R语言学习笔记（三）——实用的内置函数

 ↑ ↑  关注iJournal，选刊快人一步  ↑ ↑ 

iJournal后台回复“2021学科”即可获得20种

不同学科的最新影响因子文件（Excel版本）

导语：前两期小编给大家介绍了R语言和Rstudio的安装（R语言学习笔记（一）），以及一个非常有用的R包dplyr（R语言学习笔记（二））。此外，作为R语言的初学者也应该掌握一些基本函数，所以本期给大家介绍一些R中非常实用的内置函数，希望对大家有所帮助。如果想继续了解R语言的基础内容可关注“投必得医学”公众号，里面有关于R语言基本操作、数据结构、统计基础等干货内容。

01

内置数据集

R语言中有很多内置的数据集，这些数据集存储在datasets这个包中，包含了R中所有的数据类型。R会默认已经加载了这个包。我们可以用data()命令查看R中所有内置的数据集，左边是数据集的名称，右边是数据集的描述。

> data()
Data sets in package ‘datasets’:
AirPassengers          Monthly Airline Passenger Numbers 1949-1960
BJsales                Sales Data with Leading Indicator
BJsales.lead (BJsales)
                       Sales Data with Leading Indicator
BOD                    Biochemical Oxygen Demand

这里介绍几个十分常用的数据集，mtcars收集了美国32种汽车的11个指标，经常用于ggplot2作图的示例数据；iris是一个非常有名的数据集，收集了3种鸢尾花花瓣和花萼的长宽信息，是数据挖掘中常用的示例文件；state.x77收集了美国50个州的基本信息，是画热图的示例文件。

02

内置函数

R中有很多实用的内置函数，这里不做系统的介绍，仅列举一些在数据分析中非常实用的函数。

（1）关于NA

对于一组数据来说，如果出现了缺失值，在R中是不能直接进行统计分析的，好在R中有专门针对缺失值的几个函数，下面举例说明。

> x <- c(1, 2, 3, 4, 4, NA)
> mean(x)
[1] NA

向量x中有NA值，看到直接对向量x求平均值结果是不对的，有两种方法可以解决。

> mean(x, na.rm = T)
[1] 2.8
> mean(na.omit(x))
[1] 2.8

第一种是在mean函数中添加na.rm = T参数，也就是计算时先将NA值移除；第二种是先用na.omit()函数移除掉x中的NA值，再计算平均值。

（2）两个向量的关系

数据分析中经常需要找不同组之间的关系，这里有几个常用的函数。

交集（intersect）

> x1 <- c(1:5)
> x2 <- c(3:7)
> intersect(x1, x2)
[1] 3 4 5

并集（union）

> union(x1, x2)
[1] 1 2 3 4 5 6 7

匹配（match）：返回向量1的元素在向量2中的位置

> match(x1, x2)
[1] NA NA  1  2  3

表示x1的5个元素在x2中的位置分别为NA、NA、1、2、3。这个函数的意义在于生成一个索引向量，在数据框的筛选中会非常实用。

（3）基本统计函数

关于基本的统计函数如平均值、标准差等这里不做系统介绍，这里说几个统计函数的特殊用法。

（a）生成随机数

通常用runif(n, min, max)函数，这个函数生成均匀分布的值，n为个数，min和max分别是最小值和最大值，默认参数为0和1。

> runif(5, 1, 10)
[1] 7.236265 7.278368 2.847278 9.544132 6.884813
> runif(5)
[1] 0.6437805 0.2144422 0.4272817 0.6258470 0.6981409

（b）生成随机整数

一个最简单的办法是round()和runif()函数连用，其中round()是按照四舍五入取整函数。如果要向上或者向下取整，可以使用ceiling()和floor()函数。

> round(0.5)
[1] 0
> round(1.2)
[1] 1
> round(runif(10))       #生成随机的0,1向量
 [1] 0 0 0 1 1 1 1 1 0 0
> round(runif(10, 0, 2))   #生成随机的0,1,2向量
 [1] 0 1 0 1 2 0 2 0 2 1
> ceiling(runif(10, -2, 1))  #生成随机的-1,0,1向量
 [1]  0 -1  1 -1  0 -1  0 -1  1  0
> floor(runif(10, -1, 2))
 [1]  1  0  1  1 -1  1 -1 -1  1 -1

后面几种生成随机向量的方式非常实用，原理就是先用runif()函数生成随机数，然后再用round()函数取整数。基因型数据经常用0,1,2或者-1,0,1表示，我们可以用这种方式模拟基因型数据。

（c）正态分布

用的最多的是rnorm(n, mean, sd)函数，生成n个符合某个正态分布的随机数。用法比较简单，默认的平均值是0，方差是1。

> rnorm(5)
[1] -1.7916223  1.7582387  0.2924384  0.3130404 -0.5076251
> rnorm(5, 3, 1)
[1] 1.968562 4.885262 4.634220 3.017137 3.990052

（4） 其他函数

R中还有不少常用的函数，这里仅列举三个。

（a）summary函数

这个函数是一个比较“万金油”的函数，可以单独对向量或者矩阵使用，会给出一些基本的统计量，包括极值、中位数、平均数等等。

> summary(1:10)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1.00    3.25    5.50    5.50    7.75   10.00
> summary(matrix(10:15, nrow = 2))
       V1              V2              V3       
 Min.   :10.00   Min.   :12.00   Min.   :14.00  
 1st Qu.:10.25   1st Qu.:12.25   1st Qu.:14.25  
 Median :10.50   Median :12.50   Median :14.50  
 Mean   :10.50   Mean   :12.50   Mean   :14.50  
 3rd Qu.:10.75   3rd Qu.:12.75   3rd Qu.:14.75  
 Max.   :11.00   Max.   :13.00   Max.   :15.00

在一些统计分析中也经常使用summary()函数，比如下面的线性回归：

> x <- c(2, 2, 3, 4, 4)
> y <- c(10, 20, 30, 40, 50)
> fm <- lm(y ~ x)
> summary((fm))

Call:

lm(formula = y ~ x)

Residuals:

         1          2          3          4          5 
-5.000e+00  5.000e+00 -1.776e-15 -5.000e+00  5.000e+00 
Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)  -15.000      9.037  -1.660   0.1955  
x             15.000      2.887   5.196   0.0138 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 5.774 on 3 degrees of freedom
Multiple R-squared:    0.9,  Adjusted R-squared:  0.8667 
F-statistic:    27 on 1 and 3 DF,  p-value: 0.01385

可以看到summary()函数给出了很多统计量，包括残差、截距、显著性等等。

（b）table函数

这个函数看起来不起眼，但很实用，给出一个频率分布表，还是举例说明。

> a <- c(rep(NA, 3), rep(1:3, 2))
> a
[1] NA NA NA  1  2  3  1  2  3
> table(a)
a
1 2 3 
2 2 2

上面给出了向量a的频率分布，但没有包含NA，如果要统计NA的数目，则需要添加参数exclude = NULL。

> table(a, exclude = NULL)
a
   1    2    3 <NA> 
   2    2    2    3

需要注意的是生成的频率分布也是一张表，如果需要对这个表进行操作，最好转化成数据框。

> x <- table(a, exclude = NULL)
> class(x)
[1] "table"
> x <- as.data.frame(x)  #将x转换成数据框
> class(x)
[1] "data.frame"

（c）apply/sapply/tapply/mapply

这是一个函数家族，其实就是为了代替for循环，简化代码，这里只介绍apply和tapply。

apply(x, margin, fun, ...)有3个主要的参数，x通常为数据框，margin参数为1或2， 1表示按行，2表示按列，fun为调用函数。比如按列统计mtcars数据集的平均数。

> apply(mtcars, 2, mean)
       mpg        cyl       disp         hp       drat         wt       qsec 
 20.090625   6.187500 230.721875 146.687500   3.596563   3.217250  17.848750 
        vs         am       gear       carb 
  0.437500   0.406250   3.687500   2.812500

tapply(x, index, fun, ...)通过index对数据集x进行分组运算，相当于上一期dplyr包中的group_by操作。如我们需要统计iris数据集中不同品种鸢尾花的平均花萼长度。

> head(iris)
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

> tapply(iris$Sepal.Length, iris$Species, mean)
    setosa versicolor  virginica 
     5.006      5.936      6.588

如果用dplyr则是：

> iris %>%
  group_by(Species) %>%
  summarise(mean = mean(Sepal.Length))

3 自编函数

R中虽然有很多内置函数，但具体分析时有时候需要用户自己编写函数。自编函数中有两个非常重要的思想，循环和递归。关于循环相信接触R的人都十分了解，这里只列举两个递归函数的例子。

（1）斐波那契数列

斐波那契数列本身就是用递归定义的F(n) = F(n-1) + F(n-2)，因此非常适合用递归函数实现。

> fib <- function(n){        #定义函数
     if(n==1 | n==2){
         return(1)
     }
     else{
         return(fib(n-1)+fib(n-2))
     }
 }
> fib(7)                   #函数调用  
[1] 13

（2）求最大公约数

gcd <- function(a,b) {
   if (b == 0) return(a)
   else return(gcd(b, a %% b))
   }
> gcd(15, 12)
[1] 3

可见，递归是一种比较高级的编程思想，灵活运用能够极大的化繁为简。

结语：以上就是小编认为R中比较实用的一些内置函数，能力有限总结的肯定不够完全，欢迎大家进入投必得R语言与统计交流群，和小编一起交流R语言学习心得。

往期推送：

往期好文推荐

（点击下方文字即可阅读）

今日视频推荐

SCI论文写作第三弹Introduction四段式套路~
点开视频即可了解！↑↑↑关注“投必得学术”视频号，更多干货↑↑↑


点击“阅读原文”了解投必得业务类型~
请大家点击右下角，将投必得分享给更多有需要的人