很清晰详细的好书！零基础，先按作者的建议，把介绍、数据管理、简单统计、逻辑回归和聚类部分看完，然后又调头学习绘图部分的内容（包括ggplot2和lattice绘图系统）。因为没有专业背景，最难的是统计部分，其他部分撸两遍代码会清晰很多。 如果也是自学，建议结合慕课网《R语言基础》《R语言数据可视化》两个免费网课学习，讲得不错。 最后，一切都要回归实践！强迫自己接了一个工作报告，数据处理的三章反复看了三四次，加了两个星期的班，算是有眉目了，接下来继续磨画图--2018年第十五本

问题的关键在于作者是做统计咨询的

我为当初说这本书很傻逼而感到忏悔……

第一次用 R 语言是大学的毕业论文，用到 svm 算法，用它轻轻松松的解决了这东东。据说现在我的指导老师，还在用我当年留下来的程序。这本书里讲了 R 语言的方方面面，不会像我当年一样，只能从文档里看到一些用法，然后拼凑出来。一个地道的写法，写出来的程序才是优美的。

最难受就是交给你一个方法，后面又说另一个更好方法。

当工具书用的，非常详尽。哪里不会查哪里，so easy！

只是为了大致了解一下R的基本用法和能力，评估一下要不要用。花了三天看完了，还算全面，不过到后面统计学的内容要大大多于语言内容，这也相当真实地反应了这门语言的特点

这本书还是太过于基础的，相较而言概念澄清方面做得还是不错的

用来入门不错。四个月高强度使用之后，进阶全靠老师带啦。

从实用出发的书，对我自己特别是关于功效分析的部分很有收获

非常不错，对解决统计问题很有帮助~

有综述和工具书性质的入门书籍 挺好看的

太高级了，我还是安心用我的SPSS吧

T T看了一遍跟没看似得，很多实用的函数还是没记住，数据分析那块理解起来有点问题，反倒画图比较清晰。多啃几遍吧…………

http://www.manning.com/kabacoff/ 上面的网站可以下载本书的案例代码，不过格式是txt，有点麻烦呵

这章读的想报复社会了都~一点统计学的课都没上课~简直是硬啃这个东西~一句话~给丫死磕！ > states <- state.x77[,1:6] > cor(states) Population Income Illiteracy Life Exp Murder HS Grad Population     1.00...

setwd(C:/myprojects/project1") setwd("E:/myprojects/project1") Error in setwd("E:/myprojects/project1") : cannot change working directory > setwd("C:/myprojects/project1") Error in setwd("C:/myproj...

此外，你可以用xlsx包直接地导入Excel工作表。 说实话不推荐 xlsx 的 R 包，因为它性能很拉胯，使用体验也糟糕。在我的机器上，读四个工作表竟然至少三分钟没有响应（文件大小 12M 左右，而且我的机器配置不错，1...

终于打完了这段代码，留底。 另外，在输入代码时一直看着英文字母L的小写和数字1是完全一样的，还因此输错过（但在这里打字它们明显不同）。今早才发现区别，字母L小写时候最上方的一横是横平的，而数字1最上面的...

今早看了半个小时，时间太短了。先增加到一个钟。今天把几行代码及结果保存下来。 >  newdata<-subset(leadership,age>=35|age<24,select=c(q1,q2,q3,q4)) > newdata q1 q2 q3 q4 2  3  5  2  5 4  3  3  4 NA 5 ...

发现日期值直接进行减法计算时间间隔这个功能挺有意思的。现在粘贴的是文章中的例子（计算1756年10月12日出生的人到现在有多少周大的，以及我自己稍微改动的2014-0504到今天有多少天了——1096天）。哦，最上面一...

我尝试输入代码练习感觉，这确实有效果。不过有些代码还是不能理解。待逐步学习深入后再考虑。先作图出来。 比如图3《使用函数layout()组合的三幅图形，各列宽度为默认值》这幅图的代码中， layout(matrix(c(1,1,...

代码如下 opar<-par(no.readonly=TRUE) par(cex=1.5) plot(1:7,1:7,type="n") text(3,3,"Example of default text") text(4,4,family="mono","Example of mono-spaced text") text(5,5,family="serif","Example o...

在图形左上方添加了图例，图一是因为未安装Hmisc包，因而未能显示出次要刻度线。图二是安装了Hmisc包之后重新运行，显示出了次要刻度线。今天的代码也记录下来： dose<-c(20,30,40,45,60) drugA<-c(16,20,27,40,6...

6.1.5 应该是“脊状图” 像脊髓骨一样一节一节的。

# 数据结构 ## 向量 **定义**: 向量是用于存储数值型,字符型或逻辑型数据的一维数组.执行组合功能的函数c()可以用来创建向量: a <- c(1,2,3,4,5) b <- c("one", "two") c <- c(1,2,"hello") 我们可以通过索引,或c...

英文版248页： They point to a widespread misunderstanding of p values, reliance on statistical significance over practical significance, the fact that the null hypothesis is never exactly true and ...

文本输出 函数sink(" filename") 将输出重定向到文件filename中。默认情况下，如果文件已经存在，则它的内容将被覆盖。使用参数append=TRUE可以将文本追加到文件后，而不是覆盖它。参数split=TRUE可将输出同时发...

不同的行业对于数据集的行和列叫法不同。统计学家称它们为观测 （ observation）和变量（ variable），数据库分析师则称其为记录（ record）和字段（ field），数据挖掘/机器学习学科的研究者则把它们叫做示例（ ...

赋值语句：x<-rnorm(5) ＃号表示注释 帮助： 打开文档都用help（） 程序示例：example（） 工作空间： getwd() setwd() ls() remove() save load q() 输入与输出： 输入是指执行脚本：source() 输出是指将图文输...

8.3。回归诊断标准方法 1看是否符合线性假设，即看residuals vs fitted样本在曲线上下波动； 2看残差正态性，即narmal Q-Q图上点是否在45度的直线上； 3看同方差性，即scale-location，点是否随机分布； 4看强影...

高效设计程序，多用矩阵而不是数据框

一  整体性的数据描述 summary(mtcars[vars])   统计0% 25% 50% 75% 100%的值 sapply（x,FUN,options）    x为要进行转变的数据， FUN为既定的函数，options  为诸如：na.omit=TRUE   忽略掉缺失值 Hmisc  中的de...

回归分析的各种变体 Ols最小二乘回归法 原数据的特征 拟合线性模型常用的函数

attach（mtcars） summary(mpg) Plot() Detach(mtcars)

偏相关:是指在控制一个或多个定量变量时，另外两个定量变量之间的相互关系。 使用ggm包中的pcor函数来计算偏相关 例子:控制(排除影响的变量)2收入，3文盲率，6高中毕业率 计算人口和谋杀率之间的偏关系 library(g...

三维列联表的概念。强化三维数组的存在感。 mytable <- xtabs(~ Treatment+Sex+Improved, data=Arthritis) #> class(mytable) #[1] "xtabs" "table" 以治疗手段Treatment[安慰剂+用药治疗]~Sex[男性 女性]~改善情...

7.2 频数表和列联表(什么是列联表) 使用 Arthritis数据集 创建列联表(交叉的分类) 类别型变量  type1 type2 之类的 使用table函数生成简单的频数统计表 table(Arthritis$Improved) None   Some Marked 42     14 ...

这里牵扯到数据的融合和重铸 Chapter5有重点讲解。我看了第三遍了~ 书中Page134讲了 by()和doBy包中的summaryBy()以及psych包中的describeBy ▄︻┳═一 describe.by()被R 3.0.0提示已经过时..... Warning messag...

读到这 感觉和特么走出新手村一样一样的。各种天书。 Page129的本章简要说的很明白，这一章所涵盖的统计方法通常会在统计学本科第一年讲授。 此外 作者推荐维基百科。。。 7.1.1 方法云集 在描述性统计量的计算方...

还是SQL比较友好~ 几个概念： 融合 melt: 以使每行都是一个唯一的标识符---变量组合 重铸 cast: 数据的形状 这些东西需要使用 reshape或reshape2这个packages 「把数据折叠起来」 直接给跪了。。。还能再抽象点吗...

书中的例子 配合自己的注释 options(digits=2) #import data Student <- c("John Davis","Angela Williams","Bullwinkle Moose","David Jones","Janice Markhammer", "Cheryl Cushing","Reuven Ytzrhak","Greg Kn...

咩哈哈~终于可以长呼一口气 #install.packages("sqldf") library(DBI) library(gsubfn) library(proto) library(tcltk) library(chron) library(RSQLite) library(RSQLite.extfuns) library(sqldf) sql_data <- s...

> 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" 后面的参数是input_format

从45页开始 介绍了很多制图过程中的参数使用 R的参数命名规则还是很容易记的。当然了 用不到的估计也不容易记住。 ##par(lty=2,pch=17) 有些绘图函数是可以讲参数直接写到Options里面的 # type ‘"p"’ for *p*oi...

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,c...

我第一次接触R的时候 就感觉他的数据结构是最迷人的地方 简单明了 分工明确 对象 Object 指可以赋值给变量的任何事物，因为是“任何” 所以没必要研究都包含什么了 向量 Vector 同类型的一维数组 用c()函数创建  ...

这张比较使用的是Page4的 数据分析流程步骤 还有一些比较经典的函数 有些在R导论里出现过 我觉得in Action系列最牛的地方就是善于将这些命令和知识点归类 放在一起给你。 赞 比较实用的函数： setwd("D:/r") 设置...

> 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

R in Action

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。

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

这不是一本教你怎么敲代码的编程书，而是一位统计咨询师把自己多年帮客户解决问题的经验，沉淀成的一套