入门
| 命令 | 功能 | 例子 |
|---|---|---|
?"*" |
查看*的帮组文档 | ?"data.frame" |
??"*" |
在帮助文档中搜索* | ??"network" |
ls() |
查看可用对象 | |
rm() |
移除对象 | rm(list = ls()) 删除当前环境中所有对象 |
getwd() |
查看工作目录 | |
setwd(dir) |
设置工作目录 | |
.packages(all.available=T) |
查看安装了哪些包 | |
.libPaths() |
查看包安装的路径 |
OSX删除R：
# 查看安装了那些pkg
$ pkgutil --pkgs | grep r-project
# 删除
$ rm -rf /Library/Frameworks/R.framework /Applications/R.app \
/usr/bin/R /usr/bin/Rscript在.bash_profile文件中添加包安装路径：
export R_LIBS="~/Library/R/3.1/library":$R_LIBS
export R_LIBS="~/Library/R/3.2/library":$R_LIBS添加包的多个路径时，RStudio中在~/.Rprofile文件中设置才有效：
.libPaths(c(.libPaths(), "/abspath/R/3.1/library"))R 控制台安装源代码包：
install.packages('~/Downloads/RGtk2_2.20.31.tar.gz', repos = NULL, type="source")或者在Shell命令行：
r CMD INSTALL RGtk2_2.20.31.tar.gz从源代码安装包时，编译器的配置文件位于
/Library/Frameworks/R.framework/Resources/etc/Makeconf也可在如下用户配置文件修改
~/.R/Makevars解决ld: library not found for -lintl：
# 1. 安装 gettext：
$ brew install gettext
# 2. 在 ~/.R/Makevars 文件中添加库路径：
PKG_LIBS=-L/usr/local/opt/gettext/lib查看数据内部存储：
x <- 1 : 10
.Internal(inspect(x))
# @10611f800 14 REALSXP g0c5 [NAM(2)] (len=10, tl=0) 1,2,3,4,55,...安装其它非CRAN源的包：
source("http://bioconductor.org/biocLite.R")
biocLite("RBGL")基本类型
R不能直接存取内存，通过称之为对象（object）的特殊数据结构存取内存。这些对象通过符号（symbol）或变量（variable）访问，符号本身也是对象。R的typeof函数返回对象的类型1。R的对象类型包括NULL、closure、integer、complex等。
mode函数返回对象的模式（mode），主要是为了和S语言的其它实现兼容。storage.mode函数返回参数的存储模式（storage mode），通常用于调用C或FORTRAN时，确定数据类型。在S语言中，整数和实数向量都是numeric模式，但存储模式不同。
基本类型
向量（vector）是最基本数据结构，R包含6种基本的原子向量（atomic vector）：
| typeof | mode | storage.mode |
|---|---|---|
| logical | logical | logical |
| integer | numeric | integer |
| double | numeric | double |
| complex | complex | complex |
| character | character | character |
| raw | raw | raw |
单个数和字符串也是长度为1的向量，例如4.2和“four point two”。原子向量中的每个元素类型必须相同。向量的长度可为0。
列表（list）称为通用向量（generic vector），每个元素可以是不同数据类型。虽然列表也是向量，但通常说的向量是不包括列表的原子向量。
R语言由3种不同类型的对象构成，它们是calls、expressions和names，这些对象的模式分别为call、expression和name，可通过as.list和as.call在列表和语言对象之间转换。符号(symbol)指向R的对象，R对象的名字通常是一个符号。符号能够通过函数as.name和quote创建。符号的模式为name，存储模式和类型都为symbol，可通过as.character和as.name与字符串转换。
R的expression对象包含一个或多个语句（statement）。R的expression对象只有在显示调用eval时才被执行。expression对象与列表相似，访问元素的方法与列表一样。
函数对象包含三个元素：参数列表、函数体和环境。参数列表用逗号分割，…可包含任意个数的参数。函数体通常是包含在大括号中的R语句。环境在函数创建时激活。这三部分可通过函数formals、body和environment操作。as.list和as.function函数可进行列表和函数的转换。
NULL是特殊的对象，与长度为0的向量不同，R中只有唯一的NULL对象。
对象属性
除NULL外的所有对象都可包含一个或多个属性。属性以成对列表（pairlist）方式存储，所有元素都有名字。通过attributes查看属性列表，通过attr获取单个属性。一些特殊的属性有特定的存取函数，例如因子的levels函数，数组的dim和dimnames函数。属性被用于实现R的类结构。If an object has a class attribute then that attribute will be examined during evaluation.
数据结构
R的数据结构包括数组（array）和列表（list）。数组的所有元素类型必须一致，列表元素的类型可以不同。向量（vector）是一维数组，矩阵（matrix）是二维数组。数据框（data frame）是特殊的列表。
因子（factor）是特殊属性的向量，因子中每个元素唯一，每个元素称为因子的一个水平（level）。
创建及操作数据结构
向量
# 创建
> v <- c(10, 20, 30)
> names(v) <- c("Moe", "Larry", "Curly")
> print(v)
Moe Larry Curly
10 20 30
> v["Larry"]
Larry
20
# 追加
> v <- c(v, 4)
> w <- c(5,6,7,8)
> v <- c(v, w)
> v <- c(1,2,3)
> v[10] <- 10
> v # R extends the vector automatically
[1] 1 2 3 NA NA NA NA NA NA 10
> append(1:10, 99, after=5)
[1] 1 2 3 4 5 99 6 7 8 9 10实验表明，通过append函数增加元素要比向量构造和赋值方法慢很多[1, P. 102]。
矩阵
> A <- 1:6
> dim(A) <- c(2,3)
> print(A)
[,1] [,2] [,3]
[1,] 1 3 5
[2,] 2 4 6
> theData <- c(1.1, 1.2, 2.1, 2.2, 3.1, 3.2)
> mat <- matrix(theData, 2, 3)
> mat
[,1] [,2] [,3]
[1,] 1.1 2.1 3.1
[2,] 1.2 2.2 3.2可以对矩阵的行列命名：
> rownames(mat) <- c("rowname1", "rowname2", ..., "rownamem")
> colnames(mat) <- c("colname1", "colname2", ..., "colnamen")因子
> f <- factor(v) # v is a vector of strings or integers
> f <- factor(v, levels) # If your vector contains only a subset of possible values ...
> f <- factor(c("Win","Win","Lose","Tie","Win","Lose"))
> f
[1] Win Win Lose Tie Win Lose
Levels: Lose Tie Win列表
# 1
> lst <- list(3.14, "Moe", c(1,1,2,3), mean)
> lst
[[1]]
[1] 3.14
[[2]]
[1] "Moe"
[[3]]
[1] 1 1 2 3
[[4]]
function (x, ...)
UseMethod("mean")
<environment: namespace:base>
# 2
> lst <- list()
> lst[[1]] <- 3.14
> lst[[2]] <- "Moe"
> lst[[3]] <- c(1,1,2,3)
> lst[[4]] <- mean
# 3
> lst <- list(mid=0.5, right=0.841, far.right=0.977)
> lst
$mid
[1] 0.5
$right
[1] 0.841
$far.right
[1] 0.977数据框
# 1
> dfrm <- data.frame(v1, v2, v3, f1, f2)
# 2
> dfrm <- as.data.frame(list.of.vectors)
# 3
> dfrm <- data.frame(p1=pred1, p2=pred2, p3=pred3, r=resp)
# 4
# 对大规模数据，提前分配内存，通过预分配的方式创建
> N <- 1000000
> dfrm <- data.frame(dosage=numeric(N), lab=character(N), response=numeric(N))
> dfrm <- data.frame(dosage=numeric(N), lab=factor(N, levels=c("NJ", "IL", "CA")), response=numeric(N))增加“空列”：
> dfrm$abc <- ""
> dfrm$def <- 0字符串不自动变为因子类型：
> N <- 100
> dfrm <- data.frame(dosage=numeric(N), lab=character(N), stringsAsFactors=FALSE)索引方法
数据的索引（indexing）有[]、[[]]和$三种方法，形如x[i]、x[i, j]、x[[i]]、x[[i, j]]、x$a和x$”a”。数据的索引从1开始，索引前加负号-表示删除这些索引的元素。
- 对向量和矩阵，
[[]]会抛弃所有names和dimnames属性，[]则不会； - 对列表，
[]返回列表，[[]]返回列表的元素； [[]]只能对单个元素索引，[]可以通过向量索引多个元素；$只能用于列表索引，索引参数不能被计算（如果索引参数需要计算，采用x[[expr]]），索引的对象不存在时返回NULL。
数据可以通过名字（字符串）或数值向量进行索引：
lst[["name"]]、lst["name"]；lst[c(1,3,5)]、lst[1:3]。
还可以通过真值的Mask方式索引：
> lst[lst < 0]抽取矩阵的行或列：
# 抽取结果为向量
> vec <- mat[1,] # First row
> vec <- mat[,3] # Third column
# 抽取结果仍为矩阵
> row <- mat[1,,drop=FALSE] # First row in a one-row matrix
> col <- mat[,3,drop=FALSE] # Third column in a one-column matrix抽取数据框的行或列：
tmp <- dfrm[1] #抽取一列，结果仍为data.frame
tmp <- dfrm[, 1, drop=FALSE] #抽取一列，结果仍为data.frame
tmp <- dfrm[,1] #抽取一列，结果为向量
tmp <- dfrm[1,] #抽取一行，结果仍为data.frame（不能直接抽取出向量，由于每个元素类型不同）
# 抽取第一列的前两个元素（结果为向量）
tmp <- dfrm[1][1:2,]
tmp <- dfrm[1:2, 1]
# 抽取第一列的前两个元素（结果仍为data.frame）
tmp <- dfrm[1:2,][1]
tmp <- dfrm[1][1:2,,drop=FALSE]
tmp <- dfrm[1:2, 1, drop=FALSE]
# 抽取多列时，结果仍为data.frame（由于列类型可能不同的缘故）
tmp <- dfrm[1:2, 1:2]利用列名创建“字典”：
# 向量
vct <- c()
vct['abc'] <- 123
# 列表
lst <- list()
lst[["abc"]] <- 1 : 3删除元素的方法
通过负索引删除
vl = vl[-3]从列表中删除
> years[c("Carter","Clinton")] <- NULL
# 删除NULL元素
> lst[sapply(lst, is.null)] <- NULL
# 删除满足条件的元素
> lst[lst < 0] <- NULL数据分割与合并
| 命令 | 功能 | 备注 |
|---|---|---|
rbind |
行合并 | |
cbind |
列合并 | |
merge |
列合并 | 用于data frame |
subset |
抽取子集 | subset(airquality, Temp > 80 & is.na(Solar.R)) |
append |
插入元素 | 用于向量 |
stack |
||
split |
数据分组 | 用于向量 |
airquality$Temp2 <- airquality$Temp #增加Temp2列
airquality$Temp <- NULL #删除Temp列
Top5 = subset(mvt, LocationDescription %in% TopLocations)
# 删除多余无关的levels（Top5在执行了subset之后会包含整个集合的levels）
Top5$LocationDescription = factor(Top5$LocationDescription)
CPS = merge(CPS, MetroAreaMap, by.x="MetroAreaCode", by.y="Code", all.x=TRUE)运算符和优先级
| Operator | Meaning |
|---|---|
[ [[ |
Indexing |
:: ::: |
Access variables in a name space |
$ @ |
Component extraction, slot extraction |
^ |
Exponentiation (right to left) |
- + |
Unary minus and plus |
: |
Sequence creation |
%any% |
Special operators |
* / |
Multiplication, division |
+ - |
Addition, subtraction |
== != < > <= >= |
Comparison |
! |
Logical negation |
& && |
Logical “and”, short-circuit “and” |
| || |
Logical “or”, short-circuit “or” |
~ |
Formula |
-> ->> |
Rightward assignment |
= |
Assignment (right to left) |
<- <<- |
Assignment (right to left) |
? |
Help |
%any%运算符：
%%：求模，7%%4=3；%/%：整数除，7%/%4=1；%*%：矩阵乘法；%o%：外积；%x%：Kronecker乘积；%in%：匹配运算。
各种赋值符号：
<-与=：环境内变量赋值，<-可用于任何地方，=只能用于顶层或者括号列表中的子表达式，对于变量赋值二者相同，对于调用函数的参数二者不同；<<-与->>：通常用于函数内，先查找父环境是否有该变量，若有其值被重新定义，若没有则相当于全局变量赋值；- 赋值传递：
a <- b <- c <- 6。
# <- 赋值，x会继续保留在环境中
mean(x <- 1:10)# [1] 5.5
x # [1] 1 2 3 4 5 6 7 8 9 10
# = 赋值，x不会继续保留在环境中
rm(x)
mean(x=1:10) #[1] 5.5
x #Error: object 'x' not found
# 在data.frame中，=赋值会保留变量作为列名，<-不会
dfrm <- data.frame(colx = 1 : 10) # 列名为colx
dfrm <- data.frame(colx <- 1: 10) # 列名为colx....1.10控制流
函数
常用函数
View：以spreadsheet风格展示数据
str：查看对象结构
显示对象各属性。
summary：查看对象统计特性
显示最小值、分位数、最大值等数据，可以通过boxplot直观的显示。
table：按factor类型统计
#将Ozone（行）和Month（列）作为factor类型，统计同时满足两个条件样本的个数，以表格的形式显示。
with(airquality, table(Ozone, Month))
with(airquality,
table(OzHi = Ozone > 80, Month, useNA = "ifany")) #若有NA则显示
with(airquality,
table(OzHi = Ozone > 80, Month, useNA = "always"))#总是显示NA
with(airquality,
table(OzHi = Ozone > 80, addNA(Month))) #增加一列NAhist：直方图
hist(sqrt(islands), breaks = 12, col = "lightblue", border = "pink")boxplot：盒须图（box-and-whisker）
boxplot(count ~ spray, data = InsectSprays) # 横轴为spray，纵轴为count
- box中的粗横线表示中位数（median）；
- box的下边和上边分别表示第一和第三四分位数（quartile），二者之间的距离称为四分位数间距（IQR，inter-quartile range），分位数用
quantile函数计算，IQR用IQR函数计算； - 最下和最上的横线分别表示最小和最大值；
- 小圆圈表示离群点（outlier）。
令$STEP = range\times IQR$（$range$可通过boxplot设置），区间$[first\; quartile - STEP, third\; quartile + STEP]$之外的是离群点，大于$first\; quartile - STEP$的最小值为图中的最小值（minimum），小于$third\; quartile + STEP$的最大值为图中的最大值（maximum），当boxplot的参数range=0时，不探测离群点，显示实际的最大和最小值。
citation：在文献中引用R的包
citation("Rcpp")
toBibtex(citation("Rcpp"))
# @Article{,
# title = {Rcpp: Seamless {R} and {C++} Integration},
# author = {Dirk Eddelbuettel and Romain Fran\c{c}ois},
# journal = {Journal of Statistical Software},
# year = {2011},
# volume = {40},
# number = {8},
# pages = {1--18},
# url = {http://www.jstatsoft.org/v40/i08/},
# }Idiomatic R
循环法则（recycling rule）
当两个向量长度不一致时，通过循环补齐法则，解决对应元素之间（element-by-element）的运算，循环补齐方式如下：
> (1:6) + (1:3)
[1] 2 4 6 5 7 9
> (1:6) + 10
[1] 11 12 13 14 15 16
> cbind(1:6, 1:3)
[,1] [,2]
[1,] 1 1
[2,] 2 2
[3,] 3 3
[4,] 4 1
[5,] 5 2
[6,] 6 3当长向量不是短向量倍数时，会有警告信息。
> (1:6) + (1:5) # Oops! 1:5 is one element too short
[1] 2 4 6 8 10 7
Warning message:
In (1:6) + (1:5) :
longer object length is not a multiple of shorter object length批处理函数
####tapply：应用函数操作分组数据
# 将warpbreaks[,-1]强制转换为factor类型；
# 通过warpbreaks[,-1]对warpbreaks$breaks分类；
# 将每类的warpbreaks$breaks作为函数sum的输入；
# ……
tapply(warpbreaks$breaks, warpbreaks[,-1], sum)实用技术
read.csv按自定义格式读入数据
setAs("character","myDate", function(from) as.Date(from, format="%d/%m/%Y") )
tmp <- c("1, 15/08/2008", "2, 23/05/2010")
con <- textConnection(tmp)
tmp2 <- read.csv(con, colClasses=c('numeric','myDate'), header=FALSE)
str(tmp2)其它
# 日期转换
DateConvert = as.Date(strptime(mvt$Date, "%m/%d/%y %H:%M")) #日期转换
mvt$Month = months(DateConvert)
mvt$Weekday = weekdays(DateConvert)行业应用
机器学习
rattle包
数据集处理
sample.split：［caTools］将数据分为训练集合测试集；complete(mice())：[mice]数据补齐；- [CROC]：ROC曲线。
回归分析
lm：线性回归；glm：logistic回归。
模型优化
step：基于AIC的模型选择。
目录
参考资料
- [1]P. Teetor, R Cookbook. "O’Reilly Media, Inc.", 2011.
脚注
-
Note that in the C code underlying R, all objects are pointers to a structure with typedef
SEXPREC; the different R data types are represented in C bySEXPTYPE, which determines how the information in the various parts of the structure is used. ↩
