r语言数据收集与分析（用R语言做数据分析）

r语言数据收集与分析（用R语言做数据分析）> sd(X1)> #计算体重的标准差> #计算体重的均值> mean(X1)[1] 40.41667

R语言的基本学习

例：某学校在体检时测得12名女学生的题中X1（千克）和胸围X2（厘米），试计算题中与胸围的均值与标准差。

在R软件的主窗口输入命令：

> #输入体重

> X1<-c(35 40 40 42 37 45 43 37 44 42 41 39)

> #计算体重的均值

> mean(X1)

[1] 40.41667

> #计算体重的标准差

> sd(X1)

[1] 3.028901

> #输入胸围数据

> X2<-c(60 74 64 71 72 68 78 66 70 65 73 75)

> #计算胸围的均值

> mean(X2)

[1] 69.66667

> #计算胸围的标准差

> sd(X2)

[1] 5.210712

如果要绘制直方图 则调用hist()函数。

> hist(X1)

下面以”demo1.R“脚本文件为例，完成一个简单的线性回归模型计算。

#读取数据 第一行是文件头 ，并打印出数据

rt<-read.table("demo1.txt" header = TRUE)

print(rt)

#对重量(Weight)与高度(Height)做线性回归，计算结果放在变量lm.sol中

lm.sol<-lm(Weight~Height data = rt)

#使用summary()函数显示详细内容

summary(lm.sol)

其中，Min是最小值，1Q是一分位数，Median是中位数，3Q是三分位数，Max是最大值，Estimate是估计值，Std.Error是标准差，t value是t值，Pr是一个衡量标准，Residual standard error表示残余标准差，Multiple R-squared表示相关系数的平方，Adjust R-squared表示调整相关系数，F-statistic表示F统计量，p-value表示p值。

在《每天一点数据分析——回归分析》中讲到过使用Excel“回归”分析工具生成了回归统计表、方差分析表、回归系数表，这里打印的相关数值和用Excel做回归分析得出的结果是一样的。这里再次简单回顾：

Multiple R：因变量Y与自变量X之间的相关系数绝对值，越接近1，相关性越高；

R Square：判定系数R^2（也称拟合优度或决定系数），即相关系数R的平方，R^2越接近1，表示回归模型拟合效果越好；

Adjusted R Square：调整判定系数Adjusted R^2，仅用于多重线性回归时才有意义，它用于衡量其他自变量后模型的拟合程度。

标准误差：其实应当是剩余标准差（Std. Error of the Estimate），在对多个回归模型比较拟合程度时，通常会比较剩余标准差，此值越小，说明拟合程度越好。这里的标准误差为526.41。

最终拟合的方程为：Y = 3.899X - 143.0269

以下是一些常用的R函数：

R语言帮助函数

R语言管理函数

R语言图像输出函数

R语言包的安装与使用

包是R函数、数据、预编译代码以一种定义完善的格式组成的集合，计算机上存储包的目录称为库，libPaths()函数可以是库所在的位置，library()函数可以显示库中有哪些包，而search()函数可以告诉你哪些包已加载并可使用。

有许多R函数可以用来管理包，比如install.packages("gclus")安装gclus包，使用update.packages()函数可以更新已经安装的包，使用installed.packages()函数可以查看已安装包的描述。

在R语言中，要使用某个包需要事先载入这个包。例如，要使用gclus包，执行library(gclus)即可。加入对包的使用不了解，可以使用命令help(package="package_name")查看包的详细帮助。