R语言读书笔记以及为什么发读书笔记

昨天发布了生信人必备书单，大家的反响比较热烈，褒贬不一！

其实吧，就像我自己评价的那样：

我再次强调一下，我会的所有知识，我都看过5本以上的书，甚至把一本书看五遍，这个我觉得没有任何难道，任何事情想学会学好，本来需要付出的。

比如看看我以前的笔记：

了解我的粉丝都应该是知道我很懒的，因为我最开始学的perl语言，perl语言创造者提出了程序员的三大美德，其中之一就是懒惰。

所以这个图书笔记我就原样拷贝了，大家将就着看吧，反正如果你真想学到东西，还是得买本书仔细阅读的。

因为这个读书笔记发布的时候，我还没有转为markdown写作，所以排版奇丑无比，还望见谅。

假如你接受了我的建议，把一本书看五遍，同一个领域的书籍至少看5本，那么希望你也记录一下读书笔记与我分享，欢迎来信交流，我的邮箱是 [e-mail] 

或者你把我的这个笔记重新编辑为markdown格式，也能发邮件给我获得认识我的资格哈！

下面是正文

R与ASReml-R统计分析教程（林元震）中国林业出版社

1-3章简单介绍了R的基本语法，然后第4章着重讲了各种统计方法，第5章讲R的绘图，最后一章讲ASReml-R这个包

语法重点:

1,install.packages(),library(),help(),example(),demo(),length(),attribute(),class(),mode(),dim(),names(),str(),head(),
tail()

2,rep,seq,paste,array,matrix,data.frame,list,c(),factor(),

3,缺失值处理（na.omit,na.rm=T），类型转换（as.numeric(),as.character(),as.factor(),as.logical()）

其中as.numeric(),as.character()非常有用，在画图的时候经常需要加上，因为数据在处理的过程中经常被搞错成了字符串格式，而as.logical()可以进行分类，只有0，NA,NAN，NULL是FALSE

4,排序，合并，分割成子集，数据整合重构(reshape2和plyr包)

可以先了解一些R语言自带的数据包(见附录1)，然后试用一下aggregate函数，数据汇总，根据右边的因子来把左边的数据进行分割并处理一个函数

5,控制语句，自编函数

统计分析

一、summary(),    library(pastecs);options(digits=2);stat.desc(),    library(psych);describe()

二、方差分析（analysis of variance,ANOVA）用来检验分组是否有显著差异

1，单因素+重复，数据框，df=data.frame(yield,treat)

fit=aov(yield~treat,data=df)

可以用summary来查看这次分析结果summary(fit)

用TukeyHSD(fit)进行多重比较，或者duncan.test(fit,”treat”,alpha=0.05)

2，双因素无重复，数据框，df=data.frame(yield,treat1,treat2)

fit=aov(yield~treat1+treat2,data=df)

这时候做多重比较就比较复杂了，library(agricolae)

Duncan.test(fit,”treat1”,alpha=0.5)

Duncan.test(fit,”treat2”,alpha=0.5)

3,双因素+重复，数据库首先要进行处理，把treat1和treat2合并成group来区分重复

Df$group=sapply(df,function(x) paste(df$treat1,df$treat2,sep=””))

然后fit=aov(yield~treat1+treat2+group,data=df)

4，多元方差与此类似，不停的增加因子来区分变量及group

三、随机分组的检验

1，完全随机实验，等同于方差分析的单因素+重复（判断不同的处理是否有差异）

2，单因素随机区组实验，等同于方差分析的双因素无重复，其中（区组这个因素是人为控制的差异，不需要检验，主要检验我们的不同的处理是否有差异）

3，双因素随机区组实验，不等同于方差分析的双因素+重复，但是与之类似，其中重复这个变量与之前的group变量有点区别，这里是我们的区组，而不是treat1和treat2的简单组合，所以我们需要分析treat1和treat2处理间的差异，但同时不需要考虑区组的差异

fit=aov(yield~treat1*treat2+block,data=df)，如果treat1有2个水平，treat2有3个水平，那么之前的group应该是6个，但是我们的block是区组的个数，还是3个，数据是18个。

4,三因素随机区组实验

看下面的例子

本地图片，请重新上传

其中npk数据框里面有着N,P,K三个因素，每个因素都有两个水平，共8个group组合，分成了6个区组block，即为6个重复。但是每个group组合并没有包括所有的8个水平组合，只有4个而已，所以数据量也只有4个。这就是方差分析与随机区组分析最大的区别所在。

本地图片，请重新上传

四、统计显著性检验（前提是符合各种概率分布模型）

1、t检验

i. 单样本，对一个多数据的向量x，看看是否是服从正态分布

qqnorm(x),qqline(x),正态QQ图，plot(density(x))核密度图 ,shapiro.test(x) 正态性检验，T.test(x,mu=8,alternative=”two.sided”)看看这个数据的均值与8的差异是否显著。

ii. 双样本检验是否显著差异，t.test(a,b)或者t.test(a~b)

2、卡方检验

i. 是否符合一定的比例chisq.test(c(49,51),c(0.5,0.5))，看看扔100次硬币的正反面比例是否正常

ii. 本地图片，请重新上传

iii. P值为0.8415，所以显著的正常

a) 独立性检验

i. 2x2列联表或者2xc列联表独立性检验，主要是为了看某个处理是否改变了原来的标准比例，比如本来正常1:1的扔硬币，扔一百次是49:50的，但是现在换了一个小硬币，再扔一百次，结果是48:52，我们就想看看这个硬币是否改变了比例

本地图片，请重新上传

很明显可以看出比例未发生变化，同理可以扩展到RxC列联表的比例是否变化

五、回归分析

1、简单线性回归，fit=lm(y~x)可以对此回归进行一系列分析，summary(fit)，round(fitted(fit),2) 预测值，round(residuals(fit),2)残差值，abline(fit)回归线

2、多项式回归fit=lm(y~x+I(x^2))以此类推

3、多元回归fit=lm(y~x1+x2+x3)以此类推，fit=lm(y~x1+x2+x1: x2)有交互项。

4、回归诊断，对fit对象plot可以输出四幅图par(mfrow=c(2,2)); plot(fit)

第一幅图是残差值与预测值的线性关系图，理论上残差值应该是随机分布在预测值的两端。

第二幅图是Q-Q图，判断残差值在标准正态分布下的概率，理论上应该是45度直线。

第三幅图是位置尺度图，判断同方差性，假设是方差不变，所以图中的点应该随机分布于水平线的两侧。

第四幅图是残差值的杠杆图，用来判断异常点，鉴别高杠杆点，离群点，强影响点，识别异常点。

5、广义线性模型

6、逻辑回归和泊松回归

六、概率分布

a) 分布+概率密度函数d+累计分布函数p+随机抽样r+分布检验ks.test(x,”pnorm”)

b) 正态分布（norm），指数分布(exp)，二项分布，泊松分布，卡方分布(chisq)，伽马分布(gama)，贝塔分布(beta)，T分布，F分布，均匀分布（unif），韦伯分布(weibull),一般连续分布，一般离散分布。

c) 很复杂，见附录2

附录I，datasets（R自带数据包）

向量
euro    #欧元汇率，长度为11，每个元素都有命名
landmasses    #48个陆地的面积，每个都有命名
precip    #长度为70的命名向量
rivers    #北美141条河流长度
state.abb    #美国50个州的双字母缩写
state.area    #美国50个州的面积
state.name    #美国50个州的全称

因子
state.division    #美国50个州的分类，9个类别
state.region    #美国50个州的地理分类

矩阵、数组
euro.cross    #11种货币的汇率矩阵
freeny.x    #每个季度影响收入四个因素的记录
state.x77    #美国50个州的八个指标
USPersonalExpenditure    #5个年份在5个消费方向的数据
VADeaths    #1940年弗吉尼亚州死亡率（每千人）
volcano    #某火山区的地理信息（10米×10米的网格）
WorldPhones    #8个区域在7个年份的电话总数
iris3    #3种鸢尾花形态数据
Titanic    #泰坦尼克乘员统计
UCBAdmissions    #伯克利分校1973年院系、录取和性别的频数
crimtab    #3000个男性罪犯左手中指长度和身高关系
HairEyeColor    #592人头发颜色、眼睛颜色和性别的频数
occupationalStatus    #英国男性父子职业联系

类矩阵
eurodist    #欧洲12个城市的距离矩阵，只有下三角部分
Harman23.cor    #305个女孩八个形态指标的相关系数矩阵
Harman74.cor    #145个儿童24个心理指标的相关系数矩阵

数据框
airquality    #纽约1973年5-9月每日空气质量
anscombe    #四组x-y数据，虽有相似的统计量，但实际数据差别较大
attenu    #多个观测站对加利福尼亚23次地震的观测数据
attitude    #30个部门在七个方面的调查结果，调查结果是同一部门35个职员赞成的百分比
beaver1    #一只海狸每10分钟的体温数据，共114条数据
beaver2    #另一只海狸每10分钟的体温数据，共100条数据
BOD    #随水质的提高，生化反应对氧的需求（mg/l）随时间（天）的变化
cars    #1920年代汽车速度对刹车距离的影响
chickwts    #不同饮食种类对小鸡生长速度的影响
esoph    #法国的一个食管癌病例对照研究
faithful    #一个间歇泉的爆发时间和持续时间
Formaldehyde    #两种方法测定甲醛浓度时分光光度计的读数
Freeny     #每季度收入和其他四因素的记录
dating from     #配对的病例对照数据，用于条件logistic回归
InsectSprays     #使用不同杀虫剂时昆虫数目
iris    #3种鸢尾花形态数据
LifeCycleSavings    #50个国家的存款率
longley    #强共线性的宏观经济数据
morley    #光速测量试验数据
mtcars    #32辆汽车在11个指标上的数据
OrchardSprays     #使用拉丁方设计研究不同喷雾剂对蜜蜂的影响
PlantGrowth     #三种处理方式对植物产量的影响
pressure     #温度和气压
Puromycin     #两种细胞中辅因子浓度对酶促反应的影响
quakes     #1000次地震观测数据（震级>4）
randu     #在VMS1.5中使用FORTRAN中的RANDU三个一组生成随机数字，共400组。
#该随机数字有问题。在VMS2.0以上版本已修复。
rock     #48块石头的形态数据
sleep     #两药物的催眠效果
stackloss     #化工厂将氨转为硝酸的数据
swiss     #瑞士生育率和社会经济指标
ToothGrowth     #VC剂量和摄入方式对豚鼠牙齿的影响
trees    #树木形态指标
USArrests    #美国50个州的四个犯罪率指标
USJudgeRatings    #43名律师的12个评价指标
warpbreaks    #织布机异常数据
women    #15名女性的身高和体重

列表
state.center    #美国50个州中心的经度和纬度

类数据框
ChickWeight    #饮食对鸡生长的影响
CO2    #耐寒植物CO2摄取的差异
DNase    #若干次试验中，DNase浓度和光密度的关系
Indometh    #某药物的药物动力学数据
Loblolly    #火炬松的高度、年龄和种源
Orange    #桔子树生长数据
Theoph    #茶碱药动学数据

时间序列数据
airmiles    #美国1937-1960年客运里程营收（实际售出机位乘以飞行哩数）
AirPassengers    #Box & Jenkins航空公司1949-1960年每月国际航线乘客数
austres    #澳大利亚1971-1994每季度人口数（以千为单位）
BJsales    #有关销售的一个时间序列
BJsales.lead    #前一指标的先行指标（leading indicator）
co2    #1959-1997年每月大气co2浓度（ppm）
discoveries    #1860-1959年每年巨大发现或发明的个数
ldeaths    #1974-1979年英国每月支气管炎、肺气肿和哮喘的死亡率
fdeaths    #前述死亡率的女性部分
mdeaths    #前述死亡率的男性部分
freeny.y    #每季度收入
JohnsonJohnson    #1960-1980年每季度Johnson & Johnson股票的红利
LakeHuron    #1875-1972年某一湖泊水位的记录
lh     #黄体生成素水平，10分钟测量一次
lynx    #1821-1934年加拿大猞猁数据
nhtemp     #1912-1971年每年平均温度
Nile     #1871-1970尼罗河流量
nottem     #1920-1939每月大气温度
presidents     #1945-1974年每季度美国总统支持率
UKDriverDeaths     #1969-1984年每月英国司机死亡或严重伤害的数目
sunspot.month     #1749-1997每月太阳黑子数
sunspot.year     #1700-1988每年太阳黑子数
sunspots    #1749-1983每月太阳黑子数
treering    #归一化的树木年轮数据
UKgas    #1960-1986每月英国天然气消耗
USAccDeaths    #1973-1978美国每月意外死亡人数
uspop    #1790–1970美国每十年一次的人口总数（百万为单位）
WWWusage    #每分钟网络连接数
Seatbelts     #多变量时间序列。和UKDriverDeaths时间段相同，反映更多因素。
EuStockMarkets    #多变量时间序列。欧洲股市四个主要指标的每个工作日记录，共1860条记录。

Warpbreaks这个数据集有3列变量，我们根据wool和tension这两个因子变量来分类对breaks这个数据变量求均值

Airquality这个数据集有6个列变量，大气层，阳光，风，温度，月份，天数，虽然它们都是数据变量，但是我们可以把其中几个因子化来进行分类汇总计算，比如我们以month来作为因子，这样把数据分成了各个月份的，再对ozone和Temp进行分别求均值

Chickwts这个数据有两列，不同的喂养环境下统计小鸡的重量，可以根据6中喂养环境来对各自的小鸡统计平均重量

Esoph这个数据集有5个列变量，其中3个是因子，两个是数据，，同理做数据汇总

这是一个时间序列数据，可以进行画图

还可以查看很多自己安装的包里面内置的数据

比如我安装一个ggplot2，它会自动下载几个相关的包一起安装

data(package="ggplot2")可以查看这个包自带的数据集

本地图片，请重新上传

R还可以进行脚本运算，实习批量化处理数据

本地图片，请重新上传