
source('C:/Users/Asus/Desktop/A.R')
拿出来说的原因是想强调:如果你要输入一个文件路径,一定要输入正斜杠/,因为反斜杠是转义字符(escaped character),在""中间输入字符,如果想让它打印出",就可以输入\"。
我们回到向量这个问题上来
常用的R的数据类型有三种:数字,字符,逻辑真假(当然还有个缺失值类型,我们在之后会说)。因此我们也可以创建字符和逻辑向量。
关于字符向量,我们列举下面三个例子
c("A","B","C")
cat(c("A","B","C"))
cat(c("A","B","C"),'\n')
显示的结果如下
哎?二和三有什么区别吗?
如果你在R中运行的话,第二行的命令是默认不换行的,所以就会出现
的情况,不过在Rstudio里,这种情况得到了改善。
注意:cat是连接 输出的函数,而c只负责连接,在例子中,cat可以消除字符串的""符号。你可以连接任何东西,包括向量。
注意:R的向量要求内部的所有元素数据类型相同。如果通过cat/c连接两个不同数据类型的向量,系统会进行强制转换。比如
A <- c("A","B","C")
B <- c(1,2,3)
c(A,B)
结果留给大家自己观察。(这里原来出了一处错误,已经修正,谢谢
@快走姑娘
提醒)
和数值运算类比的就是逻辑运算,但是我不打算在这里先说这些。
伴随着向量的就是索引,目的自然是为了取用这些元素。索引的方法是[],举2个例子
A <- c("A","B","C")
A[2]
B <- c("A"=1,"B"=2,"C"=3)
B["B"]
显示的结果如下
注意:向量内的元素是有序的,这里A[2]索引的就是第二个,不是程序员认为的第三个!
注意:第二个例子中,我们相当于人工设置了索引(在python里,有个专门的数据结构叫字典(dict))为"A","B","C",它们叫这些变量的名称(name),一一对应1,2,3。和自然索引1,2,3不同的是,这里的人工索引在查看变量的时候会显示。
注意:索引也可以索引一个向量,也就是索引多个元素(和matlab一样),比如说,试着运行一下下面这个命令。
A <- c("A","B","C")
A[c(2,3)]
结果留给你们自己去发现。
注意:索引也可以是负索引!它不是python里“倒数第几个”的含义,它的意思是“索引除标记以外的所有元素”。在数据清洗中非常常见,可以用一个例子去帮助理解
A <- c("A","B","C")
A[-c(2,3)]
自己去敲敲代码看看结果吧
注意:你甚至可以使用索引进行赋值,即使它已经超出了这个向量的长度,比如说
A[7]="D"
那么,A这个时候第7个确实是字符D,但是原来的第4-6个呢?实际上它们是缺失值。也就是NA。至于缺失值是什么样的数据类型,这会在之后提到。
注意:对于名称,字符串中的""要求会放宽,也就是说,你还可以这么写。
B <- c(A=1,B=2,C=3)
结果是一样的
对于我这种懒人来说,这可真是个福音。
下面我们说说矩阵和数组。
矩阵可以理解为二维的向量。但是创建矩阵的参数就一下子多了很多,因此可能会稍有点难理解,我们用两组例子结束这一切。
第一组:
S <- c(1,2,3,4,5,6,7,8,9)
rnames <- c(1,2,3)
cnames <- c("A","B","C")
C=matrix(S,nrow=3,ncol=3,byrow=TRUE,dimnames=list(rnames,cnames))
C=matrix(S,nrow=3,ncol=3,byrow=FALSE,dimnames=list(rnames,cnames))
C=matrix(S,nrow=2,ncol=4,byrow=TRUE,dimnames=list(rnames,cnames))
显示的结果如下
我改变的参数在byrow这里,它提示我们应该按行填充还是按列填充。TRUE自然就是按行存储的意思。
Oh,第三个报错了,看一下报错信息。
data length [9] is not a sub-multiple or multiple of the number of rows [2]数据长度9不是行数2的因数或倍数
哇哦,我有一些额外的发现
报错信息的数字会用[]标识出来,是有意义的。同时本身也不是特别难懂。
兴奋完之后,回到命令本身,参数解释如下:
- 第一个是源向量。
- 第二个是nrow和ncol参数,row是行,col是列(column),代表需要组合的行数和列数。
- 第三个是byrow参数,上面已经解释过了。
- 第四个是dimnames,用于标记行名称和列名称。
我们可以看到,在矩阵里,名称就非常重要了,它更接近于我们平常做数据分析时所需要使用的表。
注意:看到那个TRUE了没,对比一下C里的true和python里的True就知道,R语言也是一个大小写敏感的语言。因此要注意代码的严格的大小写。
注意:第三,四个参数不是必需的,第三个不写的话,默认是FALSE,也就是按列填充。(和TeX的语法差别在于,可选不可选并不能通过直观的方式看出来,需要靠人的主观能动性去理解)
注意:在dimnames里有一个list函数,这是为了创建列表,它的目的是把多个变量的集合聚合成为单个变量,这是为了方便给函数的参数提供值,传参时会经常用。形式上倒没有太大的差别。
下面是第二个例子。
cbind(A=1:4,B=5:8,C=9:12) rbind(A=1:4,B=5:8,C=9:12)
显示的结果如下
bind是捆绑的意思,cbind理解为“把列捆绑在一起”,所以提供的向量自然是列向量,那么对应的名称索引就是行索引。同样的,rbind就是“把行捆绑在一起”。
注意:有的人会问[1,]和[,1]是什么?我们要强调,这种位置上的东西不管是名称还是数字,都是索引!但是这是矩阵的索引,对于矩阵的索引,我们可以举几个例子。
A=matrix(1:24,nrow=4,ncol=6) A[,6] A[3,] A[3,4] B=A[c(2,3),c(3,4)] B dimnames(B)=list(c(1,2),c(1,2)) B
显示的结果如下
索引项中,第一个是行索引,第二个是列索引。同样,你也可以给索引设置为向量。
在敲这个代码的时候,摸索了一个很有趣的用法。我们注意到,B依然是一个矩阵,但是使用matrix是创建一个矩阵,如果我要修改B这个矩阵的参数怎么办呢?就可以使用paramater(B)=,其中paramater是在函数中的参数,可以通过这种方法赋值。
注意:1:4,5:8等等,这个是什么?根据例子可以看出,这会生成1:4的公差为1的等差数列。你不用去担心看不懂,我会点出来,然后告诉你,这些有趣的用法在之后的笔记中会讲解到。
接着说数组,R中给的定义是多于2维的向量。我们拿矩阵去做对比,对数组就很好理解了。
同样举个例子
A <- c('A','B') B <- c(1,2,3) C <- c('!','@','#',' ) z <- array(1:24,c(2,3,4),dimnames=list(A,B,C)) z
显示的结果如下
我们可以看出,第三维是单独被拉出来的,第一二维就是行和列。第三维我们一般称为页。
有了矩阵铺垫,这个每个参数的含义就好理解多了,但我们还是做一个简单的解释。
- 第一个paramater是源向量。
- 第二个是三维中每一维的长度
- 第三个是每一维的名称
注意:我还没有找到让数组元素按行填充的办法。可能本身就没有设置吧。
注意:在介绍matrix函数的时候,每一个参数都是paramater=...的形式,但是这里似乎不是。在R里,如果不加这样的形式,R会按默认的参数顺序设置,如果记不住就很容易乱。使用这样的形式可以防止这个问题(同样在python,C 里也可以这么做,其中python里叫已知参数)当然不是因为它没有paramater,这只是写的人的习惯,因为这三个参数不容易混(性质完全不同),所以用熟的人自然不会再想着加paramater本身。
好的,问题来了,如果我是小白呢?我想加paramater怎么办?
乖,让你的心到最开始的地方看看?
小结
再次强调,不要忽略所有注意的地方!我已经写了很长时间了,但是实际上回到书本,其实只是书本一二两章的内容的部分。还有很多有趣的东西还没有涉及到,因此这只是基本操作总览的第一部分。我们会在之后的笔记涉及到剩下的部分。
下一节我们会说函数,常用函数集合,向量中的因子,排序,数据框,存储与导入外部数据等其余的基本操作。
感谢支持我的各位!笔芯~~
,