sumarry().str()
sumarry().str()
subset(),airquality[airquality$Temp>80,]
subset(airquality,Temp>80,select = c(Ozone,Temp)),all,any,with()
sqldf()
apply函数,非常实用!apply(iris[,-5],1,mean)
sapply(iris[,-5],mean),按列操作
控制流:if-else,if(){}else();switch(case,case1,case2)
for循环语句:
x<-1:200
count<-function(x){
count1<-0
for(i in 1:length(x)){
if(x[i]%%2==1){
count1<-count1+1
}
}
return(count1)
}
count(x)
count2<-function(x){
cou<-sum(x%%2==1)
return((cou))
}
count2(x)
while循环语句:while(){},条件判断
a<-0
calcu<-0
while (a<=10) {
a=a+1
if(a%%2==1){
calcu<-calcu+1
}#求奇数个数
}
repeat,break
a<-0
repeat{
a<-a+1
if(a%%2==1){
print("I LOVE YOU")
}else{print("I LOVE HIM")}
if(a>=100){
break
}
}
x<-1:20
Num<-function(x){
stopifnot(is.numeric(x))
k<-sum(x%%2==0)
return(k)
}
Num(x)
x<-1:20
Num<-function(x){
k=0
stopifnot(is.numeric(x))
for (i in 1:length(x)) {
if(i%%2==0){
k=k+1
}
}
return(k)
}
Num(x)
txt<-readLines("/Users/git/Desktop/Word.txt")
txt<-strsplit(txt,' ')
class(txt)
txt=unlist(txt)
class(txt)
txt<-chartr("A-Z", "a-z", txt)
txt1<-gsub('[[:punct:]]\\w?','',txt)
txt2<-table(txt1)
txt2<-sort(txt2,decreasing = T)
barplot(txt2[1:100])
sum(txt2)
##############鸢尾花神经网络识别####################
#随机抽取80%样本作为训练样本
library(nnet)
iris
trIn<-c(sample(1:50,40),sample(51:100,40),sample(101:150,40))
trainD<-iris[trIn,]#训练样本集
testD<-iris[-trIn,]#测试样本集
ide<-class.ind(iris$Species)#类别识别预处理
#构建神经网络,模型训练
#Net<-nnet(trainD[,-5],ide[trIn,],size =5,softmax = TRUE,decay=0.05)
Net<-nnet(trainD[,-5],ide[trIn,],size =5,softmax = TRUE)
#测试神经网络
Result<-predict(Net,testD[,-5],type='class')
#分类结果
OUTCOME<-table(testD$Species,Result)
iris#调用鸢尾花样本集
library(rpart)#加载决策树包
par(family='STXihei')#图形设置避免出现中文乱码
ct<-rpart.control(minsplit = 20,cp=0.1)
#minsplit表示每个节点中所含样本值,cp为复杂度参数,表示建模过程中仅仅保留模拟拟合度提升0.1及以上的节点
fit<-rpart(Species~Sepal.Length+Sepal.Width+Petal.Length+Petal.Width,data = iris,method = "class",control = ct)
#第一种分类
par(mfrow=c(1,3))
plot(fit)
text(fit,use.n=T,all=T,cex = 0.9)
#查看比较
iris[iris$Petal.Length<2.45,]
x<-iris[iris$Petal.Length>=2.45 & iris$Petal.Width<1.75,'Species']
table(x)
行列名称
colnames(iris) 花函数
matrix构造矩阵
cbind列拼
rbind行拼
R
工作空间
getwd() 查看当前的工作目录
setwd() 设定当前的工作目录
读入一个不在工作空间里面
Windows系统下
C:\\Users\\dell\\Desktop\\Mathor\\C的主成分
C:/Users/dell/Desktop/Mathor/C的主成分
tools-------install.packages()
class()查看是什么字符型
字符型单引号或者双引号
数值型逻辑性字符型三种
c()构造向量
Rstudio可以
mathsoft完善s语言
rRobert gentieman 和 ross ihaka 完善r系统
两个软件有一定的兼容性
开源
庞大且活跃的社区维护
可扩展能力强 灵活度高
多平台运行
ws lx mox
都兼容
专业数据分析领域的标准工具
解释性语言 速度慢
计算都在内存中进行的
标准相对不不统一
ws 等所有都是二进制版本
启动r会自动运行 不需手动
users chenmo//
包 是r函数 数据 预编译代码以一种定义完善的个十足场的集合
comman dmoondanlk ndiknaaldakjsz'
ir
1.class用于查看数据类型
2.符号c用于创造向量
3.cbind 按列合并 rbind 按行合并
4.函数data frame 构造数据框
5.函数list
课堂练习
2+1
2*3
12^2+21^2
sin(40)+cos(30)