笔记 : R in action (R 语言实战)

指定因子的levels：
status <- factor(status, order=TRUE, levels=c('Poor', 'Improved', 'Excellent'))
为类别型变量创建值标签，例如性别：
 data$gender <- factor(data$gender, levels = c(1,2), labels = c("male","female"))
类似于perl中的map :
mydata <- transform(mydata, sumx= x1+x2, meanx=(x1+x2)/2)
移除含有NA的行：
newdata <- na.omit(leadership)
按性别升序，按年龄降序 排序：
nexwdata <-  data[order(gender, -age),]
RCurl & XML 包可以抓取并分析网页数据
选取数据
 newdata <- data[which(data$gender=="M" & data$age > 30), ]
对矩阵或数据框的指定列进行均值0标准差1的标准化
newdata <- scale(mydata)
对矩阵或数据框的指定列进行均值50标准差10的标准化转换
newdata <- scale(mydata)*10 + 50
抽出指定分位数
y <- quantile(score, c(.8, .6, .4, .2))
R的最大优点之一就是用户可以自行添加函数？！黑的漂亮，这年头还有啥语言不能自己添加函数。。。
我们无论在何时分析数据，第一件要做的事情就是观察它。对于每个变量，哪些值是最常见的？值域是大是小？是否有不寻常的观测？
第6章讲基本图形，很不错
二维统计(行是Treatment，列是Improved）
mytable <- xtabs( ~ Treatment + Improved, data=Arthritis)
我们主要的困难有3个：发现有趣的问题，设计一个有用的、可以测量的响应变量，以及收集合适的数据（说的太对了！）
第11章讲进阶图形，很不错
折线图，阶梯折线图
corrgram包提供的相关图