当前位置：文档之家 › R语言学习笔记之五

R语言学习笔记之五

  • 格式：pdf
  • 大小：73.26 KB
  • 文档页数：4

R语⾔学习笔记之五

摘要: 仅⽤于记录R语⾔学习过程：

内容提要：

数据排序：sort()函数、rank()函数、order()函数；

长宽型数据的转换：stack()函数、reshape()函数、reshape2扩展包中的函数：melt()函数、dcast()函数

变量的因⼦化：factor()函数、cut()函数、ifelse()函数、car扩展包中的recode()函数

正⽂： 数据排序、长宽型数据的转换

n 数据排序

u sort()函数:可对数字和字符串进⾏排序

x <- sample(1:100,10) x[1] 64 38 93 74 22 87 59 30 8 24 sort(x) [1] 8 22 24 30 38 59 64 74 87 93 sort(x,decreasing = TRUE) [1] 93 87 74 64 59 38 30 24 22 8 ⽰例⼆：

y <- c('ab','bc','cde','c')

sort(y)

[1] "ab" "bc" "c" "cde"

sort(y,decreasing = TRUE)

[1] "cde" "c" "bc" "ab"

u rank()函数：秩次（排名）：给出数字的位次，如果有两个相同的，取位置的平均数。

⽰例： z <- c(1,2,3,3,4,4,5,6,6,6,7,8)

rank(z)

[1] 1.0 2.0 3.5 3.5 5.5 5.5 7.0 9.0 9.0 9.0 11.0

[12] 12.0

u order()函数：最常⽤。返回的是向量的下标，按照向量从⼩到⼤的顺序返回

> x

[1] 78 75 41 72 85 32 77 47 80 51

> order(x)

[1] 6 3 8 10 4 2 7 1 9 5

> x[order(x)]

[1] 32 41 47 51 72 75 77 78 80 85

也可以对数据框进⾏排序：head(iris[order(iris$我,iris$是),])

n 长宽型数据的转换n 长型：堆栈，数据间有不同的分类（如同属⼀类）；

n 宽型：数据内容相对唯⼀

n stack()函数：（堆栈的意思）

> freshman <- c(12,23,24)

> sophomores <- c(25,36,73)

> juniors <- c(32,46,57)

> data.frame(fr= freshman,so = sophomores,jun = juniors)

fr so jun

1 12 25 32

2 23 36 46

3 24 73 57

> height <- stack(list(fresh =freshman,sopho = sophomores,juni = juniors))

> height

values ind

1 12 fresh

2 23 fresh

3 24 fresh

4 25 sopho

5 36 sopho

6 73 sopho

7 32 juni

8 46 juni

9 57 juni

> tapply(height$values,height$ind,mean) #按照分类求均值，tapply()函数

fresh sopho juni

19.66667 44.66667 45.00000

n reshape()函数：

u 宽型数据：参数设置：reshape（变量名，数值名称，idvar:标识变量，timevar⽤于接收‘次数’，direction 设置为宽型数据格式）

wide <- reshape(Indometh,v.names = 'conc',idvar = 'Subject',

timevar ='time',direction ="wide")

head(wide)

u 长型数据：reshape（⽂件名，idvar,varying指拟⽤于区分出来的内容。）

> long <- reshape(wide,idvar = "subject",varying = list(2:12),

+ v.names = "concentration",direction ="long")

> View(long)

n reshape2扩展包中的函数

u melt()函数：参数设置：data=⽂件名，id.vars 标识变量

new_iris <- melt(data = iris,id.vars = 'Species')

u dcast()函数:参数设置：（⽂件名，公式=标识变量~操作变量，汇总函数=mean，value.var = 需要进⾏汇总的变量）#dcast()⾮常强⼤的函数dcast(new_iris,formula = Species-variable,fun.aggregate = mean,value.var = 'value')

u tips数据集⽰例

dcast(tips,formula = sex~.,fun.aggregate = mean,value.var = 'tip') #给⼩费与性别的关系 （.点表⽰占位符，因为只有⼀个待⽐较的变量）

sex .

1 Female 2.833448

2 Male 3.089618

dcast(data = tips,formula = sex~smoker,fun.aggregate = mean,value.var = 'tip') #给⼩费与性别和抽烟与否的关系

sex No Yes

1 Female 2.773519 2.931515

2 Male 3.113402 3.051167

变量的因⼦化 （即把连续的变量转换为分类变量）

n 公式法

u ⽰例1：

> age <- sample(20:80,20)

> age

[1] 49 64 63 75 74 79 45 66 28 76 60 33 39 77 35 44 31 38 24 53

> age1 <- 1+ (age >30) +(age >40) +(age > 50)

> age1

[1] 3 4 4 4 4 4 3 4 1 4 4 2 2 4 2 3 2 2 1 4

> age_fac <- factor(age1,labels = c('young','middle','m-old','old'))

> age_fac

[1] m-old old old old old old m-old old young old old middle middle

[14] old middle m-old middle middle young old

Levels: young middle m-old old

u ⽰例2：与⽰例1达到相同的结果

> age2 <- 1*(age < 30) + 2*(age >=30 & age < 40) + 3*(age >=40 & age <50)+4*(age>=50)

> age2

[1] 3 4 4 4 4 4 3 4 1 4 4 2 2 4 2 3 2 2 1 4

n cut()法：很常⽤

u ⽰例1：

> age3 <- cut(age,breaks = 4,labels = c('young','middle','m-old','old'),include.lowest = TRUE,

+ right = TRUE)

> age3

[1] middle m-old m-old old old old middle old young old m-old young middle old

[15] young middle young middle young m-old

Levels: young middle m-old old

u ⽰例2：

> age4 <- cut(age,breaks = seq(20,80,length.out = 4),labels = c('young',+ 'middle','old'))

> age4

[1] middle old old old old old middle old young old middle young young old

[15] young middle young young young middle

Levels: young middle old

n ifelse()函数：参数设置test是指待⽤于检验的元素，第⼆个参数代表检验值为真（yes），第三个参数代表检验值为假（false）。很好⽤，很常⽤u ⽰例1：

> ifelse(age > 50,'old','young')

[1] "young" "old" "old" "old" "old" "old" "young"

[8] "old" "young" "old" "old" "young" "young" "old"

[15] "young" "young" "young" "young" "young" "old"

u ⽰例2：

> ifelse(age >60,'old',ifelse(age <30,'young',ifelse ((age >= 30 & age < 45),'m-young','m-old')))

[1] "m-old" "old" "old" "old" "old"

[6] "old" "m-old" "old" "young" "old"

[11] "m-old" "m-young" "m-young" "old" "m-young"

[16] "m-young" "m-young" "m-young" "young" "m-old"

n car扩展包中的recode()函数：参数设置，待变量，recode为重新编码规则

u ⽰例

> recode(var = age, recode ='20:29 = 1;30:39 = 2;40:49 = 3;50:hi = 4')

[1] 3 4 4 4 4 4 3 4 1 4 4 2 2 4 2 3 2 2 1 4

合集下载

学习总结范文8篇

学习总结范文8篇

学习总结范文8篇

篇1

一、引言

本学习总结旨在回顾我在近期学习过程中的收获与成长，梳理所学知识，分析学习方法和效果，总结经验教训，并明确未来的学习方向。通过本次总结，我希望能够对自己在学习过程中的表现有一个清晰的认识，以便更好地规划未来的学习路径。

二、学习内容及过程

近期，我主要学习了XXX领域的相关课程，包括但不限于理论基础、实践操作以及案例分析等方面。在学习过程中，我采用了多种方法，如阅读教材、观看视频课程、参与课堂讨论等。此外，我还积极利用课余时间进行自主学习，通过在线平台查找相关资料，以拓宽知识面。 三、学习收获与成长

1. 知识掌握情况

通过本次学习，我对XXX领域的基础理论知识有了更深入的了解，掌握了相关技能，能够独立完成一些基本的实践操作。此外，我还学会了一些高级技能，如XXX和XXX等。

2. 学习方法改进

在学习过程中，我不断尝试和改进学习方法。例如，在记忆知识点时，我采用了联想记忆法，将知识点与日常生活中的事物相联系，以提高记忆效率。在阅读教材时，我注重捕捉关键信息，做好笔记，以便日后复习。此外，我还积极参与课堂讨论，与同学们交流观点，共同解决问题。

3. 技能提升与问题解决能力增强

通过实践操作和案例分析，我的问题解决能力得到了提升。在面对复杂问题时，我能够冷静分析，找到问题的关键所在，并提出有效的解决方案。此外，我还学会了与他人合作，共同完成任务，提高了团队协作能力。

四、经验教训及反思

一、引言

随着时代的发展和学习需求的日益增长，“深度学习”逐渐成为了我这段时间的核心关键词。在XX专业的学习中我深刻感受到其深度价值及重要性特此撰文总结我的学习成果与感悟分享我的成长经历与未来规划。

二、学习内容概述及深度价值认知

篇2

一、引言

学习是一个永无止境的过程，每一个阶段都需要我们进行反思和总结。本文旨在回顾过去一段时间的学习成果，梳理学习经验，找出存在的问题，并为今后的学习制定明确的计划和方向。

graphlan进一步学习笔记

graphlan进一步学习笔记

graphlan进⼀步学习笔记

写在前⾯：

之前在宏基因组公众号上推送：graphlan最美进化树学习笔记，这⾥我进⾏代码更新。

总的来说，虽然graphlan⼊⼿⽐ggtree难，但是配合R语⾔的注释过程，发现之后的⼯作似乎很简单，⽽且

越是学习，越是⾃由，随便添加，随便改变，只是⽬前还⽆法移植到R中。但是已经有⼈在尝试了。本次完善

graphlan的进化树可视化⼯作。书写笔记，帮助⼤家理解代码（代码会在同物种分类树⼀同更新，并上传

github，尽请期待哦！或者添加⼩编微信进⾏交流，⼆维码见⽂末）

在这⼏天，我们整个学习室的男丁都到江苏省常熟市收获⽔稻，经常不⼲农活，所以⼤家都显得有些疲惫。

本着⽆处不学习，⽆时不学习的原则，我在空余时间将graphlan的⼯作继续完善。

其实基于graphlan的完善，主要分为两个部分，第⼀个部分就是进化树，这也是本次我做的完善⼯作。第⼆

部分就是物种分类树，就这⼀部分，刘永鑫⽼师的NBT给我很好的⽰范，这个也就是我完善物种树的参照。

本次⼯作完善内容： 代码更加优化，将参数统⼀设置在代码开头，并且⽆暗病。

1.annot1拆分为两个部分，为：annot1和annot0。分别为全局参数的三列参数设置和 占两列的参

数设置。

2.对叶节点按照不同门类上⾊，包括注释代码改动。具体为：选取 otu表格中丰度最⾼ 的10个tac并

且上⾊，其他定义为other。同时这部分做图例注释很⿇烦，所以制作代码⼀体化出来注释信息，并添加到

annot1中。

3. 对注释信息进⾏添加，并且进⾏排布： 关于注释信息的添加，存在很多的问题，其中⼀个

就是注释信息的排布，ignore_branch_len0排布为圆形，ignore_branch_len不等于0，则

按照进化树分⽀长短进⾏排布，其实这两种⽅式都不适合⼤树的构建，个⼈觉得注释均⽆

法进⾏很好的展⽰：

4. 添加信息随机森林结果，将otu按照重要程度进⾏分类，并映射成透明度。

【R语言学习笔记】7.将数据划分为训练集、验证集和测试集

【R语言学习笔记】7.将数据划分为训练集、验证集和测试集

【R语⾔学习笔记】7.将数据划分为训练集、验证集和测试集

1. ⽬的：介绍将数据集划分为训练集、验证集和测试集的⽅法。

2. 数据来源：github

3. 此博客主要介绍划分数据的⽅法，因此不对变量做过多介绍。

4. 划分⽅法

4.1 将变量划分为训练集、验证集和测试集

Method 1：

## partitioning into training (50%), validation (30%), and test (20%) sets

# randomly sample 50% of the row IDs for training

train.rows <- sample(rownames(housing.df), dim(housing.df)[1]*0.5)

# sample 30% of the row IDs into the validation set, drawing only from records not already in the training set

# use setdiff() to find records not already in the training set

valid.rows <- sample(setdiff(rownames(housing.df), train.rows), dim(housing.df)[1]*0.3)

# assign the remaining 20% row IDs serve as test

test.rows <- setdiff(rownames(housing.df), union(train.rows, valid.rows))

# create the 3 data frames by collecting all columns from the appropriate rows

housing.train <- housing.df[train.rows, ]

R语言：rep函数解析

R语言：rep函数解析

R语言：rep函数解析

函数形式：rep(x, time = , length = , each = ,)

参数说明：

• x：代表的是你要进行复制的对象，可以是一个向量或者是一个因子。

• times：代表的是复制的次数，只能为正数。负数以及NA值都会为错误值。复制是指的是对整个向量进行复制。

• each：代表的是对向量中的每个元素进行复制的次数。

• length.out：代表的是最终输出向量的长度。

示例：

rep(1:4, 2) #对向量（1,2,3,4）复制两次

[1] 1 2 3 4 1 2 3 4

rep(1:4, each = 2) #对向量（1,2,3,4）中的每个元素复制两次

[1] 1 1 2 2 3 3 4 4

rep(1:4, each = 2, length.out = 4) #最后输出向量的长度为4

[1] 1 1 2 2

rep(x, …):将vector x的值循环n遍

rep(1:4, 2)

[1] 1 2 3 4 1 2 3 4

…: 除了x的其他参数，可以通过…传到其他方法里

times：整个数组循环几遍

rep(1:4, each = 2, times = 3)

[1] 1 1 2 2 3 3 4 4 1 1 2 2 3 3 4 4 1 1 2

2 3 3 4 4

each：每个element循环几遍 rep(1:4, each = 2)

[1] 1 1 2 2 3 3 4 4

rep(1:4, c(2,2,2,2))

[1] 1 1 2 2 3 3 4 4

rep(1:4, c(2,1,2,1))

[1] 1 1 2 3 3 4

length.out 输出长度为多少

rep(1:4, each = 2, len = 4)

[1] 1 1 2 2

长了会被截掉

rep(1:4, each = 2, len = 13)

[1] 1 1 2 2 3 3 4 4 1 1 2 2 3