R語(yǔ)言入門教程二：數(shù)據(jù)導(dǎo)入和描述統(tǒng)計(jì)

1 數(shù)據(jù)導(dǎo)入

對(duì)初學(xué)者來(lái)講，面對(duì)一片空白的命令行窗口，第一道真正的難關(guān)也許就是數(shù)據(jù)的導(dǎo)入。數(shù)據(jù)導(dǎo)入有很多途徑，例如從網(wǎng)頁(yè)抓取、公共數(shù)據(jù)源獲得、文本文件導(dǎo)入。為了快速入門，建議初學(xué)者采取R語(yǔ)言協(xié)同Excel電子表格的方法。也就是先用較為熟悉的Excel讀取和整理你要處理的數(shù)據(jù)，然后“粘貼”到R中。

例如我們先從這個(gè)地址下載iris.csv演示數(shù)據(jù)，在Excel中打開(kāi)，框選所有的樣本然后“復(fù)制”。在R語(yǔ)言中輸入如下命令：

data=read.table（‘clipboard’，T）

這的里read.table是R讀取外部數(shù)據(jù)的常用命令，T表示第一行是表頭信息，整個(gè)數(shù)據(jù)存在名為data的變量中。另一種更方便的導(dǎo)入方法是利用Rstudio的功能，在workspace菜單選擇“import dataset”也是一樣的。

2 Dataframe操作

在數(shù)據(jù)導(dǎo)入R語(yǔ)言后，會(huì)以數(shù)據(jù)框（dataframe）的形式儲(chǔ)存。dataframe是一種R的數(shù)據(jù)格式，可以將它想象成類似統(tǒng)計(jì)表格，每一行都代表一個(gè)樣本點(diǎn)，而每一列則代表了樣本的不同屬性或特征。初學(xué)者需要掌握的基本操作方法就是dataframe的編輯、抽取和運(yùn)算。

盡管建議初學(xué)者在Excel中就把數(shù)據(jù)處理好，但有時(shí)候還是需要在R中對(duì)數(shù)據(jù)進(jìn)行編輯，下面的命令可以讓你有機(jī)會(huì)修改數(shù)據(jù)并存入到新的變量newdata中：

newdata=edit（data）

另一種情況就是我們可能只關(guān)注數(shù)據(jù)的一部分，例如從原數(shù)據(jù)中抽取第20到30號(hào)樣本的Sepal.Width變量數(shù)據(jù)，因?yàn)镾epal.Width變量是第2個(gè)變量，所以此時(shí)鍵入下面的命令即可：

newdata=data［20:30，2］

如果需要抽取所有數(shù)據(jù)的Sepal.Width變量，那么下面兩個(gè)命令是等價(jià)的：

newdata=data［，2］

newdata=data$Sepal.Width

第三種情況是需要對(duì)數(shù)據(jù)進(jìn)行一些運(yùn)算，例如需要將所有樣本的Sepal.Width變量都放大10倍，我們先將原數(shù)據(jù)進(jìn)行一個(gè)復(fù)制，再用$符號(hào)來(lái)提取運(yùn)算對(duì)象即可：

newdata=data

newdata$Sepal.Width=newdata$Sepal.Width*10

3 描述統(tǒng)計(jì)

描述統(tǒng)計(jì)是一種從大量數(shù)據(jù)中壓縮提取信息的工具，最常用的就是summary命令，運(yùn)行summary（data）得到結(jié)果如下：對(duì)于數(shù)值變量計(jì)算了五個(gè)分位點(diǎn)和均值，對(duì)于分類變量則計(jì)算了頻數(shù)。

也可以單獨(dú)計(jì)算Sepal.Width變量的平均值和標(biāo)準(zhǔn)差

mean（data$Sepal.Width）

sd（data$Sepal.Width）

計(jì)算分類數(shù)據(jù)Species變量的頻數(shù)表和條形圖

table（data$Species）

barplot（table（data$Species））

對(duì)于一元數(shù)值數(shù)據(jù)，繪制直方圖和箱線圖觀察其分布是常用的方法：

hist（data$Sepal.Width）

boxplot（data$Sepal.Width）

對(duì)于二元數(shù)值數(shù)據(jù)，則可以通過(guò)散點(diǎn)圖來(lái)觀察規(guī)律

plot（data$Sepal.Width，Sepal.Length）

如果需要保存繪圖結(jié)果，建議使用Rstudio中的plot菜單命令，選擇save plot as image

R語(yǔ)言入門教程三：常用統(tǒng)計(jì)函數(shù)運(yùn)算

在R語(yǔ)言中經(jīng)常會(huì)用到函數(shù)，例如上節(jié)中講到的求樣本統(tǒng)計(jì)量就需要均值函數(shù)（mean）和標(biāo)準(zhǔn)差函數(shù)（sd）。對(duì)于二元數(shù)值數(shù)據(jù)還用到協(xié)方差（cov），對(duì)于二元分類數(shù)據(jù)則可以用交叉聯(lián)列表函數(shù)（table）。下文講述在初級(jí)統(tǒng)計(jì)學(xué)中最常用到的三類函數(shù)。

一、數(shù)據(jù)匯總函數(shù)

我們還是以R中自帶的iris數(shù)據(jù)為例，輸入head（iris）你可以獲得數(shù)據(jù)的前6個(gè)樣本及對(duì)應(yīng)的5個(gè)變量。取出最后兩列數(shù)據(jù)作為講解的對(duì)象：Species表示花的種類，Petal.Width表示花瓣寬度

data=iris［，c（4，5）］

下一步我們想計(jì)算不同種類花瓣的平均寬度，可以使用tapply函數(shù)，在計(jì)算前先用attach命令將data這個(gè)數(shù)據(jù)框解包以方便直接操作其變量，而不需再用$符號(hào)。

attach（data）

tapply（X=Petal.Width，INDEX=Species，F(xiàn)UN=mean）

結(jié)果如下

setosa versicolor virginica

0.246 1.326 2.026

和tapply類似的還有sapply函數(shù)，在進(jìn)一步講解前初學(xué)者還需搞清楚兩種數(shù)據(jù)表現(xiàn)方式，即stack（堆疊數(shù)據(jù)）和unstack（非堆疊數(shù)據(jù)），上面的data就是一個(gè)堆疊數(shù)據(jù)，每一行表示一個(gè)樣本。而非堆疊數(shù)據(jù)可以根據(jù)unstack函數(shù)轉(zhuǎn)換而來(lái)

data.unstack=unstack（data）

head（data.unstack）

你應(yīng)該明白這二者之間的區(qū)別了，如果要對(duì)非堆疊數(shù)據(jù)計(jì)算不同種類花瓣的平均寬度，可以利用如下函數(shù)。

sapply（data.unstack，F(xiàn)UN=mean）

結(jié)果是一樣的，也就是說(shuō)tapply對(duì)應(yīng)于stack數(shù)據(jù)，而sapply對(duì)應(yīng)于unstack數(shù)據(jù)

二、概率計(jì)算函數(shù)

如果給定一種概率分布，通常會(huì)有四類計(jì)算問(wèn)題：

計(jì)算其概率密度density （d）

計(jì)算其概率分布probability（p）

計(jì)算其百分位數(shù)quantile （q）

隨機(jī)數(shù)模擬random （r）

記住上面四類計(jì)算對(duì)應(yīng)的英文首字母，再對(duì)照下表就很容易計(jì)算各種概率問(wèn)題了。

舉例來(lái)講，我們求標(biāo)準(zhǔn)正態(tài)分布曲線下小于1的面積p（x《1），正態(tài)分布是norm，而分布函數(shù)是p，那么使用pnorm（1）就得出了結(jié)果0.84；若計(jì)算扔10次硬幣實(shí)驗(yàn)中有3次正面向上的概率，類似的dbinom（x=3，size=10，prob=0.5）得出0.11

三、抽樣函數(shù)

我們想從1到10中隨機(jī)抽取5個(gè)數(shù)字，那么這樣來(lái)做：首先產(chǎn)生一個(gè)序列，然后用sample函數(shù)進(jìn)行無(wú)放回抽取。

x=1:10

sample（x，size=5）

有放回抽取則是

sample（x，size=5，replace=T）

sample函數(shù)在建模中經(jīng)常用來(lái)對(duì)樣本數(shù)據(jù)進(jìn)行隨機(jī)的劃分，一部分作為訓(xùn)練數(shù)據(jù)，另一部分作為檢驗(yàn)數(shù)據(jù)。