今天又不小心推销了一次本书(ˇˍˇ）~

读到后面要读哭了 ANOVA,resampling statistics and bootstrapping啥的 信息量好大 还是先补数学吧TT

这本书太牛了，看了一周。前三部分看完了，第四部分高级方法打算放以后再看。要说这本书关于R倒不如说关于数据分析，几十年的实战经验使得这本书字字珠玑。很多东西都可以马上用上，比如variables selection, anova等等。

思路清晰，进度安排合理。强烈推荐入门进阶用。

感觉R是一门比较适合现查现用的语言，书里能讲的太少了

循环竟然能如此慢，我果然不太适合用R >_<...

学习R最佳入门书，深入浅出，案例翔实，每章都有很多代码示例，还有个配套网站： http://www.statmethods.net/

很好的入门书，比较偏重数据统计，很多好的习惯最好还是早些养成

近期打算重新看这本书——简直停不下来。（2015.7.2）

很基础的书，掌握了R的大部分基础内容后，重点在于库和包。

之前在为画图困扰的时候，曾经找到这样一个网站： http://www.statmethods.net/ 。今天才知道这个网站居然是本书作者当年学习R的学习笔记。我曾一度以为写这种语言类书籍的多半是该语言的开发者，但实际上，很多...

额。。。 一边看书一边想着origin改图例的方法，还是可视化更方便简单一点，可能是因为我笨吧 额。。。

variable[condition]<-expression assignment will be made when condition is true. 代码都是为了加强记忆瞎敲的，不要复制！ leadership<- within(leadership, { agecat <- NA agecat[age>75 mydata <- transfo...

C CMD BATCH infile out file where infile is the name of the file containing R code to be executed, outfile is the name of the file receiving the output, and options lists options that control execu...

By default, launching R starts an interactive session with input from the keyboard and output to the screen. But you can also process commands from a script file and direct  output to a variety of ...

可以想见作者写书时的万恶嘴脸~ 派生的段子可以有：我们可以管这个定理叫勾股定理，但叫“毕达哥拉斯定理”让我感觉自己很牛逼~

> states <- state.x77[,1:6]
> cor(states)
           Population Income Illiteracy Life Exp Murder HS Grad
Population     1.0000  0.208      0.108  -0.0681  0.344 -0.0985
Income         0.2082  1.000     -0.437   0.3403 -0.230  0.6199
Illiteracy     0.1076 -0.437      1.000  -0.5885  0.703 -0.6572
Life Exp      -0.0681  0.340     -0.588   1.0000 -0.781  0.5822
Murder         0.3436 -0.230      0.703  -0.7808  1.000 -0.4880
HS Grad       -0.0985  0.620     -0.657   0.5822 -0.488  1.0000

setwd("D:/r") 设置当前工作目录
getwd() 显示当前工作目录

ls()显示当前加载的数据对象有哪些
rm() 删除一部分对象  硬盘小或对象太复杂的话。。。

history()
savehistory()
loadhistory()

save.image("MyFile") 你每次q()退出的时候都会问你 默认是 .RData文件

这两个是最实用的
save(cars,file="RCars")
load("RCars")
可以单独保存一些比较重要的对象文件

# 全部保存
save(list =ls(all=TRUE), file=".RData")

dim1 <- c("A1","A2")
dim2 <- c("B1","B2","B3")
dim3 <- c("C1","C2","C3","C4")

z <- array(1:24,c(2,3,4), dimnames=list(dim1,dim2,dim3))

z[1,2,3]

名义型变量和有序型变量在R中成为因子(Factor)。因子在R中非常重要，因为他决定了数据的分析方式以及如何进行视觉呈现。

status_factor_order <- factor(status, order=TRUE, levels=c("Poor","Improved","Excellent"))

par(lwd=2,cex=1.5,font.lab=2)
plot(dose,drugA,type="b",pch=15,lty=1,col="red",ylim=c(0,60),main="Drug A vs. Drug B",xlab="Drug Dosage",ylab="Drug Response")
lines(dose,drugB,type="b",pch=17,lty=2,col="blue")
abline(h=c(30),lwd=1.5,lty=2,col="gray")
legend("topleft",inset=.05,title="Drug Type",c("A","B"),lty=c(1,2),pch=c(15,17),col=c("red","blue"))

# type ‘"p"’ for *p*oints,‘"l"’ for *l*ines
# pch = plot symbols
# lty = line types
# cex = symbols size
# lwd = line weight 粗细
#-----Colors-----#
# col="color"line 曲线颜色 lines函数也可以用
# col.axis x和y坐标轴的刻度文字的颜色
# col.lab 坐标轴标签的颜色
# col.main Main's color
# col.sub Sub title's Color
# bg 非实心的symbols可以填充里面的颜色
# fg 前景色> 貌似只针对图标的框有效果
#-----Text-----#
# cex.axis 坐标轴上刻度值的大小
# cex.lab 坐标轴各自标签文字的大小
# cex.main Main大小
# cex.sub
#-----Font-----#
# font 1:常规 2粗体 3斜体 4粗斜体
# font.main
# font.sub
# font.axis
# font.lab
# ps 磅重
# family 字体 serif sans mono

> strDates <- c("2007-06-22","2004-02-13")
> as.Date(strDates,"%Y/%m/%d")
[1] NA NA
> as.Date(strDates,"%Y-%m-%d")
[1] "2007-06-22" "2004-02-13"

options(digits=2)

#import data
Student <- c("John Davis","Angela Williams","Bullwinkle Moose","David Jones","Janice Markhammer",
             "Cheryl Cushing","Reuven Ytzrhak","Greg Knox","Joel England","Mary Rayburn")

Math <- c(502,600,412,358,495,512,410,625,573,522)
Science <- c(95,99,80,82,75,85,80,95,89,86)
English <- c(25,22,18,15,20,28,15,30,27,18)
roster <- data.frame(Student,Math,Science,English,stringAsFactors=FALSE)

#Step.1 计算综合得分
#--scale
#attr(,"scaled:center")
#Math Science English
#501      87      22
#-- 单位标准差 因为各项分值差别过大 标准差和均值没有价值
z <- scale(roster[,2:4])

#> apply(z,1,mean)
#[1]  0.56  0.92 -0.86 -1.16 -0.63  0.35 -1.05  1.34  0.70 -0.18
#> z[1,]
#Math Science English
#0.013   1.078   0.587
#> mean(z[1,])
#[1] 0.56
#> mean(z[2,])
#[1] 0.92
score <- apply(z,1,mean)
...

ID <- c(1,1,2,2)
Time <- c(1,2,1,2)
X1 <- c(5,3,6,2)
X2 <- c(6,5,1,4)

library(reshape)
mydata <- data.frame(ID,Time,X1,X2)

md <- melt(mydata, id=(c("ID","Time")))
#  ID Time variable value
#1  1    1       X1     5
# 貌似melt一下 元素的名称都变了

# 关于整合Cast
cast(md,ID~variable,mean)
# 任何时间内 ID1和2 X1和X2的均值
#ID X1  X2
#1  1  4 5.5
#2  2  4 2.5
#> md[which(md$ID==1 & md$variable=="X1"),]
#ID Time variable value
#1  1    1       X1     5
#2  1    2       X1     3
#> mean(c(5,3))
#[1] 4
> md[which(md$ID==1 & md$variable=="X2"),]
#ID Time variable value
#5  1    1       X2     6
#6  1    2       X2     5
#> mean(c(6,5))
#[1] 5.5

cast(md,Time~variable,mean)
# 在time1和time2上的variable各自的value均值
#Time  X1  X2
#1    1 5.5 3.5
#2    2 2.5 4.5
#
> md[which(md$Time==1 & md$variable=="X2"),]
#ID Time variable ...

在描述性统计量的计算方面，R中的选择多得让人尴尬。

> summary(mtcars[vars])
      mpg           hp            wt
 Min.   :10   Min.   : 52   Min.   :1.5
 1st Qu.:15   1st Qu.: 96   1st Qu.:2.6
 Median :19   Median :123   Median :3.3
 Mean   :20   Mean   :147   Mean   :3.2
 3rd Qu.:23   3rd Qu.:180   3rd Qu.:3.6
 Max.   :34   Max.   :335   Max.   :5.4

3  Variables      32  Observations
-----------------------------------------------------------------------------------------------------------
mpg
      n missing  unique    Mean     .05     .10     .25     .50     .75     .90     .95
     32       0      25   20.09   12.00   14.34   15.43   19.20   22.80   30.09   31.30

lowest : 10.4 13.3 14.3 14.7 15.0, highest: 26.0 27.3 30.4 32.4 33.9

Warning message:
describe.by is deprecated.  Please use the describeBy function

决定学R语言，是因为自己对数据分析很感兴趣，又在工作中偶然认识了某咨询公司合作方妹子，所以请教了她。那时候我的Excel算很熟练了，Access也有一点基础。但公司电脑太慢、分析太粗糙。妹子说公司的人用R、Python、SPSS频率最高。 知乎对R的评价也很不错，于是先在广州图书馆...

小白学习R语言心得（以及如何记笔记）

我是2014年买的第一版，断断续续看了一些。这次刚好遇到图灵出了第二版，遂买来收藏一番。考虑到《R语言实战（第2版）》比第一版贵了20RMB，厚了近200页，想搞个大新闻，故拿两本书比较一番。  优点 1、第二版在前14章与第一版相差无异。主要是基本的R安装、数据导入、初级数据...

离“R的百科全书”又近了一点

亮点全在第八章   「如果你和是我一样是从第一章开始一路死磕过来的 ~当你看到~Page158到Page160的时候~  就知道 前面的一切都是值得的。」  第六章建议学完第三部分再回过头来看~因为图形部分在分析里面确实不算是「前站」  第七章需要一定的统计学尝试常识，我听从作者的建议...

实战！

这本书，没有太多的介绍R软件的原理以及R语言本身的复杂特性，而是从实用的统计研究角度分析R在数据处理，模型构建，以及图形操作上的由浅入深的应用。  如果你想学R的统计应用，这本书很实在，而且命令丰富； 如果你是着眼于R的编程，那么这本书还不是太全面。  建议把它当做...

在统计上很实用的一本书

1、先看了《R for beginner》和《R in nutshell》再看的《R实战（中文版》。因为看前两本的时候都是看的英文版本，有一些参数，特别是绘图参数很多，看的不是很懂。《R实战》中文版翻译得很不错，语言简单易懂，相信没有基础的人看这本书也问题不大，如果没有看过《R for begin...

实践性强的一本书

这本书在R语言入门系列书里可以说很经典了，经常有人推荐，所以也是我最先看的几本R语言书之一。当时就跳着看的，现在研究完Tidyverse之后回过头来看，庆幸当时没有花太多时间和精力在这本书上。 原因很简单，就像标题上说的，这本书是基于Base R的，如果你接触过Tidyverse之后...

Base R入门系列 - 不建议研究太深

这篇书评可能有关键情节透露

                        这不是一本R语法参考书。 如果你学过编程，但一直不会动手写真正的程序。那就从这本书开始吧。 这本书侧重实践，尽管是一本面向R初学者的书，但里边还有其他好的东西；很好地解决了初学者学会一大把语法细节却不知道如何应用长时间得不到成就感的问题。涉及内容虽多，但都抓住...

一本好书

这本书侧重R语言实战，以实际项目讲解R的若干常见应用场景。适合新手上路。 本书亦可作为统计方法实战教程，回归、方差两章展示了完整的统计分析的过程。  比较欠缺的是，这本书已经有些年头了，这些年R已经发生了很多的变化，统计也同样发生了很多的变化。

侧重实战

我喜欢这本书，喜欢R语言，相比较其他数据处理方式,R语言对数据导入方式之多，和网络抓取配合之好，是它最大的优势。对数据处理的高效也特别棒，按照作者的说法，4G的内存处理上亿条数据也不在话下，这真是很棒的利器。         manning系列的图书，强调实战，这本书也是...

这是一本很有深度和广度的R语言学习精品

为读者提供了广泛而丰富的R语言应用案例和实践经验《R语言实战》第三版是一本非常值得推荐的书籍。本书为读者提供了广泛而丰富的R语言应用案例和实践经验。主要针对使用R语言进行数据分析和可视化的读者群体而编写。 首先，本书的组织结构清晰，内容全面。书中以实例为核心，囊...

关于《R语言实战》第三版的书评

数据可视化可以让用户快速掌握信息的关键点，帮助他们做出更好、更明智的决策。R语言在数据可视化与数据分析方面具有绝对的优势。本书以R语言为背景，通俗易懂、深入浅出地讲述了大量数据可视化领域的专业知识，以及真实数据分析实战案例，适合所有对数据分析感兴趣的学生和社...

《R语言实战（第3版）》

虽然看完了整本书，但是对R的理解仍然是皮毛；自己也参加了好几个编程课题，感觉还是差很多啊。现在又做了审计，真的离高深的学问又远了很多！之前特别想学GGplot2，但是复杂的公式以及没有相对应的压力；让人没有动力啊11111111111111111111111111111111111111111111111111111...

读后感

对R的基本概念，基本操作进行了大概的介绍，同时也大致介绍了R中统计学的基本操作，但是没有涉及太多统计学的原理，是初学R的必备书。书中代码不算多，并且网上有源代码，也有电子书，但是对于工具书，个人觉得还是买纸质书吧，可以多翻翻。在亚马逊上买的，书的质量也还不错。

R in Action

数据挖掘入门到精通—R语言视频教程 课程观看地址：http://www.xuetuwuyou.com/course/59  课程介绍 一、课程所用软件：R 3.2.2（64位）  RStudio 二、课程涉及到的技术点： 1）R语言的基本语法、函数 2）R中实用性很强的包 3）模式识别、分类预测算法原理及其实现  三、课程学...

数据挖掘R语言视频教程

学习R的必备教程之一，可以让人快速进入R的世界。  学习这本书的时候，我觉得比较别扭的一点儿就是，实现一个目的，书里介绍了好几个方法，并且涉及到的函数还比较接近。这样的话，学习的内容一旦多了，就不太好消化，对于我来说，我就不太习惯这种方式，解决一个问题，只用一...

R语言入门的必读书之一

R的基础内容覆盖比较全面， 把基本和高级的用法分章节来讨论，适合初学者以及中级读者；  其次，有几章是讲述R在统计方面的功能和应用，这部分很好， 适合中高级的读者。  因此，个人感觉书的内容比较充实，值得看看。

基础 实用

Data Analysis and Graphics with R

这不是一本教你敲代码的说明书，而是一位有几十年实战经验的数据分析师，把你领进数据分析的门。作者把R当作思考工具而非编程语言来写：因子(Factor)如何决定数据的分析方式与视觉呈现、变量如何选择、ANOVA与重采样该如何理解，都围绕着