
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
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10