为了分享R的一些提示和技巧,你最有用的功能或技巧是什么？聪明的矢量化？数据输入/输出？可视化和图形？统计分析？特殊功能？互动环境本身？
每个帖子一个项目,我们将看看我们是否通过投票获得了胜利者.
[编辑2008年8月25日]:所以一周后,似乎简单str()赢得了民意调查.因为我想自己推荐一个,这是一个容易接受的答案.
jub*_*uba 64
我经常使用的一个非常有用的函数是dput(),它允许您以R代码的形式转储对象.
# Use the iris data set
R> data(iris)
# dput of a numeric vector
R> dput(iris$Petal.Length)
c(1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1.4, 1.5, 1.5, 1.6,
1.4, 1.1, 1.2, 1.5, 1.3, 1.4, 1.7, 1.5, 1.7, 1.5, 1, 1.7, 1.9,
1.6, 1.6, 1.5, 1.4, 1.6, 1.6, 1.5, 1.5, 1.4, 1.5, 1.2, 1.3, 1.4,
1.3, 1.5, 1.3, 1.3, 1.3, 1.6, 1.9, 1.4, 1.6, 1.4, 1.5, 1.4, 4.7,
4.5, 4.9, 4, 4.6, 4.5, 4.7, 3.3, 4.6, 3.9, 3.5, 4.2, 4, 4.7,
3.6, 4.4, 4.5, 4.1, 4.5, 3.9, 4.8, 4, 4.9, 4.7, 4.3, 4.4, 4.8,
5, 4.5, 3.5, 3.8, 3.7, 3.9, 5.1, 4.5, 4.5, 4.7, 4.4, 4.1, 4,
4.4, 4.6, 4, 3.3, 4.2, 4.2, 4.2, 4.3, 3, 4.1, 6, 5.1, 5.9, 5.6,
5.8, 6.6, 4.5, 6.3, 5.8, 6.1, 5.1, 5.3, 5.5, 5, 5.1, 5.3, 5.5,
6.7, 6.9, 5, 5.7, 4.9, 6.7, 4.9, 5.7, 6, 4.8, 4.9, 5.6, 5.8,
6.1, 6.4, 5.6, 5.1, 5.6, 6.1, 5.6, 5.5, 4.8, 5.4, 5.6, 5.1, 5.1,
5.9, 5.7, 5.2, 5, 5.2, 5.4, 5.1)
# dput of a factor levels
R> dput(levels(iris$Species))
c("setosa", "versicolor", "virginica")
当您寻求帮助或编辑或重新排序因子级别时,发布易于重现的数据块非常有用.
Dir*_*tel 38
一个很好的功能:读取数据使用的连接可以是本地文件,通过http访问的远程文件,来自其他程序的管道或更多.
作为一个简单的例子,考虑从random.org(它提供基于大气噪声的真实随机数而不是伪随机数发生器)的N = 10个随机整数(min = 100和max = 200)之间的这种访问:
R> site <- "http://random.org/integers/" # base URL
R> query <- "num=10&min=100&max=200&col=2&base=10&format=plain&rnd=new"
R> txt <- paste(site, query, sep="?") # concat url and query string
R> nums <- read.table(file=txt) # and read the data
R> nums # and show it
V1 V2
1 165 143
2 107 118
3 103 132
4 191 100
5 138 185
R>
另外,随机包为访问random.org提供了几个便利功能.
Rei*_*son 35
我发现我使用with()和within()越来越多.不再$浪费我的代码,并且不需要开始将对象附加到搜索路径.更严重的是,我发现with()等使我的数据分析脚本的意图更加清晰.
> df <- data.frame(A = runif(10), B = rnorm(10))
> A <- 1:10 ## something else hanging around...
> with(df, A + B) ## I know this will use A in df!
[1] 0.04334784 -0.40444686 1.99368816 0.13871605 -1.17734837
[6] 0.42473812 2.33014226 1.61690799 1.41901860 0.8699079
with()设置一个评估R表达式的环境.within()做同样的事情,但允许您修改用于创建环境的数据对象.
> df <- within(df, C <- rpois(10, lambda = 2))
> head(df)
A B C
1 0.62635571 -0.5830079 1
2 0.04810539 -0.4525522 1
3 0.39706979 1.5966184 3
4 0.95802501 -0.8193090 2
5 0.76772541 -1.9450738 2
6 0.21335006 0.2113881 4
我第一次使用时没有意识到的within()是你必须做一个赋值作为表达式的一部分,并分配返回的对象(如上所述)以获得所需的效果.
Far*_*rel 34
http://www.omegahat.org/RGoogleDocs/
我发现Google电子表格是所有合作者在同一页面上的绝佳方式.此外,Google表单允许用户从受访者处获取数据,并毫不费力地将其写入Google电子表格.由于数据经常变化而且几乎从不是最终的,因此R直接阅读谷歌电子表格比下载csv文件并阅读它们更为可取.
# Get data from google spreadsheet
library(RGoogleDocs)
ps <-readline(prompt="get the password in ")
auth = getGoogleAuth("me@gmail.com", ps, service="wise")
sheets.con <- getGoogleDocsConnection(auth)
ts2=getWorksheets("Data Collection Repos",sheets.con)
names(ts2)
init.consent <-sheetAsMatrix(ts2$Sheet1,header=TRUE, as.data.frame=TRUE, trim=TRUE)
我不能记下哪一个,但以下一个或两个命令需要几秒钟.
getGoogleAuth
getGoogleDocsConnection
getWorksheets
Edu*_*oni 27
使用反引号来引用非标准名称.
> df <- data.frame(x=rnorm(5),y=runif(5))
> names(df) <- 1:2
> df
1 2
1 -1.2035003 0.6989573
2 -1.2146266 0.8272276
3 0.3563335 0.0947696
4 -0.4372646 0.9765767
5 -0.9952423 0.6477714
> df$1
Error: unexpected numeric constant in "df$1"
> df$`1`
[1] -1.2035003 -1.2146266 0.3563335 -0.4372646 -0.9952423
在这种情况下,df [,"1"]也可以.但是后面的滴答在公式内工作!
> lm(`2`~`1`,data=df)
Call:
lm(formula = `2` ~ `1`, data = df)
Coefficients:
(Intercept) `1`
0.4087 -0.3440
[编辑] Dirk问为什么会给出无效的名字？我不知道!但我确实经常在实践中遇到这个问题.例如,使用hadley的重塑包:
> library(reshape)
> df$z <- c(1,1,2,2,2)
> recast(df,z~.,id.var="z")
Aggregation requires fun.aggregate: length used as default
z (all)
1 1 4
2 2 6
> recast(df,z~.,id.var="z")$(all)
Error: unexpected '(' in "recast(df,z~.,id.var="z")$("
> recast(df,z~.,id.var="z")$`(all)`
Aggregation requires fun.aggregate: length used as default
[1] 4 6
geo*_*try 25
不知道这是多么有名,但我肯定会利用的是环境的传递参考功能.
zz <- new.env()
zz$foo <- c(1,2,3,4,5)
changer <- function(blah) {
blah$foo <- 5
}
changer(zz)
zz$foo
对于这个例子来说,为什么它有用是没有意义的,但是如果你在它周围传递大型物体可以提供帮助.
小智 23
我最喜欢的是foreach库.它可以让你完成所有不错的应用程序,但语法更简单:
list_powers <- foreach(i = 1:100) %do% {
lp <- x[i]^i
return (lp)
}
最好的部分是,如果您正在做一些实际需要大量时间的事情,您可以切换%do%到%dopar%(使用适当的后端库)以立即并行化,甚至跨群集.非常光滑.
med*_*oll 19
我做了很多基本的数据操作,所以这里有两个内置函数(转换,子集)和一个我每天使用的库(sqldf).
sales <- expand.grid(country = c('USA', 'UK', 'FR'),
product = c(1, 2, 3))
sales$revenue <- rnorm(dim(sales)[1], mean=100, sd=10)
> sales
country product revenue
1 USA 1 108.45965
2 UK 1 97.07981
3 FR 1 99.66225
4 USA 2 100.34754
5 UK 2 87.12262
6 FR 2 112.86084
7 USA 3 95.87880
8 UK 3 96.43581
9 FR 3 94.59259
## transform currency to euros
usd2eur <- 1.434
transform(sales, euro = revenue * usd2eur)
>
country product revenue euro
1 USA 1 108.45965 155.5311
2 UK 1 97.07981 139.2125
3 FR 1 99.66225 142.9157
...
subset(sales,
country == 'USA' & product %in% c(1, 2),
select = c('product', 'revenue'))
>
product revenue
1 1 108.4597
4 2 100.3475
所述sqldf包提供了一个SQL接口R数据帧
## recast the previous subset() expression in SQL
sqldf('SELECT product, revenue FROM sales \
WHERE country = "USA" \
AND product IN (1,2)')
>
product revenue
1 1 108.4597
2 2 100.3475
执行聚合或GROUP BY
sqldf('select country, sum(revenue) revenue \
FROM sales \
GROUP BY country')
>
country revenue
1 FR 307.1157
2 UK 280.6382
3 USA 304.6860
对于数据帧上更复杂的类似map-reduce的功能,请查看plyr包.如果发现自己想要拔掉头发,我建议用R检查Data Manipulation.
Edu*_*oni 18
?ave
'x []'的子集被平均,其中每个子集由具有相同因子水平的那些观察组成.用法:ave(x,...,FUN = mean)
我用它所有的时间.(例如在这里答案)
Dan*_*Dan 18
一种加速代码和消除循环的方法.
而不是循环遍历数据框寻找值的循环.只需使用这些值的df的子集,更快.
而不是:
for(i in 1:nrow(df)){
if (df$column[i] == x) {
df$column2[i] <- y
or any other similiar code
}
}
做这样的事情:
df$column2[df$column1 == x] <- y
这个基本概念经常适用,是摆脱for循环的好方法
and*_*ewj 16
有时您需要rbind多个数据框. do.call()会让你这样做(当我问这个问题时,有人必须向我解释这个问题,因为它似乎没有明显的用处).
foo <- list()
foo[[1]] <- data.frame(a=1:5, b=11:15)
foo[[2]] <- data.frame(a=101:105, b=111:115)
foo[[3]] <- data.frame(a=200:210, b=300:310)
do.call(rbind, foo)
dan*_*ank 16
一个R编程(不是交互式会话),我用if (bad.condition) stop("message")一个不少.每个函数都从其中的一些开始,当我完成计算时,我也将它们加入.我想我养成了assert()在C中使用的习惯.好处是双重的.首先,使用这些检查来获得工作代码要快得多.其次,也许更重要的是,当你在编辑器的每个屏幕上看到这些检查时,使用现有代码要容易得多.你不会想知道是否x>0或信任的评论指出,这是...你会知道,从一看,是这样的.
PS.我的第一篇文章.要温柔!
Cal*_*imo 13
traceback()当你在某个地方出现错误并且不易理解时,该函数是必须的.它将打印堆栈的跟踪,非常有用,因为R默认情况下不是很冗长.
然后设置options(error=recover)将允许您"输入"引发错误的函数并尝试理解究竟发生了什么,就像您完全控制它并且可以放入其中browser()一样.
这三个函数可以真正帮助调试代码.
Vin*_*nce 12
我真的很惊讶没有人发布关于申请,申请,lapply和sapply.我在R中做东西时使用的一般规则是,如果我有一个正在进行数据处理或模拟的for循环,我会尝试将其分解并用*apply替换它.有些人回避*apply函数,因为他们认为只能传入单个参数函数.没有什么可以进一步说实话!就像在Javascript中传递具有参数作为第一类对象的函数一样,您可以在R中使用匿名函数执行此操作.例如:
> sapply(rnorm(100, 0, 1), round)
[1] 1 1 0 1 1 -1 -2 0 2 2 -2 -1 0 1 -1 0 1 -1 0 -1 0 0 0 0 0
[26] 2 0 -1 -2 0 0 1 -1 1 5 1 -1 0 1 1 1 2 0 -1 1 -1 1 0 -1 1
[51] 2 1 1 -2 -1 0 -1 2 -1 1 -1 1 -1 0 -1 -2 1 1 0 -1 -1 1 1 2 0
[76] 0 0 0 -2 -1 1 1 -2 1 -1 1 1 1 0 0 0 -1 -3 0 -1 0 0 0 1 1
> sapply(rnorm(100, 0, 1), round(x, 2)) # How can we pass a parameter?
Error in match.fun(FUN) : object 'x' not found
# Wrap your function call in an anonymous function to use parameters
> sapply(rnorm(100, 0, 1), function(x) {round(x, 2)})
[1] -0.05 -1.74 -0.09 -1.23 0.69 -1.43 0.76 0.55 0.96 -0.47 -0.81 -0.47
[13] 0.27 0.32 0.47 -1.28 -1.44 -1.93 0.51 -0.82 -0.06 -1.41 1.23 -0.26
[25] 0.22 -0.04 -2.17 0.60 -0.10 -0.92 0.13 2.62 1.03 -1.33 -1.73 -0.08
[37] 0.45 -0.93 0.40 0.05 1.09 -1.23 -0.35 0.62 0.01 -1.08 1.70 -1.27
[49] 0.55 0.60 -1.46 1.08 -1.88 -0.15 0.21 0.06 0.53 -1.16 -2.13 -0.03
[61] 0.33 -1.07 0.98 0.62 -0.01 -0.53 -1.17 -0.28 -0.95 0.71 -0.58 -0.03
[73] -1.47 -0.75 -0.54 0.42 -1.63 0.05 -1.90 0.40 -0.01 0.14 -1.58 1.37
[85] -1.00 -0.90 1.69 -0.11 -2.19 -0.74 1.34 -0.75 -0.51 -0.99 -0.36 -1.63
[97] -0.98 0.61 1.01 0.55
# Note that anonymous functions aren't being called, but being passed.
> function() {print('hello #rstats')}()
function() {print('hello #rstats')}()
> a = function() {print('hello #rstats')}
> a
function() {print('hello #rstats')}
> a()
[1] "hello #rstats"
(对于那些关注#rstats的人,我也在那里发布了这个).
请记住,使用apply,sapply,lapply,tapply和do.call!充分利用R的矢量化.你永远不应该走到一堆R代码,看看:
N = 10000
l = numeric()
for (i in seq(1:N)) {
sim <- rnorm(1, 0, 1)
l <- rbind(l, sim)
}
这不仅不是矢量化的,而且R中的数组结构不像Python中那样增长(当空间耗尽时,IIRC的大小加倍).因此,每个rbind步骤必须首先增长到足以接受来自rbind()的结果,然后复制所有先前的内容.为了好玩,请在R中尝试上面的内容.注意它需要多长时间(您甚至不需要Rprof或任何计时功能).然后试试
N=10000
l <- rnorm(N, 0, 1)
以下优于第一个版本:
N = 10000
l = numeric(N)
for (i in seq(1:N)) {
sim <- rnorm(1, 0, 1)
l[i] <- sim
}
gap*_*ppy 11
根据Dirk的建议,我发布了一些例子.我希望他们不是太"可爱"[聪明,但我不在乎]或对这些观众微不足道.
线性模型是R的优点.当自变量的数量很高时,有两个选择.第一个是它使用lm.fit(),它接收设计矩阵x和响应y作为参数,类似于Matlab.这种方法的缺点是返回值是一个对象列表(拟合系数,残差等),而不是类"lm"的对象,可以很好地总结,用于预测,逐步选择等.方法是创建一个公式:
> A
X1 X2 X3 X4 y
1 0.96852363 0.33827107 0.261332257 0.62817021 1.6425326
2 0.08012755 0.69159828 0.087994158 0.93780481 0.9801304
3 0.10167545 0.38119304 0.865209832 0.16501662 0.4830873
4 0.06699458 0.41756415 0.258071616 0.34027775 0.7508766
...
> (f=paste("y ~",paste(names(A)[1:4],collapse=" + ")))
[1] "y ~ X1 + X2 + X3 + X4"
> lm(formula(f),data=A)
Call:
lm(formula = formula(f), data = A)
Coefficients:
(Intercept) X1 X2 X3 X4
0.78236 0.95406 -0.06738 -0.43686 -0.06644
Ric*_*ton 10
您可以指定从if-else块返回的值.
而不是,例如
condition <- runif(1) > 0.5
if(condition) x <- 1 else x <- 2
你可以做
x <- if(condition) 1 else 2
究竟这是如何工作的是深刻的魔力.
CrossTable()从gmodels软件包中可以轻松访问SAS和SPSS风格的交叉表,以及常用的测试(Chisq,McNemar等).基本上,它xtabs()具有花哨的输出和一些额外的测试 - 但它确实使得与异教徒的共享输出更容易.
以下是将因子转换为数字的烦人解决方法.(与其他数据类型相似)
old.var <- as.numeric(levels(old.var))[as.numeric(old.var)]
虽然这个问题已经持续了一段时间,但我最近在SAS和R博客上发现了使用该命令的一个很棒的技巧cut.该命令用于将数据划分为类别,我将使用虹膜数据集作为示例,并将其分为10类:
> irisSL <- iris$Sepal.Length
> str(irisSL)
num [1:150] 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
> cut(irisSL, 10)
[1] (5.02,5.38] (4.66,5.02] (4.66,5.02] (4.3,4.66] (4.66,5.02] (5.38,5.74] (4.3,4.66] (4.66,5.02] (4.3,4.66] (4.66,5.02]
[11] (5.38,5.74] (4.66,5.02] (4.66,5.02] (4.3,4.66] (5.74,6.1] (5.38,5.74] (5.38,5.74] (5.02,5.38] (5.38,5.74] (5.02,5.38]
[21] (5.38,5.74] (5.02,5.38] (4.3,4.66] (5.02,5.38] (4.66,5.02] (4.66,5.02] (4.66,5.02] (5.02,5.38] (5.02,5.38] (4.66,5.02]
[31] (4.66,5.02] (5.38,5.74] (5.02,5.38] (5.38,5.74] (4.66,5.02] (4.66,5.02] (5.38,5.74] (4.66,5.02] (4.3,4.66] (5.02,5.38]
[41] (4.66,5.02] (4.3,4.66] (4.3,4.66] (4.66,5.02] (5.02,5.38] (4.66,5.02] (5.02,5.38] (4.3,4.66] (5.02,5.38] (4.66,5.02]
[51] (6.82,7.18] (6.1,6.46] (6.82,7.18] (5.38,5.74] (6.46,6.82] (5.38,5.74] (6.1,6.46] (4.66,5.02] (6.46,6.82] (5.02,5.38]
[61] (4.66,5.02] (5.74,6.1] (5.74,6.1] (5.74,6.1] (5.38,5.74] (6.46,6.82] (5.38,5.74] (5.74,6.1] (6.1,6.46] (5.38,5.74]
[71] (5.74,6.1] (5.74,6.1] (6.1,6.46] (5.74,6.1] (6.1,6.46] (6.46,6.82] (6.46,6.82] (6.46,6.82] (5.74,6.1] (5.38,5.74]
[81] (5.38,5.74] (5.38,5.74] (5.74,6.1] (5.74,6.1] (5.38,5.74] (5.74,6.1] (6.46,6.82] (6.1,6.46] (5.38,5.74] (5.38,5.74]
[91] (5.38,5.74] (5.74,6.1] (5.74,6.1] (4.66,5.02] (5.38,5.74] (5.38,5.74] (5.38,5.74] (6.1,6.46] (5.02,5.38] (5.38,5.74]
[101] (6.1,6.46] (5.74,6.1] (6.82,7.18] (6.1,6.46] (6.46,6.82] (7.54,7.9] (4.66,5.02] (7.18,7.54] (6.46,6.82] (7.18,7.54]
[111] (6.46,6.82] (6.1,6.46] (6.46,6.82] (5.38,5.74] (5.74,6.1] (6.1,6.46] (6.46,6.82] (7.54,7.9] (7.54,7.9] (5.74,6.1]
[121] (6.82,7.18] (5.38,5.74] (7.54,7.9] (6.1,6.46] (6.46,6.82] (7.18,7.54] (6.1,6.46] (5.74,6.1] (6.1,6.46] (7.18,7.54]
[131] (7.18,7.54] (7.54,7.9] (6.1,6.46] (6.1,6.46] (5.74,6.1] (7.54,7.9] (6.1,6.46] (6.1,6.46] (5.74,6.1] (6.82,7.18]
[141] (6.46,6.82] (6.82,7.18] (5.74,6.1] (6.46,6.82] (6.46,6.82] (6.46,6.82] (6.1,6.46] (6.46,6.82] (6.1,6.46] (5.74,6.1]
10 Levels: (4.3,4.66] (4.66,5.02] (5.02,5.38] (5.38,5.74] (5.74,6.1] (6.1,6.46] (6.46,6.82] (6.82,7.18] ... (7.54,7.9]
另一招.有些软件包(如glmnet)仅将设计矩阵和响应变量作为输入.如果想要使特征之间的所有交互适合模型,则她不能使用公式"y~. ^ 2".使用expand.grid()允许我们利用R的强大的数组索引和向量操作.
interArray=function(X){
n=ncol(X)
ind=expand.grid(1:n,1:n)
return(X[,ind[,1]]*X[,ind[,2]])
}
> X
X1 X2
1 0.96852363 0.33827107
2 0.08012755 0.69159828
3 0.10167545 0.38119304
4 0.06699458 0.41756415
5 0.08187816 0.09805104
> interArray(X)
X1 X2 X1.1 X2.1
1 0.938038022 0.327623524 0.327623524 0.114427316
2 0.006420424 0.055416073 0.055416073 0.478308177
3 0.010337897 0.038757974 0.038757974 0.145308137
4 0.004488274 0.027974536 0.027974536 0.174359821
5 0.006704033 0.008028239 0.008028239 0.009614007
我最喜欢的一个,如果不是一些非正统的技巧,是使用eval()和parse().这个例子可能说明了它如何有用
NY.Capital <- 'Albany'
state <- 'NY'
parameter <- 'Capital'
eval(parse(text=paste(state, parameter, sep='.')))
[1] "Albany"
这种情况经常发生,并且使用eval()并parse()可以帮助解决它.当然,我欢迎任何关于编写此代码的替代方法的反馈.
set.seed() 设置随机数生成器状态.
例如:
> set.seed(123)
> rnorm(1)
[1] -0.5604756
> rnorm(1)
[1] -0.2301775
> set.seed(123)
> rnorm(1)
[1] -0.5604756
对于那些写C从R调用的人来说.Internal(inspect(...))是很方便的.例如:
> .Internal(inspect(quote(a+2)))
@867dc28 06 LANGSXP g0c0 []
@8436998 01 SYMSXP g1c0 [MARK,gp=0x4000] "+"
@85768b0 01 SYMSXP g1c0 [MARK,NAM(2)] "a"
@8d7bf48 14 REALSXP g0c1 [] (len=1, tl=0) 2
| 归档时间： |
|
| 查看次数： |
73854 次 |
| 最近记录： |