6.1 位置的度量

6.1.1 均值

即样本期望，使用mean()函数计算，声明如下：
mean(x, trim = 0, na.rm = FALSE)
x是对象，如向量、矩阵、数组或数据框，trim是计算均值前去掉的比例，默认为0，na.rm是否允许有缺失数据。

> w <- c(75.0, 64.0, 47.4, 66.9, 62.2, 62.2, 58.7, 63.5, 66.6, 64.0, 57.0, 69.0, 56.9, 50.0, 72.0)
> w.mean = mean(w)
> w.mean
[1] 62.36

注意当x为矩阵或多维数组时，mean()的返回值并不是向量，而是全部数据的均值

> x = 1:12
> dim(x) = c(3,4)
> mean(x)
[1] 6.5

如果你想按行或按列计算均值的话，那么应该使用之前提到的apply()函数

> apply(x,1,mean)
[1] 5.5 6.5 7.5
> apply(x,2,mean)
[1]  2  5  8 11

如果x是数据框，同样可以将需要的数值型数据按照矩阵处理（参考书中说可以使用mean(data.frame)，但笔者使用3.6.1版本的R试验发现不行，有知道原因的小伙伴可以留言说明下，Thanks♪(･ω･)ﾉ）
还可以通过设置trim参数的值求trimmed mean，trim取值为0-0.5，表示去掉的极端值的比例。
还有一个相关的函数是weighte.mean()函数，可以用来计算加权平均值，声明如下：
weighted.mean(x, w, na.rm = FALSE)
x为数值变量，w为权参数，维度与x相同

6.1.2 顺序统计量

对样本进行排序可以得到样本顺序统计量，使用sort()函数对数据进行排序

> x <- c(75, 64, 47.4, 66.9, 62.2, 62.2, 58.7, 63.5)
> sort(x)
[1] 47.4 58.7 62.2 62.2 63.5 64.0 66.9 75.0

但sort()函数还有更广泛的功能，其函数声明如下：
sort(x, partial = NULL, na.last = NA, decreasing = FALSE,
method = c(“shell”, “quick”), index.return = FALSE)
其中x是向量，partial是部分排序的指标向量，na.last是控制缺失数据的参数，当na.last=NA时，不处理缺失数据，当na.last=TRUE时，缺失数据排在最后，当na.last=FALSE时，缺失数据排在最前面；参数decreasing控制数据排列的顺序，当decreasing=FALSE时，结果从小到大，反之从大到小；method控制排序方法，shell排序运算量O(n4/3)O(n^{4/3})O(n4/3)，快排一般比shell要快，index.return是控制下标返回的逻辑变量，为TRUE时结果返回一个列表，第二个变量是下标对应值。

> sort(x, decreasing = TRUE)
[1] 75.0 66.9 64.0 63.5 62.2 62.2 58.7 47.4
> x.na <- c(75.0,64.0,47.4,NA,66.9,62.2,62.2,58.7,63.5)
> sort(x.na)
[1] 47.4 58.7 62.2 62.2 63.5 64.0 66.9 75.0
> sort(x.na,na.last = T)
[1] 47.4 58.7 62.2 62.2 63.5 64.0 66.9 75.0   NA
> sort(x.na,na.last = F)
[1]   NA 47.4 58.7 62.2 62.2 63.5 64.0 66.9 75.0

与sort()相关的函数还有：order()给出排序下标；rank()给出样本的秩统计量，关于rank()后面还会有更详细的介绍。

6.1.3 中位数

R中，median()函数给出中位数，使用格式：
median(x, na.rm = FALSE)
x是数值向量，na.rm是控制是否处理缺失数据的逻辑变量。

> x <- c(75, 64, 47.4, 66.9, 62.2, 62.2, 58.7, 63.5)
> median(x)
[1] 62.85
> x.na <- c(75.0,64.0,47.4,NA,66.9,62.2,62.2,58.7,63.5)
> median(x.na)
[1] NA
> median(x.na, na.rm=T)
[1] 62.85

6.1.4 百分位数

R中，quantile()函数给出数据的百分位数，使用格式：
quantile(x, probs = seq(0, 1, 0.25), na.rm = FALSE,
names = TRUE, type = 7, …)
x是数值向量，probs以小数形式给出相应的百分数，na.rm是控制是否处理缺失数据的逻辑变量，names控制结果是否有names属性，对于较多的probs为FALSE，type从1到9，对应9种计算方法，详情查看官方文档

> w <- c(75.0, 64.0, 47.4, 66.9, 62.2, 62.2, 58.7, 63.5, 66.6, 64.0, 57.0, 69.0, 56.9, 50.0, 72.0)
> quantile(w)0%   25%   50%   75%  100%
47.40 57.85 63.50 66.75 75.00
> quantile(w, probs = seq(0,1,0.2))0%   20%   40%   60%   80%  100%
47.40 56.98 62.20 64.00 67.32 75.00
> quantile(w, names = F, probs = seq(0,1,0.2))
[1] 47.40 56.98 62.20 64.00 67.32 75.00

6.2 分散程度的度量

6.2.1 方差、标准差等

这里的方差指的是样本方差，标准差也为样本标准差，方差函数var()和标准差函数sd()声明如下：
var(x, y = NULL, na.rm = FALSE, use)
sd(x, na.rm = FALSE)
其中x是数值向量，na.rm同前，其余参数可参考官方文档

6.2.2 极差等

max()-min()

6.3 分布形状的度量

6.3.1 偏度系数

可参考其数学定义，编写自定义代码计算

6.3.2 峰度系数