diff --git a/SD/0_R实践课程/index.html b/SD/0_R实践课程/index.html deleted file mode 100644 index 85767e4..0000000 --- a/SD/0_R实践课程/index.html +++ /dev/null @@ -1,903 +0,0 @@ - - - - - - - - - - - - - - Version: {{< var branch >}} – 〇、R语言实践前篇 - - - - - - - - - - - - - - - - - - - - - -
-
- -
-

〇、R语言实践前篇

-

《区域水环境污染数据分析实践》
Data analysis practice of regional water environment pollution

- -
-
-
-苏命、王为东
中国科学院大学资源与环境学院
中国科学院生态环境研究中心 -
-
-
- -

2025-03-19

-
-
-

R语言实践部分课程简介

-

接下来的课程由我来带着大家一起学习、实践基于R语言的数据分析。

-

自我介绍

-
    -
  • 苏命：来自中国科学院生态环境研究中心
    • -
  • 主要从事水源水质水生态方面的研究
    • -
-

课件

- -
-
-

如何学习接下来的内容？

-
    -
  • 上课形式： -
      -
    • 实践操作为主，目的是让每一位同学都能独立开展基于R的数据分析
      • -
    • 2-3人一组，自由分组，相互帮助
      • -
    • -
  • 准备工作： -
      -
    • 个人笔记本电脑，Microsoft Windows、GNU/Linux、MacOS系统
      • -
    • 安装好Microsoft Excel
      • -
    • 能联网
      • -
    • 如果电池不够用，建议带上插座
      • -
    • -
  • 上课规则 -
      -
    • 可随时打断，不懂就问
      • -
    • 无特殊情况不迟到，否则操作过程容易跟不上
      • -
    • -
-
-
-

Rstudio Server使用

-
    -
  • 服务网址：https://rs1.drwater.net/
    • -
  • 每位同学使用1个账号，随机生成
    • -
  • 密码：****
    • -
  • 后面的实践课程可在该服务器上完成
    • -
-
-
-

请记住自己的账号！

-
- -
-
-
-
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
uid姓名
ruser01XX
ruser02XX
ruser03XX
ruser04XX
ruser05XX
ruser06XX
ruser07XX
ruser08XX
ruser09XX
ruser10XX
-
-
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
uid姓名
ruser11XX
ruser12XX
ruser13XX
ruser14XX
ruser15XX
ruser16XX
ruser17XX
ruser18XX
ruser19XX
ruser20XX
-
-
-
-
-
-

请记住自己的账号！

-
- -
-
-
-
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
uid姓名
ruser21XX
ruser22XX
ruser23XX
ruser24XX
ruser25XX
ruser26XX
ruser27XX
ruser28XX
ruser29XX
ruser30XX
-
-
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
uid姓名
ruser31XX
ruser32XX
ruser33XX
ruser34XX
ruser35XX
-
-
-
-
-
-

课后作业

-

提交形式：第*次作业_姓名.qmd文件

-

模板：

-
---
-title: "课后作业*"
-author: 姓名
----
-
-
-# 第1题
-
-说明
-
-::: {.cell}
-
-```{.r .cell-code}
-# Here is the code
-```
-:::
-
-# 第2题
-
-说明
-
-::: {.cell}
-
-```{.r .cell-code}
-# Here is the code
-```
-:::
-
-
-
-
-

欢迎讨论！

- 苏命|https://drwater.net; https://drwater.net/team/ming-su/; Slides

-
-
- mingsu@rcees.ac.cn;
-
- - -
-
-
- - - - - - - - - - - - - - - - - - - - - - - - - - - \ No newline at end of file diff --git a/SD/1.1_R语言介绍/index.html b/SD/1.1_R语言介绍/index.html deleted file mode 100644 index 89d8ff5..0000000 --- a/SD/1.1_R语言介绍/index.html +++ /dev/null @@ -1,861 +0,0 @@ - - - - - - - - - - - - - - Version: {{< var branch >}} – 一、R语言介绍 - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
-
- -
-

一、R语言介绍

-

《区域水环境污染数据分析实践》
Data analysis practice of regional water environment pollution

- -
-
-
-苏命、王为东
中国科学院大学资源与环境学院
中国科学院生态环境研究中心 -
-
-
- -

2025-03-19

-
-
-

R的历史

-
-
-
    -
  • 1976年： -
      -
    • 前身是S语言，由贝尔实验室John Chambers及其同事开发
      • -
    • -
  • 1993年： -
      -
    • R语言由Ross Ihaka和Robert Gentleman在奥克兰大学开发
      • -
    • R的诞生是为了提供一个强大的统计计算和图形显示的平台
      • -
    • -
-
-

-
-
    -
  • 1995年：R发布第一个公开版本
    • -
  • 2000年代： R语言逐渐成为统计学和数据科学领域重要工具
    • -
  • 2010年：Hadley Wickham发布了ggplot2包，数据可视化方面更强
    • -
  • 2016年：创建CRAN（Comprehensive R Archive Network），R包中央库
    • -
  • 至今 -
      -
    • R语言已成为数据科学和统计学领域最受欢迎的工具之一，被广泛用于数据分析、机器学习、数据可视化等领域
      • -
    • -
-
-
-

R的特点

-

一般特点

-
    -
  • 免费、开源、支持各个主要计算机系统。
    • -
  • 完整的程序设计语言，基于函数和对象。
    • -
  • 支持完善的数据类型，如向量、矩阵、数据框等。
    • -
-

技术特点

-
    -
  • 所有存在都是对象。
    • -
  • 所有动作都是函数调用。
    • -
  • 支持函数编程和对象类。
    • -
  • 是动态类型语言，运行速度相对较慢。
    • -
-
-
-

R的参考资料

-

推荐参考书

- -
-
-

R的参考资料

-

中文参考书

-
    -
  • 《R语言编程艺术》
    • -
  • 《R语言实战》
    • -
  • 《R语言教程与实践》
    • -
  • 《R语言数据可视化实战》
    • -
  • 《R语言从入门到精通》
    • -
-
-
-

R的下载与安装

-

R的下载与安装

- - -
-
-

RStudio

-

什么是RStudio？

-
    -
  • RStudio官方网站: https://posit.co/products/open-source/rstudio/
    • -
  • RStudio是一个集成开发环境（IDE），专门用于R语言编程和数据分析。
    • -
  • 它提供了一个直观的界面，使得编写、调试和运行R代码变得更加容易。
    • -
-
-
-

RStudio

-

RStudio的功能

-
    -
  1. 代码编辑器：提供了语法高亮、自动补全和代码折叠等功能。
    2. -
  2. 控制台：用于直接执行R代码并查看结果。
    3. -
  3. 环境和历史记录：可以查看当前加载的数据、函数和变量，以及之前执行过的命令。
    4. -
  4. 图形和可视化：RStudio内置了绘图设备，可以方便地创建各种统计图表。
    5. -
  5. 文件管理器：可直接在RStudio中管理文件和项目。
    6. -
  6. 包管理器：方便地安装、更新和管理R包。
    7. -
  7. Markdown编辑器：支持Markdown格式，可以创建美观的文档和报告。
    8. -
-
-
-

如何获取RStudio？

-
    -
  • RStudio可以从官方网站免费下载并安装：RStudio官网
    • -
  • RStudio是一个强大的R编程环境，为R用户提供了丰富的功能和工具。
    • -
  • 它简化了R语言的使用，提高了数据分析和可视化的效率。
    • -
- -
-
-

扩展包：R package

-
    -
  • R有一万多个扩展软件包，提供了各种各样的功能
    • -
  • 已安装的基本R包，如base, stats, graphics等，启动R时默认载入
    • -
  • 其它扩展包需要用library(.)函数载入运行；或者采用dplyr::filter(.)方式
    • -
-
- -
-
-
-
# load a R package
-library(ggplot2)
-
-# plot it based on the functions from `ggplot2` package
-mtcars |>
-  dplyr::filter(cyl != 8) |>
-  ggplot(aes(hp, mpg, color = am)) +
-  geom_point() +
-  geom_smooth(formula = y ~ x, method = "loess")
-
-
-
-
-
-
-
-

-
-
-
-
-
-
-
-
-
-

安装R包

-
    -
  • 以安装sos包为例。
    • -
  • 在RStudio中调用“Tools”菜单的“Install Packages”，输入或选择sos即可安装。
    • -
  • R图形界面安装
    • -
  • 如果不用RStudio， 在R图形界面选菜单“程序包-安装程序包”进行安装。
    • -
  • 在CRAN镜像选择窗口中选择中国的镜像，如“China (Beijing 2)”，然后选择要安装的扩展软件包名称即可完成下载和安装。
    • -
  • 程序安装
    • -
-
# 指定镜像网站并安装扩展包
-options(repos=c(CRAN="https://mirror.tuna.tsinghua.edu.cn/CRAN/"))
-install.packages("sos")
-
-# 当R包不是CRAN标准包，代码放在[github](https://github.com)
-if (!require(devtools)) install.packages('devtools')
-devtools::install_github("kjhealy/socviz")
-
-
-

安装R包

- -
-
-

结语

-
    -
  • R语言是一种强大的统计计算和数据分析工具，适用于各种领域。
    • -
  • 通过学习R语言，可以进行数据处理、统计分析和数据可视化。
    • -
-
-
-

欢迎讨论！

- 苏命|https://drwater.net; https://drwater.net/team/ming-su/; Slides

-
-
- mingsu@rcees.ac.cn;
-
- - -
-
-
- - - - - - - - - - - - - - - - - - - - - - - - - - - \ No newline at end of file diff --git a/SD/1.2_R语言语法基础/index.html b/SD/1.2_R语言语法基础/index.html deleted file mode 100644 index 106a023..0000000 --- a/SD/1.2_R语言语法基础/index.html +++ /dev/null @@ -1,1806 +0,0 @@ - - - - - - - - - - - - - - Version: {{< var branch >}} – 二、R语言语法基础 - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
-
- -
-

二、R语言语法基础

-

《区域水环境污染数据分析实践》
Data analysis practice of regional water environment pollution

- -
-
-
-苏命、王为东
中国科学院大学资源与环境学院
中国科学院生态环境研究中心 -
-
-
- -

2025-03-19

-
-
-

数据类型

-

数值型

-

R中的数值型数据可以是整数或浮点数。

-
-
(x <- 10)
-
-
[1] 10
-
-
(y <- 1.23e-2)
-
-
[1] 0.0123
-
-
(z <- pi)
-
-
[1] 3.141593
-
-
-
-
-

数据类型

-

字符串

-
    -
  • R 中的字符串用引号括起来，建议用双引号。
    • -
  • 中文编码主要有GBK编码和UTF-8编码， 可能遇到编码错误造成乱码。RStudio软件默认采用UTF-8编码，在R程序运行时字符串一般用UTF-8编码保存。
    • -
-
-
(str <- "Hello, World!")
-
-
[1] "Hello, World!"
-
-
(str <- 'Hello, World!')
-
-
[1] "Hello, World!"
-
-
(str <- 'He was very angry, and shouted: "Stop!"')
-
-
[1] "He was very angry, and shouted: \"Stop!\""
-
-
-
-
-

数据类型

-

逻辑

-
-
c(TRUE, FALSE)
-
-
[1]  TRUE FALSE
-
-
-
-
-

特殊值

-
-
-
    -
  • NA: 这是最常见的NA类型，表示缺失值
    • -
  • NA_integer_: 这是NA的整数类型
    • -
  • NA_real_: 这是NA的实数类型
    • -
  • NA_character_: 这是NA的字符类型
    • -
  • NA_complex_: 这是NA的复数类型
    • -
-
- -
-
-
pi
-
-
[1] 3.141593
-
-
NA
-
-
[1] NA
-
-
NA_character_
-
-
[1] NA
-
-
Inf
-
-
[1] Inf
-
-
-
-
-
-

特殊值

-

在 R 中，Inf 代表正无穷大（positive infinity），而 -Inf 则代表负无穷大（negative infinity）。这些值通常出现在数学计算中，例如除以零或对负数取对数等操作可能会导致无穷大的结果。

-
-
# 正无穷大
-(x <- Inf)
-
-
[1] Inf
-
-
# 负无穷大
-(y <- -Inf)
-
-
[1] -Inf
-
-
# 无穷大的运算
-(a <- 5 / 0)
-
-
[1] Inf
-
-
(b <- log(0))
-
-
[1] -Inf
-
-
-
-
-

变量赋值

-

在 R 中，可以使用 <- 或 = 运算符将值赋给变量，建议用<-。

-
-
# 使用 `<-` 运算符
-(x <- 10)
-
-
[1] 10
-
-
(y <- "hello")
-
-
[1] "hello"
-
-
# 使用 `=` 运算符
-(z = c(1, 2, 3))
-
-
[1] 1 2 3
-
-
-
-
-

变量赋值

-
-
# 向量赋值
-(vec <- c(1, 2, 3, 4, 5))
-
-
[1] 1 2 3 4 5
-
-
# 矩阵赋值
-(mat <- matrix(1:9, nrow = 3))
-
-
     [,1] [,2] [,3]
-[1,]    1    4    7
-[2,]    2    5    8
-[3,]    3    6    9
-
-
-
-
-

变量赋值

-

数据框赋值

-
-
(df <- data.frame(
-  Name = c("Alice", "Bob", "Charlie"),
-  Age = c(25, 30, 35),
-  Married = c(TRUE, FALSE, TRUE)
-))
-
-
     Name Age Married
-1   Alice  25    TRUE
-2     Bob  30   FALSE
-3 Charlie  35    TRUE
-
-
-
-
-

变量赋值

-

列表赋值

-
-
(lst <- list(
-  numbers = c(1, 2, 3),
-  strings = c("a", "b", "c"),
-  matrix = matrix(1:9, nrow = 3)
-))
-
-
$numbers
-[1] 1 2 3
-
-$strings
-[1] "a" "b" "c"
-
-$matrix
-     [,1] [,2] [,3]
-[1,]    1    4    7
-[2,]    2    5    8
-[3,]    3    6    9
-
-
-
-
-

数学函数

-
-
round(pi, digits = 3)
-
-
[1] 3.142
-
-
log(10)
-
-
[1] 2.302585
-
-
-
    -
  1. abs(x): 返回 x 的绝对值
    2. -
  2. sqrt(x): 返回 x 的平方根
    3. -
  3. exp(x): 以e为底的指数函数值
    4. -
  4. log(x, base): 以指定底数的对数函数的值，默认底数为e
    5. -
  5. log10(x): 10为底的对数值
    6. -
  6. log2(x): 2为底的对数值
    7. -
  7. floor(x): 不大于x的最大整数
    8. -
  8. ceiling(x): 不小于x的最小整数
    9. -
-
-
-

数学函数

-
    -
  1. sin(x), cos(x), tan(x): 返回 x 的正弦、余弦和正切值，其中 x 为弧度
    2. -
  2. asin(x), acos(x), atan(x): x 的反正弦、反余弦和反正切值，返回弧度
    3. -
  3. sinh(x), cosh(x), tanh(x): 返回 x 的双曲正弦、双曲余弦和双曲正切值
    4. -
  4. asinh(x), acosh(x), atanh(x): 反双曲正弦、反双曲余弦和反双曲正切值
    5. -
  5. round(x, digits): x 四舍五入，digits指定小数点后位数
    6. -
  6. trunc(x): 返回x截断值，即去掉小数部分
    7. -
  7. sign(x): 返回符号
    8. -
-
-
-

统计函数

-
-
x <- c(5, 10, 15, 20, 25)
-# 计算向量的平均值
-mean(x)
-
-
[1] 15
-
-
# 计算向量的中位数
-median(x)
-
-
[1] 15
-
-
# 计算向量的最小值
-min(x)
-
-
[1] 5
-
-
# 计算向量的最大值
-max(x)
-
-
[1] 25
-
-
# 计算向量的总和
-sum(x)
-
-
[1] 75
-
-
-
-
-

统计函数

-
-
# 计算向量的标准差
-sd(x)
-
-
[1] 7.905694
-
-
# 计算向量的方差
-var(x)
-
-
[1] 62.5
-
-
# 计算向量的分位数
-quantile(x, probs = c(0.25, 0.5, 0.75))
-
-
25% 50% 75% 
- 10  15  20
-
-
# 统计向量的频数
-(frequency <- table(x))
-
-
x
- 5 10 15 20 25 
- 1  1  1  1  1
-
-
-
-
-

统计函数

-

执行两样本或单样本 t 检验

-
-
y <- c(3, 8, 13, 18, 23)
-t.test(x, y)
-
-

-    Welch Two Sample t-test
-
-data:  x and y
-t = 0.4, df = 8, p-value = 0.6996
-alternative hypothesis: true difference in means is not equal to 0
-95 percent confidence interval:
- -9.530021 13.530021
-sample estimates:
-mean of x mean of y 
-       15        13
-
-
-
-
-

统计函数

-

Wilcoxon-Mann-Whitney检验

-
-
wilcox.test(x, y)
-
-

-    Wilcoxon rank sum exact test
-
-data:  x and y
-W = 15, p-value = 0.6905
-alternative hypothesis: true location shift is not equal to 0
-
-
-
-
-

统计函数

-

创建向量的直方图

-
-
hist(x)
- -
-
-
-

函数调用-练习

-

题目：设有一组数据集合 x 包含了一些整数，请编写R语言代码计算并输出以下指标：

-
    -
  • 平均值（mean）
    • -
  • 中位数（median）
    • -
  • 最大值（maximum）
    • -
  • 最小值（minimum）
    • -
  • 数据集合中所有元素的和（sum）
    • -
  • 数据集合的标准差（standard deviation）
    • -
  • 数据集合 x 为：x <- c(10, 20, 30, 40, 50, 60, 70, 80, 90, 100)
    • -
-

要求：使用R语言编写函数，输入参数为数据集合 x，输出为以上指标的值。

-
-
-

控制流程

-

if-else 语句

-
-
x <- 10
-
-if (x > 10) {
-  print("x 大于 10")
-} else {
-  print("x 不大于 10")
-}
-
-
[1] "x 不大于 10"
-
-
-
-
-

控制流程

-

for 循环

-
-
for (i in 1:5) {
-  print(i)
-}
-
-
[1] 1
-[1] 2
-[1] 3
-[1] 4
-[1] 5
-
-
-
-
-

自定义函数

-

定义函数

-

使用 function 关键字定义函数，并使用 return 关键字返回结果。

-
-
my_function <- function(x, y) {
-  return(x + y)
-}
-
-

调用函数

-
-
result <- my_function(3, 4)
-print(result)
-
-
[1] 7
-
-
-
-
-

数据结构

-

向量

-

向量是一维数组，可以包含相同类型的元素。

-
-
(v <- c(1, 2, 3, 4, 5))
-
-
[1] 1 2 3 4 5
-
-
-

列表

-

列表可以包含不同类型的元素。

-
-
(l <- list(a = 1, b = "hello", c = TRUE))
-
-
$a
-[1] 1
-
-$b
-[1] "hello"
-
-$c
-[1] TRUE
-
-
-
-
-

数值型向量

-

什么是数值型向量？

-
    -
  • 在 R 中，向量是一种基本的数据结构。
    • -
  • 数值型向量包含相同类型的数值元素。
    • -
-

创建数值型向量

-
-
# 使用 c() 函数创建数值型向量
-(numeric_vector <- c(1, 2, 3, 4, 5))
-
-
[1] 1 2 3 4 5
-
-
-
-
-

数值型向量

-

向量运算

-
-
# 创建两个数值型向量
-(vector1 <- c(1, 2, 3))
-
-
[1] 1 2 3
-
-
(vector2 <- c(4, 5, 6))
-
-
[1] 4 5 6
-
-
# 执行向量加法
-(result <- vector1 + vector2)
-
-
[1] 5 7 9
-
-
# 执行向量乘法
-(result <- vector1 * vector2)
-
-
[1]  4 10 18
-
-
-
-
-

向量运算

-

向量求和

-
-
# 创建数值型向量
-vector <- c(1, 2, 3, 4, 5)
-
-# 求和
-(sum_result <- sum(vector))
-
-
[1] 15
-
-
-
-
-

向量运算

-

向量平均值

-
-
# 创建数值型向量
-vector <- c(1, 2, 3, 4, 5)
-
-# 平均值
-(mean_result <- mean(vector))
-
-
[1] 3
-
-
-
-
-

运算-数值运算

-
    -
  • a 的平方。
    • -
  • b 的立方。
    • -
  • a 除以 b 的商和余数。
    • -
-

要求：使用R语言编写函数，输入参数为 a 和 b，输出为上述结果。

-
-
-

运算-逻辑运算

-
-
all(c(FALSE, 2, 1:3, 3) > 1)
-
-
[1] FALSE
-
-
any(c(FALSE, 2, 1:3, 3) > 1)
-
-
[1] TRUE
-
-
(flag1 <- FALSE)
-
-
[1] FALSE
-
-
(flag2 <- (3 > 2))
-
-
[1] TRUE
-
-
(flag3 <- TRUE * TRUE)
-
-
[1] 1
-
-
(flag4 <- TRUE * FALSE)
-
-
[1] 0
-
-
(flag5 <- TRUE & FALSE)
-
-
[1] FALSE
-
-
(flag6 <- TRUE | FALSE)
-
-
[1] TRUE
-
-
-
-
-

运算-逻辑运算

-
    -
  • which
    • -
-
-
which(c(FALSE, TRUE, TRUE, FALSE, NA))
-
-
[1] 2 3
-
-
which((11:15) > 12)
-
-
[1] 3 4 5
-
-
-
    -
  • identical
    • -
-
-
identical(c(1,2,3), c(1,2,NA))
-
-
[1] FALSE
-
-
identical(c(1L,2L,3L), c(1,2,3))
-
-
[1] FALSE
-
-
-
-
-

运算-字符型

-
    -
  • 特殊字符
    • -
-
-
c("abc", "", 'a cat', NA, '李明', "\n")
-
-
[1] "abc"   ""      "a cat" NA      "李明"  "\n"
-
-
-
    -
  • paste
    • -
-
-
(users <- paste("ruser", 1:9))
-
-
[1] "ruser 1" "ruser 2" "ruser 3" "ruser 4" "ruser 5" "ruser 6" "ruser 7"
-[8] "ruser 8" "ruser 9"
-
-
paste(users, collapse = ", ")
-
-
[1] "ruser 1, ruser 2, ruser 3, ruser 4, ruser 5, ruser 6, ruser 7, ruser 8, ruser 9"
-
-
-
-
-

运算-字符型

-
    -
  • 大小写
    • -
-
-
letters[1:5]
-
-
[1] "a" "b" "c" "d" "e"
-
-
toupper(letters[6:9])
-
-
[1] "F" "G" "H" "I"
-
-
tolower(month.abb)
-
-
 [1] "jan" "feb" "mar" "apr" "may" "jun" "jul" "aug" "sep" "oct" "nov" "dec"
-
-
stringr::str_to_title(c("monday", "tuesday"))
-
-
[1] "Monday"  "Tuesday"
-
-
-
-
-

运算-字符型

-
    -
  • 字符串截取
    • -
-
-
substr("Monday", 1, 3)
-
-
[1] "Mon"
-
-
stringr::str_sub("Monday", 1, 3)
-
-
[1] "Mon"
-
-
-
-
-

运算-字符型

-
    -
  • 类型转换
    • -
-
-
100
-
-
[1] 100
-
-
as.character(100)
-
-
[1] "100"
-
-
as.numeric(c("0100", "0101"))
-
-
[1] 100 101
-
-
sprintf('renamedfile%03d.png', c(3, 99, 100))
-
-
[1] "renamedfile003.png" "renamedfile099.png" "renamedfile100.png"
-
-
-
-
-

运算-字符型

-
    -
  • 字符串替换
    • -
-
-
(mystr <- "He was wrong!")
-
-
[1] "He was wrong!"
-
-
gsub("wrong", "right", mystr)
-
-
[1] "He was right!"
-
-
-
-
-

索引

-

向量

-
-
# 创建一个向量
-vector <- c("apple", "banana", "cherry", "date")
-# 访问第三个元素
-vector[3]
-
-
[1] "cherry"
-
-
# 访问多个元素
-vector[c(2, 4)]
-
-
[1] "banana" "date"
-
-
vector[c(2:4)]
-
-
[1] "banana" "cherry" "date"
-
-
-
-
-

索引

-

向量

-
-
# 除了第2个元素
-vector[-2]
-
-
[1] "apple"  "cherry" "date"
-
-
# 超界
-vector[100]
-
-
[1] NA
-
-
# 更新数据
-vector[7] <- "New Data"
-vector
-
-
[1] "apple"    "banana"   "cherry"   "date"     NA         NA         "New Data"
-
-
-
-
-

索引

-
-
(x <- 1:10)
-
-
 [1]  1  2  3  4  5  6  7  8  9 10
-
-
x[x > 6]
-
-
[1]  7  8  9 10
-
-
x[x < 3] <- 99
-x
-
-
 [1] 99 99  3  4  5  6  7  8  9 10
-
-
# which
-which(x > 10)
-
-
[1] 1 2
-
-
which.max(x)
-
-
[1] 1
-
-
which.min(x)
-
-
[1] 3
-
-
-
-
-

索引

-

列表

-
-
# 创建一个列表
-my_list <- list(fruit = c("apple", "banana", "cherry"),
-                numbers = c(1, 2, 3, 4, 5))
-
-# 访问列表中的第二个元素
-my_list[[2]]
-
-
[1] 1 2 3 4 5
-
-
-
-
-

索引

-

数据框

-
-
# 创建一个数据框
-df <- data.frame(fruit = c("apple", "banana", "cherry"),
-                 quantity = c(5, 7, 3))
-
-# 访问数据框中的第一个元素
-df[1, 1]
-
-
[1] "apple"
-
-
# 第2-3行
-df[2:3, ]
-
-
   fruit quantity
-2 banana        7
-3 cherry        3
-
-
-
-
-

日期和时间

-

base package

-
-
as.Date("2024-01-01")
-
-
[1] "2024-01-01"
-
-
as.POSIXct(1)
-
-
[1] "1970-01-01 08:00:01 CST"
-
-
as.Date(c("12/6/2022", "1/1/2023"), format="%m/%d/%Y")
-
-
[1] "2022-12-06" "2023-01-01"
-
-
-
-
-

日期和时间

-

lubridate package

-
-
lubridate::today()
-
-
[1] "2025-03-19"
-
-
require(lubridate)
-now()
-
-
[1] "2025-03-19 16:40:55 CST"
-
-
ymd(c(20200321, 240404, "20181231"))
-
-
[1] "2020-03-21" "2024-04-04" "2018-12-31"
-
-
mdy(c("3-10-1998", "01-17-2018", "Feb 3, 2024"))
-
-
[1] "1998-03-10" "2018-01-17" "2024-02-03"
-
-
ymd_hms("1998-03-16 13:15:45", tz = "Asia/Shanghai")
-
-
[1] "1998-03-16 13:15:45 CST"
-
-
-
-
-

日期和时间

-

lubridate package

-
-
make_date(2028, 1, 30)
-
-
[1] "2028-01-30"
-
-
as_date("2000-01-01")
-
-
[1] "2000-01-01"
-
-
as_datetime("2000-01-01", tz = "Asia/Shanghai")
-
-
[1] "2000-01-01 CST"
-
-
as_datetime("2024-02-01 8:00:00", tz = "Asia/Shanghai")
-
-
[1] "2024-02-01 08:00:00 CST"
-
-
-
-
-

日期和时间

-

lubridate package

-
-
year(today())
-
-
[1] 2025
-
-
wday(today())
-
-
[1] 4
-
-
hour(now())
-
-
[1] 16
-
-
-
-
-

日期和时间

-

lubridate package

-
-
(x <- now())
-
-
[1] "2025-03-19 16:40:55 CST"
-
-
floor_date(x, unit = "day")
-
-
[1] "2025-03-19 CST"
-
-
floor_date(x, unit = "hour")
-
-
[1] "2025-03-19 16:00:00 CST"
-
-
floor_date(x, unit = "10 minutes")
-
-
[1] "2025-03-19 16:40:00 CST"
-
-
ceiling_date(x, unit = "10 minutes")
-
-
[1] "2025-03-19 16:50:00 CST"
-
-
-
-
-

因子（factor）

-

Factor是什么？

-
    -
  • 在R中，Factor是用来表示分类数据的特殊数据类型。
    • -
  • 它将数据分成不同的水平(levels)，每个水平代表了一个类别。
    • -
-
-
-

因子（factor）

-

创建Factor

-
-
# 创建一个Factor
-gender <- factor(c("Male", "Female", "Female", "Male"))
-# 查看Factor的水平
-levels(gender)
-
-
[1] "Female" "Male"
-
-
# 改变Factor的水平顺序
-gender <- factor(gender, levels = c("Female", "Male"))
-summary(gender) # 使用Factor进行分组
-
-
Female   Male 
-     2      2
-
-
as.numeric(gender) # 因子转换为纯粹的整数值
-
-
[1] 2 1 1 2
-
-
as.character(gender) # 转为字符
-
-
[1] "Male"   "Female" "Female" "Male"
-
-
-
-
-

因子（factor）

-

Label of Factor

-
-
(x <- factor(1:12, label = month.abb))
-
-
 [1] Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
-Levels: Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
-
-
factor(x, levels = month.abb[c(2:12, 1)])
-
-
 [1] Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
-Levels: Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan
-
-
-

分组

-
-
cut(1:20, breaks=c(0, 5, 10, 15, 18, 20))
-
-
 [1] (0,5]   (0,5]   (0,5]   (0,5]   (0,5]   (5,10]  (5,10]  (5,10]  (5,10] 
-[10] (5,10]  (10,15] (10,15] (10,15] (10,15] (10,15] (15,18] (15,18] (15,18]
-[19] (18,20] (18,20]
-Levels: (0,5] (5,10] (10,15] (15,18] (18,20]
-
-
-
-
-

矩阵

-
-
1:20
-
-
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20
-
-
(A <- matrix(1:20, nrow = 4, byrow = TRUE))
-
-
     [,1] [,2] [,3] [,4] [,5]
-[1,]    1    2    3    4    5
-[2,]    6    7    8    9   10
-[3,]   11   12   13   14   15
-[4,]   16   17   18   19   20
-
-
(B <- matrix(1:20, nrow = 4, byrow = FALSE))
-
-
     [,1] [,2] [,3] [,4] [,5]
-[1,]    1    5    9   13   17
-[2,]    2    6   10   14   18
-[3,]    3    7   11   15   19
-[4,]    4    8   12   16   20
-
-
nrow(A)
-
-
[1] 4
-
-
ncol(B)
-
-
[1] 5
-
-
-
-
-

矩阵

-

高维矩阵

-
-
X <- array(1:12, dim = c(3, 2, 2))
-dim(C)
-
-
NULL
-
-
X[1, , ]
-
-
     [,1] [,2]
-[1,]    1    7
-[2,]    4   10
-
-
X[1, , 1]
-
-
[1] 1 4
-
-
-
-
-

矩阵

-

cbind、rbind

-
-
cbind(X[1, , ], X[2, , ], X[3, , ])
-
-
     [,1] [,2] [,3] [,4] [,5] [,6]
-[1,]    1    7    2    8    3    9
-[2,]    4   10    5   11    6   12
-
-
rbind(X[1, , ], X[2, , ], X[3, , ])
-
-
     [,1] [,2]
-[1,]    1    7
-[2,]    4   10
-[3,]    2    8
-[4,]    5   11
-[5,]    3    9
-[6,]    6   12
-
-
cbind(c(1,2), c(3,4), c(5,6))
-
-
     [,1] [,2] [,3]
-[1,]    1    3    5
-[2,]    2    4    6
-
-
-
-
-

数据框（data frame）

-

最主要的数据形式。

-
-
# 创建数据框
-(df <- data.frame(
-  Name = c("Alice", "Bob", "Charlie"),
-  Age = c(25, 30, 35),
-  Married = c(TRUE, FALSE, TRUE)
-))
-
-
     Name Age Married
-1   Alice  25    TRUE
-2     Bob  30   FALSE
-3 Charlie  35    TRUE
-
-
names(df)
-
-
[1] "Name"    "Age"     "Married"
-
-
colnames(df)
-
-
[1] "Name"    "Age"     "Married"
-
-
ncol(df); nrow(df)
-
-
[1] 3
-
-
-
[1] 3
-
-
-
-
-

数据框（data frame）

-
-
df[1, 1]
-
-
[1] "Alice"
-
-
df[2, ]
-
-
  Name Age Married
-2  Bob  30   FALSE
-
-
df[, 1]
-
-
[1] "Alice"   "Bob"     "Charlie"
-
-
df$Age
-
-
[1] 25 30 35
-
-
df[["Age"]]
-
-
[1] 25 30 35
-
-
df[, "Age"]
-
-
[1] 25 30 35
-
-
-
-
-

数据框（data frame）

-
-
X <- matrix(1:9, nrow = 3)
-class(X)
-
-
[1] "matrix" "array"
-
-
(Y <- as.data.frame(X))
-
-
  V1 V2 V3
-1  1  4  7
-2  2  5  8
-3  3  6  9
-
-
names(Y)
-
-
[1] "V1" "V2" "V3"
-
-
names(Y) <- c("colA", "colB", "colC")
-
-
-
-

欢迎讨论！

- 苏命|https://drwater.net; https://drwater.net/team/ming-su/; Slides

-
-
- mingsu@rcees.ac.cn;
-
- - -
-
-
- - - - - - - - - - - - - - - - - - - - - - - - - - - \ No newline at end of file