机器学习 1、R语言

R语言

　　R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。

特点介绍
　　•主要用于统计分析、绘图、数据挖掘
　　•R内置多种统计学及数字分析功能。R的功能也可以通过安装包（Packages，用户撰写的功能）增强。
　　•因为S的血缘，R比其他统计学或数学专用的编程语言有更强的面向对象（面向对象程序设计）功能

　　官网：http://cran.r-project.org/

其他介绍
　　•R的另一强项是绘图功能，制图具有印刷的素质，也可加入数学符号。
　　•虽然R主要用于统计分析或者开发统计相关的软件，但也有人用作矩阵计算。其分析速度可媲美专用于矩阵计算的自由软件GNU Octave和商业软件MATLAB。
　　•SPSS-另一种统计分析软件
　　•SAS系统-另一种统计分析软件

安装
　　•R官网下载3.1.3 

　　　　在安装R语言环境的时候，安装目录最好是不要包含空格、特殊字符、中文字符等，否则在安装Rstudio的时候，可能找不到R运行环境的地址；

　　　　
　　•IDE开发环境使用Rstudio

　　　　Rstudio下载地址：https://www.rstudio.com/products/rstudio/download/  安装完成以后就是下面的样子，非常轻量级的工具：

　　　　

　　配置Rstudio的空作空间和默认编码方式，Tool-》Global Options...

　　　　

数据的管理和理解
　　•学完本章后，你将理解:
　　　　–基本的R数据结构以及如何使用这些数据结构来存储和提取数据
　　　　–如何把不同来源格式的数据导入R
　　　　–理解并可视化复杂数据的常用方法

　　　　　　　　

数据结构
　　•向量

　　　　•R的基本数据结构式向量。向量存储一组有序的值，称为元素。
　　　　•一个向量可以包含任意数量的元素。然而，所有的元素必须是一样的类型，比如，一个向量不能同时包含数字和文本。
　　　　•integer numeric character logical NULL NA
　　　　•combine function
　　　　•R中的向量有固有的顺序，所以其数据能通过计算向量中各元素的序号来访问，序号是从1开始

subject_name <- c("John Doe","Jane Doe","Steve Graves")
temperature <- c(98.1, 98.6, 101.4)
flu_status <- c(FALSE, FALSE, TRUE)

temperature[2]
temperature[2:3]
temperature[-2]
temperature[c(TRUE,TRUE,FALSE)]

　　•因子

　　　　•因子是向量的一个特例，它单独用来标识名义属性
　　　　•为什么不用character字符型向量呢？
　　　　•把字符型向量转换成因子，只需要应用factor()函数

gender <- factor(c("MALE","MALE","FEMALE"))
gender
blood <- factor(c("O","AB","A"),levels = c("A","B","AB","O"))
blood

#输出
> blood <- factor(c("O","AB","A"),levels = c("A","B","AB","O"))
> blood
[1] O  AB A 
Levels: A B AB O

　　•列表

　　　　•一种特殊类型的向量--列表，它用来存储一组有序的值
　　　　•列表允许收集不同类型的值
　　　　•用列表构建”对象”进行访问　

subject_name[1]
temperature[1]
flu_status[1]
gender[1]
blood[1]

subject1 <- list(fullname = subject_name[1],
                 temperature = temperature[1],
                 flu_status = flu_status[1],
                 gender = gender[1],
                 blood = blood[1])
subject1
subject1[2]
subject1$temperature
subject1[c("temperature","flu_status")]

　　•数组

　　•数据框

　　　　•机器学习中使用的最重要的R数据结构就是数据框，因为它既有行数据又有列数据，所以它是一个与电子表格或数据库相类似的结构
　　　　•新的参数stringAsFactors = FALSE
　　　　•提取其中的整个向量数据，就如列表提取一个元素那么简单，通过名字
　　　　•数据框是二维的，格式为“[rows, columns]”也可以提取数据

# 数据框
pt_data <- data.frame(subject_name, temperature, flu_status, gender, blood, stringsAsFactors = FALSE)
pt_data
pt_data$subject_name
pt_data[c("temperature","flu_status")]

pt_data[1,2]
pt_data[c(1,3),c(2,4)]
pt_data[,1]
pt_data[1,]
pt_data[,]

pt_data[c(1,3),c("temperature","gender")]
pt_data[-2,c(-1,-3,-5)]

　　•矩阵

探索数据
　　•str() #str 显示数据框中每个变量的属性
　　•summary() #查看对像的最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻 辑型向量的频数统计
　　•table()
　　•plot() #绘图功能

数据管理
　　•保存和加载R数据结构

–save(x,y,z, file="mydata.RData")
–load("mydata.RData")

　　•用CSV文件导入和保存数据

–pt_data <-read.csv("pt_data.csv", stringsAsFactors=FALSE)
–pt_data <-read.csv("pt_data.csv", stringsAsFactors=FALSE, header=FALSE)
–write.csv(pt_data, file="pt_data2.csv")

　　•从SQL数据库导入数据

　　　　–RODBC

# R语言通过ODBC链接MYSQL数据库
mydb <- odbcConnect("localhost", uid="root", pwd="123123")
sqlTables(mydb)
students <- sqlQuery(mydb,"select * from Student")
students[1,2]
temp <- sqlFetch(mydb,"Student",rownames = "id")
odbcClose(mydb)

　　

下面是交互式使用R的几个例子

　　例一：

> help.start() #启动在线帮助，会打开浏览器。 
> x <- rnorm(50); y <- rnorm(x)  #产生两个随机向量x和y 
> plot(x,y) #使用x,y画二维散点图, 会打开一个图形窗口 
> ls() #查看当前工作空间里面的 R 对象 
> rm(x,y) #清除x,y对象 
>x <- 1:20  # 相当于x=(1,2,…,20) 

　　例二：

x <- 1:20#等价于 x = (1, 2, ..., 20)。  
w <- 1 + sqrt(x)/2#标准差的`权重'向量。  
dummy <- data.frame(xx=x, y= x + rnorm(x)*w)#创建一个由x 和 y构成的双列数据框 
dummy #查看dummy对象中的数据。  
fm <- lm(y ~ x, data=dummy)#拟合 y 对 x 的简单线性回归 
summary(fm)#查看分析结果。  
fm1 <- lm(y ~ x, data=dummy, weight=1/w^2)#加权回归 
summary(fm1)#查看分析结果。 
attach(dummy)#让数据框中的列项可以像一般的变量那样使用。  
lrf <- lowess(x, y)#做一个非参局部回归。  
plot(x, y)#标准散点图。  
lines(x, lrf$y)#增加局部回归曲线。  
abline(0, 1, lty=3)#真正的回归曲线：(截距 0，斜率 1)。  
abline(coef(fm))#无权重回归曲线。  
abline(coef(fm1), col = "red")#加权回归曲线。 detach()#将数据框从搜索路径中去除。 
plot(fitted(fm), resid(fm), xlab="Fitted values", ylab="Residuals", main="Residuals vs Fitted")一个检验异方差性（heteroscedasticity）的标准回归诊断图。 
qqnorm(resid(fm), main="Residuals Rankit Plot")#用正态分值图检验数据的偏度（skewness），峰度（kurtosis）和异常值（outlier）。 
rm(fm, fm1, lrf, x, dummy)#再次清空。

　　例三： Michaelson 和 Morley 测量光速的经典实验

filepath <- system.file("data", "morley.tab" , package="datasets")#从对象 morley 中得到实验数据的文件路径 
filepath#查看文件路径 
file.show(filepath)#查看文件内容 
mm <- read.table(filepath)#以数据框的形式读取数据 
mm$Expt <- factor(mm$Expt) 
mm$Run <- factor(mm$Run)#将 Expt 和 Run 改为因子。  
attach(mm)#让数据在位置 3 (默认) 可见（即可以直接访问）。  
plot(Expt, Speed, main="Speed of Light Data", xlab="Experiment No.")#用简单的盒状图比较五次实验。  
fm <- aov(Speed ~ Run + Expt, data=mm)#分析随机区组，`runs' 和 `experiments' 作为因子。  
summary(fm) 
fm0 <- update(fm, . ~ . - Run) 
anova(fm0, fm)#拟合忽略 `runs' 的子模型，并且对模型更改前后进行方差分析。  
detach() 
rm(fm, fm0)#在进行下面工作前，清空数据。 
 
#下面是等高线和影像显示的示例 
x <- seq(-pi, pi, len=50)#x 是一个在区间 [-pi\, pi] 内等间距的50个元素的向量 
y <- x 
 
f <- outer(x, y, function(x, y) cos(y)/(1 + x^2))#f 是一个方阵，行列分别被 x 和 y 索引，对应的值是函数 cos(y)/(1 + x^2) 的结果。  
 
oldpar <- par(no.readonly = TRUE) 
par(pty="s")#保存图形参数，设定图形区域为“正方形”。  
contour(x, y, f) 
contour(x, y, f, nlevels=15, add=TRUE)#绘制 f 的等高线；增加一些曲线显示细节。  
fa <- (f-t(f))/2#fa 是 f 的“非对称部分”(t() 是转置函数)。  
contour(x, y, fa, nlevels=15)#画等高线 
par(oldpar)# 恢复原始的图形参数 
image(x, y, f) 
image(x, y, fa)#绘制一些高密度的影像显示 
objects();  
rm(x, y, f, fa)#在继续下一步前，清空数据。  
th <- seq(-pi, pi, len=100) 
z <- exp(1i*th)#1i 表示复数 i 
 
par(pty="s") 
plot(z, type="l")#图形参数是复数时，表示虚部对实部画图。这可能是一个圆。  
w <- rnorm(100) + rnorm(100)*1i#假定我们想在这个圆里面随机抽样。一种方法将让复数的虚部和实部值是标准正态随机数 ...  
w <- ifelse(Mod(w) > 1, 1/w, w)#将圆外的点映射成它们的倒数。  
plot(w, xlim=c(-1,1), ylim=c(-1,1), pch="+",xlab="x", ylab="y") 
lines(z)#所有的点都在圆中，但分布不是均匀的。  
 
  
 
#下面采用均匀分布。现在圆盘中的点看上去均匀多了。  
 
w <- sqrt(runif(100))*exp(2*pi*runif(100)*1i) 
plot(w, xlim=c(-1,1), ylim=c(-1,1), pch="+", xlab="x", ylab="y") 

lines(z) 
rm(th, w, z)#再次清空。  
q()#离开 R 程序 

　　例子转自：http://developer.51cto.com/art/201305/393121.htm