[#]: subject: "The Functions in the R Stats Package" [#]: via: "https://www.opensourceforu.com/2022/08/the-functions-in-the-r-stats-package/" [#]: author: "Shakthi Kannan https://www.opensourceforu.com/author/shakthi-kannan/" [#]: collector: "lkxed" [#]: translator: "tanloong" [#]: reviewer: "wxy" [#]: publisher: "wxy" [#]: url: "https://linux.cn/article-15932-1.html" R 语言 stats 包中的函数 ====== ![][0] 我们已经学习了 R 语言的基础知识，包括其语法以及语法所对应的语义，现在准备使用 R 向统计学领域进发。本文是 R 系列的第十一篇文章，我们将学习如何使用 R 语言 stats 包中提供的统计函数。 与此系列之前的文章一样，我们将使用安装在 Parabola GNU/Linux-libre（x86-64）上的 R 4.1.2 版本来运行文中的代码。 ``` $ R --version R version 4.1.2 (2021-11-01) -- "Bird Hippie" Copyright (C) 2021 The R Foundation for Statistical Computing Platform: x86_64-pc-linux-gnu (64-bit) R is free software and comes with ABSOLUTELY NO WARRANTY. You are welcome to redistribute it under the terms of the GNU General Public License versions 2 or 3. For more information about these matters see https://www.gnu.org/licenses/ ``` ### mean 函数 在 R 中 `mean` 函数用来计算算术平均值。该函数接受一个 R 对象 `x` 作为参数，以及一个 `trim` 选项来在计算均值之前剔除任意比例的数据（LCTT 译注：比如对于一个含有 7 个元素的向量 `x`，设置 `trim` 为 0.2 表示分别去掉 `x` 中最大和最小的前 20% —— 即 1.4 个 —— 的元素，所去掉的元素的个数会向下取整，所以最终会去掉 1 个最大值和 1 个最小值；`trim` 取值范围为 `[0, 0.5]`，默认为 0）。逻辑参数logical argument（`TRUE` 或 `FALSE`）`na.rm` 可以设置是否忽略空值（`NA`）。该函数的语法如下： ``` mean(x, trim = 0, na.rm = FALSE, ...) ``` 该函数支持数值、逻辑值、日期和 时间区间time intervals。下面是使用 `mean` 函数的一些例子： ``` > mean(c(1, 2, 3)) 2 > mean(c(1:5, 10, 20)) 6.428571 > mean(c(FALSE, TRUE, FALSE)) 0.3333333 > mean(c(TRUE, TRUE, TRUE)) 1 ``` 我们使用 UCI 机器学习库提供的一个采集自葡萄牙银行机构的“银行营销数据集”作为样本数据。该数据可用于公共研究，包含 4 个 csv 文件，我们使用 `read.csv()` 函数导入其中的 `bank.csv` 文件。 ``` > bank <- read.csv(file="bank.csv", sep=";") > bank[1:3,] age job marital education default balance housing loan contact day 1 30 unemployed married primary no 1787 no no cellular 19 2 33 services married secondary no 4789 yes yes cellular 11 3 35 management single tertiary no 1350 yes no cellular 16 month duration campaign pdays previous poutcome y 1 oct 79 1 -1 0 unknown no 2 may 220 1 339 4 failure no 3 apr 185 1 330 1 failure no ``` 下面是计算 `age` 列均值的示例： ``` > mean(bank$age) 41.1701 ``` ### median 函数 R 语言 `stats` 包中的 `median` 函数用来计算样本的中位数。该函数接受一个数值向量 `x`，以及一个逻辑值 `na.rm` 用来设置在计算中位数之前是否去除 `NA` 值。该函数的语法如下： ``` median(x, na.rm = FALSE, ...) ``` 下面是使用该函数的两个例子： ``` > median(3:5) 4 > median(c(3:5, 50, 150)) [1] 5 ``` 现在我们可以计算银行数据中 `age` 列的中位数： ``` > median(bank$age) 39 ``` ### pair 函数 `pair` 函数用来合并两个向量，接受向量 `x` 和向量 `y` 两个参数。`x` 和 `y` 的长度必须相等。 ``` Pair(x, y) ``` 该函数返回一个 `Pair` 类的列数为 2 的矩阵，示例如下： ``` > Pair(c(1,2,3), c(4,5,6)) x y [1,] 1 4 [2,] 2 5 [3,] 3 6 attr(,"class") [1] "Pair" ``` 该函数常用于像 T 检验和 Wilcox 检验等的 配对检验paired test。 ### dist 函数 `dist` 函数用来计算数据矩阵中各行之间的距离矩阵，接受以下参数： | 参数 | 描述 | | :- | :- | | `x` | 数值矩阵 | | `method` | 距离测量方法 | | `diag` | 若为 TRUE，则打印距离矩阵的对角线 | | `upper` | 若为 TRUE，则打印距离矩阵的上三角 | | `p` | 闵可夫斯基距离的幂次（见下文 LCTT 译注） | 该函数提供的距离测量方法包括：欧式距离euclidean、最大距离maximum、曼哈顿距离manhattan、堪培拉距离canberra、二进制距离binary 和 闵可夫斯基距离minkowski，默认为欧式距离。 > LCTT 译注： > > - **欧式距离**指两点之间线段的长度，比如二维空间中 A 点 $(x_1, y_1)$ 和 B 点 $(x_2, y_2)$ 的欧式距离是 $\sqrt{(x_1 - x_2)^2 + (y_1 - y_2)^2}$； > - **最大距离**指 n 维向量空间中两点在各维度上的距离的最大值，比如 A 点 $(3, 6, 8, 9)$ 和 B 点 $(1, 8, 9, 10)$ 之间的最大距离是 $max(|3 - 1|, |6 - 8|, |8 - 9|, |9 - 10|)$，等于 2； > - **曼哈顿距离**指 n 维向量空间中两点在各维度上的距离之和，比如二维空间中 A 点 $(x_1, y_1)$ 和 B 点 $(x_2, y_2)$ 之间的曼哈顿距离是 $|x_1 - x_2| + |y_1 - y_2|$； > - **堪培拉距离**的公式是 $\sum\textstyle_{i=1}^{n}\frac{|V1_i - V2_i|}{|V1_i| + |V2_i|}$； > - **二进制距离**首先将两个向量中的各元素看作其二进制形式，然后剔除在两个向量中对应值均为 0 的维度，最后计算在剩下的维度上两个向量间的对应值不相同的比例，比如 $V1 = (1, 3, 0, 5, 0)$ 和 $V2 = (11, 13, 0, 15, 10)$ 的二进制形式分别是 $(1, 1, 0, 1, 0)$ 和 $(1, 1, 0, 1, 1)$，其中第 3 个维度的对应值均为 0，剔除该维度之后为 $(1, 1, 1, 0)$ 和 $(1, 1, 1, 1)$，在剩余的 4 个维度中只有最后一个维度在两个向量之间的值不同，最终结果为 0.25； > - **闵可夫斯基距离**是欧式距离和曼哈顿距离的推广，公式是 $\sqrt[p]{\sum\textstyle_{i=1}^{n}{|V1_i - V2_i|^p}}$，当 $p=1$ 时相当于曼哈顿距离，当 $p=2$ 时相当于欧式距离。 下面是使用欧式距离计算 `age` 列距离矩阵的示例： ``` > dist(bank$age, method="euclidean", diag=FALSE, upper=FALSE, p=2) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 2 3 3 5 2 4 0 3 5 5 29 26 24 29 6 5 2 0 5 24 7 6 3 1 6 23 1 8 9 6 4 9 20 4 3 9 11 8 6 11 18 6 5 2 10 13 10 8 13 16 8 7 4 2 11 9 6 4 9 20 4 3 0 2 4 12 13 10 8 13 16 8 7 4 2 0 4 13 6 3 1 6 23 1 0 3 5 7 3 7 14 10 13 15 10 39 15 16 19 21 23 19 23 16 15 1 2 4 1 28 4 5 8 10 12 8 12 5 11 16 10 7 5 10 19 5 4 1 1 3 1 3 4 20 9 17 26 23 21 26 3 21 20 17 15 13 17 13 20 36 25 16 18 7 4 2 7 22 2 1 2 4 6 2 6 1 17 6 3 19 19 5 8 10 5 34 10 11 14 16 18 14 18 11 5 6 15 31 12 20 1 2 4 1 28 4 5 8 10 12 8 12 5 11 0 9 25 6 6 21 8 5 3 8 21 3 2 1 3 5 1 5 2 18 7 2 18 1 13 7 22 12 9 7 12 17 7 6 3 1 1 3 1 6 22 11 2 14 5 17 11 4 23 14 11 9 14 15 9 8 5 3 1 5 1 8 24 13 4 12 7 19 13 6 2 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 ... ``` 改用二进制距离的计算结果如下： ``` > dist(bank$age, method="binary", diag=FALSE, upper=FALSE, p=2) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 2 0 3 0 0 4 0 0 0 5 0 0 0 0 6 0 0 0 0 0 7 0 0 0 0 0 0 8 0 0 0 0 0 0 0 9 0 0 0 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 11 0 0 0 0 0 0 0 0 0 0 12 0 0 0 0 0 0 0 0 0 0 0 13 0 0 0 0 0 0 0 0 0 0 0 0 14 0 0 0 0 0 0 0 0 0 0 0 0 0 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 ``` ### quantile 函数 `quantile` 函数用于计算数值向量 `x` 的分位数及其对应的概率。当设置 `na.rm` 为 `TRUE` 时，该函数将忽略向量中的 `NA` 和 `NaN` 值。概率 0 对应最小观测值，概率 1 对应最大观测值。该函数的语法如下: ``` quantile(x, ...) ``` `quantile` 函数接受以下参数： | 参数 | 描述 | | :- | :- | | `x` | 数值向量 | | `probs` | 概率向量，取值为 `[0, 1]`（LCTT 译注：默认为 `(0, 0.25, 0.5, 0.75, 1)`）| | `na.rm` | 若为 `TRUE`，忽略向量中的 `NA` 和 `NaN` 值 | | `names` | 若为 `TRUE`，在结果中包含命名属性 | | `type` | 整数类型，用于选择任意一个九种分位数算法（LCTT 译注：默认为 7）| | `digits` | 小数精度 | | … | 传递给其他方法的额外参数 | `rnorm` 函数可用于生成正态分布的随机数。它可以接受要生成的观测值的数量 `n`，一个均值向量以及一个标准差向量。下面是一个计算 `rnorm` 函数生成的随机数的四分位数的示例： ``` > quantile(x <- rnorm(100)) 0% 25% 50% 75% 100% -1.978171612 -0.746829079 -0.009440368 0.698271134 1.897942805 ``` 下面是生成银行年龄数据对应概率下的分位数的示例： ``` > quantile(bank$age, probs = c(0.1, 0.5, 1, 2, 5, 10, 50)/100) 0.1% 0.5% 1% 2% 5% 10% 50% 20.0 22.6 24.0 25.0 27.0 29.0 39.0 ``` ### IQR 函数 `IQR` 函数用于计算向量中数值的 四分位距interquartile range。其语法如下： ``` IQR(x, na.rm = FALSE, type = 7) ``` 参数 `type` 指定了一个整数以选择分位数算法，该算法在 [Hyndman and Fan (1996)][c] 中进行了讨论。下面是计算银行年龄四分位距的示例： ``` > IQR(bank$age, na.rm = FALSE, type=7) 16 ``` ### sd 函数 `sd` 函数用来计算一组数值中的标准差。该函数接受一个 数值向量numeric vector `x` 和一个逻辑值 `na.rm`。`na.rm` 用来设置在计算时是否忽略缺失值。该函数的语法如下： ``` sd(x, na.rm = FALSE) ``` 对于长度为 0 或 1 的向量，该函数返回 `NA`。下面是两个例子： ``` > sd(1:10) 3.02765 > sd(1) NA ``` 下面是计算 `age` 列标准差的示例： ``` > sd(bank$age) 10.57621 ``` R 语言 stats 包中还有很多其他函数，鼓励你自行探索。 *（题图：MJ/ee6b533d-69fc-4baa-a985-cc4e499b5029）* -------------------------------------------------------------------------------- via: https://www.opensourceforu.com/2022/08/the-functions-in-the-r-stats-package/ 作者：[Shakthi Kannan][a] 选题：[lkxed][b] 译者：[tanloong](https://github.com/tanloong) 校对：[wxy](https://github.com/wxy) 本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出 [a]: https://www.opensourceforu.com/author/shakthi-kannan/ [b]: https://github.com/lkxed [c]: https://www.amherst.edu/media/view/129116/.../Sample+Quantiles.pdf [0]: https://img.linux.net.cn/data/attachment/album/202306/22/113510g55tccfi5uihcuta.jpg