精华内容
下载资源
问答
  • r语言自带数据包
    千次阅读
    2019-10-01 04:25:18

    Datasetsr自带数据包)

    作者:王书宇

    作品来源:百度百科

    dating from #配对的病例对照数据,用于条件logistic回归

    InsectSprays #使用不同杀虫剂时昆虫数目

    iris #3种鸢尾花形态数据

    LifeCycleSavings #50个国家的存款率

    longley #强共线性的宏观经济数据

    morley #光速测量试验数据

    mtcars #32辆汽车在11个指标上的数据

    OrchardSprays #使用拉丁方设计研究不同喷雾剂对蜜蜂的影响

    PlantGrowth #三种处理方式对植物产量的影响

    pressure #温度和气压

    Puromycin #两种细胞中辅因子浓度对酶促反应的影响

    quakes #1000次地震观测数据(震级>4

    randu #VMS1.5中使用FORTRAN中的RANDU三个一组生成随机数字,共400组。

    #该随机数字有问题。在VMS2.0以上版本已修复。

    rock#48块石头的形态数据

    sleep #两药物的催眠效果

    stackloss #化工厂将氨转为硝酸的数据

    swiss #瑞士生育率和社会经济指标

    ToothGrowth #VC剂量和摄入方式对豚鼠牙齿的影响

    trees #树木形态指标

    USArrests #美国50个州的四个犯罪率指标

    USJudgeRatings #43名律师的12个评价指标

    warpbreaks #织布机异常数据

    women #15名女性的身高和体重

    列表

    state.center #美国50个州中心的经度和纬度

    类数据框

    ChickWeight #饮食对鸡生长的影响

    CO2 #耐寒植物CO2摄取的差异

    DNase #若干次试验中,DNase浓度和光密度的关系

    Indometh #某药物的药物动力学数据

    Loblolly #火炬松的高度、年龄和种源

    Orange #桔子树生长数据

    Theoph #茶碱药动学数据

    时间序列数据

    airmiles #美国1937-1960年客运里程营收(实际售出机位乘以飞行哩数)

    AirPassengers #Box & Jenkins航空公司1949-1960年每月国际航线乘客数

    austres #澳大利亚1971-1994每季度人口数(以千为单位)

    BJsales #有关销售的一个时间序列

    BJsales.lead #前一指标的先行指标(leading indicator

    co2 #1959-1997年每月大气co2浓度(ppm

    discoveries #1860-1959年每年巨大发现或发明的个数

    ldeaths #1974-1979年英国每月支气管炎、肺气肿和哮喘的死亡率

    fdeaths #前述死亡率的女性部分

    mdeaths#前述死亡率的男性部分

    freeny.y #每季度收入

    JohnsonJohnson #1960-1980年每季度Johnson & Johnson股票的红利

    LakeHuron #1875-1972年某一湖泊水位的记录

    lh #黄体生成素水平,10分钟测量一次

    lynx #1821-1934年加拿大猞猁数据

    nhtemp #1912-1971年每年平均温度

    Nile #1871-1970尼罗河流量

    nottem #1920-1939每月大气温度

    presidents #1945-1974年每季度美国总统支持率

    UKDriverDeaths #1969-1984年每月英国司机死亡或严重伤害的数目

    sunspot.month #1749-1997每月太阳黑子数

    sunspot.year #1700-1988每年太阳黑子数

    sunspots #1749-1983每月太阳黑子数

    treering #归一化的树木年轮数据

    UKgas #1960-1986每月英国天然气消耗

    USAccDeaths #1973-1978美国每月意外死亡人数

    uspop #17901970美国每十年一次的人口总数(百万为单位)

    WWWusage #每分钟网络连接数

    Seatbelts #多变量时间序列。和UKDriverDeaths时间段相同,反映更多因素。

    EuStockMarkets #多变量时间序列。欧洲股市四个主要指标的每个工作日记录,共1860条记录。

    转载于:https://www.cnblogs.com/GMGHZ971322/p/6921341.html

    更多相关内容
  • R语言数据包自带数据集之ToothGrowth数据集字段解释、数据导入实战 目录 R语言数据包自带数据集之ToothGrowth数据集字段解释、数据导入实战 #数据字段说明 #导入包 #导入数据 #数据字段说明 ...

    R语言数据包自带数据集之ToothGrowth数据集字段解释、数据导入实战

    目录

    R语言数据包自带数据集之ToothGrowth数据集字段解释、数据导入实战

    #数据字段说明

    #导入包

    #导入数据



    #数据字段说明

    ToothGrowth为R内置数据集。

    它包含一项评估维生素C对豚鼠牙齿生长的影响的研究数据。

    实验在60只豚鼠上进行,其中每只豚鼠通过两种递送方法(橙汁,OJ,或抗坏血酸,VC)分别接受三种剂量水平的维生素C量(0.5、1和2 mg /天, VC)。

    实验者测量了牙齿生长的长度。

    牙齿生长数据集包含了研究维生素C对60只豚鼠牙齿生长影响的实验结果。每只动物通过两种给药方法(橙汁或抗坏血酸(一种维生素C,编码为VC)中的一种,接受三种剂量水平的维生素C(0.5、1和2 mg/天)。

    #导入包

    # 导入R内自带的ToothGrowth数据集
    library(datasets)
    data(ToothGrowth)

    #导入数据

    str(ToothGrowth)
    head(ToothGrowth)


    A data frame with 60 observations on 3 variables.

    [,1]lennumericTooth length
    [,2]suppfactorSupplement type (VC or OJ).

    参考:R

    参考:ToothGrowth: The Effect of Vitamin C on Tooth Growth in Guinea Pigs

    参考:基础-R内置数据集

    参考:[R语言]dataset数据包信息汇总

    展开全文
  • r语言自带数据包

    千次阅读 2015-04-11 16:28:35
    向量 euro #欧元汇率,长度为11,每个元素都有命名 landmasses #48个陆地的面积,每个都有命名 precip #长度为70的命名向量 rivers #北美141条河流长度 state.abb #美国50个州的双字母缩写 ...

    向量
    euro    #欧元汇率,长度为11,每个元素都有命名
    landmasses    #48个陆地的面积,每个都有命名
    precip    #长度为70的命名向量
    rivers    #北美141条河流长度
    state.abb    #美国50个州的双字母缩写
    state.area    #美国50个州的面积
    state.name    #美国50个州的全称

    因子
    state.division    #美国50个州的分类,9个类别
    state.region    #美国50个州的地理分类

    矩阵、数组
    euro.cross    #11种货币的汇率矩阵
    freeny.x    #每个季度影响收入四个因素的记录
    state.x77    #美国50个州的八个指标
    USPersonalExpenditure    #5个年份在5个消费方向的数据
    VADeaths    #1940年弗吉尼亚州死亡率(每千人)
    volcano    #某火山区的地理信息(10米×10米的网格)
    WorldPhones    #8个区域在7个年份的电话总数
    iris3    #3种鸢尾花形态数据
    Titanic    #泰坦尼克乘员统计
    UCBAdmissions    #伯克利分校1973年院系、录取和性别的频数
    crimtab    #3000个男性罪犯左手中指长度和身高关系
    HairEyeColor    #592人头发颜色、眼睛颜色和性别的频数
    occupationalStatus    #英国男性父子职业联系

    类矩阵
    eurodist    #欧洲12个城市的距离矩阵,只有下三角部分
    Harman23.cor    #305个女孩八个形态指标的相关系数矩阵
    Harman74.cor    #145个儿童24个心理指标的相关系数矩阵

    数据框
    airquality    #纽约1973年5-9月每日空气质量
    anscombe    #四组x-y数据,虽有相似的统计量,但实际数据差别较大
    attenu    #多个观测站对加利福尼亚23次地震的观测数据
    attitude    #30个部门在七个方面的调查结果,调查结果是同一部门35个职员赞成的百分比
    beaver1    #一只海狸每10分钟的体温数据,共114条数据
    beaver2    #另一只海狸每10分钟的体温数据,共100条数据
    BOD    #随水质的提高,生化反应对氧的需求(mg/l)随时间(天)的变化
    cars    #1920年代汽车速度对刹车距离的影响
    chickwts    #不同饮食种类对小鸡生长速度的影响
    esoph    #法国的一个食管癌病例对照研究
    faithful    #一个间歇泉的爆发时间和持续时间
    Formaldehyde    #两种方法测定甲醛浓度时分光光度计的读数
    Freeny     #每季度收入和其他四因素的记录
    dating from     #配对的病例对照数据,用于条件logistic回归
    InsectSprays     #使用不同杀虫剂时昆虫数目
    iris    #3种鸢尾花形态数据
    LifeCycleSavings    #50个国家的存款率
    longley    #强共线性的宏观经济数据
    morley    #光速测量试验数据
    mtcars    #32辆汽车在11个指标上的数据
    OrchardSprays     #使用拉丁方设计研究不同喷雾剂对蜜蜂的影响
    PlantGrowth     #三种处理方式对植物产量的影响
    pressure     #温度和气压
    Puromycin     #两种细胞中辅因子浓度对酶促反应的影响
    quakes     #1000次地震观测数据(震级>4)
    randu     #在VMS1.5中使用FORTRAN中的RANDU三个一组生成随机数字,共400组。
         #该随机数字有问题。在VMS2.0以上版本已修复。
    rock     #48块石头的形态数据
    sleep     #两药物的催眠效果
    stackloss     #化工厂将氨转为硝酸的数据
    swiss     #瑞士生育率和社会经济指标
    ToothGrowth     #VC剂量和摄入方式对豚鼠牙齿的影响
    trees    #树木形态指标
    USArrests    #美国50个州的四个犯罪率指标
    USJudgeRatings    #43名律师的12个评价指标
    warpbreaks    #织布机异常数据
    women    #15名女性的身高和体重

    列表
    state.center    #美国50个州中心的经度和纬度

    类数据框
    ChickWeight    #饮食对鸡生长的影响
    CO2    #耐寒植物CO2摄取的差异
    DNase    #若干次试验中,DNase浓度和光密度的关系
    Indometh    #某药物的药物动力学数据
    Loblolly    #火炬松的高度、年龄和种源
    Orange    #桔子树生长数据
    Theoph    #茶碱药动学数据

    时间序列数据
    airmiles    #美国1937-1960年客运里程营收(实际售出机位乘以飞行哩数)
    AirPassengers    #Box & Jenkins航空公司1949-1960年每月国际航线乘客数
    austres    #澳大利亚1971-1994每季度人口数(以千为单位)
    BJsales    #有关销售的一个时间序列
    BJsales.lead    #前一指标的先行指标(leading indicator)
    co2    #1959-1997年每月大气co2浓度(ppm)
    discoveries    #1860-1959年每年巨大发现或发明的个数
    ldeaths    #1974-1979年英国每月支气管炎、肺气肿和哮喘的死亡率
    fdeaths    #前述死亡率的女性部分
    mdeaths    #前述死亡率的男性部分
    freeny.y    #每季度收入
    JohnsonJohnson    #1960-1980年每季度Johnson & Johnson股票的红利
    LakeHuron    #1875-1972年某一湖泊水位的记录
    lh     #黄体生成素水平,10分钟测量一次
    lynx    #1821-1934年加拿大猞猁数据
    nhtemp     #1912-1971年每年平均温度
    Nile     #1871-1970尼罗河流量
    nottem     #1920-1939每月大气温度
    presidents     #1945-1974年每季度美国总统支持率
    UKDriverDeaths     #1969-1984年每月英国司机死亡或严重伤害的数目
    sunspot.month     #1749-1997每月太阳黑子数
    sunspot.year     #1700-1988每年太阳黑子数
    sunspots    #1749-1983每月太阳黑子数
    treering    #归一化的树木年轮数据
    UKgas    #1960-1986每月英国天然气消耗
    USAccDeaths    #1973-1978美国每月意外死亡人数
    uspop    #1790–1970美国每十年一次的人口总数(百万为单位)
    WWWusage    #每分钟网络连接数
    Seatbelts     #多变量时间序列。和UKDriverDeaths时间段相同,反映更多因素。
    EuStockMarkets    #多变量时间序列。欧洲股市四个主要指标的每个工作日记录,共1860条记录。

    展开全文
  • 引言 R语言基础包datasets里自带了一部分数据集合,为了大家更好的使用这些数据,这里从原子向量、因子、矩阵、数组、类矩阵、数据框、类数据框、列表、时间序列等9个方面做一些总结和介绍。大家可以通过data()命令...

    引言

    R语言基础包datasets里自带了一部分数据集合,为了大家更好的使用这些数据,这里从原子向量、因子、矩阵、数组、类矩阵、数据框、类数据框、列表、时间序列等9个方面做一些总结和介绍。大家可以通过data()命令获取全部的数据集列表。
    根据维度进行简单的分类如下表。

    维度数据类型
    1维原子向量(1)、因子(2)、列表(7)、一维时间序列(8.1)
    2维矩阵(3)、类矩阵(4)、数据框(5)、类数据框(6)、多维时间序列(8.2)
    n维数组(9)

    注:括号中的数字是文章对应的章节,方便查找索引用的。类矩阵虽然是放在矩阵列里,但是实际没有维度信息。

    常用数据整理(仅代表个人观点,如有其他见解欢迎留言):

    数据名称(R语言)数据类型维度章节常用模型推荐星级
    crimta矩阵、table二维(42x22)3.8双指标分布可视化三星
    Harman23.cor类矩阵、list4.2相关系数图三星
    airquality数据框二维(153*6)5.1可视化、回归四星
    anscombe数据框二维(11*6)5.2回归、统计分析五星
    chickwts数据框二维(71*2)5.8一元回归四星
    airmiles时间序列8.1.1一元时间序列四星
    EuStockMarkets时间序列二维(1860*4)8.2.1多元时间序列五星
    iris3数组三维(50x4x3)9.1分类模型五星
    Titanic数组、table四维(4x2x2x2)9.2高维数据索引四星
    HairEyeColor数组、table三维(4x2x2)9.4高维数据索引四星

    1、原子向量 + 条形图(一维)

    1.1 欧元货币换算率

    数据名字:euro(R语言)
    数据名称:欧元货币换算率
    数据长度:11
    数据示例:

    > euro 
            ATS         BEF         DEM         ESP         FIM         FRF 
      13.760300   40.339900    1.955830  166.386000    5.945730    6.559570 
            IEP         ITL         LUF         NLG         PTE 
       0.787564 1936.270000   40.339900    2.203710  200.482000 
    > str(euro)    
     Named num [1:11] 13.76 40.34 1.96 166.39 5.95 ...
     - attr(*, "names")= chr [1:11] "ATS" "BEF" "DEM" "ESP" ...

    在这里插入图片描述

    1.2 美国城市年降水量

    数据名字:precip(R语言)
    数据名称: 美国城市年降水量
    数据长度:70
    数据示例:

    > precip
                 Mobile              Juneau             Phoenix 
                   67.0                54.7                 7.0 
            Little Rock         Los Angeles          Sacramento 
                   48.5                14.0                17.2 
          San Francisco              Denver            Hartford 
                   20.7                13.0                43.4 
             Wilmington          Washington        Jacksonville 
                   40.2                38.9                54.5 
                  Miami             Atlanta            Honolulu 
                   59.8                48.3                22.9 
                  Boise             Chicago              Peoria 
                   11.5                34.4                35.1 
           Indianapolis          Des Moines             Wichita 
                   38.7                30.8                30.6 
             Louisville         New Orleans            Portland 
                   43.1                56.8                40.8 
              Baltimore              Boston             Detroit 
                   41.8                42.5                31.0 
       Sault Ste. Marie              Duluth Minneapolis/St Paul 
                   31.7                30.2                25.9 
                Jackson         Kansas City            St Louis 
                   49.2                37.0                35.9 
            Great Falls               Omaha                Reno 
                   15.0                30.2                 7.2 
                Concord       Atlantic City         Albuquerque 
                   36.2                45.5                 7.8 
                 Albany             Buffalo            New York 
                   33.4                36.1                40.2 
              Charlotte             Raleigh             Bismark 
                   42.7                42.5                16.2 
             Cincinnati           Cleveland            Columbus 
                   39.0                35.0                37.0 
          Oklahoma City            Portland        Philadelphia 
                   31.4                37.6                39.9 
              Pittsburg          Providence            Columbia 
                   36.2                42.8                46.4 
            Sioux Falls             Memphis           Nashville 
                   24.7                49.1                46.0 
                 Dallas             El Paso             Houston 
                   35.9                 7.8                48.2 
         Salt Lake City          Burlington             Norfolk 
                   15.2                32.5                44.7 
               Richmond      Seattle Tacoma             Spokane 
                   42.6                38.8                17.4 
             Charleston           Milwaukee            Cheyenne 
                   40.8                29.1                14.6 
               San Juan 
                   59.2 
    > str(precip)    
     Named num [1:70] 67 54.7 7 48.5 14 17.2 20.7 13 43.4 40.2 ...
     - attr(*, "names")= chr [1:70] "Mobile" "Juneau" "Phoenix" "Little Rock" ...

    在这里插入图片描述

    1.3 北美主要河流的长度(不含河流名字)

    描述:This data set gives the lengths (in miles) of 141 “major” rivers in North America, as compiled by the US Geological Survey.
    数据名字:rivers(R语言)
    数据名称: 北美主要河流的长度
    数据长度:141
    数据示例:

    > rivers
      [1]  735  320  325  392  524  450 1459  135  465  600  330  336  280  315
     [15]  870  906  202  329  290 1000  600  505 1450  840 1243  890  350  407
     [29]  286  280  525  720  390  250  327  230  265  850  210  630  260  230
     [43]  360  730  600  306  390  420  291  710  340  217  281  352  259  250
     [57]  470  680  570  350  300  560  900  625  332 2348 1171 3710 2315 2533
     [71]  780  280  410  460  260  255  431  350  760  618  338  981 1306  500
     [85]  696  605  250  411 1054  735  233  435  490  310  460  383  375 1270
     [99]  545  445 1885  380  300  380  377  425  276  210  800  420  350  360
    [113]  538 1100 1205  314  237  610  360  540 1038  424  310  300  444  301
    [127]  268  620  215  652  900  525  246  360  529  500  720  270  430  671
    [141] 1770
    > str(rivers)    
     num [1:141] 735 320 325 392 524 ...

    在这里插入图片描述

    1.4美国50个州信息(缩写、名称、全称)

    数据名字:state.abb、state.area、state.name (R语言)
    数据名称: 北美主要河流的长度
    数据长度:50
    数据示例:

    > state.abb    # 缩写
     [1] "AL" "AK" "AZ" "AR" "CA" "CO" "CT" "DE" "FL" "GA" "HI" "ID" "IL" "IN"
    [15] "IA" "KS" "KY" "LA" "ME" "MD" "MA" "MI" "MN" "MS" "MO" "MT" "NE" "NV"
    [29] "NH" "NJ" "NM" "NY" "NC" "ND" "OH" "OK" "OR" "PA" "RI" "SC" "SD" "TN"
    [43] "TX" "UT" "VT" "VA" "WA" "WV" "WI" "WY"
    > state.area    # 面积
     [1]  51609 589757 113909  53104 158693 104247   5009   2057  58560  58876
    [11]   6450  83557  56400  36291  56290  82264  40395  48523  33215  10577
    [21]   8257  58216  84068  47716  69686 147138  77227 110540   9304   7836
    [31] 121666  49576  52586  70665  41222  69919  96981  45333   1214  31055
    [41]  77047  42244 267339  84916   9609  40815  68192  24181  56154  97914
    > state.name    # 全称
     [1] "Alabama"        "Alaska"         "Arizona"        "Arkansas"      
     [5] "California"     "Colorado"       "Connecticut"    "Delaware"      
     [9] "Florida"        "Georgia"        "Hawaii"         "Idaho"         
    [13] "Illinois"       "Indiana"        "Iowa"           "Kansas"        
    [17] "Kentucky"       "Louisiana"      "Maine"          "Maryland"      
    [21] "Massachusetts"  "Michigan"       "Minnesota"      "Mississippi"   
    [25] "Missouri"       "Montana"        "Nebraska"       "Nevada"        
    [29] "New Hampshire"  "New Jersey"     "New Mexico"     "New York"      
    [33] "North Carolina" "North Dakota"   "Ohio"           "Oklahoma"      
    [37] "Oregon"         "Pennsylvania"   "Rhode Island"   "South Carolina"
    [41] "South Dakota"   "Tennessee"      "Texas"          "Utah"          
    [45] "Vermont"        "Virginia"       "Washington"     "West Virginia" 
    [49] "Wisconsin"      "Wyoming" 

    2、因子 + 散点图

    2.1美国50个州信息(土地类型、地理方位)

    一共就两个就不设置二级目录了。每次类别的名称是1.4部分的名称。
    数据长度:50
    数据名称:state.division 以及 state.region (R语言)

    > state.division    # 50个州的分类,9个水平
     [1] East South Central Pacific            Mountain          
     [4] West South Central Pacific            Mountain          
     [7] New England        South Atlantic     South Atlantic    
    [10] South Atlantic     Pacific            Mountain          
    [13] East North Central East North Central West North Central
    [16] West North Central East South Central West South Central
    [19] New England        South Atlantic     New England       
    [22] East North Central West North Central East South Central
    [25] West North Central Mountain           West North Central
    [28] Mountain           New England        Middle Atlantic   
    [31] Mountain           Middle Atlantic    South Atlantic    
    [34] West North Central East North Central West South Central
    [37] Pacific            Middle Atlantic    New England       
    [40] South Atlantic     West North Central East South Central
    [43] West South Central Mountain           New England       
    [46] South Atlantic     Pacific            South Atlantic    
    [49] East North Central Mountain          
    9 Levels: New England Middle Atlantic South Atlantic ... Pacific
    > str(state.division)
     Factor w/ 9 levels "New England",..: 4 9 8 5 9 8 1 3 3 3 ...
    > state.region    # 50个州的地理分类,4个水平
     [1] South         West          West          South         West         
     [6] West          Northeast     South         South         South        
    [11] West          West          North Central North Central North Central
    [16] North Central South         South         Northeast     South        
    [21] Northeast     North Central North Central South         North Central
    [26] West          North Central West          Northeast     Northeast    
    [31] West          Northeast     South         North Central North Central
    [36] South         West          Northeast     Northeast     South        
    [41] North Central South         South         West          Northeast    
    [46] South         West          South         North Central West         
    Levels: Northeast South North Central West
    > str(state.region)
     Factor w/ 4 levels "Northeast","South",..: 2 4 4 2 4 4 1 2 2 2 ...

    在这里插入图片描述
    就不讲作图思路了,粘一下代码把。

    ggplot(data = data.frame(division = state.division, 
    region= state.region), aes(x = division, y = region)) +
    geom_point()

    3、矩阵

    3.1 11种汇率矩阵

    数据维度:11*11
    数据名称:euro.cross (R语言)
    数据类型:矩阵
    数据展示:

    > euro.cross 
                 ATS         BEF         DEM         ESP         FIM         FRF          IEP         ITL         LUF         NLG         PTE
    ATS  1.000000000  2.93161486 0.142135709  12.0917422 0.432093050 0.476702543 0.0572345080  140.714229  2.93161486 0.160149851  14.5695951
    BEF  0.341108927  1.00000000 0.048483759   4.1246012 0.147390797 0.162607493 0.0195232016   47.998880  1.00000000 0.054628544   4.9698190
    DEM  7.035529673 20.62546336 1.000000000  85.0718109 3.040003477 3.353854885 0.4026750791  989.999131 20.62546336 1.126739032 102.5048189
    ESP  0.082701069  0.24244768 0.011754775   1.0000000 0.035734557 0.039423810 0.0047333550   11.637217  0.24244768 0.013244564   1.2049211
    FIM  2.314316324  6.78468413 0.328946992  27.9841163 1.000000000 1.103240477 0.1324587561  325.657236  6.78468413 0.370637415  33.7186519
    FRF  2.097744212  6.14977811 0.298164361  25.3653822 0.906420695 1.000000000 0.1200633578  295.182459  6.14977811 0.335953424  30.5632839
    IEP 17.471976881 51.22110711 2.483391826 211.2666399 7.549519785 8.328935807 1.0000000000 2458.555749 51.22110711 2.798134501 254.5596294
    ITL  0.007106602  0.02083382 0.001010102   0.0859312 0.003070713 0.003387735 0.0004067429    1.000000  0.02083382 0.001138121   0.1035403
    LUF  0.341108927  1.00000000 0.048483759   4.1246012 0.147390797 0.162607493 0.0195232016   47.998880  1.00000000 0.054628544   4.9698190
    NLG  6.244151907 18.30544854 0.887516960  75.5026750 2.698054644 2.976603092 0.3573809621  878.641019 18.30544854 1.000000000  90.9747653
    PTE  0.068636087  0.20121457 0.009755639   0.8299299 0.029657176 0.032718997 0.0039283527    9.658074  0.20121457 0.010992059   1.0000000
    > summary(euro.cross)
          ATS                 BEF                DEM               ESP                 FIM                FRF                IEP                 ITL         
     Min.   : 0.007107   Min.   : 0.02083   Min.   :0.00101   Min.   :  0.08593   Min.   :0.003071   Min.   :0.003388   Min.   :0.0004067   Min.   :   1.00  
     1st Qu.: 0.211905   1st Qu.: 0.62122   1st Qu.:0.03012   1st Qu.:  2.56230   1st Qu.:0.091563   1st Qu.:0.101016   1st Qu.:0.0121283   1st Qu.:  29.82  
     Median : 1.000000   Median : 2.93161   Median :0.14214   Median : 12.09174   Median :0.432093   Median :0.476703   Median :0.0572345   Median : 140.71  
     Mean   : 3.364035   Mean   : 9.86205   Mean   :0.47815   Mean   : 40.67704   Mean   :1.453576   Mean   :1.603644   Mean   :0.1925389   Mean   : 473.37  
     3rd Qu.: 4.279234   3rd Qu.:12.54507   3rd Qu.:0.60823   3rd Qu.: 51.74340   3rd Qu.:1.849027   3rd Qu.:2.039922   3rd Qu.:0.2449199   3rd Qu.: 602.15  
     Max.   :17.471977   Max.   :51.22111   Max.   :2.48339   Max.   :211.26664   Max.   :7.549520   Max.   :8.328936   Max.   :1.0000000   Max.   :2458.56  
          LUF                NLG                PTE          
     Min.   : 0.02083   Min.   :0.001138   Min.   :  0.1035  
     1st Qu.: 0.62122   1st Qu.:0.033937   1st Qu.:  3.0874  
     Median : 2.93161   Median :0.160150   Median : 14.5696  
     Mean   : 9.86205   Mean   :0.538750   Mean   : 49.0126  
     3rd Qu.:12.54507   3rd Qu.:0.685319   3rd Qu.: 62.3467  
     Max.   :51.22111   Max.   :2.798135   Max.   :254.5596  
     > class(euro.cross)
    [1] "matrix"
    > mode(euro.cross)
    [1] "numeric"

    3.2 季度收入自变量(4个)

    数据维度:39*4
    数据名称:freeny.x(R语言)
    数据类型:矩阵
    部分数据展示:

    > head(freeny.x)
         lag quarterly revenue price index income level market potential
    [1,]               8.79636     4.70997      5.82110          12.9699
    [2,]               8.79236     4.70217      5.82558          12.9733
    [3,]               8.79137     4.68944      5.83112          12.9774
    [4,]               8.81486     4.68558      5.84046          12.9806
    [5,]               8.81301     4.64019      5.85036          12.9831
    [6,]               8.90751     4.62553      5.86464          12.9854
    > str(freeny.x)
     num [1:39, 1:4] 8.8 8.79 8.79 8.81 8.81 ...
     - attr(*, "dimnames")=List of 2
      ..$ : NULL
      ..$ : chr [1:4] "lag quarterly revenue" "price index" "income level" "market potential"
      > dim(freeny.x )
    [1] 39  4

    3.3 50个州的八个指标

    数据维度:50*8
    数据名称:state.x77(R语言)
    数据类型:矩阵
    部分数据展示:

    > head(state.x77)
               Population Income Illiteracy Life Exp Murder HS Grad Frost   Area
    Alabama          3615   3624        2.1    69.05   15.1    41.3    20  50708
    Alaska            365   6315        1.5    69.31   11.3    66.7   152 566432
    Arizona          2212   4530        1.8    70.55    7.8    58.1    15 113417
    Arkansas         2110   3378        1.9    70.66   10.1    39.9    65  51945
    California      21198   5114        1.1    71.71   10.3    62.6    20 156361
    Colorado         2541   4884        0.7    72.06    6.8    63.9   166 103766
    > summary(state.x77)
       Population        Income       Illiteracy       Life Exp         Murder          HS Grad          Frost             Area       
     Min.   :  365   Min.   :3098   Min.   :0.500   Min.   :67.96   Min.   : 1.400   Min.   :37.80   Min.   :  0.00   Min.   :  1049  
     1st Qu.: 1080   1st Qu.:3993   1st Qu.:0.625   1st Qu.:70.12   1st Qu.: 4.350   1st Qu.:48.05   1st Qu.: 66.25   1st Qu.: 36985  
     Median : 2838   Median :4519   Median :0.950   Median :70.67   Median : 6.850   Median :53.25   Median :114.50   Median : 54277  
     Mean   : 4246   Mean   :4436   Mean   :1.170   Mean   :70.88   Mean   : 7.378   Mean   :53.11   Mean   :104.46   Mean   : 70736  
     3rd Qu.: 4968   3rd Qu.:4814   3rd Qu.:1.575   3rd Qu.:71.89   3rd Qu.:10.675   3rd Qu.:59.15   3rd Qu.:139.75   3rd Qu.: 81163  
     Max.   :21198   Max.   :6315   Max.   :2.800   Max.   :73.60   Max.   :15.100   Max.   :67.30   Max.   :188.00   Max.   :566432  
    > str(state.x77)
     num [1:50, 1:8] 3615 365 2212 2110 21198 ...
     - attr(*, "dimnames")=List of 2
      ..$ : chr [1:50] "Alabama" "Alaska" "Arizona" "Arkansas" ...
      ..$ : chr [1:8] "Population" "Income" "Illiteracy" "Life Exp" ...
    > dim(state.x77)
    [1] 50  8

    3.4 5年不同领域的指标

    数据维度:5*5
    数据名称:USPersonalExpenditure(R语言)
    数据类型:矩阵
    部分数据展示:

    > USPersonalExpenditure 
                          1940   1945  1950 1955  1960
    Food and Tobacco    22.200 44.500 59.60 73.2 86.80
    Household Operation 10.500 15.500 29.00 36.5 46.20
    Medical and Health   3.530  5.760  9.71 14.0 21.10
    Personal Care        1.040  1.980  2.45  3.4  5.40
    Private Education    0.341  0.974  1.80  2.6  3.64
    > summary(USPersonalExpenditure)
          1940             1945             1950            1955            1960      
     Min.   : 0.341   Min.   : 0.974   Min.   : 1.80   Min.   : 2.60   Min.   : 3.64  
     1st Qu.: 1.040   1st Qu.: 1.980   1st Qu.: 2.45   1st Qu.: 3.40   1st Qu.: 5.40  
     Median : 3.530   Median : 5.760   Median : 9.71   Median :14.00   Median :21.10  
     Mean   : 7.522   Mean   :13.743   Mean   :20.51   Mean   :25.94   Mean   :32.63  
     3rd Qu.:10.500   3rd Qu.:15.500   3rd Qu.:29.00   3rd Qu.:36.50   3rd Qu.:46.20  
     Max.   :22.200   Max.   :44.500   Max.   :59.60   Max.   :73.20   Max.   :86.80  
    > str(USPersonalExpenditure)
     num [1:5, 1:5] 22.2 10.5 3.53 1.04 0.341 44.5 15.5 5.76 1.98 0.974 ...
     - attr(*, "dimnames")=List of 2
      ..$ : chr [1:5] "Food and Tobacco" "Household Operation" "Medical and Health" "Personal Care" ...
      ..$ : chr [1:5] "1940" "1945" "1950" "1955" ...
    > dim(USPersonalExpenditure)
    [1] 5 5

    3.5 1940年不同年龄个体的死亡数(每千人)

    数据维度:5*4
    数据名称:VADeaths(R语言)
    数据类型:矩阵
    部分数据展示:

    > head(VADeaths)
          Rural Male Rural Female Urban Male Urban Female
    50-54       11.7          8.7       15.4          8.4
    55-59       18.1         11.7       24.3         13.6
    60-64       26.9         20.3       37.0         19.3
    65-69       41.0         30.9       54.6         35.1
    70-74       66.0         54.3       71.1         50.0
    > summary(VADeaths)
       Rural Male     Rural Female     Urban Male     Urban Female  
     Min.   :11.70   Min.   : 8.70   Min.   :15.40   Min.   : 8.40  
     1st Qu.:18.10   1st Qu.:11.70   1st Qu.:24.30   1st Qu.:13.60  
     Median :26.90   Median :20.30   Median :37.00   Median :19.30  
     Mean   :32.74   Mean   :25.18   Mean   :40.48   Mean   :25.28  
     3rd Qu.:41.00   3rd Qu.:30.90   3rd Qu.:54.60   3rd Qu.:35.10  
     Max.   :66.00   Max.   :54.30   Max.   :71.10   Max.   :50.00  
    > str(VADeaths)
     num [1:5, 1:4] 11.7 18.1 26.9 41 66 8.7 11.7 20.3 30.9 54.3 ...
     - attr(*, "dimnames")=List of 2
      ..$ : chr [1:5] "50-54" "55-59" "60-64" "65-69" ...
      ..$ : chr [1:4] "Rural Male" "Rural Female" "Urban Male" "Urban Female"
    > dim(VADeaths)
    [1] 5 4
    > class(VADeaths)
    [1] "matrix"

    3.6 某火山区的地理信息

    数据维度:87*61
    数据名称:volcano(R语言)
    数据类型:矩阵
    部分数据展示:

    > head(volcano)
         [,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]
    [1,]  100  100  101  101  101  101  101  100  100   100   101   101   102   102   102   102   103   104   103   102   101   101   102   103   104   104   105   107
    [2,]  101  101  102  102  102  102  102  101  101   101   102   102   103   103   103   103   104   105   104   103   102   102   103   105   106   106   107   109
    [3,]  102  102  103  103  103  103  103  102  102   102   103   103   104   104   104   104   105   106   105   104   104   105   106   107   108   110   111   113
    [4,]  103  103  104  104  104  104  104  103  103   103   103   104   104   104   105   105   106   107   106   106   106   107   108   110   111   114   117   118
    [5,]  104  104  105  105  105  105  105  104  104   103   104   104   105   105   105   106   107   108   108   108   109   110   112   114   115   118   121   122
    [6,]  105  105  105  106  106  106  106  105  105   104   104   105   105   106   106   107   109   110   110   112   113   115   116   118   119   121   124   126
         [,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] [,54] [,55]
    [1,]   107   107   108   108   110   110   110   110   110   110   110   110   108   108   108   107   107   108   108   108   108   108   107   107   107   107   106
    [2,]   110   110   110   110   111   112   113   114   116   115   114   112   110   110   110   109   108   109   109   109   109   108   108   108   108   107   107
    [3,]   114   115   114   115   116   118   119   119   121   121   120   118   116   114   112   111   110   110   110   110   109   109   109   109   108   108   107
    [4,]   117   119   120   121   122   124   125   126   127   127   126   124   122   120   117   116   113   111   110   110   110   109   109   109   109   108   108
    [5,]   121   123   128   131   129   130   131   131   132   132   131   130   128   126   122   119   115   114   112   110   110   110   110   110   109   109   108
    [6,]   126   129   134   137   137   136   136   135   136   136   136   135   133   129   126   122   118   116   115   113   111   110   110   110   110   109   108
         [,56] [,57] [,58] [,59] [,60] [,61]
    [1,]   106   105   105   104   104   103
    [2,]   106   106   105   105   104   104
    [3,]   107   106   106   105   105   104
    [4,]   107   107   106   106   105   105
    [5,]   107   107   107   106   106   105
    [6,]   108   108   107   107   106   106
    > str(volcano)
     num [1:87, 1:61] 100 101 102 103 104 105 105 106 107 108 ...
    > dim(volcano)
    [1] 87 61
    > class(volcano)
    [1] "matrix"

    3.7 7地区在7年中的电话数

    数据维度:7*7
    数据名称:WorldPhones(R语言)
    数据类型:矩阵
    部分数据展示:

    > head(WorldPhones )
         N.Amer Europe Asia S.Amer Oceania Africa Mid.Amer
    1951  45939  21574 2876   1815    1646     89      555
    1956  60423  29990 4708   2568    2366   1411      733
    1957  64721  32510 5230   2695    2526   1546      773
    1958  68484  35218 6662   2845    2691   1663      836
    1959  71799  37598 6856   3000    2868   1769      911
    1960  76036  40341 8220   3145    3054   1905     1008
    > summary(WorldPhones )
         N.Amer          Europe           Asia          S.Amer        Oceania         Africa        Mid.Amer     
     Min.   :45939   Min.   :21574   Min.   :2876   Min.   :1815   Min.   :1646   Min.   :  89   Min.   : 555.0  
     1st Qu.:62572   1st Qu.:31250   1st Qu.:4969   1st Qu.:2632   1st Qu.:2446   1st Qu.:1478   1st Qu.: 753.0  
     Median :68484   Median :35218   Median :6662   Median :2845   Median :2691   Median :1663   Median : 836.0  
     Mean   :66748   Mean   :34343   Mean   :6229   Mean   :2772   Mean   :2625   Mean   :1484   Mean   : 841.7  
     3rd Qu.:73918   3rd Qu.:38970   3rd Qu.:7538   3rd Qu.:3072   3rd Qu.:2961   3rd Qu.:1837   3rd Qu.: 959.5  
     Max.   :79831   Max.   :43173   Max.   :9053   Max.   :3338   Max.   :3224   Max.   :2005   Max.   :1076.0  
    > str(WorldPhones )
     num [1:7, 1:7] 45939 60423 64721 68484 71799 ...
     - attr(*, "dimnames")=List of 2
      ..$ : chr [1:7] "1951" "1956" "1957" "1958" ...
      ..$ : chr [1:7] "N.Amer" "Europe" "Asia" "S.Amer" ...
    > dim(WorldPhones )
    [1] 7 7
    > class(WorldPhones )
    [1] "matrix"

    3.8 3000个男性左手中指长度和身高关系

    数据维度:42*22
    数据名称:crimtab(R语言)
    数据类型:矩阵、table
    部分数据展示:

    > sum(crimtab)
    [1] 3000
    > crimtab
         142.24 144.78 147.32 149.86 152.4 154.94 157.48 160.02 162.56 165.1 167.64 170.18 172.72 175.26 177.8 180.34 182.88 185.42 187.96 190.5 193.04 195.58
    9.4       0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0
    9.5       0      0      0      0     0      1      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0
    9.6       0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0
    9.7       0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0
    9.8       0      0      0      0     0      0      1      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0
    9.9       0      0      1      0     1      0      1      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0
    10        1      0      0      1     2      0      2      0      0     1      0      0      0      0     0      0      0      0      0     0      0      0
    10.1      0      0      0      1     3      1      0      1      1     0      0      0      0      0     0      0      0      0      0     0      0      0
    10.2      0      0      2      2     2      1      0      2      0     1      0      0      0      0     0      0      0      0      0     0      0      0
    10.3      0      1      1      3     2      2      3      5      0     0      0      0      0      0     0      0      0      0      0     0      0      0
    10.4      0      0      1      1     2      3      3      4      3     3      0      0      0      0     0      0      0      0      0     0      0      0
    10.5      0      0      0      1     3      7      6      4      3     1      3      1      0      1     0      0      0      0      0     0      0      0
    10.6      0      0      0      1     4      5      9     14      6     3      1      0      0      1     0      0      0      0      0     0      0      0
    10.7      0      0      1      2     4      9     14     16     15     7      3      1      2      0     0      0      0      0      0     0      0      0
    10.8      0      0      0      2     5      6     14     27     10     7      1      2      1      0     0      0      0      0      0     0      0      0
    10.9      0      0      0      0     2      6     14     24     27    14     10      4      1      0     0      0      0      0      0     0      0      0
    11        0      0      0      2     6     12     15     31     37    27     17     10      6      0     0      0      0      0      0     0      0      0
    11.1      0      0      0      3     3     12     22     26     24    26     24      7      4      1     0      0      0      0      0     0      0      0
    11.2      0      0      0      3     2      7     21     30     38    29     27     20      4      1     0      0      0      0      0     0      0      1
    11.3      0      0      0      1     0      5     10     24     26    39     26     24      7      2     0      0      0      0      0     0      0      0
    11.4      0      0      0      0     3      4      9     29     56    58     26     22     10     11     0      0      0      0      0     0      0      0
    11.5      0      0      0      0     0      5     11     17     33    57     38     34     25     11     2      0      0      0      0     0      0      0
    11.6      0      0      0      0     2      1      4     13     37    39     48     38     27     12     2      2      0      1      0     0      0      0
    11.7      0      0      0      0     0      2      9     17     30    37     48     45     24      9     9      2      0      0      0     0      0      0
    11.8      0      0      0      0     1      0      2     11     15    35     41     34     29     10     5      1      0      0      0     0      0      0
    11.9      0      0      0      0     1      1      2     12     10    27     32     35     19     10     9      3      1      0      0     0      0      0
    12        0      0      0      0     0      0      1      4      8    19     42     39     22     16     8      2      2      0      0     0      0      0
    12.1      0      0      0      0     0      0      0      2      4    13     22     28     15     27    10      4      1      0      0     0      0      0
    12.2      0      0      0      0     0      0      1      2      5     6     23     17     16     11     8      1      1      0      0     0      0      0
    12.3      0      0      0      0     0      0      0      0      4     8     10     13     20     23     6      5      0      0      0     0      0      0
    12.4      0      0      0      0     0      0      1      1      1     2      7     12      4      7     7      1      0      0      1     0      0      0
    12.5      0      0      0      0     0      0      0      1      0     1      3     12     11      8     6      8      0      2      0     0      0      0
    12.6      0      0      0      0     0      0      0      0      0     1      0      3      5      7     8      6      3      1      1     0      0      0
    12.7      0      0      0      0     0      0      0      0      0     1      1      7      5      5     8      2      2      0      0     0      0      0
    12.8      0      0      0      0     0      0      0      0      0     0      1      2      3      1     8      5      3      1      1     0      0      0
    12.9      0      0      0      0     0      0      0      0      0     0      0      1      2      2     0      1      1      0      0     0      0      0
    13        0      0      0      0     0      0      0      0      0     0      3      0      1      0     1      0      2      1      0     0      0      0
    13.1      0      0      0      0     0      0      0      0      0     0      0      1      1      0     0      0      0      0      0     0      0      0
    13.2      0      0      0      0     0      0      0      0      0     0      1      1      0      1     0      3      0      0      0     0      0      0
    13.3      0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      1      0      1     0      0      0
    13.4      0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0
    13.5      0      0      0      0     0      0      0      0      0     0      0      0      0      0     0      0      0      1      0     0      0      0
    > str(crimtab)
     'table' int [1:42, 1:22] 0 0 0 0 0 0 1 0 0 0 ...
     - attr(*, "dimnames")=List of 2
      ..$ : chr [1:42] "9.4" "9.5" "9.6" "9.7" ...
      ..$ : chr [1:22] "142.24" "144.78" "147.32" "149.86" ...
    > dim(crimtab)
    [1] 42 22
    > class(crimtab)
    [1] "table"

    3.9 英国男性父子职业联系

    数据维度:8*8
    数据名称:occupationalStatus(R语言)
    数据类型:矩阵、table
    部分数据展示:

    > occupationalStatus 
          destination
    origin   1   2   3   4   5   6   7   8
         1  50  19  26   8   7  11   6   2
         2  16  40  34  18  11  20   8   3
         3  12  35  65  66  35  88  23  21
         4  11  20  58 110  40 183  64  32
         5   2   8  12  23  25  46  28  12
         6  12  28 102 162  90 554 230 177
         7   0   6  19  40  21 158 143  71
         8   0   3  14  32  15 126  91 106
    > summary(occupationalStatus)
    Number of cases in table: 3498 
    Number of factors: 2 
    Test for independence of all factors:
            Chisq = 1416, df = 49, p-value = 2.519e-264
            Chi-squared approximation may be incorrect
    > str(occupationalStatus)
     'table' int [1:8, 1:8] 50 16 12 11 2 12 0 0 19 40 ...
     - attr(*, "dimnames")=List of 2
      ..$ origin     : chr [1:8] "1" "2" "3" "4" ...
      ..$ destination: chr [1:8] "1" "2" "3" "4" ...
    > dim(occupationalStatus)
    [1] 8 8
    > class(occupationalStatus)
    [1] "table"

    4、类矩阵

    4.1 欧洲12个城市的距离矩阵(下三角)

    数据维度:无
    数据名称:eurodist(R语言)
    数据类型:dist
    数据展示:

    > eurodist
                    Athens Barcelona Brussels Calais Cherbourg Cologne Copenhagen Geneva Gibraltar Hamburg Hook of Holland Lisbon Lyons Madrid Marseilles Milan Munich Paris Rome Stockholm
    Barcelona         3313                                                                                                                                                                 
    Brussels          2963      1318                                                                                                                                                       
    Calais            3175      1326      204                                                                                                                                              
    Cherbourg         3339      1294      583    460                                                                                                                                       
    Cologne           2762      1498      206    409       785                                                                                                                             
    Copenhagen        3276      2218      966   1136      1545     760                                                                                                                     
    Geneva            2610       803      677    747       853    1662       1418                                                                                                          
    Gibraltar         4485      1172     2256   2224      2047    2436       3196   1975                                                                                                   
    Hamburg           2977      2018      597    714      1115     460        460   1118      2897                                                                                         
    Hook of Holland   3030      1490      172    330       731     269        269    895      2428     550                                                                                 
    Lisbon            4532      1305     2084   2052      1827    2290       2971   1936       676    2671            2280                                                                 
    Lyons             2753       645      690    739       789     714       1458    158      1817    1159             863   1178                                                          
    Madrid            3949       636     1558   1550      1347    1764       2498   1439       698    2198            1730    668  1281                                                    
    Marseilles        2865       521     1011   1059      1101    1035       1778    425      1693    1479            1183   1762   320   1157                                             
    Milan             2282      1014      925   1077      1209     911       1537    328      2185    1238            1098   2250   328   1724        618                                  
    Munich            2179      1365      747    977      1160     583       1104    591      2565     805             851   2507   724   2010       1109   331                            
    Paris             3000      1033      285    280       340     465       1176    513      1971     877             457   1799   471   1273        792   856    821                     
    Rome               817      1460     1511   1662      1794    1497       2050    995      2631    1751            1683   2700  1048   2097       1011   586    946  1476               
    Stockholm         3927      2868     1616   1786      2196    1403        650   2068      3886     949            1500   3231  2108   3188       2428  2187   1754  1827 2707          
    Vienna            1991      1802     1175   1381      1588     937       1455   1019      2974    1155            1205   2937  1157   2409       1363   898    428  1249 1209      2105
    > summary(eurodist)
       Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
        158     808    1312    1505    2064    4532 
    > str(eurodist)
     'dist' num [1:210] 3313 2963 3175 3339 2762 ...
     - attr(*, "Size")= num 21
     - attr(*, "Labels")= chr [1:21] "Athens" "Barcelona" "Brussels" "Calais" ...
    > dim(eurodist)
    NULL
    > class(eurodist)
    [1] "dist"

    4.2 305个女孩八个形态指标的相关系数矩阵

    数据维度:无
    数据名称:Harman23.cor(R语言)
    数据类型:list
    数据展示:

    > Harman23.cor
    $cov
                   height arm.span forearm lower.leg weight bitro.diameter chest.girth chest.width
    height          1.000    0.846   0.805     0.859  0.473          0.398       0.301       0.382
    arm.span        0.846    1.000   0.881     0.826  0.376          0.326       0.277       0.415
    forearm         0.805    0.881   1.000     0.801  0.380          0.319       0.237       0.345
    lower.leg       0.859    0.826   0.801     1.000  0.436          0.329       0.327       0.365
    weight          0.473    0.376   0.380     0.436  1.000          0.762       0.730       0.629
    bitro.diameter  0.398    0.326   0.319     0.329  0.762          1.000       0.583       0.577
    chest.girth     0.301    0.277   0.237     0.327  0.730          0.583       1.000       0.539
    chest.width     0.382    0.415   0.345     0.365  0.629          0.577       0.539       1.000
    
    $center
    [1] 0 0 0 0 0 0 0 0
    
    $n.obs
    [1] 305
    
    > summary(Harman23.cor)
           Length Class  Mode   
    cov    64     -none- numeric
    center  8     -none- numeric
    n.obs   1     -none- numeric
    > str(Harman23.cor)
    List of 3
     $ cov   : num [1:8, 1:8] 1 0.846 0.805 0.859 0.473 0.398 0.301 0.382 0.846 1 ...
      ..- attr(*, "dimnames")=List of 2
      .. ..$ : chr [1:8] "height" "arm.span" "forearm" "lower.leg" ...
      .. ..$ : chr [1:8] "height" "arm.span" "forearm" "lower.leg" ...
     $ center: num [1:8] 0 0 0 0 0 0 0 0
     $ n.obs : num 305
    > dim(Harman23.cor)
    NULL
    > class(Harman23.cor)
    [1] "list"

    4.3 145个儿童24个心理指标相关系数矩阵

    数据维度:无
    数据名称:Harman74.cor(R语言)
    数据类型:list
    数据展示:

    > Harman74.cor
    $cov
                           VisualPerception Cubes PaperFormBoard Flags GeneralInformation PargraphComprehension SentenceCompletion WordClassification WordMeaning Addition  Code CountingDots StraightCurvedCapitals WordRecognition
    VisualPerception                  1.000 0.318          0.403 0.468              0.321                 0.335              0.304              0.332       0.326    0.116 0.308        0.314                  0.489           0.125
    Cubes                             0.318 1.000          0.317 0.230              0.285                 0.234              0.157              0.157       0.195    0.057 0.150        0.145                  0.239           0.103
    PaperFormBoard                    0.403 0.317          1.000 0.305              0.247                 0.268              0.223              0.382       0.184   -0.075 0.091        0.140                  0.321           0.177
    Flags                             0.468 0.230          0.305 1.000              0.227                 0.327              0.335              0.391       0.325    0.099 0.110        0.160                  0.327           0.066
    GeneralInformation                0.321 0.285          0.247 0.227              1.000                 0.622              0.656              0.578       0.723    0.311 0.344        0.215                  0.344           0.280
    PargraphComprehension             0.335 0.234          0.268 0.327              0.622                 1.000              0.722              0.527       0.714    0.203 0.353        0.095                  0.309           0.292
    SentenceCompletion                0.304 0.157          0.223 0.335              0.656                 0.722              1.000              0.619       0.685    0.246 0.232        0.181                  0.345           0.236
    WordClassification                0.332 0.157          0.382 0.391              0.578                 0.527              0.619              1.000       0.532    0.285 0.300        0.271                  0.395           0.252
    WordMeaning                       0.326 0.195          0.184 0.325              0.723                 0.714              0.685              0.532       1.000    0.170 0.280        0.113                  0.280           0.260
    Addition                          0.116 0.057         -0.075 0.099              0.311                 0.203              0.246              0.285       0.170    1.000 0.484        0.585                  0.408           0.172
    Code                              0.308 0.150          0.091 0.110              0.344                 0.353              0.232              0.300       0.280    0.484 1.000        0.428                  0.535           0.350
    CountingDots                      0.314 0.145          0.140 0.160              0.215                 0.095              0.181              0.271       0.113    0.585 0.428        1.000                  0.512           0.131
    StraightCurvedCapitals            0.489 0.239          0.321 0.327              0.344                 0.309              0.345              0.395       0.280    0.408 0.535        0.512                  1.000           0.195
    WordRecognition                   0.125 0.103          0.177 0.066              0.280                 0.292              0.236              0.252       0.260    0.172 0.350        0.131                  0.195           1.000
    NumberRecognition                 0.238 0.131          0.065 0.127              0.229                 0.251              0.172              0.175       0.248    0.154 0.240        0.173                  0.139           0.370
    FigureRecognition                 0.414 0.272          0.263 0.322              0.187                 0.291              0.180              0.296       0.242    0.124 0.314        0.119                  0.281           0.412
    ObjectNumber                      0.176 0.005          0.177 0.187              0.208                 0.273              0.228              0.255       0.274    0.289 0.362        0.278                  0.194           0.341
    NumberFigure                      0.368 0.255          0.211 0.251              0.263                 0.167              0.159              0.250       0.208    0.317 0.350        0.349                  0.323           0.201
    FigureWord                        0.270 0.112          0.312 0.137              0.190                 0.251              0.226              0.274       0.274    0.190 0.290        0.110                  0.263           0.206
    Deduction                         0.365 0.292          0.297 0.339              0.398                 0.435              0.451              0.427       0.446    0.173 0.202        0.246                  0.241           0.302
    NumericalPuzzles                  0.369 0.306          0.165 0.349              0.318                 0.263              0.314              0.362       0.266    0.405 0.399        0.355                  0.425           0.183
    ProblemReasoning                  0.413 0.232          0.250 0.380              0.441                 0.386              0.396              0.357       0.483    0.160 0.304        0.193                  0.279           0.243
    SeriesCompletion                  0.474 0.348          0.383 0.335              0.435                 0.431              0.405              0.501       0.504    0.262 0.251        0.350                  0.382           0.242
    ArithmeticProblems                0.282 0.211          0.203 0.248              0.420                 0.433              0.437              0.388       0.424    0.531 0.412        0.414                  0.358           0.304
                           NumberRecognition FigureRecognition ObjectNumber NumberFigure FigureWord Deduction NumericalPuzzles ProblemReasoning SeriesCompletion ArithmeticProblems
    VisualPerception                   0.238             0.414        0.176        0.368      0.270     0.365            0.369            0.413            0.474              0.282
    Cubes                              0.131             0.272        0.005        0.255      0.112     0.292            0.306            0.232            0.348              0.211
    PaperFormBoard                     0.065             0.263        0.177        0.211      0.312     0.297            0.165            0.250            0.383              0.203
    Flags                              0.127             0.322        0.187        0.251      0.137     0.339            0.349            0.380            0.335              0.248
    GeneralInformation                 0.229             0.187        0.208        0.263      0.190     0.398            0.318            0.441            0.435              0.420
    PargraphComprehension              0.251             0.291        0.273        0.167      0.251     0.435            0.263            0.386            0.431              0.433
    SentenceCompletion                 0.172             0.180        0.228        0.159      0.226     0.451            0.314            0.396            0.405              0.437
    WordClassification                 0.175             0.296        0.255        0.250      0.274     0.427            0.362            0.357            0.501              0.388
    WordMeaning                        0.248             0.242        0.274        0.208      0.274     0.446            0.266            0.483            0.504              0.424
    Addition                           0.154             0.124        0.289        0.317      0.190     0.173            0.405            0.160            0.262              0.531
    Code                               0.240             0.314        0.362        0.350      0.290     0.202            0.399            0.304            0.251              0.412
    CountingDots                       0.173             0.119        0.278        0.349      0.110     0.246            0.355            0.193            0.350              0.414
    StraightCurvedCapitals             0.139             0.281        0.194        0.323      0.263     0.241            0.425            0.279            0.382              0.358
    WordRecognition                    0.370             0.412        0.341        0.201      0.206     0.302            0.183            0.243            0.242              0.304
    NumberRecognition                  1.000             0.325        0.345        0.334      0.192     0.272            0.232            0.246            0.256              0.165
    FigureRecognition                  0.325             1.000        0.324        0.344      0.258     0.388            0.348            0.283            0.360              0.262
    ObjectNumber                       0.345             0.324        1.000        0.448      0.324     0.262            0.173            0.273            0.287              0.326
    NumberFigure                       0.334             0.344        0.448        1.000      0.358     0.301            0.357            0.317            0.272              0.405
    FigureWord                         0.192             0.258        0.324        0.358      1.000     0.167            0.331            0.342            0.303              0.374
    Deduction                          0.272             0.388        0.262        0.301      0.167     1.000            0.413            0.463            0.509              0.366
    NumericalPuzzles                   0.232             0.348        0.173        0.357      0.331     0.413            1.000            0.374            0.451              0.448
    ProblemReasoning                   0.246             0.283        0.273        0.317      0.342     0.463            0.374            1.000            0.503              0.375
    SeriesCompletion                   0.256             0.360        0.287        0.272      0.303     0.509            0.451            0.503            1.000              0.434
    ArithmeticProblems                 0.165             0.262        0.326        0.405      0.374     0.366            0.448            0.375            0.434              1.000
    
    $center
     [1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
    
    $n.obs
    [1] 145
    
    > summary(Harman74.cor)
           Length Class  Mode   
    cov    576    -none- numeric
    center  24    -none- numeric
    n.obs    1    -none- numeric
    > str(Harman74.cor)
    List of 3
     $ cov   : num [1:24, 1:24] 1 0.318 0.403 0.468 0.321 0.335 0.304 0.332 0.326 0.116 ...
      ..- attr(*, "dimnames")=List of 2
      .. ..$ : chr [1:24] "VisualPerception" "Cubes" "PaperFormBoard" "Flags" ...
      .. ..$ : chr [1:24] "VisualPerception" "Cubes" "PaperFormBoard" "Flags" ...
     $ center: num [1:24] 0 0 0 0 0 0 0 0 0 0 ...
     $ n.obs : num 145
    > dim(Harman74.cor)
    NULL
    > class(Harman74.cor)
    [1] "list"

    5、数据框

    5.1 空气质量

    数据维度:153*6
    数据名称:airquality(R语言)
    数据类型:数据框
    数据展示:

    > head(airquality)
      Ozone Solar.R Wind Temp Month Day
    1    41     190  7.4   67     5   1
    2    36     118  8.0   72     5   2
    3    12     149 12.6   74     5   3
    4    18     313 11.5   62     5   4
    5    NA      NA 14.3   56     5   5
    6    28      NA 14.9   66     5   6
    > summary(airquality)
         Ozone           Solar.R           Wind             Temp           Month            Day      
     Min.   :  1.00   Min.   :  7.0   Min.   : 1.700   Min.   :56.00   Min.   :5.000   Min.   : 1.0  
     1st Qu.: 18.00   1st Qu.:115.8   1st Qu.: 7.400   1st Qu.:72.00   1st Qu.:6.000   1st Qu.: 8.0  
     Median : 31.50   Median :205.0   Median : 9.700   Median :79.00   Median :7.000   Median :16.0  
     Mean   : 42.13   Mean   :185.9   Mean   : 9.958   Mean   :77.88   Mean   :6.993   Mean   :15.8  
     3rd Qu.: 63.25   3rd Qu.:258.8   3rd Qu.:11.500   3rd Qu.:85.00   3rd Qu.:8.000   3rd Qu.:23.0  
     Max.   :168.00   Max.   :334.0   Max.   :20.700   Max.   :97.00   Max.   :9.000   Max.   :31.0  
     NA's   :37       NA's   :7                                                                      
    > str(airquality)
    'data.frame':   153 obs. of  6 variables:
     $ Ozone  : int  41 36 12 18 NA 28 23 19 8 NA ...
     $ Solar.R: int  190 118 149 313 NA NA 299 99 19 194 ...
     $ Wind   : num  7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...
     $ Temp   : int  67 72 74 62 56 66 65 59 61 69 ...
     $ Month  : int  5 5 5 5 5 5 5 5 5 5 ...
     $ Day    : int  1 2 3 4 5 6 7 8 9 10 ...
    > dim(airquality)
    [1] 153   6
    > class(airquality)
    [1] "data.frame"

    5.2 人工构造的回归数据

    数据维度:11*6
    数据名称:anscombe (R语言)
    数据类型:数据框
    注:比较有意思的数据集,使用这四组数据做回归和统计分析你会有意想不到的收获。
    数据展示:

    > head(anscombe)
      x1 x2 x3 x4   y1   y2    y3   y4
    1 10 10 10  8 8.04 9.14  7.46 6.58
    2  8  8  8  8 6.95 8.14  6.77 5.76
    3 13 13 13  8 7.58 8.74 12.74 7.71
    4  9  9  9  8 8.81 8.77  7.11 8.84
    5 11 11 11  8 8.33 9.26  7.81 8.47
    6 14 14 14  8 9.96 8.10  8.84 7.04
    > summary(anscombe)
           x1             x2             x3             x4           y1               y2              y3              y4        
     Min.   : 4.0   Min.   : 4.0   Min.   : 4.0   Min.   : 8   Min.   : 4.260   Min.   :3.100   Min.   : 5.39   Min.   : 5.250  
     1st Qu.: 6.5   1st Qu.: 6.5   1st Qu.: 6.5   1st Qu.: 8   1st Qu.: 6.315   1st Qu.:6.695   1st Qu.: 6.25   1st Qu.: 6.170  
     Median : 9.0   Median : 9.0   Median : 9.0   Median : 8   Median : 7.580   Median :8.140   Median : 7.11   Median : 7.040  
     Mean   : 9.0   Mean   : 9.0   Mean   : 9.0   Mean   : 9   Mean   : 7.501   Mean   :7.501   Mean   : 7.50   Mean   : 7.501  
     3rd Qu.:11.5   3rd Qu.:11.5   3rd Qu.:11.5   3rd Qu.: 8   3rd Qu.: 8.570   3rd Qu.:8.950   3rd Qu.: 7.98   3rd Qu.: 8.190  
     Max.   :14.0   Max.   :14.0   Max.   :14.0   Max.   :19   Max.   :10.840   Max.   :9.260   Max.   :12.74   Max.   :12.500  
    > str(anscombe)
    'data.frame':   11 obs. of  8 variables:
     $ x1: num  10 8 13 9 11 14 6 4 12 7 ...
     $ x2: num  10 8 13 9 11 14 6 4 12 7 ...
     $ x3: num  10 8 13 9 11 14 6 4 12 7 ...
     $ x4: num  8 8 8 8 8 8 8 19 8 8 ...
     $ y1: num  8.04 6.95 7.58 8.81 8.33 ...
     $ y2: num  9.14 8.14 8.74 8.77 9.26 8.1 6.13 3.1 9.13 7.26 ...
     $ y3: num  7.46 6.77 12.74 7.11 7.81 ...
     $ y4: num  6.58 5.76 7.71 8.84 8.47 7.04 5.25 12.5 5.56 7.91 ...
    > dim(anscombe)
    [1] 11  8
    > class(anscombe)
    [1] "data.frame"

    5.3 地震的观测数据

    数据维度:182*6
    数据名称:attenu(R语言)
    数据类型:数据框
    数据展示:

    > head(attenu)
      event mag station dist accel
    1     1 7.0     117   12 0.359
    2     2 7.4    1083  148 0.014
    3     2 7.4    1095   42 0.196
    4     2 7.4     283   85 0.135
    5     2 7.4     135  107 0.062
    6     2 7.4     475  109 0.054
    > summary(attenu)
         event            mag           station         dist            accel        
     Min.   : 1.00   Min.   :5.000   117    :  5   Min.   :  0.50   Min.   :0.00300  
     1st Qu.: 9.00   1st Qu.:5.300   1028   :  4   1st Qu.: 11.32   1st Qu.:0.04425  
     Median :18.00   Median :6.100   113    :  4   Median : 23.40   Median :0.11300  
     Mean   :14.74   Mean   :6.084   112    :  3   Mean   : 45.60   Mean   :0.15422  
     3rd Qu.:20.00   3rd Qu.:6.600   135    :  3   3rd Qu.: 47.55   3rd Qu.:0.21925  
     Max.   :23.00   Max.   :7.700   (Other):147   Max.   :370.00   Max.   :0.81000  
                                     NA's   : 16                                     
    > str(attenu)
    'data.frame':   182 obs. of  5 variables:
     $ event  : num  1 2 2 2 2 2 2 2 2 2 ...
     $ mag    : num  7 7.4 7.4 7.4 7.4 7.4 7.4 7.4 7.4 7.4 ...
     $ station: Factor w/ 117 levels "1008","1011",..: 24 13 15 68 39 74 22 1 8 55 ...
     $ dist   : num  12 148 42 85 107 109 156 224 293 359 ...
     $ accel  : num  0.359 0.014 0.196 0.135 0.062 0.054 0.014 0.018 0.01 0.004 ...
    > dim(attenu)
    [1] 182   5
    > class(attenu)
    [1] "data.frame"

    5.4 部门的调查结果

    数据维度:30*7
    数据名称:attitude(R语言)
    数据类型:数据框
    数据展示:

    > head(attitude)
      rating complaints privileges learning raises critical advance
    1     43         51         30       39     61       92      45
    2     63         64         51       54     63       73      47
    3     71         70         68       69     76       86      48
    4     61         63         45       47     54       84      35
    5     81         78         56       66     71       83      47
    6     43         55         49       44     54       49      34
    > summary(attitude)
         rating        complaints     privileges       learning         raises         critical        advance     
     Min.   :40.00   Min.   :37.0   Min.   :30.00   Min.   :34.00   Min.   :43.00   Min.   :49.00   Min.   :25.00  
     1st Qu.:58.75   1st Qu.:58.5   1st Qu.:45.00   1st Qu.:47.00   1st Qu.:58.25   1st Qu.:69.25   1st Qu.:35.00  
     Median :65.50   Median :65.0   Median :51.50   Median :56.50   Median :63.50   Median :77.50   Median :41.00  
     Mean   :64.63   Mean   :66.6   Mean   :53.13   Mean   :56.37   Mean   :64.63   Mean   :74.77   Mean   :42.93  
     3rd Qu.:71.75   3rd Qu.:77.0   3rd Qu.:62.50   3rd Qu.:66.75   3rd Qu.:71.00   3rd Qu.:80.00   3rd Qu.:47.75  
     Max.   :85.00   Max.   :90.0   Max.   :83.00   Max.   :75.00   Max.   :88.00   Max.   :92.00   Max.   :72.00  
    > str(attitude)
    'data.frame':   30 obs. of  7 variables:
     $ rating    : num  43 63 71 61 81 43 58 71 72 67 ...
     $ complaints: num  51 64 70 63 78 55 67 75 82 61 ...
     $ privileges: num  30 51 68 45 56 49 42 50 72 45 ...
     $ learning  : num  39 54 69 47 66 44 56 55 67 47 ...
     $ raises    : num  61 63 76 54 71 54 66 70 71 62 ...
     $ critical  : num  92 73 86 84 83 49 68 66 83 80 ...
     $ advance   : num  45 47 48 35 47 34 35 41 31 41 ...
    > dim(attitude)
    [1] 30  7
    > class(attitude)
    [1] "data.frame"

    5.5 两只海狸体温数据

    数据维度:114x4 + 100x4
    数据名称:beaver1 + beaver2(R语言)
    数据类型:数据框
    注意:beaver1 与 beaver2数据结构一致。
    数据展示:

    > head(beaver1)
      day time  temp activ
    1 346  840 36.33     0
    2 346  850 36.34     0
    3 346  900 36.35     0
    4 346  910 36.42     0
    5 346  920 36.55     0
    6 346  930 36.69     0
    > summary(beaver1)
          day             time             temp           activ        
     Min.   :346.0   Min.   :   0.0   Min.   :36.33   Min.   :0.00000  
     1st Qu.:346.0   1st Qu.: 932.5   1st Qu.:36.76   1st Qu.:0.00000  
     Median :346.0   Median :1415.0   Median :36.87   Median :0.00000  
     Mean   :346.2   Mean   :1312.0   Mean   :36.86   Mean   :0.05263  
     3rd Qu.:346.0   3rd Qu.:1887.5   3rd Qu.:36.96   3rd Qu.:0.00000  
     Max.   :347.0   Max.   :2350.0   Max.   :37.53   Max.   :1.00000  
    > str(beaver1)
    'data.frame':   114 obs. of  4 variables:
     $ day  : num  346 346 346 346 346 346 346 346 346 346 ...
     $ time : num  840 850 900 910 920 930 940 950 1000 1010 ...
     $ temp : num  36.3 36.3 36.4 36.4 36.5 ...
     $ activ: num  0 0 0 0 0 0 0 0 0 0 ...
    > dim(beaver1)
    [1] 114   4
    > class(beaver1)
    [1] "data.frame"

    5.6 氧的需求

    数据维度:6*2
    数据名称:BOD(R语言)
    数据类型:数据框
    数据展示:

    > head(BOD)
      Time demand
    1    1    8.3
    2    2   10.3
    3    3   19.0
    4    4   16.0
    5    5   15.6
    6    7   19.8
    > summary(BOD)
          Time           demand     
     Min.   :1.000   Min.   : 8.30  
     1st Qu.:2.250   1st Qu.:11.62  
     Median :3.500   Median :15.80  
     Mean   :3.667   Mean   :14.83  
     3rd Qu.:4.750   3rd Qu.:18.25  
     Max.   :7.000   Max.   :19.80  
    > str(BOD)
    'data.frame':   6 obs. of  2 variables:
     $ Time  : num  1 2 3 4 5 7
     $ demand: num  8.3 10.3 19 16 15.6 19.8
     - attr(*, "reference")= chr "A1.4, p. 270"
    > dim(BOD)
    [1] 6 2
    > class(BOD)
    [1] "data.frame"

    5.7 汽车速度对刹车距离数据

    数据维度:50*2
    数据名称:cars(R语言)
    数据类型:数据框
    数据展示:

    > head(cars)
      speed dist
    1     4    2
    2     4   10
    3     7    4
    4     7   22
    5     8   16
    6     9   10
    > summary(cars)
         speed           dist       
     Min.   : 4.0   Min.   :  2.00  
     1st Qu.:12.0   1st Qu.: 26.00  
     Median :15.0   Median : 36.00  
     Mean   :15.4   Mean   : 42.98  
     3rd Qu.:19.0   3rd Qu.: 56.00  
     Max.   :25.0   Max.   :120.00  
    > str(cars)
    'data.frame':   50 obs. of  2 variables:
     $ speed: num  4 4 7 7 8 9 10 10 10 11 ...
     $ dist : num  2 10 4 22 16 10 18 26 34 17 ...
    > dim(cars)
    [1] 50  2
    > class(cars)
    [1] "data.frame"

    5.8 小鸡生长速度的影响

    数据维度:71*2
    数据名称:chickwts(R语言)
    数据类型:数据框
    数据展示:

    > head(chickwts)
      weight      feed
    1    179 horsebean
    2    160 horsebean
    3    136 horsebean
    4    227 horsebean
    5    217 horsebean
    6    168 horsebean
    > summary(chickwts)
         weight             feed   
     Min.   :108.0   casein   :12  
     1st Qu.:204.5   horsebean:10  
     Median :258.0   linseed  :12  
     Mean   :261.3   meatmeal :11  
     3rd Qu.:323.5   soybean  :14  
     Max.   :423.0   sunflower:12  
    > str(chickwts)
    'data.frame':   71 obs. of  2 variables:
     $ weight: num  179 160 136 227 217 168 108 124 143 140 ...
     $ feed  : Factor w/ 6 levels "casein","horsebean",..: 2 2 2 2 2 2 2 2 2 2 ...
    > dim(chickwts)
    [1] 71  2
    > class(chickwts)
    [1] "data.frame"

    5.9 食管癌病例对照研究数据

    数据维度:88*5
    数据名称:esoph(R语言)
    数据类型:数据框
    数据展示:

    > head(esoph)
      agegp     alcgp    tobgp ncases ncontrols
    1 25-34 0-39g/day 0-9g/day      0        40
    2 25-34 0-39g/day    10-19      0        10
    3 25-34 0-39g/day    20-29      0         6
    4 25-34 0-39g/day      30+      0         5
    5 25-34     40-79 0-9g/day      0        27
    6 25-34     40-79    10-19      0         7
    > summary(esoph)
       agegp          alcgp         tobgp        ncases         ncontrols    
     25-34:15   0-39g/day:23   0-9g/day:24   Min.   : 0.000   Min.   : 1.00  
     35-44:15   40-79    :23   10-19   :24   1st Qu.: 0.000   1st Qu.: 3.00  
     45-54:16   80-119   :21   20-29   :20   Median : 1.000   Median : 6.00  
     55-64:16   120+     :21   30+     :20   Mean   : 2.273   Mean   :11.08  
     65-74:15                                3rd Qu.: 4.000   3rd Qu.:14.00  
     75+  :11                                Max.   :17.000   Max.   :60.00  
    > str(esoph)
    'data.frame':   88 obs. of  5 variables:
     $ agegp    : Ord.factor w/ 6 levels "25-34"<"35-44"<..: 1 1 1 1 1 1 1 1 1 1 ...
     $ alcgp    : Ord.factor w/ 4 levels "0-39g/day"<"40-79"<..: 1 1 1 1 2 2 2 2 3 3 ...
     $ tobgp    : Ord.factor w/ 4 levels "0-9g/day"<"10-19"<..: 1 2 3 4 1 2 3 4 1 2 ...
     $ ncases   : num  0 0 0 0 0 0 0 0 0 0 ...
     $ ncontrols: num  40 10 6 5 27 7 4 7 2 1 ...
    > dim(esoph)
    [1] 88  5
    > class(esoph)
    [1] "data.frame"

    6、类数据框

    6.1 饮食对鸡生长的影响

    数据维度:578*4
    数据名称:ChickWeight(R语言)
    数据类型:类数据框
    数据展示:

    > head(ChickWeight)
      weight Time Chick Diet
    1     42    0     1    1
    2     51    2     1    1
    3     59    4     1    1
    4     64    6     1    1
    5     76    8     1    1
    6     93   10     1    1
    > summary(ChickWeight)
         weight           Time           Chick     Diet   
     Min.   : 35.0   Min.   : 0.00   13     : 12   1:220  
     1st Qu.: 63.0   1st Qu.: 4.00   9      : 12   2:120  
     Median :103.0   Median :10.00   20     : 12   3:120  
     Mean   :121.8   Mean   :10.72   10     : 12   4:118  
     3rd Qu.:163.8   3rd Qu.:16.00   17     : 12          
     Max.   :373.0   Max.   :21.00   19     : 12          
                                     (Other):506          
    > str(ChickWeight)
    Classes ‘nfnGroupedData’, ‘nfGroupedData’, ‘groupedData’ and 'data.frame':      578 obs. of  4 variables:
     $ weight: num  42 51 59 64 76 93 106 125 149 171 ...
     $ Time  : num  0 2 4 6 8 10 12 14 16 18 ...
     $ Chick : Ord.factor w/ 50 levels "18"<"16"<"15"<..: 15 15 15 15 15 15 15 15 15 15 ...
     $ Diet  : Factor w/ 4 levels "1","2","3","4": 1 1 1 1 1 1 1 1 1 1 ...
     - attr(*, "formula")=Class 'formula'  language weight ~ Time | Chick
      .. ..- attr(*, ".Environment")=<environment: R_EmptyEnv> 
     - attr(*, "outer")=Class 'formula'  language ~Diet
      .. ..- attr(*, ".Environment")=<environment: R_EmptyEnv> 
     - attr(*, "labels")=List of 2
      ..$ x: chr "Time"
      ..$ y: chr "Body weight"
     - attr(*, "units")=List of 2
      ..$ x: chr "(days)"
      ..$ y: chr "(gm)"
    > dim(ChickWeight)
    [1] 578   4
    > class(ChickWeight)
    [1] "nfnGroupedData" "nfGroupedData"  "groupedData"    "data.frame"    

    7、列表

    7.1 50个州中心的经度和纬度

    数据维度:一维
    数据名称:state.center(R语言)
    数据类型:列表
    部分数据展示:

    > state.center
    $x
     [1]  -86.7509 -127.2500 -111.6250  -92.2992 -119.7730 -105.5130  -72.3573  -74.9841  -81.6850  -83.3736 -126.2500 -113.9300  -89.3776  -86.0808  -93.3714  -98.1156  -84.7674
    [18]  -92.2724  -68.9801  -76.6459  -71.5800  -84.6870  -94.6043  -89.8065  -92.5137 -109.3200  -99.5898 -116.8510  -71.3924  -74.2336 -105.9420  -75.1449  -78.4686 -100.0990
    [35]  -82.5963  -97.1239 -120.0680  -77.4500  -71.1244  -80.5056  -99.7238  -86.4560  -98.7857 -111.3300  -72.5450  -78.2005 -119.7460  -80.6665  -89.9941 -107.2560
    $y
     [1] 32.5901 49.2500 34.2192 34.7336 36.5341 38.6777 41.5928 38.6777 27.8744 32.3329 31.7500 43.5648 40.0495 40.0495 41.9358 38.4204 37.3915 30.6181 45.6226 39.2778 42.3645
    [22] 43.1361 46.3943 32.6758 38.3347 46.8230 41.3356 39.1063 43.3934 39.9637 34.4764 43.1361 35.4195 47.2517 40.2210 35.5053 43.9078 40.9069 41.5928 33.6190 44.3365 35.6767
    [43] 31.3897 39.1063 44.2508 37.5630 47.4231 38.4204 44.5937 43.0504
    > summary(state.center)
      Length Class  Mode   
    x 50     -none- numeric
    y 50     -none- numeric
    > str(state.center)
    List of 2
     $ x: num [1:50] -86.8 -127.2 -111.6 -92.3 -119.8 ...
     $ y: num [1:50] 32.6 49.2 34.2 34.7 36.5 ...
    > dim(state.center)
    NULL
    > class(state.center)
    [1] "list"

    8、时间序列

    8.1 一元时间序列

    8.1.1 美国年客运里程营收

    数据维度:一维
    数据名称:airmiles(R语言)
    数据类型:时间序列
    部分数据展示:

    > airmiles    #美国1937-1960年客运里程营收(实际售出机位乘以飞行哩数)
    Time Series:
    Start = 1937 
    End = 1960 
    Frequency = 1 
     [1]   412   480   683  1052  1385  1418  1634  2178  3362  5948  6109  5981  6753  8003 10566 12528 14760 16769 19819 22362 25340 25343 29269 30514
     > class(airmiles)
    [1] "ts"

    8.2 多元时间序列

    8.2.1 欧洲股市四个主要指标

    数据维度:1860*4
    数据名称:EuStockMarkets(R语言)
    数据类型:多元时间序列
    部分数据展示:

    > head(EuStockMarkets)
             DAX    SMI    CAC   FTSE
    [1,] 1628.75 1678.1 1772.8 2443.6
    [2,] 1613.63 1688.5 1750.5 2460.2
    [3,] 1606.51 1678.6 1718.0 2448.2
    [4,] 1621.04 1684.1 1708.1 2470.4
    [5,] 1618.16 1686.6 1723.1 2484.7
    [6,] 1610.61 1671.6 1714.3 2466.8
    > summary(EuStockMarkets)
          DAX            SMI            CAC            FTSE     
     Min.   :1402   Min.   :1587   Min.   :1611   Min.   :2281  
     1st Qu.:1744   1st Qu.:2166   1st Qu.:1875   1st Qu.:2843  
     Median :2141   Median :2796   Median :1992   Median :3247  
     Mean   :2531   Mean   :3376   Mean   :2228   Mean   :3566  
     3rd Qu.:2722   3rd Qu.:3812   3rd Qu.:2274   3rd Qu.:3994  
     Max.   :6186   Max.   :8412   Max.   :4388   Max.   :6179  
    > dim(EuStockMarkets)
    [1] 1860    4
    > class(EuStockMarkets)
    [1] "mts"    "ts"     "matrix"
    

    9、数组

    9.1 3种鸢尾花数据(三维)

    数据维度:50x4x3
    数据名称:iris3(R语言)
    数据类型:数组
    部分数据展示:

    > iris3
    , , Setosa
    
          Sepal L. Sepal W. Petal L. Petal W.
     [1,]      5.1      3.5      1.4      0.2
     [2,]      4.9      3.0      1.4      0.2
     [3,]      4.7      3.2      1.3      0.2
     [4,]      4.6      3.1      1.5      0.2
     [5,]      5.0      3.6      1.4      0.2
     [6,]      5.4      3.9      1.7      0.4
     [7,]      4.6      3.4      1.4      0.3
     [8,]      5.0      3.4      1.5      0.2
     [9,]      4.4      2.9      1.4      0.2
    [10,]      4.9      3.1      1.5      0.1
    [11,]      5.4      3.7      1.5      0.2
    [12,]      4.8      3.4      1.6      0.2
    [13,]      4.8      3.0      1.4      0.1
    [14,]      4.3      3.0      1.1      0.1
    [15,]      5.8      4.0      1.2      0.2
    [16,]      5.7      4.4      1.5      0.4
    [17,]      5.4      3.9      1.3      0.4
    [18,]      5.1      3.5      1.4      0.3
    [19,]      5.7      3.8      1.7      0.3
    [20,]      5.1      3.8      1.5      0.3
    [21,]      5.4      3.4      1.7      0.2
    [22,]      5.1      3.7      1.5      0.4
    [23,]      4.6      3.6      1.0      0.2
    [24,]      5.1      3.3      1.7      0.5
    [25,]      4.8      3.4      1.9      0.2
    [26,]      5.0      3.0      1.6      0.2
    [27,]      5.0      3.4      1.6      0.4
    [28,]      5.2      3.5      1.5      0.2
    [29,]      5.2      3.4      1.4      0.2
    [30,]      4.7      3.2      1.6      0.2
    [31,]      4.8      3.1      1.6      0.2
    [32,]      5.4      3.4      1.5      0.4
    [33,]      5.2      4.1      1.5      0.1
    [34,]      5.5      4.2      1.4      0.2
    [35,]      4.9      3.1      1.5      0.2
    [36,]      5.0      3.2      1.2      0.2
    [37,]      5.5      3.5      1.3      0.2
    [38,]      4.9      3.6      1.4      0.1
    [39,]      4.4      3.0      1.3      0.2
    [40,]      5.1      3.4      1.5      0.2
    [41,]      5.0      3.5      1.3      0.3
    [42,]      4.5      2.3      1.3      0.3
    [43,]      4.4      3.2      1.3      0.2
    [44,]      5.0      3.5      1.6      0.6
    [45,]      5.1      3.8      1.9      0.4
    [46,]      4.8      3.0      1.4      0.3
    [47,]      5.1      3.8      1.6      0.2
    [48,]      4.6      3.2      1.4      0.2
    [49,]      5.3      3.7      1.5      0.2
    [50,]      5.0      3.3      1.4      0.2
    
    , , Versicolor
    
          Sepal L. Sepal W. Petal L. Petal W.
     [1,]      7.0      3.2      4.7      1.4
     [2,]      6.4      3.2      4.5      1.5
     [3,]      6.9      3.1      4.9      1.5
     [4,]      5.5      2.3      4.0      1.3
     [5,]      6.5      2.8      4.6      1.5
     [6,]      5.7      2.8      4.5      1.3
     [7,]      6.3      3.3      4.7      1.6
     [8,]      4.9      2.4      3.3      1.0
     [9,]      6.6      2.9      4.6      1.3
    [10,]      5.2      2.7      3.9      1.4
    [11,]      5.0      2.0      3.5      1.0
    [12,]      5.9      3.0      4.2      1.5
    [13,]      6.0      2.2      4.0      1.0
    [14,]      6.1      2.9      4.7      1.4
    [15,]      5.6      2.9      3.6      1.3
    [16,]      6.7      3.1      4.4      1.4
    [17,]      5.6      3.0      4.5      1.5
    [18,]      5.8      2.7      4.1      1.0
    [19,]      6.2      2.2      4.5      1.5
    [20,]      5.6      2.5      3.9      1.1
    [21,]      5.9      3.2      4.8      1.8
    [22,]      6.1      2.8      4.0      1.3
    [23,]      6.3      2.5      4.9      1.5
    [24,]      6.1      2.8      4.7      1.2
    [25,]      6.4      2.9      4.3      1.3
    [26,]      6.6      3.0      4.4      1.4
    [27,]      6.8      2.8      4.8      1.4
    [28,]      6.7      3.0      5.0      1.7
    [29,]      6.0      2.9      4.5      1.5
    [30,]      5.7      2.6      3.5      1.0
    [31,]      5.5      2.4      3.8      1.1
    [32,]      5.5      2.4      3.7      1.0
    [33,]      5.8      2.7      3.9      1.2
    [34,]      6.0      2.7      5.1      1.6
    [35,]      5.4      3.0      4.5      1.5
    [36,]      6.0      3.4      4.5      1.6
    [37,]      6.7      3.1      4.7      1.5
    [38,]      6.3      2.3      4.4      1.3
    [39,]      5.6      3.0      4.1      1.3
    [40,]      5.5      2.5      4.0      1.3
    [41,]      5.5      2.6      4.4      1.2
    [42,]      6.1      3.0      4.6      1.4
    [43,]      5.8      2.6      4.0      1.2
    [44,]      5.0      2.3      3.3      1.0
    [45,]      5.6      2.7      4.2      1.3
    [46,]      5.7      3.0      4.2      1.2
    [47,]      5.7      2.9      4.2      1.3
    [48,]      6.2      2.9      4.3      1.3
    [49,]      5.1      2.5      3.0      1.1
    [50,]      5.7      2.8      4.1      1.3
    
    , , Virginica
    
          Sepal L. Sepal W. Petal L. Petal W.
     [1,]      6.3      3.3      6.0      2.5
     [2,]      5.8      2.7      5.1      1.9
     [3,]      7.1      3.0      5.9      2.1
     [4,]      6.3      2.9      5.6      1.8
     [5,]      6.5      3.0      5.8      2.2
     [6,]      7.6      3.0      6.6      2.1
     [7,]      4.9      2.5      4.5      1.7
     [8,]      7.3      2.9      6.3      1.8
     [9,]      6.7      2.5      5.8      1.8
    [10,]      7.2      3.6      6.1      2.5
    [11,]      6.5      3.2      5.1      2.0
    [12,]      6.4      2.7      5.3      1.9
    [13,]      6.8      3.0      5.5      2.1
    [14,]      5.7      2.5      5.0      2.0
    [15,]      5.8      2.8      5.1      2.4
    [16,]      6.4      3.2      5.3      2.3
    [17,]      6.5      3.0      5.5      1.8
    [18,]      7.7      3.8      6.7      2.2
    [19,]      7.7      2.6      6.9      2.3
    [20,]      6.0      2.2      5.0      1.5
    [21,]      6.9      3.2      5.7      2.3
    [22,]      5.6      2.8      4.9      2.0
    [23,]      7.7      2.8      6.7      2.0
    [24,]      6.3      2.7      4.9      1.8
    [25,]      6.7      3.3      5.7      2.1
    [26,]      7.2      3.2      6.0      1.8
    [27,]      6.2      2.8      4.8      1.8
    [28,]      6.1      3.0      4.9      1.8
    [29,]      6.4      2.8      5.6      2.1
    [30,]      7.2      3.0      5.8      1.6
    [31,]      7.4      2.8      6.1      1.9
    [32,]      7.9      3.8      6.4      2.0
    [33,]      6.4      2.8      5.6      2.2
    [34,]      6.3      2.8      5.1      1.5
    [35,]      6.1      2.6      5.6      1.4
    [36,]      7.7      3.0      6.1      2.3
    [37,]      6.3      3.4      5.6      2.4
    [38,]      6.4      3.1      5.5      1.8
    [39,]      6.0      3.0      4.8      1.8
    [40,]      6.9      3.1      5.4      2.1
    [41,]      6.7      3.1      5.6      2.4
    [42,]      6.9      3.1      5.1      2.3
    [43,]      5.8      2.7      5.1      1.9
    [44,]      6.8      3.2      5.9      2.3
    [45,]      6.7      3.3      5.7      2.5
    [46,]      6.7      3.0      5.2      2.3
    [47,]      6.3      2.5      5.0      1.9
    [48,]      6.5      3.0      5.2      2.0
    [49,]      6.2      3.4      5.4      2.3
    [50,]      5.9      3.0      5.1      1.8
    
    > summary(iris3)
       Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
      0.100   1.700   3.200   3.465   5.100   7.900 
    > str(iris3)
     num [1:50, 1:4, 1:3] 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
     - attr(*, "dimnames")=List of 3
      ..$ : NULL
      ..$ : chr [1:4] "Sepal L." "Sepal W." "Petal L." "Petal W."
      ..$ : chr [1:3] "Setosa" "Versicolor" "Virginica"
    > dim(iris3)
    [1] 50  4  3
    > class(iris3)
    [1] "array"

    9.2 泰坦尼克信息(四维)

    数据维度:4x2x2x2
    数据名称:Titanic(R语言)
    数据类型:数组、table
    部分数据展示:

    > Titanic 
    , , Age = Child, Survived = No
    
          Sex
    Class  Male Female
      1st     0      0
      2nd     0      0
      3rd    35     17
      Crew    0      0
    
    , , Age = Adult, Survived = No
    
          Sex
    Class  Male Female
      1st   118      4
      2nd   154     13
      3rd   387     89
      Crew  670      3
    
    , , Age = Child, Survived = Yes
    
          Sex
    Class  Male Female
      1st     5      1
      2nd    11     13
      3rd    13     14
      Crew    0      0
    
    , , Age = Adult, Survived = Yes
    
          Sex
    Class  Male Female
      1st    57    140
      2nd    14     80
      3rd    75     76
      Crew  192     20
    
    > summary(Titanic)
    Number of cases in table: 2201 
    Number of factors: 4 
    Test for independence of all factors:
            Chisq = 1637.4, df = 25, p-value = 0
            Chi-squared approximation may be incorrect
    > str(Titanic)
     'table' num [1:4, 1:2, 1:2, 1:2] 0 0 35 0 0 0 17 0 118 154 ...
     - attr(*, "dimnames")=List of 4
      ..$ Class   : chr [1:4] "1st" "2nd" "3rd" "Crew"
      ..$ Sex     : chr [1:2] "Male" "Female"
      ..$ Age     : chr [1:2] "Child" "Adult"
      ..$ Survived: chr [1:2] "No" "Yes"
    > dim(Titanic)
    [1] 4 2 2 2
    > class(Titanic)
    [1] "table"

    9.3 伯克利分校院系、录取、性别的频数(三维)

    数据维度:2x2x6
    数据名称:UCBAdmissions(R语言)
    数据类型:数组、table
    部分数据展示:

    > UCBAdmissions
    , , Dept = A
              Gender
    Admit      Male Female
      Admitted  512     89
      Rejected  313     19
    , , Dept = B
              Gender
    Admit      Male Female
      Admitted  353     17
      Rejected  207      8
    , , Dept = C
              Gender
    Admit      Male Female
      Admitted  120    202
      Rejected  205    391
    , , Dept = D
              Gender
    Admit      Male Female
      Admitted  138    131
      Rejected  279    244
    , , Dept = E
              Gender
    Admit      Male Female
      Admitted   53     94
      Rejected  138    299
    , , Dept = F
              Gender
    Admit      Male Female
      Admitted   22     24
      Rejected  351    317
    > summary(UCBAdmissions)
    Number of cases in table: 4526 
    Number of factors: 3 
    Test for independence of all factors:
            Chisq = 2000.3, df = 16, p-value = 0
    > str(UCBAdmissions)
     'table' num [1:2, 1:2, 1:6] 512 313 89 19 353 207 17 8 120 205 ...
     - attr(*, "dimnames")=List of 3
      ..$ Admit : chr [1:2] "Admitted" "Rejected"
      ..$ Gender: chr [1:2] "Male" "Female"
      ..$ Dept  : chr [1:6] "A" "B" "C" "D" ...
    > dim(UCBAdmissions)
    [1] 2 2 6
    > class(UCBAdmissions)
    [1] "table"

    9.4 592 头色、眼睛颜色和性别的频数(三维)

    数据维度:4x4x2
    数据名称:HairEyeColor(R语言)
    数据类型:数组、table
    部分数据展示:

    > HairEyeColor
    , , Sex = Male
    
           Eye
    Hair    Brown Blue Hazel Green
      Black    32   11    10     3
      Brown    53   50    25    15
      Red      10   10     7     7
      Blond     3   30     5     8
    
    , , Sex = Female
    
           Eye
    Hair    Brown Blue Hazel Green
      Black    36    9     5     2
      Brown    66   34    29    14
      Red      16    7     7     7
      Blond     4   64     5     8
    
    > str(HairEyeColor)
     'table' num [1:4, 1:4, 1:2] 32 53 10 3 11 50 10 30 10 25 ...
     - attr(*, "dimnames")=List of 3
      ..$ Hair: chr [1:4] "Black" "Brown" "Red" "Blond"
      ..$ Eye : chr [1:4] "Brown" "Blue" "Hazel" "Green"
      ..$ Sex : chr [1:2] "Male" "Female"
    > dim(HairEyeColor)
    [1] 4 4 2
    > class(HairEyeColor)
    [1] "table"
    展开全文
  • R语言数据包自带数据集之ISwR包的melanom数据集字段解释、数据导入实战 目录 R语言数据包自带数据集之ISwR包的melanom数据集字段解释、数据导入实战 #数据字段说明 #导入包 #导入数据 #数据字段说明...
  • R语言数据包自带数据集之survival包的lung数据集字段解释、数据导入实战 目录 R语言数据包自带数据集之survival包的lung数据集字段解释、数据导入实战 #数据字段说明 #导入包 #导入数据 #数据字段说明...
  • [转] R自带数据包

    千次阅读 2018-05-31 16:17:06
    原文地址:R语言系列:datasets(R自带数据包)作者:老虎牛向量euro #欧元汇率,长度为11,每个元素都有命名landmasses #48个陆地的面积,每个都有命名precip #长度为70的命名向量rivers #北美141条河流长度...
  • R语言数据包自带数据集之mtcars数据集字段解释、数据导入实战 目录 R语言数据包自带数据集之mtcars数据集字段解释、数据导入实战 #会用帮助?或者help函数 #字段说明 #导入包 #导入数据 Format Note ...
  • R语言数据包自带数据集之survival包的colon数据集字段解释、数据导入实战 #数据字段说明 colon数据集:B/C期结肠癌辅助化疗治疗数据 d # 患者编号 study # 所有患者都是1 rx # 治疗方式,有三种:观察...
  • R语言系列:datasets(R自带数据包

    万次阅读 2015-08-16 16:08:57
    向量 euro #欧元汇率,长度为11,每个元素都有命名 landmasses #48个陆地的面积,每个都有命名 precip #长度为70的命名向量 rivers #北美141条河流长度 state.abb #美国50个州的双字母缩写 ...
  • 基于R语言自带数据包iris中的数据,利用R软件,建立了被解释变量萼片长度与解释变量萼片宽度,花瓣长度及花瓣宽度等的多元线性回归模型。研究了萼片长度与萼片宽度,花瓣长度及花瓣宽度之间的相关性。 压缩包内...
  • R语言做关联分析

    千次阅读 2021-06-25 14:32:55
    目录 (一)案例简介 案例使用 数据预处理 分析结果 ...理解关联分析的相关概念:关联分析、支持度、置信度、强规则、项集、频繁项集等。 掌握关联分析的基本方法:数据是事务的或关系的,如何由大量的数据中发现...
  • 1.了解R语言中的数据结构。 2.熟练掌握他们的创建方法,和函数中一些参数的使用。 3.对创建的数据结构进行,排序、查找、删除等简单的操作。 1.向量的创建及因子的创建和查看 2.矩阵与数组。 3.将之前的state,数组...
  • R语言系统自带及附属包开元可用数据集汇总 #R自带数据集 向量 euro #欧元汇率,长度为11,每个元素都有命名 landmasses #48个陆地的面积,每个都有命名 precip #长度为70的命名向量 rivers #北美141条河流长度 ...
  • 其中,第 1、 2 章为数据分析方法概述,第 3 章为 R 语言编程基础,第 4 章到第 8 章为统计学习方法,第 9 章到第 16 章为数据挖掘方法,第 17 章为特征工程,第 18 章为 R 文本挖掘。每章都根据所涉及的知识点的...
  • 当有新方法时,找不到相应的数据时,可到R语言中package中自带的数据集中找一找。那么,怎么看某个特定的package中包含哪些数据集呢?可采用如下命令:print(data(package='具体的package名'))例如:print(data...
  • 如何使用R语言中的内置数据集?

    万次阅读 2018-10-29 07:51:45
    如何使用R语言中的内置数据集 最近在学习PSM分析方法时,找了许久也找不到相应的案例数据, 就想到了使用R语言中内置的数据集来进行学习。R语言内置数据集有两个优点: 一是,数据源真实可靠,多数是研究者贡献的...
  • 子集的选取——基于tidyverse准备工作1 选取行子集1.1 slice :根据行特征选取...(2)运用R及相关包库及帮助文件进行学习 ?filter # 查看filter帮助文件 ?slice # 查看slice帮助文件 ??select # 查看select帮助文件,
  • R语言使用quantmod包的getSymbols函数从指定金融数据源获取指定时间段的股票数据、获取期权信息、使用class函数查看返回的期权数据的数据类型
  • R语言data.table包是自带包data.frame的升级版,用于数据框格式数据的处理,最大的特点是快。它内部处理的步骤进行了程序上的优化,使用多线程,还有很多C编写的函数,大大加快数据运行速度。尤其当对一两百万甚至更...
  • #显示R语言自带数据包 datasets library(datasets) #加载datasets数据包 data(package="mtcars") #加载完成后才可以调用,调用mtcars数据包 矩阵的运算 x1 <- c(1:20) #创建一个向量,无特殊说明向量都是列...
  • 数据类型介绍1.1 基础数据类型基础类型是一切数据存储与计算的基础,是不可再拆分的元数据R语言有如下5种基础数据类型1. 数字 numeric eg:1、-2、0.72. 字符 character eg:”hello”3. 逻辑型 logical eg:TRUE、...
  • R语言使用quantmod包的getSymbols函数从指定金融数据源获取指定时间段的股票数据、获取股票标的的财报信息、每年的现金流
  • GUI2.2 R console2.3 工具条介绍2.4 交互式使用R2.5 主菜单介绍3.Rstudio的下载与安装4.R包(package)4.1 R包介绍4.2 R的安装和载入四、R语言基本语法 一、R语言与C语言的区别 R为解释性语言,不需要编译,C需要...
  • R笔记|R包下载命令及自带数据集

    千次阅读 2021-07-15 09:05:27
    R包 【安装包】 #指令下载R安装包 install.packages("packge-name") #通过以下步骤安装 点击右下方页面窗口中的“packages”--“install”进行安装,输入所要安装的R包名,默认从官网上下载 #对于版本不合适的使用...
  • R语言生存分析模型简介及survival包实现实战:基于survival包lung数据集 目录 R语言生存分析模型简介及survival包实现实战 #survival包简介 #包及数据集 #构建生存对象并估计KM生存数据 #根据sex分组估计KM...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,061
精华内容 2,024
关键字:

r语言自带数据包