# 15分钟入门R语言（附代码）

• A+

1. # Comments start with number symbols.
2. # You can't make multi-line comments,
3. # but you can stack multiple comments like so.
4. # in Windows you can use CTRL-ENTER to execute a line.
5. # on Mac it is COMMAND-ENTER
6. #############################################################################
7. # Stuff you can do without understanding anything about programming
8. #############################################################################
9. # In this section, we show off some of the cool stuff you can do in
10. # R without understanding anything about programming. Do not worry
11. # about understanding everything the code does. Just enjoy!
12. data()          # browse pre-loaded data sets
13. data(rivers)    # get this one: "Lengths of Major North American Rivers"
14. ls()            # notice that "rivers" now appears in the workspace
15. head(rivers)    # peek at the data set
16. # 735 320 325 392 524 450
17. length(rivers)  # how many rivers were measured?
18. # 141
19. summary(rivers) # what are some summary statistics?
20. #   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
21. #  135.0   310.0   425.0   591.2   680.0  3710.0
22. # make a stem-and-leaf plot (a histogram-like data visualization)
23. stem(rivers)
24. #  The decimal point is 2 digit(s) to the right of the |
25. #
26. #   0 | 4
27. #   2 | 011223334555566667778888899900001111223333344455555666688888999
28. #   4 | 111222333445566779001233344567
29. #   6 | 000112233578012234468
30. #   8 | 045790018
31. #  10 | 04507
32. #  12 | 1471
33. #  14 | 56
34. #  16 | 7
35. #  18 | 9
36. #  20 |
37. #  22 | 25
38. #  24 | 3
39. #  26 |
40. #  28 |
41. #  30 |
42. #  32 |
43. #  34 |
44. #  36 | 1
45. stem(log(rivers)) # Notice that the data are neither normal nor log-normal!
46. # Take that, Bell curve fundamentalists.
47. #  The decimal point is 1 digit(s) to the left of the |
48. #
49. #  48 | 1
50. #  50 |
51. #  52 | 15578
52. #  54 | 44571222466689
53. #  56 | 023334677000124455789
54. #  58 | 00122366666999933445777
55. #  60 | 122445567800133459
56. #  62 | 112666799035
57. #  64 | 00011334581257889
58. #  66 | 003683579
59. #  68 | 0019156
60. #  70 | 079357
61. #  72 | 89
62. #  74 | 84
63. #  76 | 56
64. #  78 | 4
65. #  80 |
66. #  82 | 2
67. # make a histogram:
68. hist(rivers, col="#333333", border="white", breaks=25) # play around with these parameters
69. hist(log(rivers), col="#333333", border="white", breaks=25) # you'll do more plotting later
70. # Here's another neat data set that comes pre-loaded. R has tons of these.
71. data(discoveries)
72. plot(discoveries, col="#333333", lwd=3, xlab="Year",
73.      main="Number of important discoveries per year")
74. plot(discoveries, col="#333333", lwd=3, type = "h", xlab="Year",
75.      main="Number of important discoveries per year")
76. # Rather than leaving the default ordering (by year),
77. # we could also sort to see what's typical:
78. sort(discoveries)
79. #    0  0  0  0  0  0  0  0  0  1  1  1  1  1  1  1  1  1  1  1  1  2  2  2  2
80. #   2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  3  3  3
81. #   3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  4  4  4  4  4  4  4  4
82. #   4  4  4  4  5  5  5  5  5  5  5  6  6  6  6  6  6  7  7  7  7  8  9 10 12
83. stem(discoveries, scale=2)
84. #
85. #  The decimal point is at the |
86. #
87. #   0 | 000000000
88. #   1 | 000000000000
89. #   2 | 00000000000000000000000000
90. #   3 | 00000000000000000000
91. #   4 | 000000000000
92. #   5 | 0000000
93. #   6 | 000000
94. #   7 | 0000
95. #   8 | 0
96. #   9 | 0
97. #  10 | 0
98. #  11 |
99. #  12 | 0
100. max(discoveries)
101. # 12
102. summary(discoveries)
103. #   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
104. #    0.0     2.0     3.0     3.1     4.0    12.0
105. # Roll a die a few times
106. round(runif(7, min=.5, max=6.5))
107. # 1 4 6 1 4 6 4
108. # Your numbers will differ from mine unless we set the same random.seed(31337)
109. # Draw from a standard Gaussian 9 times
110. rnorm(9)
111. #   0.07528471  1.03499859  1.34809556 -0.82356087  0.61638975 -1.88757271
112. #  -0.59975593  0.57629164  1.08455362
113. ##################################################
114. # Data types and basic arithmetic
115. ##################################################
116. # Now for the programming-oriented part of the tutorial.
117. # In this section you will meet the important data types of R:
118. # integers, numerics, characters, logicals, and factors.
119. # There are others, but these are the bare minimum you need to
120. # get started.
121. # INTEGERS
122. # Long-storage integers are written with L
123. 5L # 5
124. class(5L) # "integer"
125. # (Try ?class for more information on the class() function.)
126. # In R, every single value, like 5L, is considered a vector of length 1
127. length(5L) # 1
128. # You can have an integer vector with length > 1 too:
129. c(4L, 5L, 8L, 3L) # 4 5 8 3
130. length(c(4L, 5L, 8L, 3L)) # 4
131. class(c(4L, 5L, 8L, 3L)) # "integer"
132. # NUMERICS
133. # A "numeric" is a double-precision floating-point number
134. 5 # 5
135. class(5) # "numeric"
136. # Again, everything in R is a vector;
137. # you can make a numeric vector with more than one element
138. c(3,3,3,2,2,1) # 3 3 3 2 2 1
139. # You can use scientific notation too
140. 5e4 # 50000
141. 6.02e23 # Avogadro's number
142. 1.6e-35 # Planck length
143. # You can also have infinitely large or small numbers
144. class(Inf)  # "numeric"
145. class(-Inf) # "numeric"
146. # You might use "Inf", for example, in integrate(dnorm, 3, Inf);
147. # this obviates Z-score tables.
148. # BASIC ARITHMETIC
149. # You can do arithmetic with numbers
150. # Doing arithmetic on a mix of integers and numerics gives you another numeric
151. 10L + 66L # 76      # integer plus integer gives integer
152. 53.2 - 4  # 49.2    # numeric minus numeric gives numeric
153. 2.0 * 2L  # 4       # numeric times integer gives numeric
154. 3L / 4    # 0.75    # integer over numeric gives numeric
155. 3 %% 2    # 1       # the remainder of two numerics is another numeric
156. # Illegal arithmetic yeilds you a "not-a-number":
157. 0 / 0 # NaN
158. class(NaN) # "numeric"
159. # You can do arithmetic on two vectors with length greater than 1,
160. # so long as the larger vector's length is an integer multiple of the smaller
161. c(1,2,3) + c(1,2,3) # 2 4 6
162. # Since a single number is a vector of length one, scalars are applied
163. # elementwise to vectors
164. (4 * c(1,2,3) - 2) / 2 # 1 3 5
165. # Except for scalars, use caution when performing arithmetic on vectors with
166. # different lengths. Although it can be done,
167. c(1,2,3,1,2,3) * c(1,2) # 1 4 3 2 2 6
168. # Matching lengths is better practice and easier to read
169. c(1,2,3,1,2,3) * c(1,2,1,2,1,2)
170. # CHARACTERS
171. # There's no difference between strings and characters in R
172. "Horatio" # "Horatio"
173. class("Horatio") # "character"
174. class('H') # "character"
175. # Those were both character vectors of length 1
176. # Here is a longer one:
177. c('alef', 'bet', 'gimmel', 'dalet', 'he')
178. # =>
179. # "alef"   "bet"    "gimmel" "dalet"  "he"
180. length(c("Call","me","Ishmael")) # 3
181. # You can do regex operations on character vectors:
182. substr("Fortuna multis dat nimis, nulli satis.", 9, 15) # "multis "
183. gsub('u', 'ø', "Fortuna multis dat nimis, nulli satis.") # "Fortøna møltis dat nimis, nølli satis."
184. # R has several built-in character vectors:
185. letters
186. # =>
187. #   "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s"
188. #  "t" "u" "v" "w" "x" "y" "z"
189. month.abb # "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep" "Oct" "Nov" "Dec"
190. # LOGICALS
191. # In R, a "logical" is a boolean
192. class(TRUE) # "logical"
193. class(FALSE)    # "logical"
194. # Their behavior is normal
195. TRUE == TRUE    # TRUE
196. TRUE == FALSE   # FALSE
197. FALSE != FALSE  # FALSE
198. FALSE != TRUE   # TRUE
199. # Missing data (NA) is logical, too
200. class(NA)   # "logical"
201. # Use | and & for logic operations.
202. # OR
203. TRUE | FALSE    # TRUE
204. # AND
205. TRUE & FALSE    # FALSE
206. # Applying | and & to vectors returns elementwise logic operations
207. c(TRUE,FALSE,FALSE) | c(FALSE,TRUE,FALSE) # TRUE TRUE FALSE
208. c(TRUE,FALSE,TRUE) & c(FALSE,TRUE,TRUE) # FALSE FALSE TRUE
209. # You can test if x is TRUE
210. isTRUE(TRUE)    # TRUE
211. # Here we get a logical vector with many elements:
212. c('Z', 'o', 'r', 'r', 'o') == "Zorro" # FALSE FALSE FALSE FALSE FALSE
213. c('Z', 'o', 'r', 'r', 'o') == "Z" # TRUE FALSE FALSE FALSE FALSE
214. # FACTORS
215. # The factor class is for categorical data
216. # Factors can be ordered (like childrens' grade levels) or unordered (like gender)
217. factor(c("female""female""male", NA, "female"))
218. #  female female male   <NA>   female
219. # Levels: female male
220. # The "levels" are the values the categorical data can take
221. # Note that missing data does not enter the levels
222. levels(factor(c("male""male""female", NA, "female"))) # "female" "male"
223. # If a factor vector has length 1, its levels will have length 1, too
224. length(factor("male")) # 1
225. length(levels(factor("male"))) # 1
226. # Factors are commonly seen in data frames, a data structure we will cover later
227. data(infert) # "Infertility after Spontaneous and Induced Abortion"
228. levels(infert\$education) # "0-5yrs"  "6-11yrs" "12+ yrs"
229. # NULL
230. # "NULL" is a weird one; use it to "blank out" a vector
231. class(NULL) # NULL
232. parakeet = c("beak""feathers""wings""eyes")
233. parakeet
234. # =>
235. #  "beak"     "feathers" "wings"    "eyes"
236. parakeet <- NULL
237. parakeet
238. # =>
239. # NULL
240. # TYPE COERCION
241. # Type-coercion is when you force a value to take on a different type
242. as.character(c(6, 8)) # "6" "8"
243. as.logical(c(1,0,1,1)) # TRUE FALSE  TRUE  TRUE
244. # If you put elements of different types into a vector, weird coercions happen:
245. c(TRUE, 4) # 1 4
246. c("dog", TRUE, 4) # "dog"  "TRUE" "4"
247. as.numeric("Bilbo")
248. # =>
249. #  NA
250. # Warning message:
251. # NAs introduced by coercion
252. # Also note: those were just the basic data types
253. # There are many more data types, such as for dates, time series, etc.
254. ##################################################
255. # Variables, loops, if/else
256. ##################################################
257. # A variable is like a box you store a value in for later use.
258. # We call this "assigning" the value to the variable.
259. # Having variables lets us write loops, functions, and if/else statements
260. # VARIABLES
261. # Lots of way to assign stuff:
262. x = 5 # this is possible
263. y <- "1" # this is preferred
264. TRUE -> z # this works but is weird
265. # LOOPS
266. # We've got for loops
267. for (i in 1:4) {
268.   print(i)
269. }
270. # We've got while loops
271. a <- 10
272. while (a > 4) {
273.     cat(a, "...", sep = "")
274.     a <- a - 1
275. }
276. # Keep in mind that for and while loops run slowly in R
277. # Operations on entire vectors (i.e. a whole row, a whole column)
278. # or apply()-type functions (we'll discuss later) are preferred
279. # IF/ELSE
280. # Again, pretty standard
281. if (4 > 3) {
282.     print("4 is greater than 3")
283. else {
284.     print("4 is not greater than 3")
285. }
286. # =>
287. #  "4 is greater than 3"
288. # FUNCTIONS
289. # Defined like so:
290. jiggle <- function(x) {
291.     x = x + rnorm(1, sd=.1) #add in a bit of (controlled) noise
292.     return(x)
293. }
294. # Called like any other R function:
295. jiggle(5)   # 5±ε. After set.seed(2716057), jiggle(5)==5.005043
296. ###########################################################################
297. # Data structures: Vectors, matrices, data frames, and arrays
298. ###########################################################################
299. # ONE-DIMENSIONAL
300. # Let's start from the very beginning, and with something you already know: vectors.
301. vec <- c(8, 9, 10, 11)
302. vec #  8  9 10 11
303. # We ask for specific elements by subsetting with square brackets
304. # (Note that R starts counting from 1)
305. vec      # 8
306. letters # "r"
307. LETTERS # "M"
308. month.name   # "September"
309. c(6, 8, 7, 5, 3, 0, 9)   # 7
310. # We can also search for the indices of specific components,
311. which(vec %% 2 == 0)    # 1 3
312. # grab just the first or last few entries in the vector,
313. head(vec, 1)    # 8
314. tail(vec, 2)    # 10 11
315. # or figure out if a certain value is in the vector
316. any(vec == 10) # TRUE
317. # If an index "goes over" you'll get NA:
318. vec  # NA
319. # You can find the length of your vector with length()
320. length(vec) # 4
321. # You can perform operations on entire vectors or subsets of vectors
322. vec * 4 # 16 20 24 28
323. vec[2:3] * 5    # 25 30
324. any(vec[2:3] == 8) # FALSE
325. # and R has many built-in functions to summarize vectors
326. mean(vec)   # 9.5
327. var(vec)    # 1.666667
328. sd(vec)     # 1.290994
329. max(vec)    # 11
330. min(vec)    # 8
331. sum(vec)    # 38
332. # Some more nice built-ins:
333. 5:15    # 5  6  7  8  9 10 11 12 13 14 15
334. seq(from=0, to=31337, by=1337)
335. # =>
336. #       0  1337  2674  4011  5348  6685  8022  9359 10696 12033 13370 14707
337. #  16044 17381 18718 20055 21392 22729 24066 25403 26740 28077 29414 30751
338. # TWO-DIMENSIONAL (ALL ONE CLASS)
339. # You can make a matrix out of entries all of the same type like so:
340. mat <- matrix(nrow = 3, ncol = 2, c(1,2,3,4,5,6))
341. mat
342. # =>
343. #      [,1] [,2]
344. # [1,]    1    4
345. # [2,]    2    5
346. # [3,]    3    6
347. # Unlike a vector, the class of a matrix is "matrix", no matter what's in it
348. class(mat) # => "matrix"
349. # Ask for the first row
350. mat[1,] # 1 4
351. # Perform operation on the first column
352. 3 * mat[,1] # 3 6 9
353. # Ask for a specific cell
354. mat[3,2]    # 6
355. # Transpose the whole matrix
356. t(mat)
357. # =>
358. #      [,1] [,2] [,3]
359. # [1,]    1    2    3
360. # [2,]    4    5    6
361. # Matrix multiplication
362. mat %*% t(mat)
363. # =>
364. #      [,1] [,2] [,3]
365. # [1,]   17   22   27
366. # [2,]   22   29   36
367. # [3,]   27   36   45
368. # cbind() sticks vectors together column-wise to make a matrix
369. mat2 <- cbind(1:4, c("dog""cat""bird""dog"))
370. mat2
371. # =>
372. #      [,1] [,2]
373. # [1,] "1"  "dog"
374. # [2,] "2"  "cat"
375. # [3,] "3"  "bird"
376. # [4,] "4"  "dog"
377. class(mat2) # matrix
378. # Again, note what happened!
379. # Because matrices must contain entries all of the same class,
380. # everything got converted to the character class
381. c(class(mat2[,1]), class(mat2[,2]))
382. # rbind() sticks vectors together row-wise to make a matrix
383. mat3 <- rbind(c(1,2,4,5), c(6,7,0,4))
384. mat3
385. # =>
386. #      [,1] [,2] [,3] [,4]
387. # [1,]    1    2    4    5
388. # [2,]    6    7    0    4
389. # Ah, everything of the same class. No coercions. Much better.
390. # TWO-DIMENSIONAL (DIFFERENT CLASSES)
391. # For columns of different types, use a data frame
392. # This data structure is so useful for statistical programming,
393. # a version of it was added to Python in the package "pandas".
394. students <- data.frame(c("Cedric","Fred","George","Cho","Draco","Ginny"),
395.                        c(3,2,2,1,0,-1),
396.                        c("H""G""G""R""S""G"))
397. names(students) <- c("name""year""house") # name the columns
398. class(students) # "data.frame"
399. students
400. # =>
401. #     name year house
402. # 1 Cedric    3     H
403. # 2   Fred    2     G
404. # 3 George    2     G
405. # 4    Cho    1     R
406. # 5  Draco    0     S
407. # 6  Ginny   -1     G
408. class(students\$year)    # "numeric"
409. class(students[,3]) # "factor"
410. # find the dimensions
411. nrow(students)  # 6
412. ncol(students)  # 3
413. dim(students)   # 6 3
414. # The data.frame() function converts character vectors to factor vectors
415. # by default; turn this off by setting stringsAsFactors = FALSE when
416. # you create the data.frame
417. ?data.frame
418. # There are many twisty ways to subset data frames, all subtly unalike
419. students\$year   # 3  2  2  1  0 -1
420. students[,2]    # 3  2  2  1  0 -1
421. students[,"year"]   # 3  2  2  1  0 -1
422. # An augmented version of the data.frame structure is the data.table
423. # If you're working with huge or panel data, or need to merge a few data
424. # sets, data.table can be a good choice. Here's a whirlwind tour:
425. install.packages("data.table") # download the package from CRAN
426. require(data.table) # load it
427. students <- as.data.table(students)
428. students # note the slightly different print-out
429. # =>
430. #      name year house
431. # 1: Cedric    3     H
432. # 2:   Fred    2     G
433. # 3: George    2     G
434. # 4:    Cho    1     R
435. # 5:  Draco    0     S
436. # 6:  Ginny   -1     G
437. students[name=="Ginny"] # get rows with name == "Ginny"
438. # =>
439. #     name year house
440. # 1: Ginny   -1     G
441. students[year==2] # get rows with year == 2
442. # =>
443. #      name year house
444. # 1:   Fred    2     G
445. # 2: George    2     G
446. # data.table makes merging two data sets easy
447. # let's make another data.table to merge with students
448. founders <- data.table(house=c("G","H","R","S"),
449.                        founder=c("Godric","Helga","Rowena","Salazar"))
450. founders
451. # =>
452. #    house founder
453. # 1:     G  Godric
454. # 2:     H   Helga
455. # 3:     R  Rowena
456. # 4:     S Salazar
457. setkey(students, house)
458. setkey(founders, house)
459. students <- founders[students] # merge the two data sets by matching "house"
460. setnames(students, c("house","houseFounderName","studentName","year"))
461. students[,order(c("name","year","house","houseFounderName")), with=F]
462. # =>
463. #    studentName year house houseFounderName
464. # 1:        Fred    2     G           Godric
465. # 2:      George    2     G           Godric
466. # 3:       Ginny   -1     G           Godric
467. # 4:      Cedric    3     H            Helga
468. # 5:         Cho    1     R           Rowena
469. # 6:       Draco    0     S          Salazar
470. # data.table makes summary tables easy
471. students[,sum(year),by=house]
472. # =>
473. #    house V1
474. # 1:     G  3
475. # 2:     H  3
476. # 3:     R  1
477. # 4:     S  0
478. # To drop a column from a data.frame or data.table,
479. # assign it the NULL value
480. students\$houseFounderName <- NULL
481. students
482. # =>
483. #    studentName year house
484. # 1:        Fred    2     G
485. # 2:      George    2     G
486. # 3:       Ginny   -1     G
487. # 4:      Cedric    3     H
488. # 5:         Cho    1     R
489. # 6:       Draco    0     S
490. # Drop a row by subsetting
491. # Using data.table:
492. students[studentName != "Draco"]
493. # =>
494. #    house studentName year
495. # 1:     G        Fred    2
496. # 2:     G      George    2
497. # 3:     G       Ginny   -1
498. # 4:     H      Cedric    3
499. # 5:     R         Cho    1
500. # Using data.frame:
501. students <- as.data.frame(students)
502. students[students\$house != "G",]
503. # =>
504. #   house houseFounderName studentName year
505. # 4     H            Helga      Cedric    3
506. # 5     R           Rowena         Cho    1
507. # 6     S          Salazar       Draco    0
508. # MULTI-DIMENSIONAL (ALL ELEMENTS OF ONE TYPE)
509. # Arrays creates n-dimensional tables
510. # All elements must be of the same type
511. # You can make a two-dimensional table (sort of like a matrix)
512. array(c(c(1,2,4,5),c(8,9,3,6)), dim=c(2,4))
513. # =>
514. #      [,1] [,2] [,3] [,4]
515. # [1,]    1    4    8    3
516. # [2,]    2    5    9    6
517. # You can use array to make three-dimensional matrices too
518. array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2))
519. # =>
520. # , , 1
521. #
522. #      [,1] [,2]
523. # [1,]    2    8
524. # [2,]  300    9
525. # [3,]    4    0
526. #
527. # , , 2
528. #
529. #      [,1] [,2]
530. # [1,]    5   66
531. # [2,]   60    7
532. # [3,]    0  847
533. # LISTS (MULTI-DIMENSIONAL, POSSIBLY RAGGED, OF DIFFERENT TYPES)
534. # Finally, R has lists (of vectors)
535. list1 <- list(time = 1:40)
536. list1\$price = c(rnorm(40,.5*list1\$time,4)) # random
537. list1
538. # You can get items in the list like so
539. list1\$time # one way
540. list1[["time"]] # another way
541. list1[] # yet another way
542. # =>
543. #    1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
544. #  34 35 36 37 38 39 40
545. # You can subset list items like any other vector
546. list1\$price
547. # Lists are not the most efficient data structure to work with in R;
548. # unless you have a very good reason, you should stick to data.frames
549. # Lists are often returned by functions that perform linear regressions
550. ##################################################
551. # The apply() family of functions
552. ##################################################
553. # Remember mat?
554. mat
555. # =>
556. #      [,1] [,2]
557. # [1,]    1    4
558. # [2,]    2    5
559. # [3,]    3    6
560. # Use apply(X, MARGIN, FUN) to apply function FUN to a matrix X
561. # over rows (MAR = 1) or columns (MAR = 2)
562. # That is, R does FUN to each row (or column) of X, much faster than a
563. # for or while loop would do
564. apply(mat, MAR = 2, jiggle)
565. # =>
566. #      [,1] [,2]
567. # [1,]    3   15
568. # [2,]    7   19
569. # [3,]   11   23
570. # Other functions: ?lapply, ?sapply
571. # Don't feel too intimidated; everyone agrees they are rather confusing
572. # The plyr package aims to replace (and improve upon!) the *apply() family.
573. install.packages("plyr")
574. require(plyr)
575. ?plyr
576. #########################
577. # Loading data
578. #########################
579. # "pets.csv" is a file on the internet
580. # (but it could just as easily be be a file on your own computer)
581. pets <- read.csv("http://learnxinyminutes.com/docs/pets.csv")
582. pets
583. head(pets, 2) # first two rows
584. tail(pets, 1) # last row
585. # To save a data frame or matrix as a .csv file
586. write.csv(pets, "pets2.csv") # to make a new .csv file
587. # set working directory with setwd(), look it up with getwd()
588. # Try ?read.csv and ?write.csv for more information
589. #########################
590. # Statistical Analysis
591. #########################
592. # Linear regression!
593. linearModel <- lm(price  ~ time, data = list1)
594. linearModel # outputs result of regression
595. # =>
596. # Call:
597. # lm(formula = price ~ time, data = list1)
598. # Coefficients:
599. # (Intercept)         time
600. #      0.1453       0.4943
601. summary(linearModel) # more verbose output from the regression
602. # =>
603. # Call:
604. # lm(formula = price ~ time, data = list1)
605. #
606. # Residuals:
607. #     Min      1Q  Median      3Q     Max
608. # -8.3134 -3.0131 -0.3606  2.8016 10.3992
609. #
610. # Coefficients:
611. #             Estimate Std. Error t value Pr(>|t|)
612. # (Intercept)  0.14527    1.50084   0.097    0.923
613. # time         0.49435    0.06379   7.749 2.44e-09 ***
614. # ---
615. # Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
616. #
617. # Residual standard error: 4.657 on 38 degrees of freedom
618. # Multiple R-squared:  0.6124,  Adjusted R-squared:  0.6022
619. # F-statistic: 60.05 on 1 and 38 DF,  p-value: 2.44e-09
620. coef(linearModel) # extract estimated parameters
621. # =>
622. # (Intercept)        time
623. #   0.1452662   0.4943490
624. summary(linearModel)\$coefficients # another way to extract results
625. # =>
626. #              Estimate Std. Error    t value     Pr(>|t|)
627. # (Intercept) 0.1452662 1.50084246 0.09678975 9.234021e-01
628. # time        0.4943490 0.06379348 7.74920901 2.440008e-09
629. summary(linearModel)\$coefficients[,4] # the p-values
630. # =>
631. #  (Intercept)         time
632. # 9.234021e-01 2.440008e-09
633. # GENERAL LINEAR MODELS
634. # Logistic regression
635. set.seed(1)
636. list1\$success = rbinom(length(list1\$time), 1, .5) # random binary
637. glModel <- glm(success  ~ time, data = list1,
638.     family=binomial(link="logit"))
639. glModel # outputs result of logistic regression
640. # =>
641. # Call:  glm(formula = success ~ time,
642. #   family = binomial(link = "logit"), data = list1)
643. #
644. # Coefficients:
645. # (Intercept)         time
646. #     0.17018     -0.01321
647. # Degrees of Freedom: 39 Total (i.e. Null);  38 Residual
648. # Null Deviance:        55.35
649. # Residual Deviance: 55.12   AIC: 59.12
650. summary(glModel) # more verbose output from the regression
651. # =>
652. # Call:
653. # glm(formula = success ~ time,
654. #   family = binomial(link = "logit"), data = list1)
655. # Deviance Residuals:
656. #    Min      1Q  Median      3Q     Max
657. # -1.245  -1.118  -1.035   1.202   1.327
658. # Coefficients:
659. #             Estimate Std. Error z value Pr(>|z|)
660. # (Intercept)  0.17018    0.64621   0.263    0.792
661. # time        -0.01321    0.02757  -0.479    0.632
662. # (Dispersion parameter for binomial family taken to be 1)
663. #
664. #     Null deviance: 55.352  on 39  degrees of freedom
665. # Residual deviance: 55.121  on 38  degrees of freedom
666. # AIC: 59.121
667. # Number of Fisher Scoring iterations: 3
668. #########################
669. # Plots
670. #########################
671. # BUILT-IN PLOTTING FUNCTIONS
672. # Scatterplots!
673. plot(list1\$time, list1\$price, main = "fake data")
674. # Plot regression line on existing plot
675. abline(linearModel, col = "red")
676. # Get a variety of nice diagnostics
677. plot(linearModel)
678. # Histograms!
679. hist(rpois(n = 10000, lambda = 5), col = "thistle")
680. # Barplots!
681. barplot(c(1,4,5,1,2), names.arg = c("red","blue","purple","green","yellow"))
682. # GGPLOT2
683. # But these are not even the prettiest of R's plots
684. # Try the ggplot2 package for more and better graphics
685. install.packages("ggplot2")
686. require(ggplot2)
687. ?ggplot2
688. pp <- ggplot(students, aes(x=house))
689. pp + geom_histogram()
690. ll <- as.data.table(list1)
691. pp <- ggplot(ll, aes(x=time,price))
692. pp + geom_point()
693. # ggplot2 has excellent documentation (available http://docs.ggplot2.org/current/)

## 下载 R 