Phenquestions
R sastādīšana un palaišana no komandrindas
Divi veidi, kā palaist R programmas, ir: R skripts, kas tiek plaši izmantots un ir visvairāk vēlamais, un otrais ir R CMD BATCH, tā nav parasti izmantota komanda. Mēs tos varam izsaukt tieši no komandrindas vai jebkura cita darba plānotāja.
Jūs varat iedomāties šīs komandas no IDE iebūvēta čaulas, un mūsdienās RStudio IDE nāk ar rīkiem, kas uzlabo vai pārvalda R skriptu un R CMD BATCH funkcijas.
source () funkcija R iekšpusē ir laba alternatīva komandrindas izmantošanai. Šī funkcija var izsaukt arī skriptu, taču, lai izmantotu šo funkciju, jums jāatrodas R vidē.
R iebūvētās valodas datu kopas
Lai uzskaitītu datu kopas, kas iebūvētas ar R, izmantojiet komandu data (), pēc tam atrodiet vajadzīgo un datu kopā izmantojiet datu kopas nosaukumu (). Patīk dati (funkcijas nosaukums).
Rādīt datu kopas R
Jautājuma zīme (?) varētu izmantot, lai lūgtu palīdzību datu kopām.
Lai pārbaudītu visu, izmantojiet kopsavilkumu ().
Plot () ir arī funkcija, ko izmanto diagrammu uzzīmēšanai.
Izveidosim testa skriptu un palaidīsim to. Izveidot 1. lpp.R failu un saglabājiet to mājas direktorijā ar šādu saturu:
Koda piemērs:
# Vienkāršs sveiks pasaules kods R drukā ("Hello World!") print (" LinuxHint ") druka (5 + 6) 
Skrien sveika pasaule
R datu rāmji
Datu glabāšanai tabulās mēs izmantojam struktūru R, ko sauc par a Datu rāmis. To izmanto, lai uzskaitītu vienāda garuma vektorus. Piemēram, šāds mainīgais nm ir datu rāmis, kas satur trīs vektorus x, y, z:
x = c (2, 3, 5) y = c ("aa", "bb", "cc") z = c (TRUE, FALSE, TRUE) # nm ir datu rāmis nm = dati.rāmis (n, s, b) Ir jēdziens, ko sauc IebūvētsDatu rāmji arī R. mtcars ir viens no šādiem iebūvētiem datu rāmjiem R, kurus mēs izmantosim kā piemēru, lai labāk izprastu. Skatiet kodu zemāk:
> mtcars mpg cyl disp hp drat wt ... Mazda RX4 21.0 6 160 110 3.90 2.62 ... autobuss RX4 Wag 21.0 6 160 110 3.90 2.88… Datsun 710 22.8 4 108 93 3.85 2.32…
mtcars bulitin datu ietvars
Galvene ir tabulas augšējā rinda, kurā ir kolonnu nosaukumi. Datu rindas ziedo katra horizontālā līnija; katra rinda sākas ar rindas nosaukumu un pēc tam ar faktiskajiem datiem. Rindas datu dalībnieks tiek saukts par šūnu.
Rindu un kolonnu koordinātas ievadīsim vienā kvadrātiekavas “[]” operatorā, lai datus izgūtu šūnā. Lai atdalītu koordinātas, mēs izmantojam komatu. Kārtība ir būtiska. Koordināta sākas ar rindu, pēc tam ar komatu un tad beidzas ar kolonnu. Šūnas vērtība 2nd rinda un 1sv sleja tiek dota kā:
> mtcars [2, 2] [1] 6
Koordinātu vietā mēs varam izmantot arī rindu un kolonnu nosaukumu:
> mtcars ["Autobuss RX4", "mpg"] [1] 6
funkcija nrow tiek izmantota, lai atrastu rindu skaitu datu rāmī.
> nrow (mtcars) # datu rindu skaits [1] 32
Funkcija ncol tiek izmantota, lai atrastu kolonnu skaitu datu rāmī.
> ncol (mtcars) # kolonnu skaits [1] 11
R Programmēšanas cilpas
Dažos apstākļos mēs izmantojam cilpas, kad mēs vēlamies automatizēt kādu koda daļu vai arī mēs vēlamies atkārtot instrukciju secību.
Cilpai R
Ja mēs vēlamies izdrukāt šo gadu informāciju vairāk nekā vienu reizi.
drukāt (ielīmēt ("Gads ir", 2000)) "Gads ir 2000" drukāt (ielīmēt ("Gads ir", 2001)) "Gads ir 2001" drukāt (ielīmēt ("Gads ir", 2002) ) Drukāt "Gads ir 2002" (ielīmēt ("Gads ir", 2003)) "Gads ir 2003" drukāt (ielīmēt ("Gads ir", 2004)) "Gads ir 2004" drukāt (ielīmēt (" Gads ir ", 2005))" Gads ir 2005 " Tā vietā, lai atkārtotu mūsu paziņojumu atkal un atkal, ja mēs to izmantojam priekš cilpa mums būs daudz vieglāk. Kā šis:
par (gads c (2000,2001,2002,2003,2004,2005)) print (paste ("Gads ir", gads)) "Gads ir 2000" "Gads ir 2001" "Gads ir 2002 "" Gads ir 2003 "" Gads ir 2004 "" Gads ir 2005 " Kamēr cilpa R
while (izteiksme) paziņojums
Ja izteiksmes rezultāts ir PATIESA, tiek ievadīts cilpas pamatteksts. Tiek veikti paziņojumi cilpas iekšienē, un plūsma atgriežas, lai vēlreiz novērtētu izteiksmi. Cilpa atkārtosies, līdz izteiksme novērtēs FALSE, tādā gadījumā cilpa iziet.
Piemērs funkcijai Loop:
# i sākotnēji tiek inicializēts uz 0 i = 0, kamēr (i<5) print (i) i=i+1 Output: 0 1 2 3 4
Iepriekš, kamēr cilpa, izteiksme ir i<5kura vērtība ir PATIESA, jo 0 ir mazāks par 5. Tādējādi tiek izpildīts cilpas korpuss un i tiek izvadīts un palielināts. Ir svarīgi palielināt i cilpas iekšpusē, tāpēc tas kaut kādā veidā izpildīs nosacījumu. Nākamajā ciklā vērtība i ir 1, un cilpa turpinās. Tas atkārtosies līdz i ir vienāds ar 5, ja nosacījums 5<5 reached loop will give FALSE and the while loop will exit.
R funkcijas
Lai izveidotu funkciju mēs izmantojam direktīvas funkciju (). Konkrēti, tie ir klases R objekti funkciju.
f <- function() ##some piece of instructions
Funkcijas var tikt nodotas citām funkcijām, jo argumenti un funkcijas var tikt ligzdotas, lai ļautu jums noteikt funkciju citas funkcijas iekšpusē.
Funkcijās pēc izvēles var būt daži nosaukti argumenti, kuriem ir noklusējuma vērtības. Ja nevēlaties noklusējuma vērtību, varat iestatīt tās vērtību NULL.
Daži fakti par R funkcijas argumentiem:
- Funkcijas definīcijā atzītie argumenti ir formālie argumenti
- Funkcija Formals varētu atdot visu funkciju formālo argumentu sarakstu
- Ne visos funkciju izsaukumos R tiek izmantoti visi formālie argumenti
- Funkciju argumentiem var būt noklusējuma vērtības vai arī to var nebūt
# Funkcijas noteikšana: f <- function (x, y = 1, z = 2, s= NULL)
Loģistiskās regresijas modeļa izveidošana ar iebūvētu datu kopu
The glm () funkcija tiek izmantota R, lai atbilstu loģistikas regresijai. funkcija glm () ir līdzīga lm (), bet glm () ir daži papildu parametri. Tās formāts izskatās šādi:
glm (X ~ Z1 + Z2 + Z3, family = binomial (link = ”logit”), data = mydata)
X ir atkarīgs no Z1, Z2 un Z3 vērtībām. Tas nozīmē, ka Z1, Z2 un Z3 ir neatkarīgi mainīgie, un X ir atkarīgs Funkcija ietver papildu parametru saimi un tai ir vērtība binomiāls (link = “logit”), kas nozīmē, ka saites funkcija ir logita un regresijas modeļa varbūtības sadalījums ir binoms.
Pieņemsim, ka mums ir studenta piemērs, kur viņš saņems uzņemšanu, pamatojoties uz diviem eksāmenu rezultātiem. Datu kopā ir šādi vienumi:
- rezultāts _1- Rezultāts-1 rezultāts
- rezultāts _2- Rezultāts -2 rezultāts
- uzņemts - 1, ja tiek uzņemts, vai 0, ja nav uzņemts
Šajā piemērā mums ir divas vērtības 1, ja students ieguva uzņemšanu, un 0, ja viņš nesaņēma uzņemšanu. Mums ir jāizveido modelis, lai prognozētu, ka students ir saņēmis uzņemšanu vai nē,. Konkrētai problēmai uzņemtais tiek uzskatīts par atkarīgu mainīgo, eksāmens_1 un eksāmens_2 tiek uzskatīts par neatkarīgu mainīgo. Šim modelim ir norādīts mūsu R kods
> Modelis_1<-glm(admitted ~ result_1 +result_2, family = binomial("logit"), data=data) Pieņemsim, ka mums ir divi studenta rezultāti. Rezultāts-1 65% un rezultāts-2 90%, tagad mēs prognozēsim, ka students saņem vai nē, lai novērtētu studenta varbūtību iegūt uzņemšanu, mūsu R kods ir šāds:
> in_frame<-data.frame(result_1=65,result_2=90) >prognozēt (Model_1, in_frame, type = "response") Rezultāts: 0.9894302
Iepriekš minētā izeja parāda varbūtību starp 0 un 1. Ja tad tas ir mazāks par 0.5 tas nozīmē, ka students nav saņēmis uzņemšanu. Šajā stāvoklī tas būs MELS. Ja tas ir lielāks par 0.5, nosacījums tiks uzskatīts par PATIESU, kas nozīmē, ka students ir ieguvis uzņemšanu. Mums ir jāizmanto round () funkcija, lai prognozētu varbūtību starp 0 un 1.
R kods tam ir šāds:
> apaļa (paredzēt (Model_1, in_frame, type = "response")) [/ code] Izeja: 1
Students saņem uzņemšanu, jo rezultāts ir 1. Turklāt tādā pašā veidā mēs varam paredzēt arī citus novērojumus.
Loģistiskās regresijas modeļa (vērtēšanas) izmantošana ar jauniem datiem
Ja nepieciešams, mēs varam modeli saglabāt failā. R kods mūsu vilciena modelim izskatīsies šādi:
the_model <- glm(my_formula, family=binomial(link='logit'),data=model_set)
Šo modeli var saglabāt, izmantojot:
saglabāt (file = "faila nosaukums", the_file)
Failu var izmantot pēc tā saglabāšanas, izmantojot R koda mieru:
ielādēt (fails = "faila nosaukums")
Lai piemērotu modeli jauniem datiem, varat izmantot šo koda rindu:
model_set $ pred <- predict(the_model, newdata=model_set, type="response")
PIEZĪME: Model_set nevar piešķirt nevienam mainīgajam. Lai ielādētu modeli, mēs izmantosim funkciju load (). Jauni novērojumi modelī neko nemainīs. Modelis paliks nemainīgs. Mēs izmantojam veco modeli, lai veiktu prognozes par jaunajiem datiem, lai neko nemainītu modelī.
Secinājums
Es ceru, ka esat redzējuši, kā R programmēšana darbojas pamata veidā un kā jūs varat ātri sākt darboties, veicot mašīnmācīšanos un statistikas kodēšanu ar R.
