专题一、R语言基本语法知识
Wei Wei
2022-10-08
教学目标
1.安装配置R语言环境 2.了解R Studio的界面和基本操作 3.学习变量、向量、数据框的使用方法 4.初步进行描述性统计的频次和统计量计算、信度计算、箱线图查看分析等操作
R软件安装
参考书籍
- Andy Field, Jeremy Miles, Zoë Field - Discovering Statistics Using R
- J.D.隆 保罗·蒂特 - R语言经典实例（原书第2版）
- 卡巴科弗 - R语言实战（第2版） # R基本操作
注意：
1.一个#表示此行代码不运行，即注释
2.()和”“都要使用英文，如果中文会报错
新变量赋值
#<-表示等号=
x<-2
y<-4
z<-sqrt(x^2+y^2)
#输入某个变量，即可输出其内容
z## [1] 4.472136向量vector（一维数据）
数字类型
# 相同数字类型的向量
fib<-c(1,1,2,3,5,8,13,21)
fib## [1] 1 1 2 3 5 8 13 21文本类型
# 相同文本类型的向量
mon_list<-c('Jan','Feb','Mar','Apr')
mon_list## [1] "Jan" "Feb" "Mar" "Apr"函数使用
# 函数名称(函数应用的对象)
# 求均值
mean(fib)## [1] 6.75# 求中位数
median(fib)## [1] 4#求标准差
sd(fib)## [1] 7.066015#求方差
var(fib)## [1] 49.92857函数使用时缺失值的处理
f<-c(1,1,3,4,NA,7)
f## [1] 1 1 3 4 NA 7mean(f)## [1] NA# 添加na.rm = TRUE移除缺失值，用剩余元素计算
mean(f,na.rm=TRUE)## [1] 3.2生成有规律的序列向量
#n:m表示从n到m的整数
1:4## [1] 1 2 3 45:-1## [1] 5 4 3 2 1 0 -1#seq(from = n, to = m, by = k) 表示从n到m每隔k生成序列
seq(from=1, to=10,by=2)## [1] 1 3 5 7 9seq(from=1, to=2,by=0.2)## [1] 1.0 1.2 1.4 1.6 1.8 2.0#rep(n,times=k)表示生成k个n
rep(2,times=10)## [1] 2 2 2 2 2 2 2 2 2 2向量元素的获取
fib## [1] 1 1 2 3 5 8 13 21# 获取fib第1个元素
fib[1]## [1] 1# 获取第1-3个元素
fib[1:3]## [1] 1 1 2# 获取第1-3、5、7-9个元素，如果没有，则输出NA
fib[c(1:3,5,7:9)]## [1] 1 1 2 5 13 21 NA# 获取排除某个元素后的向量元素
fib[-4]## [1] 1 1 2 5 8 13 21# 获取特定值的元素，如小于于10
fib[fib<10]## [1] 1 1 2 3 5 8#如大于中位数
fib[fib>median(fib)]## [1] 5 8 13 21向量的运算
v <- c(3,pi,4)
w<- c(pi,pi,pi)
# 向量与向量比较/运算时，对应元素类型和个数相同，对应元素进行比较，并返回相应结果
# 返回布尔值c(3<pi,pi=pi,4>pi)
v>w## [1] FALSE FALSE TRUE# 返回对应序列运算结果c(3+pi,pi+pi,4+pi)
v+w## [1] 6.141593 6.283185 7.141593v*w## [1] 9.424778 9.869604 12.566371# ==判断是否相等，! = 判断是否不等于
v==pi## [1] FALSE TRUE FALSEv!=pi## [1] TRUE FALSE TRUE# 向量与标量比较/运算时，向量内元素逐一与标量比较，并返回布尔值
v[v>pi]## [1] 4数据框data.frame（二维数据）
导入spss或其他数据
# 直接file-》import dataset，选择文件即可
library(haven)
# 导入数据默认为数据框格式（data.frame）
eee_data <- read_sav("https://gitee.com/vv_victorwei/r-language-data-analysis/raw/master/Untitled2.sav")
# head会呈现eee_data的前六行数据，以预览概况
head(eee_data)## # A tibble: 6 × 55
## V1 time_used IP id gender age birth…¹ roman…² hukou hair homet…³
## <chr> <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 175 594 223.66… 2225… 1 23 1 0 0 1 0
## 2 124 178 101.88… 2222… 1 23 1 0 0 1 0
## 3 138 207 211.16… 2225… 1 22 0 0 1 1 0
## 4 74 176 58.246… 2122… 1 23 1 0 1 1 0
## 5 149 232 120.25… 2222… 1 22 0 0 0 1 0
## 6 11 142 58.40.… 1601… 1 23 1 0 1 1 0
## # … with 44 more variables: family_income <dbl>, minzhu <dbl>, zhiyuan <dbl>,
## # height <dbl>, weight <dbl>, zhengzhi <dbl>, personality <dbl>, a1 <dbl>,
## # a2 <dbl>, a3 <dbl>, a4 <dbl>, a5 <dbl>, a6 <dbl>, a7 <dbl>, a8 <dbl>,
## # a9 <dbl>, a10 <dbl>, a11 <dbl>, a12 <dbl>, a13 <dbl>, b1 <dbl>, b2 <dbl>,
## # b3 <dbl>, b4 <dbl>, b5 <dbl>, b6 <dbl>, importance_ranking <chr>,
## # importance_ranking_d <dbl>, daode <dbl>, zhishi <dbl>, jineng <dbl>,
## # yishu <dbl>, food <chr>, chuan_food <dbl>, yue_food <dbl>, …查看数据框的列数据
#不同方法，第一种较简洁清晰，推荐
eee_data$gender## [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1
## [38] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1
## [75] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1
## [112] 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [149] 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0
## attr(,"format.spss")
## [1] "F3.0"
## attr(,"display_width")
## [1] 5eee_data[,4]## # A tibble: 175 × 1
## id
## <chr>
## 1 222503461
## 2 222201390
## 3 222503460
## 4 212200325
## 5 222201392
## 6 160121468
## 7 5649784366
## 8 212502294
## 9 212502291
## 10 212502261
## # … with 165 more rowseee_data[4]## # A tibble: 175 × 1
## id
## <chr>
## 1 222503461
## 2 222201390
## 3 222503460
## 4 212200325
## 5 222201392
## 6 160121468
## 7 5649784366
## 8 212502294
## 9 212502291
## 10 212502261
## # … with 165 more rowseee_data['gender']## # A tibble: 175 × 1
## gender
## <dbl>
## 1 1
## 2 1
## 3 1
## 4 1
## 5 1
## 6 1
## 7 1
## 8 1
## 9 1
## 10 1
## # … with 165 more rows#调用多个变量的方法
eee_data[1:3]## # A tibble: 175 × 3
## V1 time_used IP
## <chr> <dbl> <chr>
## 1 175 594 223.66.32.30(江苏-常州)
## 2 124 178 101.88.209.242(上海-上海)
## 3 138 207 211.161.244.139(上海-上海)
## 4 74 176 58.246.234.173(上海-上海)
## 5 149 232 120.253.249.229(上海-上海)
## 6 11 142 58.40.253.189(上海-上海)
## 7 22 156 58.40.253.23(上海-上海)
## 8 67 149 58.246.234.166(上海-上海)
## 9 84 189 39.144.104.134(北京-北京)
## 10 63 122 39.144.105.113(北京-北京)
## # … with 165 more rowseee_data[c(1,4,5:7)]## # A tibble: 175 × 5
## V1 id gender age birth_Jan_June
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 175 222503461 1 23 1
## 2 124 222201390 1 23 1
## 3 138 222503460 1 22 0
## 4 74 212200325 1 23 1
## 5 149 222201392 1 22 0
## 6 11 160121468 1 23 1
## 7 22 5649784366 1 23 1
## 8 67 212502294 1 23 1
## 9 84 212502291 1 22 0
## 10 63 212502261 1 22 1
## # … with 165 more rowseee_data[c('age','height','weight')]## # A tibble: 175 × 3
## age height weight
## <dbl> <dbl> <dbl>
## 1 23 1.62 44
## 2 23 1.67 63
## 3 22 164 68
## 4 23 1.68 49
## 5 22 168 60
## 6 23 1.66 53
## 7 23 1.56 50
## 8 23 161 50
## 9 22 1.51 62
## 10 22 1.58 48
## # … with 165 more rows查看数据框的行数据
eee_data[1,]## # A tibble: 1 × 55
## V1 time_used IP id gender age birth…¹ roman…² hukou hair homet…³
## <chr> <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 175 594 223.66… 2225… 1 23 1 0 0 1 0
## # … with 44 more variables: family_income <dbl>, minzhu <dbl>, zhiyuan <dbl>,
## # height <dbl>, weight <dbl>, zhengzhi <dbl>, personality <dbl>, a1 <dbl>,
## # a2 <dbl>, a3 <dbl>, a4 <dbl>, a5 <dbl>, a6 <dbl>, a7 <dbl>, a8 <dbl>,
## # a9 <dbl>, a10 <dbl>, a11 <dbl>, a12 <dbl>, a13 <dbl>, b1 <dbl>, b2 <dbl>,
## # b3 <dbl>, b4 <dbl>, b5 <dbl>, b6 <dbl>, importance_ranking <chr>,
## # importance_ranking_d <dbl>, daode <dbl>, zhishi <dbl>, jineng <dbl>,
## # yishu <dbl>, food <chr>, chuan_food <dbl>, yue_food <dbl>, …查看数据框的指定单元格
eee_data$gender[3]## [1] 1# 行号在前，列号在后
eee_data[3,4]## # A tibble: 1 × 1
## id
## <chr>
## 1 222503460修改数据框中变量的名称
#将第1个变量的名字修改为global_id
names(eee_data)[1] <- "global_id"
head(eee_data[1])## # A tibble: 6 × 1
## global_id
## <chr>
## 1 175
## 2 124
## 3 138
## 4 74
## 5 149
## 6 11# 将a1~a13转化为zyrt_1~zyrt13
# 第一步，生成zyrt1~zyrt13的变量名，方法：将zyrt和1：13的序列通过_连接起来，代码：paste('zyrt',1:13,sep = "_")
# 第二步，找到a1~a13的列号19~31,重新命名
names(eee_data)[19:31]<-paste('zyrt',1:13,sep = "_")
head(eee_data[19:31])## # A tibble: 6 × 13
## zyrt_1 zyrt_2 zyrt_3 zyrt_4 zyrt_5 zyrt_6 zyrt_7 zyrt_8 zyrt_9 zyrt_10 zyrt_11
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3 2 2 3 2 2 4 2 3 4 2
## 2 3 4 3 4 3 3 3 0 3 3 1
## 3 3 3 3 3 3 3 3 3 2 3 2
## 4 3 4 2 3 3 3 3 2 3 3 2
## 5 3 4 3 4 4 4 3 3 3 4 3
## 6 3 4 2 4 3 4 4 3 3 4 2
## # … with 2 more variables: zyrt_12 <dbl>, zyrt_13 <dbl>#转换社交焦虑的变量名
names(eee_data)[32:37]<-paste('shjl',1:6,sep = "_")
head(eee_data[32:37])## # A tibble: 6 × 6
## shjl_1 shjl_2 shjl_3 shjl_4 shjl_5 shjl_6
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3 3 3 0 4 4
## 2 1 0 0 0 0 0
## 3 3 3 2 1 3 3
## 4 1 1 1 1 2 2
## 5 0 2 1 0 1 0
## 6 1 1 0 1 2 1变量值的重新编码
（类似spss的recode into功能）
# 二分变量最简单：对于性别变量，0重新编码为男，1重新编码为女
eee_data$gender_text <- ifelse(eee_data$gender=="0","男","女")
head(eee_data$gender_text)## [1] "女" "女" "女" "女" "女" "女"# ifelse语句只能编码两个值的变量，多值变量的重新编码用到dplyr库
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unioneee_data$zhiyuan_text <- recode(eee_data$zhiyuan, "1" = "第一志愿", "2" = "第二志愿","3"="第三志愿以及其他")
head(eee_data$zhiyuan_text)## [1] "第三志愿以及其他" "第三志愿以及其他" "第一志愿" "第二志愿"
## [5] "第三志愿以及其他" "第三志愿以及其他"描述性统计
频次统计
# 计算频次
table(eee_data$gender)##
## 0 1
## 9 166# 计算百分比
prop.table(table(eee_data$gender))##
## 0 1
## 0.05142857 0.94857143# 计算两个变量的交叉表
table(eee_data$birth_Jan_June,eee_data$roman_relations)##
## 0 1
## 0 39 29
## 1 63 44统计量计算
# 调用psych的库
library(psych)
describe(eee_data$height)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 175 38.43 67.85 1.65 27.23 0.07 1.51 182 180.49 1.29 -0.33 5.13describe(eee_data[c('age','height','weight')])## vars n mean sd median trimmed mad min max range skew kurtosis
## age 1 175 23.37 2.45 23.00 22.87 1.48 20.00 37 17.00 2.77 9.52
## height 2 175 38.43 67.85 1.65 27.23 0.07 1.51 182 180.49 1.29 -0.33
## weight 3 175 54.06 9.00 52.00 52.81 5.93 40.00 96 56.00 1.94 5.17
## se
## age 0.19
## height 5.13
## weight 0.68# 按照hometown分组计算
describeBy(eee_data[c('age','height','weight')],group=eee_data$hometown)##
## Descriptive statistics by group
## group: 0
## vars n mean sd median trimmed mad min max range skew kurtosis
## age 1 103 23.26 2.22 23.00 22.82 1.48 20.00 35 15.00 2.45 7.67
## height 2 103 31.07 62.22 1.65 18.47 0.07 1.53 174 172.47 1.61 0.61
## weight 3 103 53.98 9.21 52.00 52.69 5.93 40.00 92 52.00 1.73 3.81
## se
## age 0.22
## height 6.13
## weight 0.91
## ------------------------------------------------------------
## group: 1
## vars n mean sd median trimmed mad min max range skew kurtosis
## age 1 72 23.51 2.76 23.00 22.95 1.48 21.00 37 16.00 2.85 9.19
## height 2 72 48.97 74.35 1.66 39.98 0.09 1.51 182 180.49 0.90 -1.19
## weight 3 72 54.18 8.75 52.00 53.02 4.45 40.00 96 56.00 2.25 7.24
## se
## age 0.33
## height 8.76
## weight 1.03箱线图
boxplot(eee_data$age)
问卷数据处理，计算信度
#使用psych处理量表数据的函数scoreItems
#首先得说明那几个变量是专业认同zyrt，哪几个是社会焦虑shjl，直接将变量名组合成一个向量，放在list里
#结果中第一个alpha就是Cronbach' alpha系数
questionnair.key<-list(
zyrt= c(paste('zyrt',1:13,sep='_')),
shjl=c(paste('shjl',1:6,sep='_')))
questionnair.scales<-scoreItems(questionnair.key,eee_data)
questionnair.scales## Call: scoreItems(keys = questionnair.key, items = eee_data)
##
## (Unstandardized) Alpha:
## zyrt shjl
## alpha 0.85 0.84
##
## Standard errors of unstandardized Alpha:
## zyrt shjl
## ASE 0.026 0.037
##
## Average item correlation:
## zyrt shjl
## average.r 0.3 0.47
##
## Median item correlation:
## zyrt shjl
## 0.28 0.50
##
## Guttman 6* reliability:
## zyrt shjl
## Lambda.6 0.88 0.87
##
## Signal/Noise based upon av.r :
## zyrt shjl
## Signal/Noise 5.5 5.3
##
## Scale intercorrelations corrected for attenuation
## raw correlations below the diagonal, alpha on the diagonal
## corrected correlations above the diagonal:
## zyrt shjl
## zyrt 0.85 -0.20
## shjl -0.17 0.84
##
## Average adjusted correlations within and between scales (MIMS)
## zyrt shjl
## zyrt 0.30
## shjl -0.06 0.47
##
## Average adjusted item x scale correlations within and between scales (MIMT)
## zyrt shjl
## zyrt 0.60
## shjl -0.13 0.74
##
## In order to see the item by scale loadings and frequency counts of the data
## print with the short option = FALSE计算量表得分均值
# 对每一行，计算指定变量的均值。效果等同于spss的compute variable
eee_data$zyrt<-rowMeans(eee_data[19:31],na.rm = TRUE)
eee_data$shjl<-rowMeans(eee_data[32:37],na.rm = TRUE)
head(eee_data$zyrt)## [1] 2.615385 2.692308 2.923077 2.846154 3.538462 3.384615head(eee_data$shjl)## [1] 2.8333333 0.1666667 2.5000000 1.3333333 0.6666667 1.0000000其他高级操作
将数据库里面的变量名放进R分析环境中直接调用
- 好处是节省了“数据框名称$”输入之苦
- 坏处是分析文档中如果有两个变量或者对象名称相同，就可能会混淆导致错误
- 个人建议慎用，在使用前要仔细检查是否有变量名重合
# gender是eee_data的一个变量名，但是不能直接通过代码调用
#试着输入gender，看下反应。
#会提示Error: object 'gender' not found
#可以把eee_data里面所有变量名放进分析环境中
attach(eee_data)
head(gender)## [1] 1 1 1 1 1 1#一般情况下，这样容易与其他变量的名称混淆，如果要解除这种操作
detach(eee_data)
#试着输入gender，看下反应。
#会提示Error: object 'gender' not found循环语句
循环语句可以大大减少工作量，语句：for(i in 需要处理的对象集合){语句}
# 导入R时第19~37列变量都默认了文本型，但实际上是数字型，我们需要进行转化
# 将某个变量x转化为数字型的函数是as.numeric(x)，但由于很多，可以利用循环
# i的含义是代替后面需要处理的集合中的任一对象
for (i in eee_data[19:37]){i = as.numeric(i)}
head(eee_data[19])## # A tibble: 6 × 1
## zyrt_1
## <dbl>
## 1 3
## 2 3
## 3 3
## 4 3
## 5 3
## 6 3条件语句
当条件应用的对象是向量时，语法格式：ifelse(条件，条件为真的结果，条件为假的结果)
当条件应用的对象是标量（一个值）时，语法格式if(条件){条件为真的结果}else{条件为假的结果}
# height有些人按照厘米为单位填写，因此会有100以上的结果
# 为了矫正该变量，需要使用条件语句，如果值大于100，则需要身高值*0.01，否则是身高值
# 由于对象是向量height，因此使用ifelse
head(eee_data$height)## [1] 1.62 1.67 164.00 1.68 168.00 1.66eee_data$height_corrected<-ifelse(eee_data$height>100,0.01*eee_data$height,eee_data$height)
head(eee_data$height_corrected)## [1] 1.62 1.67 1.64 1.68 1.68 1.66#也可以使用if 但由于对象是标量，可借助for语句
#从第1行到第175行进行循环，每行判断此行身高是否大于100，如果大于100，则纠正后的变量值乘以0.01，否则直接用原来的。
eee_data$height_corrected_f<-eee_data$height
for (i in 1:175)
{if(eee_data$height[i]>100){eee_data$height_corrected_f[i]<-0.01*eee_data$height[i]}else{eee_data$height_corrected_f[i]=eee_data$height[i]}}
head(eee_data$height_corrected_f)## [1] 1.62 1.67 1.64 1.68 1.68 1.66