美文网首页
R语言实战-基本方法

R语言实战-基本方法

作者: Mr_dvbkhm | 来源:发表于2017-04-29 10:09 被阅读229次

    一.基本图形

    1.条形图
    1.1 简单条形图 使用barplot(height,....),其中height 是向量或者矩阵,默认垂直条形图,horiz = TRUE(水平条形图),可以使用par() 函数对R的默认图形做出大量修改

    barplot(height, width = 1, space = NULL,
            names.arg = NULL, legend.text = NULL, beside = FALSE,
            horiz = FALSE, density = NULL, angle = 45,
            col = NULL, border = par("fg"),
            main = NULL, sub = NULL, xlab = NULL, ylab = NULL,
            xlim = NULL, ylim = NULL,...)
    

    1.2堆砌条形图和分组条形图
    height 是矩阵时,barplot 绘制的是堆砌或者分组条形图,beside = FASLE是默认值,每一列生成一个条形,每个值是堆砌的“子条”高度。设置beside = TRUE,那么每一列的各个值相互并排形成一组
    1.3棘状图
    棘状图对堆砌图进行了重缩放,每个图形的高度都为1,每一段的高度表示这个值在这一列的比例,可以使用vcd包中的spine()绘制

    > install.packages("vcd")
    > library(vcd)
    载入需要的程辑包:grid
    > attach(Arthritis)
    > counts <- table(Treatment,Improved)
    > counts
             Improved
    Treatment None Some Marked
      Placebo   29    7      7
      Treated   13    7     21
    > spine(counts,main ="Spinogram Example")
    > detach(Arthritis)
    

    2.饼图
    使用相对较少,人们对长度的判读比面积更加精确,可以使用 pie(x,labels)创建
    使用plotrix包中的pie3D()可以创建3维饼图

    install.packages("plotrix")
    > library(plotrix)
    > data <- c(1,2,3,4)
    > tag <- c("a","b","c","d")
    > pie3D(data,labels = tag,explode = 0.1,main="3d chart")
    

    3.核密度图和箱线图
    一种用于观察连续型变量分布的有效方法,使用plot(x) ,使用lines()函数可以在已存在的图形中叠加一条曲线
    使用sm包中的sm.density.compare()函数可以向图形叠加两组或者更多的核密度图,但用于可视化分布和组间差异的更好图例是还是箱线图
    箱线图:通过绘制连续变量的五数总括(最大值、上四分位数(第75%位数)、中位数(第50%位数)、下四分位数(第25%分位数)、最小值),箱线图可以直观的看出离群点(范围+-(1.5)* IQR(上四分位减下四分位))
    使用 boxplot(formula,data=dataframe)
    其中,formula是一个公式, 一个示例:y~ A,这将为类别型变量A的每个值并列地生成数值型变量y的箱线图,公式 y~ A*B 表示将类别型变量A和B所有水平的两两组合生成数值型变量y的箱线图 ,dataframe 是数据集
    下面来以mtcars数据集为例

    mtcars

    如果想要直观的显示出自动挡和手动挡在分别在4、6、8缸发动机的耗油量数据,如何用箱线图表示?

    #创建汽车缸数因子
    > mtcars$cyl.f <- factor(mtcars$cyl,levels = c(4,6,8),labels = c("4","6","8"))
    #创建变速箱类型因子
    > mtcars$am.f <- factor(mtcars$am,levels = c(0,1),labels = c("auto","standard"))
    #绘图
    > boxplot(mpg ~am.f*cyl.f,data = mtcars,varwidth= TRUE,col=c("gold","darkgreen"),main="MPG distribution by auto type",xlab="auto type",ylab="Miles per gallon")
    

    效果如下

    不同变速箱类型和汽车缸数对油耗的影响

    4.点图
    使用dotchart(x,labels=)
    x 是一个数值向量,labels 是每个点的标签组成的向量

    二.基本统计分析
    R语言有许多用于描述生成基本描述性和推断统计量
    2.1.描述性统计量
    2.1.1 summary()
    summary()函数提供了最小值、四分位数和均值

    > testCars <- c("mpg","wt","hp")
    > summary(mtcars[testCars])
          mpg              wt              hp       
     Min.   :10.40   Min.   :1.513   Min.   : 52.0  
     1st Qu.:15.43   1st Qu.:2.581   1st Qu.: 96.5  
     Median :19.20   Median :3.325   Median :123.0  
     Mean   :20.09   Mean   :3.217   Mean   :146.7  
     3rd Qu.:22.80   3rd Qu.:3.610   3rd Qu.:180.0  
     Max.   :33.90   Max.   :5.424   Max.   :335.0  
    

    2.1.2 sapply()
    sapply(x,FUN,options) 可以用于计算所选择的任意描述性统计量,x:数据框(矩阵),FUN为任意函数,指定options,它们将传递给FUN,这里的FUN 函数可以是 mean(),sd(),var(),min(),max(),median()等等
    可以使用sapply函数生成基础安装不带的描述性变量 eg skew :偏度 kurtosis :峰度

    myfuction <- function(x,na.omit = FALSE){
      if(na.omit)
        x <- x[!is.na(x)]
        m <- mean(x)
        n <- length(x)
        s <- sd(x)
        skew <- sum((x-m)^3/s^3)/n
        kurt <- sum((x-m)^4/s^4)/n -3
        return( c(n=n,mean= m,stdev = s,skew = skew,kurtosis = kurt))
    }
    myvars <- c("mpg","hp","wt")
    
    sapply(mtcars[myvars],myfuction)
    
    

    2.1.3 许多开源包中也提供了很多计算描述性统计量的函数
    2.1.3.1 Hmisc 包中的describe() :
    函数可返回 平均值、分位数、及5个最大最小值
    2.1.3.2 pastecs包中的 stat.desc() :
    提供了种类繁多的描述性统计量,使用格式为:stat.desc(x,basic=TRUE,desc=TRUE,norm=FALSE,p=0.95)

    install.packages("pastecs")
    
    > library(pastecs)
    > mydata <- c("mpg","hp","wt")
    > stat.desc(mtcars[mydata])
                         mpg           hp          wt
    nbr.val       32.0000000   32.0000000  32.0000000
    nbr.null       0.0000000    0.0000000   0.0000000
    nbr.na         0.0000000    0.0000000   0.0000000
    min           10.4000000   52.0000000   1.5130000
    max           33.9000000  335.0000000   5.4240000
    range         23.5000000  283.0000000   3.9110000
    sum          642.9000000 4694.0000000 102.9520000
    median        19.2000000  123.0000000   3.3250000
    mean          20.0906250  146.6875000   3.2172500
    SE.mean        1.0654240   12.1203173   0.1729685
    CI.mean.0.95   2.1729465   24.7195501   0.3527715
    var           36.3241028 4700.8669355   0.9573790
    std.dev        6.0269481   68.5628685   0.9784574
    coef.var       0.2999881    0.4674077   0.3041285
    

    2.1.4 分组计算描述性统计量
    使用psych包中的describeBy()

    install.packages("psych")
    library(psych)
    myvars <- c("mpg","hp","wt")
    describeBy(mtcars[myvars],list(am=mtcars$am))
    

    2.2 类别型变量的独立性检验
    R中提供了许多独立性检测的方法,这里介绍三种: 1. 卡方独立性检验,2Fisher精确检验 , 3. Cochran-Mantel-haenszel 检验
    首先将数据集生成频数表,训练数据集来自vcd 包中的Arthritis 数据集

    library(vcd)
    head(Arthritis)
      ID Treatment  Sex Age Improved
    1 57   Treated Male  27     Some
    2 46   Treated Male  29     None
    3 77   Treated Male  30     None
    4 17   Treated Male  32   Marked
    5 36   Treated Male  46   Marked
    6 23   Treated Male  58   Marked
    

    使用table(A,B)生成二维列联表,A是行变量,B是列变量,或者使用xtabs()函数生成eg:

    #mytable <- xtabs(~Treatment+Improved,data=Arthritis)
    mytable <- xtabs(~ Arthritis$Treatment+Arthritis$Improved,data=Arthritis)
    > mytable
                       Arthritis$Improved
    Arthritis$Treatment None Some Marked
                Placebo   29    7      7
                Treated   13    7     21
    

    如果要生成三维列联表
    调用 mytable <- xtabs (~ A+B+C,data = mydata)
    2.2.1.卡方独立性检测

    chisq.test(mytable)
    
        Pearson's Chi-squared test
    
    data:  mytable
    X-squared = 13.055, df = 2, p-value = 0.001463
     mytable <- xtabs(~ Arthritis$Treatment+Arthritis$Sex,data=Arthritis)
    > chisq.test(mytable)
    
        Pearson's Chi-squared test with Yates' continuity correction
    
    data:  mytable
    X-squared = 0.38378, df = 1, p-value = 0.5356
    
    

    结果1中p-value=0.001463 <0.01 说明接收治疗和改善水平中存在某种关系,而患者接收治疗和性别中p-value = 0.5356 >0.05 说明他们没有关联性

    2.2.2 Fisher精确检验

    mytable <- xtabs(~ Arthritis$Treatment+Arthritis$Improved,data=Arthritis)
    > fisher.test(mytable)
    
        Fisher's Exact Test for Count Data
    
    data:  mytable
    p-value = 0.001393
    alternative hypothesis: two.sided
    

    注意:fisher.test()可以在任一行列数大于等于2的二维列联表上使用,但不能用用2x2的列联表
    2.2.3 Cochran-Mantel-Haenszel 检验
    注意,此条件检测两名义变量在第三变量的每一层都是条件独立的,不存在三阶交互作用

    threetable <-xtabs(~ Arthritis$Treatment +Arthritis$Improved+Arthritis$Sex,data = Arthritis)
    > mantelhaen.test(threetable)
    
        Cochran-Mantel-Haenszel test
    
    data:  threetable
    Cochran-Mantel-Haenszel M^2 = 14.632, df = 2, p-value = 0.0006647
    

    2.3 相关性检验
    1.相关性的显著性检验
    2.3.1使用col.test(x,y,alternative,method=)
    x,y 为需要检验相关性的变量,alternative表示指定双侧检验还是单侧检验,col.test ()每次只能检验一种相关关系,使用psych包中的corr.test ()可以一次检测多个变量间的相关性
    2.3.2 t检验
    独立的检验
    使用t.test(y~x,data) ,y是一个数值型变量,x 是一个二分量(只有两个取值)

    #数据集是MASS包中的UScrime(刑法制度对犯罪率的影响),几个重要参数
    #Prob:监禁的概率  ;
    #So :是否位于南方
    #U1 :(14-25岁年龄段城市男性失业率)
    #U2:(35~39岁年龄段城市男性失业率)
    library(MASS)
    t.test(UScrime$Prob~UScrime$So,data=UScrime)
    
        Welch Two Sample t-test
    
    data:  UScrime$Prob by UScrime$So
    t = -3.8954, df = 24.925, p-value = 0.0006506
    alternative hypothesis: true difference in means is not equal to 0
    95 percent confidence interval:
     -0.03852569 -0.01187439
    sample estimates:
    mean in group 0 mean in group 1 
         0.03851265      0.06371269 
    
    

    非独立样本的t检验
    判断较年轻男性U1是否比较年长男性U2更高

    sapply(UScrime[c("U1","U2")],function(x)(c(mean=mean(x),sd=sd(x))))
               U1       U2
    mean 95.46809 33.97872
    sd   18.02878  8.44545
    > with(UScrime,t.test(U1,U2,paired = TRUE))
    
        Paired t-test
    
    data:  U1 and U2
    t = 32.407, df = 46, p-value < 2.2e-16
    alternative hypothesis: true difference in means is not equal to 0
    95 percent confidence interval:
     57.67003 65.30870
    sample estimates:
    mean of the differences 
                   61.48936 
    

    我们可以发现,两个变量的均值的差异为61.5 足够大,可以保证拒绝年长和年轻男性的平均失业率相同的假设,年轻男性的失业率更高,要获得两个变量总体均值相同的概率微乎其微,概率为2.2e-16

    相关文章

      网友评论

          本文标题: R语言实战-基本方法

          本文链接:https://www.haomeiwen.com/subject/ekqzattx.html