京公网安备 11010802034615号
经营许可证编号:京B2-20210330
R语言学习-基础篇
从2月10日开始自学R in action,将我的学习所得逐渐发布在这。
chapter1.新手上路
工作空间:存储着所有用户定义的对象(向量,矩阵,函数,数据框,列表);
当前的工目录保存是R用来读取文件和保存结果的默认目录。
getwd()显示当前工作目录;
setwd(“”)修改当前的工作目录;工作目录的"\"要换成“/”;历史记录保存在文件.Rhistory中,工作空间保存在文件.RData中。
install.packages("")下载某个包,library();载入某个包;
包使用方法的查询:help(package="package_name");
chapter2创建数据集
1.不同的行业对数据集行和列的叫法:
统计学家:观测和变量
2.R中的数据结构
标量,向量,矩阵,数组,数据框,列表
(1)向量------------------->数组 (区别:c中数组是从0开始计数的,R是从1开始)
a<-c(1,2,3,4)
a[3](和c类似呢)
a[(c(1,2,4))] #访问1,2,,4号元素
a[2:4]
(2)矩阵--------------------》二维数组
mymatrix<-matrix(1:20,nrow=5,ncol=4)
cells<-c(1,26,24,56)
rnames<-c("r1","r2")
cnames<-c("c1","c2")
mymatrix<-matrix(cells,nrow=2,ncol=2,byrow=true,dimnames=list(rnames,cnames)) byrow=true 按行填充 false 按列填充
矩阵下标使用
x[1,2]
x[1,]
x[,2]
x[1,c(1,2)]
(3)数组与矩阵类似,但是维度可以大于2
(4)数据框
mydata<-data.frame(col1,col2,col3)
选取数据框的元素
mydata[1:2]
mydata$coln $的作用类似与c中的.
(5)列表
一些对象的有序集合
2.数据的输入
1.从键盘输入
edit()函数会自动调用一个允许从键盘输入的文本编辑器
mydata<-dataframe(age=numeric(0),gender=charactor(0),weight=numeric(0))
mydata<-edit(mydata) edit实际上是在对象的一个副本上操作,需要赋值到一个目标上
2.从带分隔符的文本文件导入数据
>mydataframe<-read.table("myfile.csv",header=TRUE,sep=",",row.names="id")
> mydataframe
grade
1 23
2 23
3 12
4 32
5 12
> mydataframe<-read.table("myfile.csv",header=TRUE,sep=",")
> mydataframe
id grade
1 1 23
2 2 23
3 3 12
4 4 32
5 5 12
3.访问数据库管理系统
需要先安装ODBC驱动,注册数据源名称,用户名以及密码。
myconn<-odbcConnect("**",uid="**",pwd="**")
crimedat<-sqlFetch(myconn,Crime)
chapter3图形初阶
>opar<-(no.readonly=TRUE)---------------------------保存当前图形设置参数
> par(pin=c(2,3))---------------得到的图形大小为两英尺宽,三英尺高
> par(cex.axis=0.75,font.axis=3)-------------------坐标轴刻度设置为斜体,0.75倍
> par(lwd=2,cex=1.5)---------------线条为默认宽度2倍,符号1.5倍
> plot(dose,drugA,type="b",pch=19,lty=2,col="red")
> plot(dose,drugB,type="b",pch=19,lty=2,col="blue",bg="green")这两幅图都遵循par的设置
>par(opar)----------------------还原
可以使用title函数为图形添加标题和坐标轴标签
使用axis函数创建自定义坐标轴
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14