多元统计分析R语言建模| 1 多元数据的数学表达
矩阵matrix
数据框dataframe:可以把不同类型的数据放到一起
> x1=c(171,175,159,155,152,158,154,164,168,166,159,164)
> x1[1] 171 175 159 155 152 158 154 164 168 166 159 164
> x2=c(57,64,41,38,35,44,41,51,57,49,47,46)
> x2[1] 57 64 41 38 35 44 41 51 57 49 47 46
> rbind(x1,x2)[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12]
x1 171 175 159 155 152 158 154 164 168 166 159 164
x2 57 64 41 38 35 44 41 51 57 49 47 46
> cbind(x1,x2)x1 x2[1,] 171 57[2,] 175 64[3,] 159 41[4,] 155 38[5,] 152 35[6,] 158 44[7,] 154 41[8,] 164 51[9,] 168 57
[10,] 166 49
[11,] 159 47
[12,] 164 46
> matrix(x1,nrow = 3,ncol = 4)[,1] [,2] [,3] [,4]
[1,] 171 155 154 166
[2,] 175 152 164 159
[3,] 159 158 168 164
> matrix(x1,nrow = 4,ncol = 3)[,1] [,2] [,3]
[1,] 171 152 168
[2,] 175 158 166
[3,] 159 154 159
[4,] 155 164 164
> A=B=matrix(1:12,nrow = 3,ncol = 4)
> A+B[,1] [,2] [,3] [,4]
[1,] 2 8 14 20
[2,] 4 10 16 22
[3,] 6 12 18 24
> A-B[,1] [,2] [,3] [,4]
[1,] 0 0 0 0
[2,] 0 0 0 0
[3,] 0 0 0 0
> A*B[,1] [,2] [,3] [,4]
[1,] 1 16 49 100
[2,] 4 25 64 121
[3,] 9 36 81 144
> A%*%B
Error in A %*% B : non-conformable arguments
> A%*%B
Error in A %*% B : non-conformable arguments
> A=matrix(1:12,nrow = 4,ncol = 4)
> A[,1] [,2] [,3] [,4]
[1,] 1 5 9 1
[2,] 2 6 10 2
[3,] 3 7 11 3
[4,] 4 8 12 4
> diag(A)
[1] 1 6 11 4
> diag(diag(A))[,1] [,2] [,3] [,4]
[1,] 1 0 0 0
[2,] 0 6 0 0
[3,] 0 0 11 0
[4,] 0 0 0 4
> A=matrix(rnorm(16), nrow = 4, ncol = 4)
> A[,1] [,2] [,3] [,4]
[1,] 0.97993343 -0.1133519 -0.7210848 1.3739694
[2,] -0.46153680 -0.1212796 -0.5967456 0.9334681
[3,] 0.07862929 1.0272289 -1.4153027 0.6902507
[4,] 0.05170289 1.1535131 0.5469108 -0.6584536
> solve(A)[,1] [,2] [,3] [,4]
[1,] 0.5644873 -0.9679524 0.07635672 -0.1142969
[2,] 0.1022195 0.3276392 0.12050088 0.8041007
[3,] 0.3605646 0.7175637 -0.85555813 0.8727691
[4,] 0.5228824 1.0939776 -0.49353026 0.6059016
> diag(4)[,1] [,2] [,3] [,4]
[1,] 1 0 0 0
[2,] 0 1 0 0
[3,] 0 0 1 0
[4,] 0 0 0 1
> diag(4)+1[,1] [,2] [,3] [,4]
[1,] 2 1 1 1
[2,] 1 2 1 1
[3,] 1 1 2 1
[4,] 1 1 1 2
> A.e=eigen(A,symmetric = T)
> A.e
eigen() decomposition
$values
[1] 1.462951 0.850270 -1.502006 -2.026318$vectors[,1] [,2] [,3] [,4]
[1,] 0.5380490 0.8323777 -0.07649193 -0.1086260
[2,] -0.6622061 0.3198984 -0.39197856 -0.5527214
[3,] -0.3023784 0.2628639 -0.42165014 0.8134378
[4,] -0.4249160 0.3683951 0.81407183 0.1449776> apply(A, 1, mean)
[1] 0.37986651 -0.06152345 0.09520154 0.27341830
> apply(A, 1, sum)
[1] 1.5194660 -0.2460938 0.3808062 1.0936732
> apply(A, 1, rowMeans)
Error in FUN(newX[, i], ...) : 'x'必需是阵列,而且至少得有两个维度
> apply(A, 1, rowMean)
Error in match.fun(FUN) : object 'rowMean' not found
> rnorm(100)[1] 1.663888700 0.484898176 0.762900312 1.004235239 -0.259142028 -0.396690350[7] -1.962667180 -0.666637195 0.909089023 0.472630016 -0.900359228 -1.609149660[13] -0.471906140 0.991698563 0.790954359 -0.192902101 -0.005083808 1.773716603[19] -0.004060147 -1.211412795 -1.563126569 0.775584202 -0.526888116 1.464635177[25] 0.837500891 0.272296759 -0.310935144 -0.136937126 -0.034447814 0.199286210[31] -0.434172084 0.003831882 -0.538692873 1.108858808 -0.183996053 -0.361898943[37] 1.388276291 -1.041460362 0.085138695 0.541204548 0.202810817 0.289542258[43] 1.533320186 -0.235446934 -0.100609415 0.036397605 1.275502026 -0.669806976[49] -1.330488847 2.061561689 -0.865050869 -0.970927679 1.568164139 -0.104257372[55] 1.185284963 -0.530891191 -0.456649101 2.314369738 -0.996830151 -1.550247278[61] -0.177499056 1.093706241 -1.070930386 -0.162603254 -0.725918885 0.366013698[67] -0.138413484 0.423542694 1.527400959 -1.152445112 -1.150058826 1.090705377[73] 1.934869138 1.335123701 -0.627019335 0.939448113 0.990455800 -1.724482773[79] 0.414340631 -0.569025538 -0.409252170 0.599669366 -0.270184294 1.112363473[85] -0.038782900 0.122503720 -0.008521498 0.901640099 0.647379284 -0.006002374[91] 0.928638411 -0.439443436 -0.253073407 -0.931795977 0.187267011 0.084665737[97] -0.243929644 -0.448317924 -0.625875661 0.450916788
> matrix(rnorm(100),20,5)[,1] [,2] [,3] [,4] [,5][1,] 0.701547238 1.68470190 0.23485135 0.46761559 -1.41602944[2,] 0.260206103 -1.86518130 0.64235895 1.74300763 0.12038661[3,] -0.045774851 2.25735978 1.91843000 1.12320985 -0.27952360[4,] 1.163878283 0.31698219 0.24303724 1.85208562 1.38436171[5,] 0.441172768 -0.42341407 1.06970259 -0.80638188 0.13687507[6,] -0.501595720 -0.95345162 -1.17295481 1.26058932 -0.86145842[7,] -0.122349286 -0.81832182 0.19265376 1.18685199 -0.72764598[8,] -0.611758301 -0.31503748 0.30753510 0.53488766 -1.27254986[9,] -0.004159843 0.15395966 -2.26882212 0.02751649 -0.34386051
[10,] -1.317815437 1.93805926 -1.09534599 2.04376173 -0.36138093
[11,] 1.263569990 0.99987484 0.99088936 -1.84485673 -0.65071849
[12,] 0.011597197 -0.84463202 0.03640103 -0.64712107 0.34132928
[13,] -1.262812110 -0.85385606 0.41914362 0.59595644 -0.42540130
[14,] 0.362775112 0.74967377 0.50108911 -0.90191321 -0.55203729
[15,] -0.492185834 -1.01464029 -0.09594038 0.19179107 -0.83759598
[16,] 0.865633806 -0.09588912 0.19268708 -0.61561724 1.09389453
[17,] -0.872007350 -0.22816583 0.73432952 -0.64910042 -0.56606234
[18,] -0.339897887 -1.24744447 -0.97225305 0.02801266 0.06986353
[19,] 2.099933382 0.63889697 -0.90587777 0.31812770 -0.24971995
[20,] -0.394631570 1.75099283 -0.69655798 0.27789265 -0.20589554
> A=matrix(rnorm(100),20,5)
> apply(A, 2, var)
[1] 0.9759652 0.7610062 1.2894139 1.4763183 0.6422701
>
>
> X=data.frame(x1,x2)
> Xx1 x2
1 171 57
2 175 64
3 159 41
4 155 38
5 152 35
6 158 44
7 154 41
8 164 51
9 168 57
10 166 49
11 159 47
12 164 46
> X=data.frame('身高'=x1,'体重'=x2)
> X身高 体重
1 171 57
2 175 64
3 159 41
4 155 38
5 152 35
6 158 44
7 154 41
8 164 51
9 168 57
10 166 49
11 159 47
12 164 46
> dat=read.table("clipboard",header = TURE)
Error in file(file, "rt") : cannot open the connection
In addition: Warning message:
In file(file, "rt") : clipboard cannot be opened or contains no text
> dat=read.table("clipboard",header = TURE)
Error in read.table("clipboard", header = TURE) : object 'TURE' not found
> dat=read.table("clipboard",header = T)
> d2.1=dat
> d
Error: object 'd' not found
>
> head(d2.1)年龄 性别 风险 专兼职 职业 教育 结果
1 20-29 男 有 兼职 金融 高中 赚钱
2 50-59 女 有 兼职 科教 中学 持平
3 40-49 女 无 专职 科教 中学 赔钱
4 30-39 男 有 兼职 工人 中专 赚钱
5 50-59 女 有 专职 农民 大专 赚钱
6 40-49 女 有 兼职 管理 小学 赚钱
> attach(d2.1)
> table(年龄)
年龄* 0-19 20-29 30-39 40-49 50-59 60- 20 3 92 167 157 51 24
> barplot(table(年龄),col = 1:7)
> pie(table(结果))
> barplot((ta))
Error in barplot((ta)) : object 'ta' not found
> barplot((table(年龄,性别)))
> barplot(table(年龄,性别),beside = T,col = 1:7)
> barplot(table(年龄,性别),beside = T,col = 1:2)
> ftable(年龄,性别,结果)结果 持平 赔钱 赚钱
年龄 性别
* 男 4 3 2女 3 7 1
0-19 男 0 0 2女 1 0 0
20-29 男 21 17 31女 10 7 6
30-39 男 31 30 40女 30 20 16
40-49 男 31 30 28女 25 30 13
50-59 男 5 11 8女 8 10 9
60- 男 7 5 3女 2 5 2
> detach(d2.1)
参考资料: https://next.xuetangx.com/course/JNU07011000851/1515699
多元统计分析R语言建模| 1 多元数据的数学表达相关推荐
- 多元统计分析R语言建模| 1 概述
1.多元统计分析的历史: 受多种指标共同作用和影响的现象大量存在 多元统计分析方法就是利用数理统计方法来研究解决多指标问题的理论和方法 2.用途 变量之间相依性分析 构造预测模型,进行预报控制 进行数 ...
- r语言plotmds_多元统计分析R语言建模| 11 多维标度法MDS
定义:利用客体间相似性数据去解释它们之间的空间关系的统计分析方法 多维变量--二维三维空间表示,标度到低维空间上 种类: 度量化模型:相似性数据游距离.比例尺度测得 非度量化模型:顺序量表(有序)水平 ...
- R语言导入excel表格数据——Please provide a sheet name OR a sheet index.
一.使用 :xlsx包 先下载并安装包 > install.packages("xlsx") #下载包 > library(xlsx) ...
- 多元统计分析及R语言建模(第五版)——第3章多元数据的直观表示课后习题
第3章多元数据的直观表示 本文用到的数据可以去这个网址下下载多元统计分析及R语言建模(第5版)数据 练习题 2)表3-2是2004年广东省各市高新技术产品情况.试对资料按照本章介绍的多元图示方法做直观 ...
- 数学建模笔记(十五):多元统计分析及R语言建模(判别分析、聚类分析、主成分分析、因子分析,含数据代码注释,均可供运行)
文章目录 一.多元数据的数学表达 1.多元分析资料的一般格式与矩阵化表示 2.数据特征(一元数据与多元数据的均值和方差) 二.R软件基本使用 1.向量创建(c函数) 2.行列合并(rbind,cbin ...
- 多元统计分析及R语言建模_自定义函数: msaR.R
#*********************************************** #****** 多元统计分析及R语言建模(第五版)****** #****** 自定义函数: msaR ...
- 多元统计分析及R语言建模
目录 一.数据矩阵数据框及R表示 1.创建向量和矩阵 1)创建一个向量 2)创建一个矩阵 2.矩阵其他运算 1)矩阵的转置,加法减,矩阵相乘,求矩阵C的逆 2)获得矩阵对角线元素 ,创建三阶单位矩阵 ...
- 多元统计分析及R语言建模(第五版)——第6章 判别分析课后习题
第6章 判别分析 文章会用到的数据请在这个网址下下载多元统计分析及R语言建模(第五版)数据 练习题 1)考虑两个数据集x1 = [3 7 2 4 4 7],x2 = [6 9 5 7 4 8] (1) ...
- R语言第六讲 数据的统计分析
基本命令练习 下面的代码涵盖了一些分析数据常用的一些R语言的命令: #基本向量.矩阵的一般操作 x <- c(1,3,2,5) x x = c(1,6,2) x y = c(1,4,3) len ...
- 【视频】线性回归中的贝叶斯推断与R语言预测工人工资数据|数据分享
最近我们被客户要求撰写关于线性回归的研究报告,包括一些图形和统计输出. 在这个视频中,我们转向简单线性回归中的贝叶斯推断. 我们将使用一个参照先验分布,它提供了频率主义解决方案和贝叶斯答案之间的联系. ...
最新文章
- 科罗拉多州立大学计算机科学专业,美国科罗拉多州立大学有哪些好专业?
- Hive 2.3.2 Installation Guide
- WIN7系统激活后无法正常启动
- 安卓吸顶+下拉放大_Android自定义scrollView实现顶部图片下拉放大
- 听腾讯 TEG 大佬谈腾讯万亿级 Elasticsearch 技术解密
- qmediaplayer获取流类型_Java 流API
- 支付宝借呗还款利息为什么都不一样?
- 安全生产知识竞赛试题库及答案
- js模仿QQ头像资料卡显示与隐藏
- Don’t Touch What Matters: Task-Aware Lipschitz Data Augmentationfor Visual Reinforcement Learning
- 干货 | PCB设计中焊盘的种类和设计标准
- 尤大都推荐的组件库是如何开发出来的?
- 双字节字符c语言,双字节字符 是什么意思
- db2还原备份文件详细教程
- git clone 整个 group
- android 电视怎么投屏,手机怎么投屏到电视?原来这么简单
- 启动计算机引导win10,示例如何修复win10系统引导项
- SpringCloud---熔断器Hystrix的作用--解决灾难性雪崩效应
- java在浏览器闪退_selenium chrome 浏览器闪退
- 10、zuul 网关配置
热门文章
- 实现DevOps的三步工作法
- JMS之——ActiveMQ 高可用与负载均衡集群安装、配置(ZooKeeper + LevelDB + Static discovery)
- ISACA最新白皮书助力企业了解中国《个人信息保护法》
- Latex自定义图表序号
- python爬取王者荣耀所有皮肤
- 网络逻辑漏洞、SQLMAP、Nmap及其它命令的使用方法
- First集和Follow集的求法
- UE4 Spline
- Andriod OpenGL 教程 10 - 3D世界
- “构建可信社会,重塑商业共识体系”彩虹商链发布会将在辽宁举行