R语言录入数据保存格式转换矩阵
R语言录入数据保存格式转换矩阵https://img-blog.csdnimg.cn/2020022521264910.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTE2NjU3MA==,size_16,color_FFFFFF,t_70index<-c("低收入户","中等偏下户","中等收入户","中等偏上户","高收入户")
year2008<-c(1500,2935,4203,5929,11290)
year2009<-c(1549,3110,4502,6468,12319)
year2010<-c(1870,3621,5222,7441,14050)
year2011<-c(2001,4256,6208,8894,16783)
year2012<-c(2316,4808,7041,10142,19009)
tt<-data.frame("指标"=index,"2008年"=year2008,"2009年"=year2009,"2010年"=year2010,"2011年"=year2011,"2012年"=year2012)
tt
save(tt,file="F:/统计学/实验作业/tt.RData")
load("F:/统计学/实验作业/tt.RData")
matrix1_1<-as.matrix(tt[,2:6])
rownames(matrix1_1)=tt[,1]
save(matrix1_1,file="F:/统计学/实验作业/matrix.RData")
matrix1_1
基础知识：
1.为对象赋值
https://img-blog.csdnimg.cn/20200225224051420.png
2.对对象X进行各种计算和绘图
https://img-blog.csdnimg.cn/20200225224121744.png
3.R包的安装和加载
查看
https://img-blog.csdnimg.cn/20200225224429744.png
在线安装所需包
https://img-blog.csdnimg.cn/20200225224512136.png
一次安装多个包
https://img-blog.csdnimg.cn/20200225224531178.png
要使用包，需要用library()函数或者require()函数载入这个包
4.在R中录入数据
（1）用C函数产生向量
例：names<-c(“张三”,“李四”,“王五”)
https://img-blog.csdnimg.cn/20200225225438862.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTE2NjU3MA==,size_16,color_FFFFFF,t_70
（2）将向量形式的数据组织转换成数据框模式
例：table<-data.frame(“姓名”=names，···)
table
https://img-blog.csdnimg.cn/20200225225557496.png
（3）将向量形式的数据转组织成矩阵
https://img-blog.csdnimg.cn/20200225225731549.png
（4）在R中录入数据并组织成矩阵
https://img-blog.csdnimg.cn/20200225225830276.png
https://img-blog.csdnimg.cn/20200225225853158.png
5. 读取R数据
load(“load(“存储路径 /文件名字.RData”)”)
读取包含标题的csv文件
read.csv(“存储路径 /文件名字.csv”)
读取不包含标题的csv文件
read.csv(“存储路径 /文件名字.csv”,header=FALSE)
导入Excel数据
https://img-blog.csdnimg.cn/2020022523080750.png
导入spss数据
https://img-blog.csdnimg.cn/20200225230839986.png
6.保存数据
R格式
save(table,file=“存储路径 /table.RData”)
csv格式
write.csv(table,file=“存储路径 /table.csv”)
7.查看数据
全部
table
前几行
head(table)
最后几行
tail(table)
8.数据排序
升序：newt1<-t 降 序 ： n e w t 2 < − t [ o r d e r ( − t 地区生产总值),] 降序：newt2<-t降序：newt2<−t
或者：newt2<-t
https://img-blog.csdnimg.cn/20200229195931195.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTE2NjU3MA==,size_16,color_FFFFFF,t_70
https://img-blog.csdnimg.cn/202002291959540.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTE2NjU3MA==,size_16,color_FFFFFF,t_70
变量重命名：
library(reshape)
rename(t,c(“地区生产总值”=“GDP”))
缺失值的处理：
检测：x<-c(2,4,6,NA)
is.na(x)
排除：x<-c(2,4,6,NA)
sum(x)
y<-sum(x,na.rm=TRUE)
页:
[1]