#快捷键查询 alt shift k   # 赋值 快捷键alt -   x <- 3      #强赋值给全局变量<<-   x <<- 3      #求和   sum(1,2,3,4,5)      #平均值,mean第一个参数的平均值   mean(1,2,3,4,5)   mean(c(1,2,3,4,5))      #查看已定义的变量   ls()   ls.str()      #查看单个变量的详细信息   str(x)      #   ls(all.names = TRUE)      #删除不必要的变量或其值   rm(x)   #删除多个   rm(a,b,x1,mtcars)   #删除所有   rm(list = ls())      #清屏 Ctrl L      #保存   save.image() 

#R包的安装 #推荐在线安装： install.packages("vcd")  #包的位置 .libPaths()  #检查已安装的包 library()  #一次安装多个包需要向量 install.packages(c("AER","ca"));  #更新包 update.packages() 

#载入包 library(vcd) require(vcd)

#r软件包的组成
#base 基础包，启动r的时候就会被包含进来
#datasets 数据集
#utils 工具包
#grDevices 图形显示兼容性，增加一些交互支持
#graphics 基于base图形的r函数
#stats
#methods 一般定义方法和类
#splines
#stats4
#tcltk

#help命令帮助使用包
help(package="vcd")
help(package="ggplot2")
library(help="vcd")

#索引
Arthritis  

#列出函数
ls("package:vcd")

#数据集
data(package="vcd")

#移除加载的包
detach("package:vcd")

#从硬盘上删除包——不常用
#remove.packages("vcd")

#r包的批量移植
#列出当前环境已安装的r包
installed.packages()

#取第一列
installed.packages()[,1]

#将所有r包的名字保存到一个文件
Rpack0 <- installed.packages()[,1]
save(Rpack,file = "Rpack.Rdata")

#在另一台电脑
Rpack1 <- load(file = "Rpack.Rdata")

#批量安装(r会跳过已安装的扩展包)
for (i in Rpack1) install.packages(i)

#在菜单栏直接打开help

#使用help函数
help.start()

#常用功能package Search Engine

#查询特定函数
help(sum)
?plot

#查询函数参数
args(plot)

#使用example来查看函数功能效果
Speed <- cars$speed
Distance <- cars$dist
plot(Speed, Distance, panel.first = grid(8, 8),
     pch = 0, cex = 1.2, col = "blue")
plot(Speed, Distance,
     panel.first = lines(stats::lowess(Speed, Distance), lty = "dashed"),
     pch = 0, cex = 1.2, col = "blue")

x <- 0:12
y <- sin(pi/5 * x)
op <- par(mfrow = c(3,3), mar = .1+ c(2,2,3,1))
for (tp in c("p","l","b",  "c","o","h",  "s","S","n")) { 
        
  plot(y ~ x, type = tp, main = paste0("plot(*, type = \"", tp, "\")"))
  if(tp == "S") { 
        
    lines(x, y, type = "s", col = "red", lty = 2)
    mtext("lines(*, type = \"s\", ...)", col = "red", cex = 0.8)
  }
}
par(op)

#也有example函数
example("plot")
example("hist")

#案例图
demo(graphics)

#查询某些包的帮助函数
help(package="ggplot2")

#更规范的查询(不是所有包都有该文档)
vignette()

#使用对应的文档需要事先载入包
library("vcd")
help("vcd")

#不加载包直接查询帮助
??vcd

# 本地搜索函数
help.search("heatmap")
??heatmap

#列出包含关键字的内容
apropos("sum")
apropos("sum",mode = "function")

#网络搜索
RSiteSearch("matlab")

• 一些excel的简单使用方法

help(package="datasets")

#列出数据集
data()

#使用数据集的方法：直接输入名称（可以把这些数据集看做系统定义的常量,比如Pi：π）
rivers

plot(rivers)
#一般情况下不需要对这些数据集进行赋值
#rivers <- c(1,2,3)

#常用的数据集
help(mtcars)

names(euro)

#美国州的情况
state <- data.frame(state.name,state.abb,state.area,state.division,state.region)
state

#火山区地理情况
heatmap(volcano)

#泰坦尼克成员统计
Titanic

#刹车
cars

#鸢尾花
iris
iris3

#数据集查询
data(package="MASS")
#显示所有可用的数据集
data(package=.packages(all.available = TRUE))

#单独加载数据集不加载R包
#data(<数据集名字>,package="")
data(Chile,package = "carData")
Chile

#向量 Vector 是构成其他数据结构的基础 向量是用于存储数值型，字符型或逻辑型数据的一堆数组

#-----
#创建向量 函数c
x <- c(1,2,3,4,5)
x

y <- c("one","two","three")
y

z <- c(T,F,T)
z

#快速构建向量
c(1:100)

seq(from=1,to=100,by=2)

#1到100内的十个等差值
seq(from=1,to=100,length.out=10)

#重复输出
rep(c(1,2,3),10)
rep(x,each=3)
rep(x,each=2,times=3)

#向量计算
y <- c(6,7,8,9,10)

x*2+y

#-----
#向量的索引
#1.正负整数索引
x <- c(1:100)
x[5]
x[-1]
x[c(4:18)]
#2.逻辑向量索引
y <- c(1:10)
y[c(T,F,T,T,F)]
y[y>5]
y[y>5 & y<9]
#3.名称索引
z <- c("one","two","three","four","five")
"one" %in% z
z["one" %in% z]

z %in% c("one","two")
k <- z %in% c("one","two")
z[k]

names(y) <- c("one","two","three","four","five","six","seven","eight","nine","ten")
y

#用名字访问向量
y["ten"]
euro["ATS"]

#-----
##修改向量
x[101] <- 101
x
v <- c(1:5)
v[20] <- 4
v

#-----
##插入元素
append(v,99,after = 4)

##删除向量
rm(v)

y <- y[-c(1:3)]

#------
#向量运算
x <- c(1:10)
x+1

y <- seq(1,100,length.out=10)

x+y
x*y
#幂运算
x**y
x^y

y;x

#取余运算
y%%x

#整除运算
y%/%x

#长度不同的向量运算
z <- c(1,2)
x+z

#长长度必须是短长度向量的背书，不然无法运算
z <- c(1,2,3)
x+z

#逻辑运算
x>5
x>y
x==y

#-----
##常用函数
#数学函数
abs(x)
sqrt(25)
log(16,2)
log10(10)
exp(x)

ceiling(-2.3)
floor(c(-2.3,4.5))
trunc(c(-2.3,4.5))
round(c(-2.3,4.5464),3)
signif(c(-2.3,4.5464),digits = 4)
sin(x)
cos(x)

#统计函数
vec <- c(1:100)
vec

sum(vec)
max(vec)
min(vec)
range(vec)
mean(vec)
#方差
var(vec)
round(var(vec),2)
#标准差
round(sd(vec),2)
#连乘
prod(vec)
#中位数
median(vec)
#分位数
quantile(vec)
quantile(vec,c(0.1,0.2,0.5,0.6))

#查询索引
t <- c(1,4,2,5,7,9,6)
which.max(t)
which(t==7)
which(t<7)
t[which(t<7)]

    #矩阵是二维的向量
    heatmap(state.x77)
    x <- 1:20
    m <- matrix(x,4,5)
    m
    
    #按行排列
    m <- matrix(x,4,5,byrow = T)
    m
    
    rnames <- c("r1","r2","r3","r4")
    cnames <- c("c1","c2","c3","c4","c5")
    dimnames(m) <- list(rnames,cnames)
    m
    
    #显示向量的维数
    dim(x)
    #把x变成矩阵
    dim(x) <- c(4,5)
    x
    dim(m)
    
    #r的数组是多维的矩阵
    x <- 1:20
    #创建数组
    dim(x) <- c(2,2,5)
    x
    
    dim1 <- c("a1","a2")
    dim2 <- c("b1","b2","b3")
    dim3 <- c("c1","c2","c3","c4")
    z <- array(1:24,c(2,3,4),dimnames = list(dim1,dim2,dim3))
    z
    
    #矩阵的索引
    m <- matrix(x,4,5,byrow = T)
    m
    
    m[1,2]
    m[1,c(2,3,4)]
    m[c(2,3),c(1,4)]
    m["r1","c2"]
    
    head(state.x77)
    
    #访问整行
    state.x77[,"Income"]
    
    #访问整列
    state.x77["Alabama",]
    
    #矩阵运算
    #数值矩阵与线性代数算法相同
    t <- m[1,]
    sum(t)
    colSums(m)
    rowSums(m)
    rowMeans(m)
    colMeans(m)
    
    #矩阵相乘
    n <- matrix(1:9,3,3)
    t <- matrix(2:10,3,3)
    
    #内积 点乘
    n*t
    
    #外积 叉乘
    n %*% t
    
    #求对角
    diag(n)
    n
    #转置
    t(n)

#列表：列表式存储很多内容的一个集合
#列表可以存储若干向量、矩阵、数据框，甚至一些其他列表的组合

#在模式上与向量类似，列表对象是容量最大的容器
#美国每个州的经纬度
state.center

a <- 1:20
b <- matrix(1:20,4,5)
c <- mtcars
d <- "This is a test list"

mlist <- list(a,b,c,d)
mlist

mlist <- list(fisrt=a,second=b,third=c,fourth=d)
mlist

#列表的访问
mlist[1]
mlist[c(1,4)]

#查询名字:$
mlist$second

class(mlist[1])
class(mlist[[1]])

mlist[[5]] <- iris

#删除列表中的元素
mlist[[5]] <- NULL

#数据框是一种表格式的数据结构，数据集通常由数据构成的矩阵数组，航表示观测量，列表式变化量
#数据框实际上是列表。列表中的元素是向量，每一列长度相同，数据框的列必须命名

#创建数据框
state <- data.frame(state.name,state.abb,state.area)

#访问数据框
state[1]
state$state.area

plot(women$height,women$weight)
lm(weight ~height,data=women)

#用attach预加载不用再使用$符号
attach(mtcars)
mpg

#取消加载
detach(mtcars)

#with函数 with(<数据框名字>,[<列名称>])

#因子，有序性变量和名义向变量，factor。这些分量的可能称之为一个水平，这些水平值构成的向量称为引子

#因子的应用：
#计算频数
#独立性检验
#相关性检验
#方差分析
#主成分分析
#因子分析

mtcars

table(mtcars$cyl)
f <- factor(c("red","red","blue","green","blue"))
f
week <- factor(c("Mon","Fri","Thu","Wed","Mon","Fri","Sun"),ordered = T,
               levels = c("Mon","Tue","Wed","Thu","Fri","Sat","Sun"))
week

fcyl <- factor(mtcars$cyl)

plot(mtcars$cyl)
plot(fcyl)

num <- 1:100
cut(num,c(seq(0,100,10)))
#因子类型的数据
state.division
state.region

#缺失数据 NA存储缺失信息
#1.完全随机缺失
#2.随机缺失
#3.非随机缺失
1+NA
a <- c(NA,1:20)
sum(a)

#跳过缺失值
sum(a,na.rm = T)
mean(1:20)
mean(a,na.rm = T)

#查询是否存在缺失值 返回TRUE就存在
is.na(a)

#包已丢失，不再测试
install.packages("colorspace")
install.packages("data.table")
install.packages("VIM")
library(VIM)
RSiteSearch("VIM")

#生成没有缺失值的数据集
c <- na.omit(a)
c

is.na(c)
sum(c)

#NaN缺数数据，代表不可能的值
#lnf表示无穷 +lnf -lnf

is.nan(0/0)