自学R语言，学习完了之后做一做习题，是对知识的一些巩固，也希望可以帮到正在学习的童鞋们。

dev.new()
par(mfrow=c(1,2))
s<-data.frame(d=c(2,4,3,2,4,7,7,2,2,5,4,5,6,8,5,10,7,12,12,6,6,7,11,6,6,7,9,5,5,10,6,3,10),
j=factor(c(rep(1,11),rep(2,10),rep(3,12))))
plot(d~j,data=s,xlab=c("菌型"),ylab="存活日数",main="白鼠试验数据")
s1<-c(2,4,3,2,4,7,7,2,2,5,4)
s2<-c(5,6,8,5,10,7,12,12,6,6)
s3<-c(7,11,6,6,7,9,5,5,10,6,3,10)
boxplot(s1,s2,s3,names=c("1","2","3"),xlab=c("菌型"),ylab="存货日数",main="白鼠试验数据")

结果显示：

由图可以得出结论：菌型2和菌型3无明显差异，菌型2和菌型3的平均存活日期大概都在6天左右；菌型1相比菌型2和菌型3差异比较明显，菌型1相比而言平均存活日期大概少2天左右。

dev.new()
par(mfrow=c(1,3))
X=data.frame(
X1=c(65,70,70,69,66,67,68,72,66,68),
X2=c(45,45,48,46,50,46,47,43,47,48),
X3=c(27.6,30.7,31.8,32.6,31.0,31.3,37.0,33.6,33.1,34.2))
plot(X3~X1,data=X);plot(X3~X2,data=X);plot(X2~X1,data=X);

由图可以得出结论：X1,X2,X3无任何线性关系，可以认为X1,X2,X3是两两不相关的，因此可以验证例3.16的结论是正确的。

#构造表格,输入数据
s<-data.frame(
sex=(c(rep("F",9),rep("M",10))),
age=c(13,13,14,12,12,15,11,15,14,14,14,15,12,13,12,16,12,11,15),
height=c(56.5,65.3,64.3,56.3,59.8,66.5,51.3,62.5,62.8,69.0,63.5,67.0,57.3,62.5,59.0,72.0,64.8,57.5,66.5),
weight=c(84.0,98.0,90.0,77.0,84.5,112.0,50.5,112.5,102.5,112.5,102.5,133.0,83.0,84.0,99.5,150.0,128.0,85.0,122.0)
)
dev.new()
plot(weight~height,data=s,main="体重对于身高的散点图")
dev.new()
coplot(weight~height|sex,data=s)
dev.new()
coplot(weight~height|age,data=s)
dev.new()
coplot(weight~height|sex+age,data=s)

体重对于身高的散点图：

不同性别情况下，体重与身高的散点图：

不同年龄情况下，体重与身高的散点图：

不同年龄和性别情况下，体重与身高的散点图：

x<-seq(-2,3,0.05)
y<-seq(-1,7,0.05)
z<-function(x,y)x^4-2*x^2*y+x^2-2*x*y+2*y^2+9/2*x-4*y+4
dev.new()
#theta：通过输入角度控制三维图左右转动；phi：通过输入角度控制三维图上下转动；expand：通常在(0,1)内取，能在z方向上扩大或缩小图象的形状，取值范围为（0-1）。
persp(x,y,outer(x,y,z),theta=15,phi=0,expand=1,main="三维网格曲面图")
dev.new()
contour(x,y,outer(x,y,z),levels=c(0,1,2,3,4,5,10,15,20,30,40,50,60,80,100),main="二维等值线图")

结果显示：

s<-data.frame(
sex=(c(rep("F",9),rep("M",10))),
age=c(13,13,14,12,12,15,11,15,14,14,14,15,12,13,12,16,12,11,15),
height=c(56.5,65.3,64.3,56.3,59.8,66.5,51.3,62.5,62.8,69.0,63.5,67.0,57.3,62.5,59.0,72.0,64.8,57.5,66.5),
weight=c(84.0,98.0,90.0,77.0,84.5,112.0,50.5,112.5,102.5,112.5,102.5,133.0,83.0,84.0,99.5,150.0,128.0,85.0,122.0)
)
attach(s)
cor.test(height,weight,data=s)

结果显示：

皮尔逊相关系数的值为0.8819457，可以推出身高和体重有强相关关系。

#将数据先写入txt文档，接着将文件以“3.10.txt”保存到工作目录，然后读取数据
s<-read.table("3.10.txt",head=T)
j<-data.frame(s)
attach(j)
G1=(SC + LC + SMS + DRV + AMB + GSP + POT)/7
G2=(FL + EXP + SUIT)/3
G3=(LA + HON + KJ)/3
G4=AA
G5=APP
j1<-data.frame(G1,G2,G3,G4,G5)
dev.new()
par(mfrow=c(1,2))
stars(j, draw.segments=TRUE,key.loc=c(8,-2),mar=c(2,0,0,0));
stars(j1, draw.segments=TRUE,key.loc=c(8,-2),mar=c(2,0,0,0))

结果显示：

由图可以得出结论：7，8，9，23，39，40号应聘者符合应聘要求。

#调和曲线函数
unison <- function(x){
if (is.data.frame(x) == TRUE)
x <- as.matrix(x)
t <- seq(-pi, pi, pi/30)
m <- nrow(x); n<-ncol(x)
f <- array(0, c(m,length(t)))
for(i in 1:m){
f[i,] <- x[i,1]/sqrt(2)
for( j in 2:n){
if (j%%2 == 0)
f[i,] <- f[i,]+x[i,j]*sin(j/2*t)
else
f[i,] <- f[i,]+x[i,j]*cos(j%/%2*t)
}
}
plot(c(-pi,pi), c(min(f), max(f)), type = "n",
main = "The Unison graph of Data",
xlab = "t", ylab = "f(t)")
for(i in 1:m) lines(t, f[i,] , col = i)
}
unison(j1)

结果显示：