R语言实验指导书(二)
R语言实验二
R语⾔实验⼆实验2 R基础（⼆）⼀、实验⽬的：1.掌握数字与向量的运算；2.掌握对象及其模式与属性；3.掌握因⼦变量；4.掌握多维数组和矩阵的使⽤。
⼆、实验内容：1.完成教材例题；2.完成以下练习。
练习：要求：①完成练习并粘贴运⾏截图到⽂档相应位置(截图⽅法见下)，并将所有⾃⼰输⼊⽂字的字体颜⾊设为红⾊（包括后⾯的思考及⼩结），②回答思考题，③简要书写实验⼩结。
④修改本⽂档名为“本⼈完整学号姓名1”，其中1表⽰第1次实验，以后更改为2,3,...。
如⽂件名为“1305543109张⽴1”，表⽰学号为1305543109的张⽴同学的第1次实验，注意⽂件名中没有空格及任何其它字符。
最后连同数据⽂件、源程序⽂件等（如果有的话），⼀起压缩打包发给课代表，压缩包的⽂件名同上。
截图⽅法：法1：调整需要截图的窗⼝⾄合适的⼤⼩，并使该窗⼝为当前激活窗⼝（即该窗⼝在屏幕最前⽅），按住键盘Alt键（空格键两侧各有⼀个）不放，再按键盘右上⾓的截图键（通常印有“印屏幕”或“Pr Scrn”等字符），即完成截图。
再粘贴到word⽂档的相应位置即可。
法2：利⽤QQ输⼊法的截屏⼯具。
点击QQ输⼊法⼯具条最右边的“扳⼿”图标，选择其中的“截屏”⼯具。
）1.⾃⾏完成教材P58页2.2-2.5节中的例题。
2.（习题2.1）建⽴⼀个R⽂件，在⽂件中输⼊变量x = (1，2，3)T，y = (4，5，6)T，并作以下运算(1)计算z = 2x + y + e，其中e = (1，1，1)T；(2)计算x与y的内积；(3)计算x与y的外积。
解：源代码：（1）x<-c(1,2,3)y<-c(4,5,6)e<-c(1,1,1)z=2*x+y+ez1=crossprod(x,y) #z1为x与y的内积或者x%*%yz2=tcrossprod(x,y) #z2为x与y的外积或者x%o%yz;z1;z2(2) x<-c(1,2,3)y<-c(4,5,6)e<-c(1,1,1)z=2*x+y+ez1= x%*%yz2=x%o%yz;z1;z2运⾏截图：3.（习题2.2）将1，2，…，20构成两个4×5阶的矩阵，其中矩阵A是按列输⼊，矩阵B是按⾏输⼊，并作如下运算(1)C = A + B；(相对应的数相加)(2) D = AB T；(3)E = (e ij )4×5，其中e ij = a ij·b ij；（相对应的数相乘)(4)F是由A的前3⾏和前3列构成的矩阵；(5)G是由矩阵B的各列构成的矩阵，但不含B的第3列。
R语言实验报告
一、实验目的1.用 R 生成服从某些具体已知分布的随机变量二、实验内容在 R 中各种概率函数都有统一的形式，即一套统一的前缀+分布函名：d 表示密度函数（density）；p 表示分布函数（生成相应分布的累积概率密度函数）；q 表示分位数函数，能够返回特定分布的分位（quantile）；r 表示随机函数，生成特定分布的随机数（random）。
1、通过均匀分布随机数生成概率分布随机数的方法称为逆变换法。
对于任意随机变量X，其分布函数为F，定义其广义逆为：F-(u)=inf{x;F(x)≥u}若u~u (0,1)，则F-（u）和X 的分布一样Example 1 如果X~Exp（1）（服从参数为 1 的指数分布），F（x）=1-e-x。
若u=1-e-x并且u~u(0,1)，则X=-logU~Exp(1)则可以解出x=-log(1-u)通过随机数生成产生的分布与本身的指数分布结果相一致R 代码如下：nsim = 10^4U = runif(nsim)X = -log(U)Y = rexp(nsim)X11(h=3.5)Xpar(mfrow=c(1,2),mar=c(2,2,2,2))hist(X,freq=F,main="Exp from Uniform",ylab="",xlab="",ncl=150,col="grey",xlim=c(0,8))curve(dexp(x),add=T,col="sienna",lwd=2)hist(Y,freq=F,main="Exp from R",ylab="",xlab="",ncl=150,col="grey",xlim=c(0,8))curve(dexp(x),add=T,col="sienna",lwd=2)2、某些随机变量可由指数分布生成。
R语言实战（第2版）——第2章-2.2数据结构
R语言实战（第2版）——第2章-2.2数据结构#R语言实战#第2章创建数据集#2.2 数据结构#P21 标量：只含一个元素的向量，用于保存常量f <- -3g <- "US"h <- TRUE#P21 向量：用于存储数值型、字符型或逻辑型数据的一维数组。
单个向量中的数据必须拥有相同的模式a <- c(1,2,5,3,6,-2,4) #数值型向量b <- c("one","two","three") #字符型向量c <-c(TRUE,TRUE,TRUE,FALSE,TRUE,FALSE) #逻辑型向量a <- c("k", "j", "h", "a", "c", "m")a[3] #方括号返回给定元素所处位置的数值a[c(1,3,5)]a[2:6] #冒号用于生成一个数值序列a <- c(2:6)a <- c(2,3,4,5,6) #二者等价#矩阵：二维数组，每个元素有相同的模式（数值型、字符型或逻辑型）#matrix创建矩阵，ncol和nrow指定行和列的维度，dimnames行名、列名，byrow=T按行填充，byrow=F按列填充，默认按列填充#mymatrix <- matrix(vector,nrow=numble_of_rows, ncol = number_of_columns,byrow = logical_value,# dimnames = list(char_vector_rownames,char_vector_colnames))#P22 2-1创建矩阵y <- matrix(1:20,nrow = 5,ncol = 4)cells <- c(1,26,24,68)rnames <- c("R1","R2")cnames <- c("C1","C2")mymatrix <- matrix(cells,nrow = 2,ncol = 2,byrow = TRUE,dimnames = list(rnames,cnames)) #按行填充mymatrix <- matrix(cells,nrow = 2,ncol = 2,byrow = FALSE,dimnames = list(rnames,cnames)) #按列填充#使用下标和方括号选择矩阵的行列和元素x <- matrix(1:10,nrow = 2)x[2,]x[,2]x[1,4]x[1,c(4,5)]#数组：当维度超过2时，可以用数组代替矩阵#P23 2-3创建数组#myarray <- array(vector,dimensions,dimnames)#vector包含了数组中的数据，dimensions是数值型向量，给出了各维度下标的最大值，dimnames是可选的，各维度名称标签的列表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))#使用方括号和下标选择数组中的元素z[1,2,3]#数据框：多种数据模式，包含数值型、字符型、逻辑型#mydata <- data.frame(col1,col2,col3,...)#P24 2-4创建数据框patientID <- c(1,2,3,4)age <- c(25,34,28,52)diabates <- c("type1","type2","type1","type1")status <- c("poor","improved","excellent","poor")patientdata <- data.frame(patientID,age,diabates,status)#P24 2-5选取数据框中的元素,下标和列名等价,美元符$列名patientdata[1:2]patientdata[c("diabates","status")]patientdata$agetable(patientdata$diabates,patientdat a$status) #生成列联表#在每个变量名前都输一边数据框名$太麻烦了，走一些捷径：attach()/detach()/with()summary(mtcars$mpg)plot(mtcars$mpg,mtcars$disp)plot(mtcars$mpg,mtcars$wt)#也可写成attach(mtcars) #将数据框添加到R的搜索路径中summary(mpg)plot(mpg,disp)plot(mpg,wt)detach(mtcars) #将数据框从搜索路径中移除#也可写成with(mtcars,{print(summary(mpg))plot(mpg,disp)plot(mpg,wt)})#with赋值仅在括号内生效，若需创建在括号外生效的变量，是用特殊赋值符号<<- with(mtcars,{nokeepstats <- summary(mpg)keepstats<<-summary(mpg)})nokeepstatskeepstats#实例标识符patientID <- c(1,2,3,4)age <- c(25,34,28,52)diabates <- c("type1","type2","type1","type1")status <- c("poor","improved","excellent","poor")patientdata <- data.frame(patientID,age,diabates,status,rs = patientID) #指定patientID作为打印输出和图形中实例名称所用变量#因子：名义和有序变量在R中称为因子diabates <- c("type1","type2","type1","type1")diabates <- factor(diabates)status <- c("poor","improved","excellent","poor")status <- factor(status,ordered = T) #1=excellent2=improved 3=poorstatus <- factor(status,order=T,levels = c("poor","improved","excellent")) #指定levels覆盖默认顺序sex <- factor(sex,levels = c(1,2),labels = c("male","female")) #数值型变量编码成因子，所有非1非2均被当做缺失值#P28 2-6因子的使用patientID <- c(1,2,3,4)age <- c(25,34,28,52)diabates <- c("type1","type2","type1","type1")status <- c("poor","improved","excellent","poor")diabates <- factor(diabates)status <- factor(status,ordered = T)patientdata <- data.frame(patientID,age,diabates,status)str(patientdata) #显示数据框的信息summary(patientdata) #区别对待不同类型变量#列表：R中最复杂的数据类型，是一些对象的有序集合。
实验 R语言
1 Introduction to R 1.6 Packages
install.packages( ) # a list of CRAN mirror sites install.packages("gclus") # install the gclus package library( ) # a list of packages library(gclus) # loading the gclus package help(package="gclus") # provides a brief description
3 Basic graphs 3.3 Histograms
data <- read.table("barplot.csv", header=TRUE, sep=",") hist(data$mpg, breaks=12, xlab="Miles Per Gallon")
3 Basic graphs
y <- mean(x, na.rm=TRUE) # arithmetic mean
3 Basic graphs 3.1 Bar plots
1. Simple Bar Plot
data <- read.table("barplot.csv", header=TRUE, sep=",") counts <- table(data$Improved) barplot(counts, main="Simple Bar Plot", xlab="Improvement", ylab="Frequency")
R语言实验
精心整理实验8假设检验（二）一、实验目的：1.掌握若干重要的非参数检验方法（ 2检验——列联表独立性检验，Mcnemar检验——对一个样本两种研究方法是否有差异的检验，符号检验，Wilcoxon 符号秩检验，Wilcoxon秩和检验）；2.掌握另外两个相关检验：Spearman秩相关检验，Kendall秩相关检验。
二、实验内容：练习：要求：①完成练习并粘贴运行截图到文档相应位置(截图方法见下)，并将所有自己输入文字的字体颜色设为红色（包括后面的思考及小结），②回答思考题，③简要书写实验小结。
④修改本文档名为“本人完整学号姓名1”，其中1表示第1次实验，以后更改为2,3,...。
如文件名为“09张立1”，表示学号为09的张立同学的第1次实验，注意文件名中没有空格及任何其它字符。
最后连同数据文件、源程序文件等（如果有的话，本次实验没有），一起压缩打包发给课代表，压缩包的文件名同上。
截图方法：法1：调整需要截图的窗口至合适的大小，并使该窗口为当前激活窗口（即该窗口在屏幕最前方），按住键盘Alt键（空格键两侧各有一个）不放，再按键盘右上角的截图键（通常印有“印屏幕”或“PrScrn”等字符），即完成截图。
再粘贴到word文档的相应位置即可。
法2：利用QQ输入法的截屏工具。
点击QQ输入法工具条最右边的“扳手”图标，选择其中的“截屏”工具。
）1.自行完成教材第五章的例题。
2.（习题5.11）为研究分娩过程中使用胎儿电子监测仪对剖腹产率有无影响，对5824例分娩的经产妇进行回顾性调查，结果如下表所示，试进行分析。
5824例经产妇回顾性调查结果HHP=9.552e-10<0.05,拒绝原假设，分娩过程中使用胎儿电子监测仪对剖腹产率有影响3.（习题5.12）在高中一年级男生中抽取300名考察其两个属性：B是1500米长跑，C是每天平均锻炼时间，得到4×3列联表，如下表所示。
试对 =0.05，检验B 与C是否独立。
R语言实战(第2版)
目录分析
第2章创建数据集
第1章 R语言介绍
第3章图形初阶
第4章基本数 据管理
第5章高级数 据管理
1.1为何要使用R 1.2 R的获取和安装 1.3 R的使用 1.4包 1.5批处理 1.6将输出用为输入：结果的重用 1.7处理大数据集 1.8示例实践 1.9小结
2.1数据集的概念 2.2数据结构 2.3数据的输入 2.4数据集的标注 2.5处理数据对象的实用函数 2.6小结
第23章使用 lattice进行 高级绘图
19.1 R中的四种图形系统 19.2 ggplot2包介绍 19.3用几何函数指定图的类型 19.4分组 19.5刻面 19.6添加光滑曲线 19.7修改ggplot2图形的外观 19.8保存图形 19.9小结
20.1 R语言回顾 20.2环境 20.3面向对象的编程 20.4编写有效的代码 20.5调试 20.6深入学习 20.7小结
23.1 lattice包 23.2调节变量 23.3面板函数 23.4分组变量 23.5图形参数 23.6自定义图形条带 23.7页面布局 23.8深入学习
作者介绍
这是《R语言实战（第2版）》的读书笔记模板，暂无该书作者的介绍。
谢谢观看
10.1假设检验速览 10.2用pwr包做功效分析 10.3绘制功效分析图形 10.4其他软件包 10.5小结
11.1散点图 11.2折线图 11.3相关图 11.4马赛克图 11.5小结
12.1置换检验 12.2用coin包做置换检验 12.3 lmPerm包的置换检验 12.4置换检验点评 12.5自助法 12.6 boot包中的自助法 12.7小结
3.1使用图形 3.2一个简单的例子 3.3图形参数 3.4添加文本、自定义坐标轴和图例 3.5图形的组合 3.6小结
实验二
(1) ，
(2)在同一图形中，画出四幅不同图形：
其中 。
8.随机变量 具有参数 和未知参数 的二项式分布，在一次观测中得到 的观测值为4，请画出 的取值在0到1之间的似然函数及对数似然函数的图形，并根据图形估计 的极大似然估计值。
9.作出 的图形。
10. R的MASS包中crabs数据框记录了200只紫岩蟹的形态学数据，请做散点图回答以下问题(要求：显示图例和标题)：
现代统计分析与R语言实验名：学号：日期：
1、实验目的
1.熟悉R语言常用命令；
2.熟悉R语言的常用数据对象；
3.掌握R语言编程；
4.了解R语言的面向对象程序属性。
二、实验要求
写出在命令和运行结果,如果输出结果较长，可以列出部分或者重要的结果；
参考资料：Modern Applied statistics with S;统计建模与R软件。
三、实验内容
1.读取exp2-1.txt文本中数据存入矩阵IR中，其维数与原数据文件相同。
2.读取bankloan.xls中数据存入数据框mybank中。
3.将R的MASS包中数据框whiteside输出到whiteside.txt和whiteside.csv中。
4.Fibonacci数组的元素满足Fibonacci规则： ， ；且 。现要求该数组中第一个大于10000的元素。
5.在R中定义分段函数 ，计算f(-7), f(1),f(5), f(9)
6.球场上，一足球运动员开出角球，初速度是v(m/s)，初速度与水平面的夹角是 ，不计空气阻力，球飞行过程中没有触碰到任何人员，球始终在与球场垂直的同一平面内飞行，以发球点作为原点：(1)请编写一个函数计算t秒后球的位置，重力加速度作为函数参数默认为9.8m/s;(2)当该球员开出角球的初速度为20m/s，角度为53度时，请画出该球的飞行轨迹。
R语言实验报告.
一、试验目的R是用于统计分析、绘图的语言和操作环境。
R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
本次试验要求掌握了解R语言的各项功能和函数，能够通过完成试验内容对R语言有一定的了解，会运用软件对数据进行分析。
二、试验环境Windows系统，RGui（32-bit）三、试验内容模拟产生电商专业学生名单(学号区分)，记录高数、英语、网站开发三科成绩，然后进行统计分析。
假设有的100 名学生，起始学号为210222001，各科成绩取整，高数成绩为均匀分布随机数，都在75分以上。
英语成绩为正态分布，平均成绩80，标准差为7。
网站开发成绩为正态分布，平均成绩83，标准差为18。
把正态分布中超过100分的成绩变成100分。
1 把上述信息组合成数据框，并写到文本文件中;2计算各种指标:平均分，每个人的总分，最高分，最低分，（使用apply 函数）3求总分最高的同学的学号4绘各科成绩直方图、散点图、柱状图丶饼图丶箱尾图（要求指定颜色和缺口）5画星相图，解释其含义6画脸谱图，解释其含义，7画茎叶图、qq图四、试验实现（一）按要求随机生成学号，和对于的高数、英语、网站开发三科成绩。
A、生成学号B、生成高数成绩高数成绩要求：高数成绩为均匀分布随机数，都在75分以上均匀分布函数：runif(n,min=0,max=1)其中，n 为产生随机值个数（长度），min为最小值，max为最大值。
C、生成英语成绩英语成绩要求：正态分布，平均成绩80，标准差为7正态分布函数：rnorm(n, mean = 0, sd = 1)其中，n 为产生随机值个数（长度），mean 是平均数，sd 是标准差。
D、生成网站开发成绩网站开发成绩要求：网站开发成绩为正态分布，平均成绩83，标准差为18。
其中大于100的都记为100。
（二）把上述信息组合成数据框，并写到文本文件中; 计算各种指标:平均分，每个人的总分，最高分，最低分，（使用apply 函数）A、生成文本文件B、打开数据框C、在数据框中命名变量D、计算各种指标:平均分，每个人的总分，最高分，最低分平均分（x4）：总分(x5)：最低分(x6)：最高分(x7)：（三）将生成成绩写入文本文件中（四）求总分最高的同学的学号（五）绘各科成绩直方图、散点图、柱状图丶饼图丶箱尾图（要求指定颜色和缺口）直方图散点图柱状图饼图箱尾图（要求指定颜色和缺口）（六）画星相图，解释其含义（七）画脸谱图，解释其含义（八）画茎叶图（九）qq图五、试验总结这次试验是我第一次接触R语言，刚开始遇到了很多困难，对于R语言一窍不通，后来经过老师的悉心指导，以及自己积极的去查找资料，对R语言有了进一步的了解。
R语言实验指导书二
R语言实验指导书
二
R语言实验指导书（二）
10月27日
实验三创立和使用R语言数据集
一、实验目的：
1.了解R语言中的数据结构。
2.熟练掌握她们的创立方法，和函数中一些参数的使用。
3.对创立的数据结构进行，排序、查找、删除等简单的操作。
二、实验内容：
1.向量的创立及因子的创立和查看
有一份来自澳大利亚所有州和行政区的20个税务会计师的信息样本1 以及她们各自所在地的州名。
州名为：tas, sa, qld, nsw, nsw, nt, wa, wa, qld, vic, nsw, vic, qld, qld, sa, tas, sa, nt, wa, vic。
1)将这些州名以字符串的形式保存在state当中。
2)创立一个为这个向量创立一个因子statef。
3)使用levels函数查看因子的水平。
2.矩阵与数组。
i.创立一个4*5的数组如图，创立一个索引矩阵如图，用
这个索引矩阵访问数组，观察结果。
3.将之前的state，数组，矩阵合在一起创立一个长度为3的
列表。
4.创立一个数据框如图。
aqaqwfdewf3rf4r2t5675j76j''76j-764=y[p42f4ffvf3lfpo2kf-]2-01o-2ed3e41fdede31deqd (2)
![aqaqwfdewf3rf4r2t5675j76j''76j-764=y[p42f4ffvf3lfpo2kf-]2-01o-2ed3e41fdede31deqd (2)](https://img.taocdn.com/s3/m/f30b033df7ec4afe05a1df44.png)
张然
R的获取和安装
1、R可以在CRAN（Comprehensive R Archive Network）上免费下载
2、在https:///下载RStudio
R 的使用
1、R是一种区分大小写的解释型语言,一次交互 式会话期间的所有数据对象都被保存在内存中。
2、示例及帮助函数help.start()
3、输入与输出
R 的工作空间
1、工作空间（workspace）就是当前R的工作环 境，它储存着所有用户定义的对象（向量、矩阵、 函数、数据框、列表） 。在一个R会话结束时， 你可以将当前工作空间保存到一个镜像中，并在 下次启动R时自动载入它。
2、使用函数getwd()来查看当前的工作目录
3、使用函数setwd()设定当前的工作目录
R 的包的
格式组成的集合。计算机上存储包的目录称为库 (library)。library()则可以显示库中有哪些包。 2、从/web/packages下载。 3、使用命令install.packages()即可 4、例如，要使用gclus包，执行命令library(gclus)即可。 5、使用命令update.packages()可以更新已经安装的包。
结束语
本章的学习保证了R语言的正常运行。在下一章 中，我们将着眼于R能够处理的各种数据类型。
R语言实战第二章代码
data() #查看数据集列表data(CO2) #载入CO2数据集（来自datasets）library(MASS) #载入package MASSdata(package="MASS") #查看MASS中数据集data(SP500,package="MASS") #载入MASS中的SP500数据集，也可简化为data(SP500)#2.1.2getwd() #返回当前工作目录，"C:/Users/DELL/Documents"setwd("d:/data") #也可以写成setwd("d:\\data")“/ ”或“\\”getwd() #"返回当前工作目录d:/data"read.table(file, header=FALSE,sep=””,quote=”\” ,dec=”.“,, as.is=!stringsAsFactors,na.strings=”NA”,skip=0, strip.white=FALSE,blank.lines.skip=TRUE,comment.char=”#”)dec #设置用来表示小数点的字符；s #向量的行名，默认为1,2,3.。
na.strings #赋给缺数据的值（NA）skip #开始读取数据前跳过的数据文件行数（一般为标题行）strip.white #（是否消除空白字符）blank.lines.skip #（是否跳过空白行）data=read.table("d:/data/salary.txt",header=T) #读取数据，没有事先设定工作目录时data=read.table("salary.txt",header=T) #出现缺失值会报错，不是有效读取大数data #显示数据data=read.csv("salary.csv",header=T) #出现缺失值会自动填补NA一种更灵活的指令---函数scan()scan(file=””, what=double(), nmax=-1, n=-1, sep=””,skip=0,nlines=0, na.strings=”NA”....))scan()函数中如果不加参数，可以手动输入数据；scan()函数不存在header参数what--指定要读取的数据类型，支持logical, integer, numeric,complex,character,raw,listdata2=scan("salary.txt",skip=1,what=list(City="",Work=0,Price=0,Salary=0))#说明要创建列表，指定了列表中的对象名称，指定city是字符型，其他是数值型变量。
r语言实验报告
r语言实验报告R语言实验报告引言R语言是一种广泛应用于数据分析和统计建模的开源编程语言，具有丰富的包和函数库，适用于各种数据处理和可视化任务。
本实验旨在探讨R语言在数据处理和可视化方面的应用，通过实际案例展示其强大的功能和灵活性。
数据导入与处理我们需要导入数据集，并进行初步的处理。
在R语言中，可以使用read.csv()函数导入csv格式的数据文件，然后通过head()函数查看数据的前几行，以了解数据结构和内容。
接下来，可以使用subset()函数筛选出需要的数据列，并使用na.omit()函数删除缺失值，确保数据的完整性和准确性。
数据可视化数据可视化是数据分析的重要环节，可以帮助我们更直观地理解数据的分布和关系。
在R语言中，可以使用ggplot2包来绘制各种类型的图表，如散点图、折线图和直方图等。
通过设置不同的参数和颜色，可以定制化图表的样式，使其更具有美感和可读性。
统计分析除了数据可视化，R语言还提供了丰富的统计分析函数，可以帮助我们进行各种统计推断和建模分析。
例如，可以使用lm()函数进行线性回归分析，通过summary()函数查看回归模型的拟合效果和显著性检验结果。
此外，还可以使用t.test()函数进行假设检验，判断样本均值之间是否存在显著差异。
结果解释与总结我们需要对分析结果进行解释和总结。
在解释结果时，应该清晰地说明分析方法和推断过程，避免歧义和误导。
在总结部分，可以简要概括分析的主要发现和结论，指出数据分析对问题的解决和决策的重要性和价值。
结论通过本实验，我们深入探讨了R语言在数据处理和可视化方面的应用，展示了其强大的功能和灵活性。
R语言不仅可以帮助我们高效地处理和分析数据，还可以帮助我们更好地理解数据的特征和规律。
希望本实验可以帮助读者更好地掌握R语言的应用技巧，提升数据分析和统计建模的能力。
R语言上机实验
一、数据可视化1.对于iris数据，用每类花（iris$Speciees）的样本数作为高度，制作条形图。
2.用每类花的Sepal.Length、Sepal.Width、Petal.Length、Petal.Width的平均值分别制作条形图，四图同显。
3.分别制作Sepal.Length、Sepal.Width、Petal.Length、Petal.Width的直方图（用密度值做代表，设置prob=T）,添加拟合的密度曲线，四图同显。
二、中国地图：（Note：首先从网上下载GIS数据，解压到GIS_data目录。
/wp-content/uploads/2009/07/chinaprovinceborderdata _tar_gz.zip）setwd('F:/GIS_data') ### 设置工作目录install.packages('maptools');library(maptools)china<- readShapePoly('bou2_4p.shp') ### 获得各省的边界信息plot(china)>> names(map_data)[1] "AREA" "PERIMETER" "BOU2_4M_" "BOU2_4M_ID" "ADCODE93"[6] "ADCODE99" "NAME"可以看出map_data中有7列，对应的字段名如上面显示。
>> map_data$AREA #925个区域单元的面积>> map_data$PERIMETER #925个区域单元的周长>> map_data$BOU2_4M_ #没有重复的数字，2~926，可作为区域单元ID>> map_data$BOU2_4M_ID #有重复数字，特定情况下可作为区域单元ID>> map_data$ADCODE93 #93版ADCODE地理编码>> map_data$ADCODE93 #99版ADCODE地理编码>> map_data$NAME #各区域单元所隶属的省级行政单元的名称>> unique(map_data$NAME) #查看各区域的名称是什么文本[1] 黑龙江省内蒙古自治区新疆维吾尔自治区吉林省[5] 辽宁省甘肃省河北省北京市[9] 山西省天津市陕西省宁夏回族自治区[13] 青海省山东省西藏自治区河南省[17] 江苏省安徽省四川省湖北省[21] 重庆市上海市浙江省湖南省[25] 江西省云南省贵州省福建省[29] 广西壮族自治区台湾省广东省香港特别行政区[33] 海南省<NA>33 Levels: 安徽省北京市福建省甘肃省广东省广西壮族自治区 ...重庆市provname=c("北京市","天津市","河北省","山西省","内蒙古自治区", "辽宁省","吉林省","黑龙江省","上海市","江苏省", "浙江省","安徽省","福建省","江西省","山东省", "河南省","湖北省","湖南省","广东省","广西壮族自治区","海南省","重庆市","四川省","贵州省", "云南省","西藏自治区","陕西省","甘肃省","青海省","宁夏回族自治区","新疆维吾尔自治区","台湾省", "香港特别行政区") ###省份向量pop=c(1633,1115,6943,3393,2405,4298,2730,3824,1858,7625,5060,6118,3581 ,4368,9367,9360,5699,6355,9449,4768,845,2816,8127,3762,4514,284,3748,26 17,552,610,2095,2296,693) ###各省人口向量根据各省人口数量给地图着色。
R语言实验指导书(二)
R语言实验指导书（二）2016年10月27日实验三创建和使用R语言数据集一、实验目的：1.了解R语言中的数据结构。
2.熟练掌握他们的创建方法，和函数中一些参数的使用。
3.对创建的数据结构进行，排序、查找、删除等简单的操作。
二、实验内容：1.向量的创建及因子的创建和查看有一份来自澳大利亚所有州和行政区的20个税务会计师的信息样本 1 以及他们各自所在地的州名。
州名为：tas, sa, qld, nsw, nsw, nt, wa, wa, qld, vic, nsw, vic, qld, qld, sa, tas, sa, nt, wa, vic。
1)将这些州名以字符串的形式保存在state当中。
2)创建一个为这个向量创建一个因子statef。
3)使用levels函数查看因子的水平。
2.矩阵与数组。
i.创建一个4*5的数组如图，创建一个索引矩阵如图，用这个索引矩阵访问数组，观察结果。
3.将之前的state，数组，矩阵合在一起创建一个长度为3的列表。
4.创建一个数据框如图。
5.将这个数据框按照mpg列进行排序。
6.访问数据框中drat列值为3.90的数据。
三、实验要求要求学生熟练掌握向量、矩阵、数据框、列表、因子的创建和使用。
实验四数据的导入导出一、实验目的1.熟练掌握从一些包中读取数据。
2.熟练掌握csv文件的导入。
3.创建一个数据框，并导出为csv格式。
二、实验内容1.创建一个csv文件（内容自定），并用readtable函数导入该文件。
2.查看R语言自带的数据集airquality（纽约1973年5-9月每日空气质量）。
3.列出airquality的前十列，并将这前十列保存到air中。
4.查看airquality中列的对象类型。
5.查看airquality数据集中各成分的名称6.将air这个数据框导出为csv格式文件。
（write.table (x, file ="", sep="", s =TRUE, s =TRUE, quote =TRUE)）三、实验要求要求学生掌握从包中读取数据，导入csv文件的数据，并学会将文件导出。
R语言实战（第2版）
R语⾔实战（第2版）R语⾔实战(第2版)对第1版的赞誉第2版的不同之处读者对象本书结构对数据挖掘者的建议例⼦作者在线关于封⾯图⽚第⼀部⼊门1 R语⾔介绍1.1 为何要使⽤R1.2 R的获取和安装1.3 R的使⽤1.3.1 新⼿上路1.3.2 获取帮助1.3.3 ⼯作空间1.3.4 输⼊和输出1.4 包1.4.1 什么是包1.4.2 包的安装1.4.3 包的载⼊1.4.4 包的使⽤⽅法1.5 批处理1.6 将输出⽤为输⼊：结果的重⽤1.7 处理⼤数据集1.8 ⽰例实践1.9 ⼩结2 创建数据集2.1 数据集的概念2.2 数据结构2.2.1 向量2.2.2 矩阵2.2.3 数组2.2.4 数据框2.2.5 因⼦2.2.6 列表2.3 数据的输⼊2.3.1 使⽤键盘输⼊数据2.3.2 从带分隔符的⽂本⽂件导⼊数据2.3.3 导⼊Excel数据2.3.4 导⼊XML数据2.3.5 从⽹页抓取数据2.3.6 导⼊SPSS数据2.3.7 导⼊SAS数据2.3.8 导⼊Stata数据2.3.9 导⼊NetCDF数据2.3.10 导⼊HDF5数据2.3.11 访问数据库管理系统2.4.2 值标签2.5 处理数据对象的实⽤函数2.6 ⼩结3 图形初阶3.1 使⽤图形3.2 ⼀个简单的例⼦3.3 图形参数3.3.1 符号和线条3.3.2 颜⾊3.3.3 ⽂本属性3.3.4 图形尺⼨与边界尺⼨3.4 添加⽂本、⾃定义坐标轴和图例3.4.1 标题3.4.2 坐标轴3.4.3 参考线3.4.4 图例3.4.5 ⽂本标注3.4.6 数学标注3.5 图形的组合图形布局的精细控制3.6 ⼩结4 基本数据管理4.1 ⼀个⽰例4.2 创建新变量4.3 变量的重编码4.4 变量的重命名4.5 缺失值4.5.1 重编码某些值为缺失值4.5.2 在分析中排除缺失值4.6 ⽇期值4.6.1 将⽇期转换为字符型变量4.6.2 更进⼀步4.7 类型转换4.8 数据排序4.9 数据集的合并4.9.1 向数据框添加列4.9.2 向数据框添加⾏4.10 数据集取⼦集4.10.1 选⼊（保留）变量4.10.2 剔除（丢弃）变量4.10.3 选⼊观测4.10.4 subset()函数4.10.5 随机抽样4.11 使⽤SQL语句操作数据框4.12 ⼩结5 ⾼级数据管理5.1 ⼀个数据处理难题5.2 数值和字符处理函数5.2.1 数学函数5.2.2 统计函数5.2.6 将函数应⽤于矩阵和数据框5.3 数据处理难题的⼀套解决⽅案5.4 控制流5.4.1 重复和循环5.4.2 条件执⾏5.5 ⽤户⾃编函数5.6 整合与重构5.6.1 转置5.6.2 整合数据5.6.3 reshape2包5.7 ⼩结第⼆部基本⽅法6 基本图形6.1 条形图6.1.1 简单的条形图6.1.2 堆砌条形图和分组条形图6.1.3 均值条形图6.1.4 条形图的微调6.1.5 棘状图6.2 饼图6.3 直⽅图6.4 核密度图6.5 箱线图6.5.1 使⽤并列箱线图进⾏跨组⽐较6.5.2 ⼩提琴图6.6 点图6.7 ⼩结7 基本统计分析7.1 描述性统计分析7.1.1 ⽅法云集7.1.2 更多⽅法7.1.3 分组计算描述性统计量7.1.4 分组计算的扩展7.1.5 结果的可视化7.2 频数表和列联表7.2.1 ⽣成频数表7.2.2 独⽴性检验7.2.3 相关性的度量7.2.4 结果的可视化7.3 相关7.3.1 相关的类型7.3.2 相关性的显著性检验7.3.3 相关关系的可视化7.4 t检验7.4.1 独⽴样本的t检验7.4.2 ⾮独⽴样本的t检验7.4.3 多于两组的情况7.5 组间差异的⾮参数检验7.5.1 两组的⽐较7.5.2 多于两组的⽐较7.7 ⼩结第三部中级⽅法8 回归8.1 回归的多⾯性8.1.1 OLS回归的适⽤情境8.1.2 基础回顾8.2 OLS回归8.2.1 ⽤lm()拟合回归模型8.2.2 简单线性回归8.2.3 多项式回归8.2.4 多元线性回归8.2.5 有交互项的多元线性回归8.3 回归诊断8.3.1 标准⽅法8.3.2 改进的⽅法8.3.3 线性模型假设的综合验证8.3.4 多重共线性8.4 异常观测值8.4.1 离群点8.4.2 ⾼杠杆值点8.4.3 强影响点8.5 改进措施8.5.1 删除观测点8.5.2 变量变换8.5.3 增删变量8.5.4 尝试其他⽅法8.6 选择“最佳”的回归模型8.6.1 模型⽐较8.6.2 变量选择8.7 深层次分析8.7.1 交叉验证8.7.2 相对重要性8.8 ⼩结9 ⽅差分析9.1 术语速成9.2 ANOVA模型拟合9.2.1 aov()函数9.2.2 表达式中各项的顺序9.3 单因素⽅差分析9.3.1 多重⽐较9.3.2 评估检验的假设条件9.4 单因素协⽅差分析9.4.1 评估检验的假设条件9.4.2 结果可视化9.5 双因素⽅差分析9.6 重复测量⽅差分析9.7 多元⽅差分析9.7.1 评估假设检验9.7.2 稳健多元⽅差分析9.8 ⽤回归来做ANOVA9.9 ⼩结10 功效分析10.2 ⽤pwr包做功效分析10.2.1 t 检验10.2.2 ⽅差分析10.2.3 相关性10.2.4 线性模型10.2.5 ⽐例检验10.2.6 卡⽅检验10.2.7 在新情况中选择合适的效应值10.3 绘制功效分析图形10.4 其他软件包10.5 ⼩结11 中级绘图11.1 散点图11.1.1 散点图矩阵11.1.2 ⾼密度散点图11.1.3 三维散点图11.1.4 旋转三维散点图11.1.5 ⽓泡图11.2 折线图11.3 相关图11.4 马赛克图11.5 ⼩结12 重抽样与⾃助法12.1 置换检验12.2 ⽤coin包做置换检验12.2.1 独⽴两样本和K样本检验12.2.2 列联表中的独⽴性12.2.3 数值变量间的独⽴性12.2.4 两样本和K样本相关性检验12.2.5 深⼊探究12.3 lmPerm包的置换检验12.3.1 简单回归和多项式回归12.3.2 多元回归12.3.3 单因素⽅差分析和协⽅差分析12.3.4 双因素⽅差分析12.4 置换检验点评12.5 ⾃助法12.6 boot包中的⾃助法12.6.1 对单个统计量使⽤⾃助法12.6.2 多个统计量的⾃助法12.7 ⼩结第四部⾼级⽅法13 ⼴义线性模型13.1 ⼴义线性模型和glm()函数13.1.1 glm()函数13.1.2 连⽤的函数13.1.3 模型拟合和回归诊断13.2 Logistic回归13.2.1 解释模型参数13.2.2 评价预测变量对结果概率的影响13.2.3 过度离势13.2.4 扩展13.3.1 解释模型参数13.3.2 过度离势13.3.3 扩展13.4 ⼩结14 主成分分析和因⼦分析14.1 R中的主成分和因⼦分析14.2 主成分分析14.2.1 判断主成分的个数14.2.2 提取主成分14.2.3 主成分旋转14.2.4 获取主成分得分14.3 探索性因⼦分析14.3.1 判断需提取的公共因⼦数14.3.2 提取公共因⼦14.3.3 因⼦旋转14.3.4 因⼦得分14.3.5 其他与EFA相关的包14.4 其他潜变量模型14.5 ⼩结15 时间序列15.1 在R中⽣成时序对象15.2 时序的平滑化和季节性分解15.2.1 通过简单移动平均进⾏平滑处理15.2.2 季节性分解15.3 指数预测模型15.3.1 单指数平滑15.3.2 Holt指数平滑和Holt-Winters指数平滑15.3.3 ets()函数和⾃动预测15.4 ARIMA预测模型15.4.1 概念介绍15.4.2 ARMA和ARIMA模型15.4.3 ARIMA的⾃动预测15.5 延伸阅读15.6 ⼩结16 聚类分析16.1 聚类分析的⼀般步骤16.2 计算距离16.3 层次聚类分析16.4 划分聚类分析16.4.1 K均值聚类16.4.2 围绕中⼼点的划分16.5 避免不存在的类16.6 ⼩结17 分类17.1 数据准备17.2 逻辑回归17.3 决策树17.3.1 经典决策树17.3.2 条件推断树17.4 随机森林17.5 ⽀持向量机选择调和参数17.7 ⽤rattle包进⾏数据挖掘17.8 ⼩结18 处理缺失数据的⾼级⽅法18.1 处理缺失值的步骤18.2 识别缺失值18.3 探索缺失值模式18.3.1 列表显⽰缺失值18.3.2 图形探究缺失数据18.3.3 ⽤相关性探索缺失值18.4 理解缺失数据的来由和影响18.5 理性处理不完整数据18.6 完整实例分析（⾏删除）18.7 多重插补18.8 处理缺失值的其他⽅法18.8.1 成对删除18.8.2 简单（⾮随机）插补18.9 ⼩结第五部技能拓展<19 使⽤ggplot2进⾏⾼级绘图19.1 R中的四种图形系统19.2 ggplot2包介绍19.3 ⽤⼏何函数指定图的类型19.4 分组19.5 刻⾯19.6 添加光滑曲线19.7 修改ggplot2图形的外观19.7.1 坐标轴19.7.2 图例19.7.3 标尺19.7.4 主题19.7.5 多重图19.8 保存图形19.9 ⼩结20 ⾼级编程20.1 R语⾔回顾20.1.1 数据类型20.1.2 控制结构20.1.3 创建函数20.2 环境20.3 ⾯向对象的编程20.3.1 泛型函数20.3.2 S3模型的限制20.4 编写有效的代码20.5 调试20.5.1 常见的错误来源20.5.2 调试⼯具20.5.3 ⽀持调试的会话选项20.6 深⼊学习20.7 ⼩结21 创建包21.1 ⾮参分析和npar包⽤npar包⽐较分组21.2.1 计算统计量21.2.2 打印结果21.2.3 汇总结果21.2.4 绘制结果21.2.5 添加样本数据到包21.3 创建包的⽂档21.4 建⽴包21.5 深⼊学习21.6 ⼩结22 创建动态报告22.1 ⽤模版⽣成报告22.2 ⽤R和Markdown创建动态报告22.3 ⽤R和LaTeX创建动态报告22.4 ⽤R和Open Document创建动态报告22.5 ⽤R和Microsoft Word创建动态报告22.6 ⼩结23 使⽤lattice进⾏⾼级绘图23.1 lattice包23.2 调节变量23.3 ⾯板函数23.4 分组变量23.5 图形参数23.6 ⾃定义图形条带23.7 页⾯布局23.8 深⼊学习附录 A 图形⽤户界⾯附录 B ⾃定义启动环境附录 C 从R中导出数据C.1 符号分隔⽂本⽂件C.2 Excel电⼦表格C.3 统计学程序附录 D R中的矩阵运算附录 E 本书中⽤到的扩展包附录 F 处理⼤数据集F.1 ⾼效程序设计F.2 在内存之外存储数据F.3 ⽤于⼤数据的分析包F.4 超⼤数据集的全⾯解决⽅案附录 G 更新RG.1 ⾃动安装（仅适⽤于Windows）G.2 ⼿动安装（Windows和Mac OS X）G.3 更新R（Linux）后记：探索R的世界思维导图防⽌博客图床图⽚失效，防⽌图⽚源站外链：)思维导图在线编辑链接：。
R语言上级实验二
理学院实验报告班级：学号：姓名：实验编号：实验二：R中数据的载入和处理、R编程和作图一、实验目的与要求：１、掌握数据的几种读取方法。
２、掌握数据子集的访问和处理方法。
3、掌握R的基本绘图方法(三大系统中的基本作图函数)。
4、掌握R的编程方法。
二、实验内容：1.用三种方法将数据集cherrytrs.xls读入到R中：(1)直接读入excel表格，并命名为cherry.xls。
> install.packages('readxl')--- 在此連線階段时请选用CRAN的鏡子---> library('readxl')> setwd("C:/Users/Administrator/Desktop")> cherry.xls <- read_excel("cherrytrs.xls",sheet=1)New names:* `` -> (1)> names(cherry.xls)[1] "...1" "Girth" "Height" "Volume" "Site"(2)用read.table读入制表分位符文件，并命名为cherry.txt。
> cherry.txt <- read.table("cherrytrs.txt",header=T,sep="\t")> names(cherry.txt)[1] "X" "Girth" "Height" "Volume" "Site"(3)用read.csv读入逗号分割符文件，并命名为cherry.csv.> cherry.csv<-read.csv("cherrytrs.csv",header=T,sep=",")> names(cherry.csv)[1] "X" "Girth" "Height" "Volume" "Site"2.编一个去掉某个向量中的缺失值的函数，输出结果为该变量的所以非缺失值，还要提示去掉几个缺失值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
R语言实验指导书（二）2016年10月27日实验三创建和使用R语言数据集一、实验目的：1.了解R语言中的数据结构。
2.熟练掌握他们的创建方法，和函数中一些参数的使用。
3.对创建的数据结构进行，排序、查找、删除等简单的操作。
二、实验内容：1.向量的创建及因子的创建和查看有一份来自澳大利亚所有州和行政区的20个税务会计师的信息样本 1 以及他们各自所在地的州名。
州名为：tas, sa, qld, nsw, nsw, nt, wa, wa, qld, vic, nsw, vic, qld, qld, sa, tas, sa, nt, wa, vic。
1)将这些州名以字符串的形式保存在state当中。
2)创建一个为这个向量创建一个因子statef。
3)使用levels函数查看因子的水平。
2.矩阵与数组。
i.创建一个4*5的数组如图，创建一个索引矩阵如图，用这个索引矩阵访问数组，观察结果。
3.将之前的state，数组，矩阵合在一起创建一个长度为3的列表。
4.创建一个数据框如图。
5.将这个数据框按照mpg列进行排序。
6.访问数据框中drat列值为3.90的数据。
三、实验要求要求学生熟练掌握向量、矩阵、数据框、列表、因子的创建和使用。
实验四数据的导入导出一、实验目的1.熟练掌握从一些包中读取数据。
2.熟练掌握csv文件的导入。
3.创建一个数据框，并导出为csv格式。
二、实验内容1.创建一个csv文件（内容自定），并用readtable函数导入该文件。
2.查看R语言自带的数据集airquality（纽约1973年5-9月每日空气质量）。
3.列出airquality的前十列，并将这前十列保存到air中。
4.查看airquality中列的对象类型。
5.查看airquality数据集中各成分的名称6.将air这个数据框导出为csv格式文件。
（write.table (x, file ="", sep="", s =TRUE, s =TRUE, quote =TRUE)）三、实验要求要求学生掌握从包中读取数据，导入csv文件的数据，并学会将文件导出。
实验五 R语言数据的清洗一、实验目的1.查看数据集的缺失值，并学会对缺失值进行处理。
2.对异常变量重新赋值。
3.将某一列的字符型转化为日期型。
4.利用subset（）获取子集。
二、实验内容1.有一个数据框代码如下，使用summary函数查看，那一列含有缺失值，有几个。
并查看wind列的最大值。
Ozone <- c(41, 36, 12, 18, NA, 28)Solar.R <- c(190, 118, 149, 313, NA, NA)wind <- c(7.4, 8.0, 12.6, 11.5, 14.3, 14.9)Temp <- c(67, 82, 74, 62, 86, 66)date <- c("1997/05/01","1997/05/02","1997/05/03","1997/05/04","1997/05/05","1997/05/06")air <- data.frame(date,Ozone,Solar.R,wind,Temp, stringsAsFactors = FALSE)2.使用class（）函数查看date函数的类型，并将其转化为data型，格式为月/日/年。
3.使用subset（）根据Temp列获取air中Temp大于60小于70的数据。
4.将air中含有缺失值的列去掉。
5.找出Temp中大于85的值将其设置为缺失值。
6.创建一个air1包含两个列q1，q2。
用cbind函数添加到air中。
7.使用names函数查看air的列名，并根据列自己创建一个数据框。
使用rbind函数添加到air中三、实验要求要求学生会用subset获取子集，学会对缺失值进行一些简单的处理和对一些异常值的查找和修改。
实验六高级数据管理一、实验目的1.学会简单的数值和字符处理函数。
2.学会自己编写一个函数。
二、实验内容1.使用下面代码创建roster数据集。
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,stringsAsFactors=FALSE)2.使用length函数查看Student的长度。
3.计算该班级数学的平均成绩，最高成绩。
4.将成绩单按照姓和名进行排序，将学生的各科考试成绩组合为单一的成绩衡量指标、基于相对名次（前 20%，下20%，等等）给出从A到F的评分。
1)使用quantile函数按20%，40%，60%，80%,求分位数。
2)使用变量重命名的方法将grade列分为A、B、C、D、F几个等级。
3)使用strsplit 函数将Student列的名字分割，存到name中。
4)创建一个函数x1，功能为实现返回值为传入参数的第一个值。
5)使用sapply 函数将name中的firstname提取出来。
（“sapply（data，function）”）同理即可提取出lastname。
6)将lastname和firstname与roster合并，同时去掉roster的第一列。
7)将成绩单用姓和名进行排序。
三、实验要求要求学生学会一些简单的数值和字符处理函数。
学会如何自己创建一个函数。
和对一些简单问题的处理。
实验七基本统计分析实验一、实验目的1.学会使用summary函数和Hmisc包中的describe函数来计算统计量。
2.使用table函数生成一维、二维、多维列联表。
3.学会用R实现卡方独立性检验。
4.学会用R进行相关性的度量。
5.学会用R进行Pearson、Spearman和Kendall相关。
6.学会用R进行相关性的显著性检验。
7.学会用R进行组间差异的非参数检验。
二、实验内容1.描述性统计分析1)对R自带的数据集rock（48块石头的形态数据）使用summary函数、Himisc包中的describe函数、pastecs包中的stats.desc函数计算描述性统计量。
2)使用aggregate、doby中的summaryBy对sleep数据集的group列分组获取描述性统计量。
2.频数表和列联表1)加载vcd包中的Arthritis数据集使用table生成简单的频数统计表。
2)使用table、xtabs对Arthritis生成二维列联表。
并使用addmargins为这些表格添加边际和（根据Treatment、Improved）。
3)使用xtabs，table生成三维列联表（根据Treatment、sex、Improved三个因子）。
4)使用chisq.testhan()函数对二维表的行和列进行卡方独立性检验，并观察他们是否独立。
5)使用vcd包中的assocstats()函数计算二维列联表的phi系数、列联系数和Cramer’s V系数。
3.相关1)Pearson、Spearman和Kendall相关a)对state.x77数据集计算方差和协方差、Pearson积差相关系数、Spearman等级相关系数。
b)使用psych包中的corr.test对state.x77数据集Illiteracy、Murder因子计算相关显著性检验4.T检验1)比较了南方（group 1）和非南方（group 0）各州的监禁概率（使用MASS包中的t.test独立样本的t检验，So因子为是否为南方，Prob因子表示监禁率）。
5.组间差异的非参数检验。
1)使用Mann–Whitney U检验回答4中关于监禁率的问题，。
三、实验要求通过本次实验让学生学会基本统计分析用到的频数表、列联表、相关、t检验、组间差异的分参数检验。
让学生可以掌握一些基本的统计分析的概念和如何用R来进行统计分析。