R語言入門教程二：數據導入和描述統(tǒng)計

1 數據導入

對初學者來講，面對一片空白的命令行窗口，第一道真正的難關也許就是數據的導入。數據導入有很多途徑，例如從網頁抓取、公共數據源獲得、文本文件導入。為了快速入門，建議初學者采取R語言協(xié)同Excel電子表格的方法。也就是先用較為熟悉的Excel讀取和整理你要處理的數據，然后“粘貼”到R中。

例如我們先從這個地址下載iris.csv演示數據，在Excel中打開，框選所有的樣本然后“復制”。在R語言中輸入如下命令：

data=read.table（‘clipboard’，T）

這的里read.table是R讀取外部數據的常用命令，T表示第一行是表頭信息，整個數據存在名為data的變量中。另一種更方便的導入方法是利用Rstudio的功能，在workspace菜單選擇“import dataset”也是一樣的。

2 Dataframe操作

在數據導入R語言后，會以數據框（dataframe）的形式儲存。dataframe是一種R的數據格式，可以將它想象成類似統(tǒng)計表格，每一行都代表一個樣本點，而每一列則代表了樣本的不同屬性或特征。初學者需要掌握的基本操作方法就是dataframe的編輯、抽取和運算。

盡管建議初學者在Excel中就把數據處理好，但有時候還是需要在R中對數據進行編輯，下面的命令可以讓你有機會修改數據并存入到新的變量newdata中：

newdata=edit（data）

另一種情況就是我們可能只關注數據的一部分，例如從原數據中抽取第20到30號樣本的Sepal.Width變量數據，因為Sepal.Width變量是第2個變量，所以此時鍵入下面的命令即可：

newdata=data［20:30，2］

如果需要抽取所有數據的Sepal.Width變量，那么下面兩個命令是等價的：

newdata=data［，2］

newdata=data$Sepal.Width

第三種情況是需要對數據進行一些運算，例如需要將所有樣本的Sepal.Width變量都放大10倍，我們先將原數據進行一個復制，再用$符號來提取運算對象即可：

newdata=data

newdata$Sepal.Width=newdata$Sepal.Width*10

3 描述統(tǒng)計

描述統(tǒng)計是一種從大量數據中壓縮提取信息的工具，最常用的就是summary命令，運行summary（data）得到結果如下：對于數值變量計算了五個分位點和均值，對于分類變量則計算了頻數。

也可以單獨計算Sepal.Width變量的平均值和標準差

mean（data$Sepal.Width）

sd（data$Sepal.Width）

計算分類數據Species變量的頻數表和條形圖

table（data$Species）

barplot（table（data$Species））

對于一元數值數據，繪制直方圖和箱線圖觀察其分布是常用的方法：

hist（data$Sepal.Width）

boxplot（data$Sepal.Width）

對于二元數值數據，則可以通過散點圖來觀察規(guī)律

plot（data$Sepal.Width，Sepal.Length）

如果需要保存繪圖結果，建議使用Rstudio中的plot菜單命令，選擇save plot as image

R語言入門教程三：常用統(tǒng)計函數運算

在R語言中經常會用到函數，例如上節(jié)中講到的求樣本統(tǒng)計量就需要均值函數（mean）和標準差函數（sd）。對于二元數值數據還用到協(xié)方差（cov），對于二元分類數據則可以用交叉聯(lián)列表函數（table）。下文講述在初級統(tǒng)計學中最常用到的三類函數。

一、數據匯總函數

我們還是以R中自帶的iris數據為例，輸入head（iris）你可以獲得數據的前6個樣本及對應的5個變量。取出最后兩列數據作為講解的對象：Species表示花的種類，Petal.Width表示花瓣寬度

data=iris［，c（4，5）］

下一步我們想計算不同種類花瓣的平均寬度，可以使用tapply函數，在計算前先用attach命令將data這個數據框解包以方便直接操作其變量，而不需再用$符號。

attach（data）

tapply（X=Petal.Width，INDEX=Species，FUN=mean）

結果如下

setosa versicolor virginica

0.246 1.326 2.026

和tapply類似的還有sapply函數，在進一步講解前初學者還需搞清楚兩種數據表現方式，即stack（堆疊數據）和unstack（非堆疊數據），上面的data就是一個堆疊數據，每一行表示一個樣本。而非堆疊數據可以根據unstack函數轉換而來

data.unstack=unstack（data）

head（data.unstack）

你應該明白這二者之間的區(qū)別了，如果要對非堆疊數據計算不同種類花瓣的平均寬度，可以利用如下函數。

sapply（data.unstack，FUN=mean）

結果是一樣的，也就是說tapply對應于stack數據，而sapply對應于unstack數據

二、概率計算函數

如果給定一種概率分布，通常會有四類計算問題：

計算其概率密度density （d）

計算其概率分布probability（p）

計算其百分位數quantile （q）

隨機數模擬random （r）

記住上面四類計算對應的英文首字母，再對照下表就很容易計算各種概率問題了。

舉例來講，我們求標準正態(tài)分布曲線下小于1的面積p（x《1），正態(tài)分布是norm，而分布函數是p，那么使用pnorm（1）就得出了結果0.84；若計算扔10次硬幣實驗中有3次正面向上的概率，類似的dbinom（x=3，size=10，prob=0.5）得出0.11

三、抽樣函數

我們想從1到10中隨機抽取5個數字，那么這樣來做：首先產生一個序列，然后用sample函數進行無放回抽取。

x=1:10

sample（x，size=5）

有放回抽取則是

sample（x，size=5，replace=T）

sample函數在建模中經常用來對樣本數據進行隨機的劃分，一部分作為訓練數據，另一部分作為檢驗數據。