一，基础操作
getwd()：显示当前工作目录
> getwd()
[1] "C:/Users/72786/Documents"setwd('E:/RWorkSpace') : 修改当前工作目录地址，注意，此处要使用正斜线
> setwd('D:/RWorkSpace')
> getwd()
[1] "D:/RWorkSpace"list.files() 和 dir() ：查看目录下包含的文件
> list.files()
[1] "Call of Duty" "desktop.ini" "KoeiTecmo" "League of Legends"
[5] "My Music" "My Pictures" "My Videos" "NetPowerZIPData"
[9] "OneNote 笔记本" "Rockstar Games" "Sunlogin Files" "WeChat Files"
[13] "自定义 Office 模板"> dir()
[1] "Call of Duty" "desktop.ini" "KoeiTecmo" "League of Legends"
[5] "My Music" "My Pictures" "My Videos" "NetPowerZIPData"
[9] "OneNote 笔记本" "Rockstar Games" "Sunlogin Files" "WeChat Files"
[13] "自定义 Office 模板"x <- 3：表示 x=3
> x<-3
> x
[1] 3x <<- 5 ：强制赋值给一个全局变量
> x<<-5
> x
[1] 5sum(1,2,3,4,5) : 求和得15
> sum(1,2,3,4,5)
[1] 15mean(c(1,2,3,4,5)) or mean(c(1:5))：求均值得3，mean(1,2,3,4,5)得到的是1 ，因为mean()是对第一个参数求均值
> mean(c(1,2,3,4,5))
[1] 3
> mean(c(1:5))
[1] 3
> mean(1,2,3,4,5)
[1] 1ls：列出当前工作空间中定义的所有变量
> ls
[1] "a" "age" "array" "b" "c" "d" "dim1" "dim2" "dim3" "myList" "name"
[12] "patientData" "patientId" "x"str(x)：列出变量x的详细信息
> str(x)
num 5ls.str()：列出当前工作空间中所有变量的详细信息（如值等）
> ls.str()
a : num [1:5] 1 2 3 4 5
b : num [1:5] 2 4 6 8 10
data2 : 'data.frame': 2 obs. of 3 variables:
$ a: chr "1" "2"
$ b: num 2 3
$ c: chr "3" "4"
mydata : 'data.frame': 5 obs. of 2 variables:
$ a: num 1 2 3 4 5
$ b: num 2 4 6 8 10
x : num 5ls(all.name = TRUE)：ls() 函数不能列出工作目录下的隐藏文件，添加“all.name=TRUE”就可以显示
> ls(all.name = TRUE)
[1] ".Random.seed" "a" "b" "data2" "mydata" "x"rm(x)：删除工作空间中不需要的对象，也可以删除多个，用逗号隔开，删除后无法恢复
> rm(x)
> ls(all.name = TRUE)
[1] ".Random.seed" "a" "b" "data2" "mydata"rm (list=ls())：删除工作空间中所有的对象
> rm(list=ls())
> ls(all.name = TRUE)
[1] ".Random.seed"history()：列出历史记录，history(10) 列出最近的十条历史记录
save.image()：保存工作空间，避免软件异常退出，只会保留数据及绘图函数等。
二，R包安装及使用
install.packages(" R 包名 ") ： 注意：安装包，包名要用引号引起来
install.packages ("RColorBrewer")library() ：显示库中所有的安装包
library(包名) 或 require(包名)：载入R包，这里的包名不需要用引号
R基础包在启动R时就会被加载进来：base、datasets、utils、grDevices、graphics、stats、methods、splines、stats4和tcltk。
help(package=“包名”)：列出这个包的帮助文档
library(help="包名)：列出包的基础信息
ls("package:包名")：列出R包中所有的函数
data(package="包名")：列出R包中包含的所有数据集
detach("package: 包名")：移除加载的包，非删除，可重新使用require或library加载
remove.package("包名")：删除已安装的包
R包的批量移植，在新设备上克隆R包：
installed.packages()：列出当前环境中已安装的R包的所有信息
installed.packages()[,1]：获取到当前环境中已安装的包名
Rpack <- installed.packages()[,1]：将所有R的名字保存到一个文件中
save(Rpack, file="Rpack.Rdata")：保存
load("Rpack.Rdata")：在新设备上加载for (i in Rpack) install.packages()：批量安装这些包
三，获取帮助
help.start()：获取R的帮助信息
help(函数名) 或 ?函数名：列出某函数的帮助信息，需加载包后再help
??函数名：不需要加载包就可以获取帮助信息
args(函数名)：直接在终端中输出函数的参数，快速了解函数的参数而不想查阅详细的文档
example(函数名)：获取函数的使用示例
example("hist")：也可以列出绘图示例
demo(graphics)：绘图的案例
help(package=包名)：查看R安装的某个包的帮助文档
help.search("heatmap")：不知道具体的函数名，模糊查询heatmap相关函数
apropos("sum", mod="function")：列出所有包含sum关键字的函数
RSiteSearch("matlab")：进行网络搜索，使用默认浏览器访问官网，help.search 和 ?? 都只能进行本地的搜索
四，数据集
数据集通常是由数据构成的一个矩形数组，行表示记录，列表示属性（字段）
R拥有许多用于存储数据的对象类型，包括向量，矩阵，数组，数据框和列表
这些数据结构在存储数据的类型，创建方式，定位和访问其中个别元素的方法等方面有所不同
五，向量
向量是用于存储数值型、字符型或逻辑型数据的一维数组。用函数c来创建向量。
> a <-c(1,2,3,4,5)
> a
[1] 1 2 3 4 5
> b<-c("one","two","three")
> b
[1] "one" "two" "three"
> c<-c(T,T,F,F,F)
> c
[1] TRUE TRUE FALSE FALSE FALSE注意：如果其中一个元素为字符串，其余元素为int类型，则全部转换为字符串类型
访问向量中的某个元素或者某几个元素：
> a[2]
[1] 2
> a[c(1,3,4)]
[1] 1 3 4
> a[1:3]
[1] 1 2 3六，矩阵
矩阵用函数matrix来创建矩阵，nrow 和 ncol 可以省略，但其值必须满足分配条件，否则会报错
?matrix 获取帮助
创建一个矩阵：
> y<-matrix(5:24,nrow =4,ncol = 5)
> y
[,1] [,2] [,3] [,4] [,5]
[1,] 5 9 13 17 21
[2,] 6 10 14 18 22
[3,] 7 11 15 19 23
[4,] 8 12 16 20 24创建一个自定义行和列的矩阵：
> x<-c(1,2,55,33,44,55,66,77,88)
> rnames<-c("R1","R2","R3")
> cnames<-c("C1","C2","C3")
> newMatrix<-matrix(x,nrow=3,ncol=3,byrow=TRUE,dimnames=list(rnames,cnames))
> newMatrix
C1 C2 C3
R1 1 2 55
R2 33 44 55
R3 66 77 88按列来填充的矩阵：
> newMatrix<-matrix(x,nrow=3,ncol=3,dimnames=list(rnames,cnames))
> newMatrix
C1 C2 C3
R1 1 33 66
R2 2 44 77
R3 55 55 88定义一个2行的1到20的矩阵
> x<- matrix(1:20,nrow=2)
> x
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 1 3 5 7 9 11 13 15 17 19
[2,] 2 4 6 8 10 12 14 16 18 20获取矩阵的某个元素
> x[2,1]
[1] 2获取矩阵的某行或某列
> x[1,]
[1] 1 3 5 7 9 11 13 15 17 19
> x[,2]
[1] 3 4七，数组
array函数创建数组
创建一个3*3*2的三维数组
> array(1:24, c(2,3,4), dimnames=list(dim1, dim2, dim3))
> dim1<-c("A1","A2","A3")
> dim2<-c("B1","B2","B3")
> dim3<-c("C1","C2")
> array<-array(1:18, c(3,3,2), dimnames=list(dim1, dim2, dim3))
> array
, , C1
B1 B2 B3
A1 1 4 7
A2 2 5 8
A3 3 6 9
, , C2
B1 B2 B3
A1 10 13 16
A2 11 14 17
A3 12 15 18获取数组的某个元素
> array[1,1,1]
[1] 1八，数据框
数据框是一种表格形式的数据结构，数据集通常是由数据构成的一个矩形数组，行表示观测，列表示变量。
数据框实际上是一个列表，列表中的元素是向量，这些向量构成数据框的列，每一列必须具有相同的长度，所以数据框是矩形结构，而且数据框的列必须命名。矩阵与数据框的区别：数据框形状很想矩阵；数据框是比较规则的列表；矩阵必须为同一数据类型；数据框每一列必须为同一类型，每一行可以不同。
创建一个数据框
> patientId<-c(1,2,3,4,5)
> name<-c("张三","李四","周五","李白","杜甫")
> age<-c(18,19,20,21,22)
> patientData<-data.frame(patientId,name,age)
> patientData
patientId name age
1 1 张三 18
2 2 李四 19
3 3 周五 20
4 4 李白 21
5 5 杜甫 22获取前两列
> patientData[1:2]
patientId name
1 1 张三
2 2 李四
3 3 周五
4 4 李白
5 5 杜甫根据列名获取
> patientData[c("patientId","name")]
patientId name
1 1 张三
2 2 李四
3 3 周五
4 4 李白
5 5 杜甫用$获取
> patientData$name
[1] "张三" "李四" "周五" "李白" "杜甫"用attach
> attach(patientData)
> age
[1] 18 19 20 21 22
> name
[1] "张三" "李四" "周五" "李白" "杜甫"
> detach(patientData)九，列表
用list创建列表
> a<-c(1,2,3,4)
> b<-"hello,袁震"
> c<-matrix(1:20,nrow=4)
> d<-list(a,b)
> myList<-list(a,b,c,d)
> myList
[[1]]
[1] 1 2 3 4
[[2]]
[1] "hello,袁震"
[[3]]
[,1] [,2] [,3] [,4] [,5]
[1,] 1 5 9 13 17
[2,] 2 6 10 14 18
[3,] 3 7 11 15 19
[4,] 4 8 12 16 20
[[4]]
[[4]][[1]]
[1] 1 2 3 4
[[4]][[2]]
[1] "hello,袁震"访问元素
> myList[1]
[[1]]
[1] 1 2 3 4
> myList[[1]]
[1] 1 2 3 4
> myList[4]
[[1]]
[[1]][[1]]
[1] 1 2 3 4
[[1]][[2]]
[1] "hello,袁震"
> myList[[4]]
[[1]]
[1] 1 2 3 4
[[2]]
[1] "hello,袁震"十，因子
变量分类：名义型变量、有序型变量、连续型变量。
在R中，名义型变量和有序型变量被称为因子，这些分类变量的可能值称为一个水平，例如good、better、best都称为一个水平。
这些水平值构成的向量就称为因子。因子本身是向量的集合。
因子的应用：计算频数，独立性检验，相关性检验，方差分析，主成分分析，因子分析
将向量转化为因子
> a<-c(1,2,3,6,7,8,9,5,43,6,7,8,9,0,34,56,89)
> b<-factor(a)
> b
[1] 1 2 3 6 7 8 9 5 43 6 7 8 9 0 34 56 89
Levels: 0 1 2 3 5 6 7 8 9 34 43 56 89输出向量图
> plot(a)
输出因子图
> plot(b)
