下面的会话让你在操作中对 R 环境的一些特性有个简单的了解。你对系统的许多特性开始时可能 有点不熟悉和困惑，但这些迷惑会很快 消失的。
- 登录，启动你的桌面系统。
$ R- 以适当的方式启动 R。R 程序开始，并且有一段引导语。
(在 R 里面，左边的提示符将不会被显示防止 混淆。)
help.start()- 启动 HTML 形式的在线帮助(使用你的计算机里面 可用的浏览器)。你可以用鼠标 点击上面的链接。最小化帮助窗口，进入下一部分。
x <- rnorm(50)y <- rnorm(x)- 产生两个伪正态随机数向量 x 和 y。
plot(x, y)- 画二维散点图。一个图形窗口会自动出现。
ls()- 查看当前工作空间里面的 R 对象。
rm(x, y)- 去掉不再需要的对象。(清空)。
x <- 1:20- 等价于 x = (1, 2, …, 20)。
w <- 1 + sqrt(x)/2- 标准差的`权重’向量。
dummy <- data.frame(x=x, y= x + rnorm(x)*w)dummy- 创建一个由x 和 y构成的双列数据框， 查看它们。
fm <- lm(y ~ x, data=dummy)summary(fm)- 拟合 y 对 x 的简单线性回归，查看 分析结果。
fm1 <- lm(y ~ x, data=dummy, weight=1/w^2)summary(fm1)- 现在我们已经知道标准差，做一个加权回归。
attach(dummy)- 让数据框中的列项可以像一般的变量那样使用。
lrf <- lowess(x, y)- 做一个非参局部回归。
plot(x, y)- 标准散点图。
lines(x, lrf$y)- 增加局部回归曲线。
abline(0, 1, lty=3)- 真正的回归曲线：(截距 0，斜率 1)。
abline(coef(fm))- 无权重回归曲线。
abline(coef(fm1), col = "red")- 加权回归曲线。
detach()- 将数据框从搜索路径中去除。
plot(fitted(fm), resid(fm),xlab="Fittedvalues",ylab="Residuals",main="ResidualsvsFitted")- 一个检验异方差性（heteroscedasticity）的标准回归诊断图。 你可以看见吗？
qqnorm(resid(fm), main="Residuals Rankit Plot")- 用正态分值图检验数据的偏度（skewness），峰度（kurtosis）和异常值（outlier）。 （这里没有多大的用途，只是演示一下而已。）
rm(fm, fm1, lrf, x, dummy)- 再次清空。
第二部分将研究 Michaelson 和 Morley 测量光速的经典实验。这个数据集可以 从对象 morley 中得到，但是我们从中读出数据以演示 函数 read.table 的作用。
filepath <- system.file("data", "morley.tab" , package="datasets")filepath- 得到文件路径。
file.show(filepath)- 可选。查看文件内容。
mm <- read.table(filepath)mm- 以数据框的形式读取 Michaelson 和 Morley 的数据，并且查看。 数据由五次实验(
Expt列)，每次运行 20 次 (Run列)的观测得到。数据框中的sl是光速的记录。 这些数据以适当形式编码。 mm$Expt <- factor(mm$Expt)mm$Run <- factor(mm$Run)- 将
Expt和Run改为因子。 attach(mm)- 让数据在位置 3 (默认) 可见（即可以直接访问）。
plot(Expt, Speed, main="Speed of Light Data", xlab="Experiment No.")- 用简单的盒状图比较五次实验。
fm <- aov(Speed ~ Run + Expt, data=mm)summary(fm)- 分析随机区组，`runs’ 和 `experiments’ 作为因子。
fm0 <- update(fm, . ~ . - Run)anova(fm0, fm)- 拟合忽略 `runs’ 的子模型，并且对模型更改前后 进行方差分析。
detach()rm(fm, fm0)- 在进行下面工作前，清空数据。
我们现在查看更有趣的图形显示特性：等高线和影像显示。
x <- seq(-pi, pi, len=50)y <- x- x 是一个在 区间 [-pi, pi] 内等间距的50个元素的向量， y 类似。
f <- outer(x, y, function(x, y) cos(y)/(1 + x^2))- f 是一个方阵，行列分别被 x 和 y 索引，对应的值是函数 cos(y)/(1 + x^2) 的结果。
oldpar <- par(no.readonly = TRUE)par(pty="s")- 保存图形参数，设定图形区域为“正方形”。
contour(x, y, f)contour(x, y, f, nlevels=15, add=TRUE)- 绘制 f 的等高线；增加一些曲线显示细节。
fa <- (f-t(f))/2fa是 f 的“非对称部分”(t()是转置 函数)。contour(x, y, fa, nlevels=15)- 画等高线，…
par(oldpar)- … 恢复原始的图形参数。
image(x, y, f)image(x, y, fa)- 绘制一些高密度的影像显示，(如果你想要，你可以保存 它的硬拷贝)， …
objects(); rm(x, y, f, fa)- … 在继续下一步前，清空数据。
R 可以做复数运算。
th <- seq(-pi, pi, len=100)z <- exp(1i*th)1i表示复数 i。par(pty="s")plot(z, type="l")- 图形参数是复数时，表示虚部对实部画图。这可能是 一个圆。
w <- rnorm(100) + rnorm(100)*1i- 假定我们想在这个圆里面随机抽样。一种方法 将让复数的虚部和实部值是标准正态随机 数 …
w <- ifelse(Mod(w) > 1, 1/w, w)- … 将圆外的点映射成它们的倒数。
plot(w, xlim=c(-1,1), ylim=c(-1,1), pch="+",xlab="x", ylab="y")lines(z)- 所有的点都在圆中，但分布不是 均匀的。
w <- sqrt(runif(100))*exp(2*pi*runif(100)*1i)plot(w, xlim=c(-1,1), ylim=c(-1,1), pch="+", xlab="x", ylab="y")lines(z)- 第二种方法采用均匀分布。现在圆盘中的点 看上去均匀多了。
rm(th, w, z)- 再次清空。
q()- 离开 R 程序。你可能被提示是否保存 R 工作空间， 不过对于一个调试性的会话，你可能不想 保存它。
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流，内容版权归原作者所有，如涉作品、版权和其他问题请给「我们」留言处理。
