文章目錄

• 第1章 R語言概述
• • 1.選擇題
  • 2.操作題
• 第2章 數據對象與數據讀寫
• • 1.選擇題
  • 2.操作題
• 第3章 數據集基本處理
• • 1.選擇題
  • 2.操作題
• 第4章 函數與控制流
• • 1.選擇題
  • 2.操作題
• 第5章 初級繪圖
• • 1.選擇題
  • 2.操作題
• 第6章 高級繪圖
• • 1.選擇題
  • 2.操作題
• 第7章 可視化數據挖掘工具Rattle
• • 1.選擇題
  • 2.操作題
• 資源
• Reference

第1章 R語言概述

1.選擇題

（1)多行注釋的快捷鍵是（C）。
A.Ctrl+Shin+N
B.Ctrl+N
C.Ctrl+Shin+C
D.Ctrl+C

（2)以下函數不能直接查看plot函數的幫助文檔的是（B）。
A. ?plot
B.??plot
C.help(plot)
D.help(plot)

（3)以下R包的加載方式正確的是（A）。
A.install.package 函數
B.library 函數
C…libPaths 函數
D.install 函數

（4)以下R包中不能調用分類算法的是（D）。
A.nnet包
B.e1071包
C.tree包
D.arules包

2.操作題

（1)依據1.1節的R下載及安裝方法，在計算機上安裝R,通過熟悉基本操作的命令及操作界面，掌握軟件的使用方法。
（2)依據1.2節的RStudio下載及安裝方法，在計算機上安裝RStudio,并嘗試通過幫助文檔學習使用plot函數繪制簡單的散點圖。
（3)依據1.3節的R包下載及安裝方法，在計算機上安裝DT包（用于創建交互式表格），并在命令運行窗口運行命令 datatable(iris),將得到交互式表格，如圖1-29所示。

圖1-29 iris數據集的交互式表格
（4)依據1.4節內容，加載boot包中的acme數據集，并查看acme數據集的前6項。同時，通過help函數查看acme數據集的數據含義并進行說明。

第2章 數據對象與數據讀寫

1.選擇題

（1)下列可以判別字符型數據的函數是（A）。
A. is.numeric
B. is.logical
C. is.character
D.is.na
（2)下列可以判別數值型數據的函數是（D）。
A. is.complex
B. is.na
C.is.integer
D. is.numeric

（3)可將對象轉換為邏輯型數據的函數是（D）。
A. as.character
B. is.numeric
C.as.logica
D. as.complex

（4)下列選項不是邏輯型數據的是（C）。
A.T
B.F
C.NA
D.10

（5)下列可以求矩陣的特征值和特征向量的函數是（B）。
A. diag
B. eigen
C.solve
D. det

（6)下列選項中可以使得列表轉換為向量的是（D）。
A. as.matrix
B. as.data.frame
C. as.list
D. unlist

（7)下列用來轉換數據框的函數是（B）。
A. as.list
B. as.matrix
C. as.data.frame
D. as.vector

（8)下列用鍵盤導人數據的函數是（B）。
A.read.table
B. read.csv
C.edit
D.readHTMLTable

（9)RODBC包中向數據庫提交一個查詢，并返回結果的函數是（B）。
A.odbcConnect
B.sqlFetch
C. sqlQuery
D. sqlDrop

（10)抓取網頁上的表格，可使用XML包的是（D）函數。
A.read.csv
B. read.table
C.read.xlsx
D. read HTMLTable

2.操作題

（1)創建一個對象，并進行數據類型的轉換、判別等操作，步驟如下：
①創建一個對象x，內含元素為序列：1，3，5，6，8
②判斷對象x是否是數值型數據
③將對象轉換為邏輯數據，記為x1
④判斷x1是否為邏輯型數據

#操作題(1) x<-c(1,3,5,6,8) #創建一個對象x is.numeric(x) #判斷x是否是數值型數據 x1<-as.logical(x) #將對象轉化為邏輯型數據 is.logical(x1) #判斷是否為邏輯型數據

（2)創建多種數據結構，并進行數據結構的轉換、索引、擴展等編輯操作，步驟如下：
①設置工作空間目錄
②創建一個向量x，內含元素為序列：11，23，25，46，38，30，59，47，21，67
③查詢向量x中序號為23和46的元素，查詢向量x中大于等于50的元素的位置。
④創建一個重復因子序列Species：水平數為3，各水平重復兩次，序列長度為5；3個水平為setosa、versicolor、virginica
⑤創建一個5行2列的矩陣，元素為向量x，按列填充
⑥將矩陣寫入數據框data_iris，更改列名為Sepal.Length、Sepal.Width
⑦將數據框data_iris保存為TXT文件，保存到工作空間的test目錄下
⑧將數據框data_iris轉換為向量y
⑨判斷是否轉換成功

#操作題(2) setwd("./第2章 數據對象與數據讀寫/02-習題程序/code") #設置工作科技目錄 x<-c(11,23,25,46,38,30,59,47,21,67) #創建向量x x[c(2,4)] #查詢向量中第2，第4位置的元素 which(x>35& x<=50) #查詢x中大于35小于等于50元素的位置 #創建一個重復因子序列 Species<-rep(c("setosa","versicolor","virginica"),each=2,length.out=5) a<-matrix(x,5,2) #創建一個元素為x的矩陣 #將矩陣寫入數據框data_iris并更改列名 data_iris<-data.frame(Sepal.Length=a[,1],Sepal.Width=a[,2]) write.table(data_iris," ./data_iris.txt") #將數據框保存為txt文件 #將數據框轉化為向量y b<-as.matrix(data_iris) y<-as.vector(b) is.vector(y) #判斷是否為向量

（3)讀取TXT文件，進行編輯操作，再寫入另外一個CSV文件中，步驟如下：
①讀取保存再test目錄下的TXT文件data_iris
②將R的示例數據集iris中的第6~10行寫入數據框data_iris1中
③將數據框data_iris與data_iris1合并為數據框data_iris2，并保存在CSV文件所在的目錄下

#操作題(3) read.table("./第2章 數據對象與數據讀寫/02-習題程序/code/data_iris.txt") #讀取txt文件data_iris data_iris1<-data.frame(iris[6:10,]) #將數據集iris中第6到10行寫入數據框 #將數據框data_iris和data_iris1合并為data_iris2 data_iris2<-cbind(data_iris,data_iris1) #將數據框data_iris2保存為csv文件 write.csv(data_iris2,"./第2章 數據對象與數據讀寫/02-習題程序/code/data_iris2.csv")

第3章 數據集基本處理

1.選擇題

（1)下列不屬于用于修改變量名的函數是（C）。
A. rename 函數
B.names 函數
C.name函數
D.colnames 函數

（2)下列用于修改矩陣變量名的函數是（B）。
A.rename函數
B.colnames 函數
C.names 函數
D.name函數

（3)下列屬于as.Date函數功能的選項是（A）。
A.將字符串形式的日期值轉換為日期變量
B.返回系統當前的日期
C.將字符申轉換為包含時間及時區的日期變量
D.將日期變量轉換成指定格式的字符型變量

（4)下列關于合并數據集不正確的選項是（C）。
A.數據框的合并可以通過rbind函數和cbind函數
B.rbind函數的自變量的寬度（列數）應該與原數據框的寬度相等
C.rbind函數的自變量的高度（行數）應該與原數據框的寬度相等
D.cbind函數的自變量的高度（行數）應該與原數據框的高度相等

（5)下列不屬于sample函數功能的是（B）。
A.放回隨機抽樣
B.函數排序
C.可對數據進行隨機分組
D.不放回隨機抽樣

（6)下列關于subset函數表達的錯誤選項是（D）。
A.可用來選取變量與觀測變量
B.其中x是所要選擇的數據框
C.subset是所要查看信息的方法
D.select查看的某個區域可以大于數據框x

（7)使用merge函數合并數據時，下列為默認值的是（B）。
A.相同列名的列
B.相同行名的行
C.第1列數據
D.第1行數據

（8)使用mell函數操作n維數組時，返回的結果有（A）列。
D.n+2
A.n
B.n+1
C.n-1

（9)元字符·的含義為（B）。
A.前面的字符或表達式重復零次或更多次
B.前面的字符或表達式重復一次或更多次
C.前面的字符或表達式重復零次或一次
D.前面的字符或表達式重復零次

（10)下列關于paste函數表達錯誤的選項是（D）。
A.參數sep表示分隔符，默認為空格
B.參數 collapse不指定值時，返回值是自變量之間通過sep指定的分隔符連接后得到的一個字符型向量
C.參數 collapse指定了特定的值，則自變量連接后的字符型向量會再被連接成一個字符申，之間通過collapse的值分隔
D.設置collapse參數，返回值為字符向量

2.操作題

（1)創建一個矩陣，并使用交互式編輯器修改變量名；創建一個數據框，并在數據框中添加3個新變量，分別為原數據的差、乘積和余數。

#操作題（1） a<-matrix(1:12,3,4) fix(a) a<-c(1,2,3,4) b<-c(11,22,33,44) x1<-data.frame(a,b,d=a-b,e=a*b,f=a%%b) x1

（2)構建一個含有缺失值的數據框，檢測該數據框是否含有缺失值并刪除包含缺失值的行；創建一個字符串的日期值，分別使用as.Date 函數、as.POSIXIt 函數、strptime 函數轉換為日期變量；使用sort函數對score的Chinese列進行從大到小排列，并且把缺失值放在最后。

#操作題（2） x2<-data.frame(id=c(1,2,3,4),name=c("張三","李四","王五","趙六"),math=c(70,89,NA,80),English=c(86,78,65,92)) anyNA(x2) na.omit(x2) dates <- c("10/27/2017", "02/25/2017", "01/14/2017", "07/18/2017", "04/01/2017")# 按照月日年的格式進行轉換 (date <- as.Date(dates, "%m/%d/%Y")) datas1<- c("2017-09-08 11:17:52", "2017-08-07 20:33:02") # 對字符串形式的日期時間值按照格式進行轉換 as.POSIXlt(datas1, tz = "", "%Y-%m-%d %H:%M:%S") (datas2 <- strptime(datas1, "%Y-%m-%d %H:%M:%S")) score <- data.frame(student = c("A", "B", "C", "D"), gender = c("M", "M", "F", "F"), math = c(90, 70, 80, 60), Eng = c(88, 78, 69, 98), p1 = c(66, 59, NA, 88)) names(score)[5] = "Chinese" score sort(score$Chinese,decreasing=TRUE, na.last=TRUE)

（3)構建一個數據框，并使用兩種方法來選取變量；使用sample函數實現放回隨機抽樣與不放回隨機抽樣。

#操作題（3） data<- data.frame(a = c(5.1, 4.9, 4.7), b = c(3.5, 3.0, 3.2), c = c( 1.4, 1.3, 1.5),d = rep(0.2, 3)) newdata <- data[, c(3:4)] newdata1 <- subset(data, a == "4.9", select = c(b, d))a<-c(11,22,33,44,55,66,77,88,99) sample(a, 5, replace = TRUE) #放回簡單隨機抽樣 sample(a, 5, replace = FALSE) # 不放回簡單隨機抽樣

（4)使用SQL語句對文中數據框stuscore進行計算。
①計算每個人的總成績并排名（要求顯示字段：學號、總成績）。
②計算每個人單科的最高成績（要求顯示字段：學號、課程、最高成績）。
③列出各門課程成績最好的學生（要求顯示字段：學號、科目、成績）。
④列出各門課程成績最差的學生（要求顯示字段：學號、科目、成績）。

#操作題（4） name <- c(rep("張三", 1, 3), rep("李四", 3)) subject <- c("數學", "語文", "英語", "數學", "語文", "英語") score <- c(89, 80, 70, 90, 70, 80) stuid <- c(1, 1, 1, 2, 2, 2) stuscore <- data.frame(name, subject, score, stuid) library(sqldf) # 計算每個人的總成績并排名(要求顯示字段：學號，總成績) sqldf("select stuid, sum(score) as allscore from stuscore group by stuid order by allscore") # 計算每個人單科的最高成績(要求顯示字段: 學號，課程，最高成績) sqldf("select stuid, subject, max(score) as maxscore from stuscore group by stuid") # 列出各門課程成績最好的學生(要求顯示字段: 學號,科目，成績) sqldf("select stuid, subject,max(score) as maxscore from stuscore group by subject order by stuid") # 列出各門課程成績最差的學生（要求顯示字段：學號,科目，成績） sqldf("select stuid,subject, min(score) as minscore from stuscore group by subject order by stuid")

（5)創建一個列表，并使用melt函數將其融合。

data<-list(a=c(11,22,33,44),b=matrix(1:10,nrow=2),c="one,two,three",d=c(TRUE,FALSE)) data library(reshape2) melt(data, varnames = c("X", "Y"), value.name = "value", na.rm = FALSE)

（6)構建一個字符型向量，并使用sub函數和 gsub 函數完成字符串替換；使用paste
兩數分別返回一個字符型向量和一個字符串。

#操作題（5） data1<-c("we","are","family","you","good") sub("good","bad",data1) gsub("we","student",data1)b<-paste("ab", 1:3, sep = "") x <- list(a = "st", b = "nd", c = "yw") y <- list(d = 1, e = 2) c<-paste(x, y, sep = "-", collapse = "; ") # 設置collapse參數，連成一個字符串 c

第4章 函數與控制流

1.選擇題

（1)下列能返回不小于x的最小整數的數學函數是（C）。
A.trunc
B.floor
C.ceiling
D.mad

（2)下列不屬于apply函數使用對象的是（B）。
A.矩陣
B.向量
C.數組
D.數據框

（3)在ifelse(condition,statementl,statement2)語句中，當condition為TRUE時，執行的語句是（A）。
A.statementl
B.statement2
C.statement3
D.statement4

（4)在switch(expression,list)語句中，當list是有名定義、表達式等于變量名時，返回的結果是（B）。
A.列表相應位置的值
B.變量名對應的值
C.NULL”值
D.列表名

（5)下列不屬于條件分支語句的數據分析的應用場景的是（B）。
A.if-else 語句
B.for循環語句
C.switch語句
D.ifelse語句

（6)下列關于cal(exprl,expr2…)函數表達不正確的是（A）。
A.exprl、expr2為需要輸出的內容，必須為字符串
B.若exprl為“name”，則輸出字符申“name
C.若exprl為變量name,則輸出name的值
D.符號“ln”表示換行，表示“ln”后的語句在下一行輸出

（7)能讓while((i<=10){expr}語句停止循環的選項是（B）。
A.i == 10
B.i == 11
C.i == 5
D.i == 1

（8)使用自定義函數時可通過（A）調用。
A.source 函數
B.var 函數
C.range函數
D.signif函數

（9)函數體不包括（C）部分。
A.異常處理
B.返回值
C.輸入值
D.運算過程

（10)下列選項中表示返回值的函數是（D）。
A.median
B.dnorm
C.source
D.retum

2.操作題

（1)使用apply函數族中的函數計算列表x<-list(a=1:5,b=exp(0:3))中的各子列表的最大值、最小值與中位數。

#操作題(1) x <- list(a = 1:5, b = exp(0:3)) lapply(x, max) lapply(x, min) lapply(x, median)

（2)在區間［－5,5上繪制標準正態曲線，求位于z左側的標準正態曲線下方的面積。

#操作題(2) #在區間[-5,5]上繪制標準正態曲線 x <- pretty(c(-5,5), 50) y <- dnorm(x)##密度函數 plot(x, y, type = 'l', xlab = 'Normal Deviate', ylab = 'Density', yaxs = 'i') #位于z=1.96左側的標準正態曲線下方的面積 pnorm(1.96)

（3)用條件分支語句將成績劃分為5個等級：A(大于等于90)、B(大于等于80)、（大于等于70)、D(大于等于60)、E(小于60).例如，對成績87分進行判斷。

#操作題（3） x <- sample(0:100, 1)#隨機產生一個0-100的成績 if(x>=90){grade <- '成績等級：A' }else if(x>=80){grade <- '成績等級：B' }else if(x>=70){grade <- '成績等級：C' }else if(x>=60){grade <- '成績等級：D' }else{grade <- '成績等級：E' } grade

（4)判斷101-200之間有多少個素數，并輸出所有素數。

#操作題（4） x <- 101:200 y <- matrix(nrow = 200, ncol = 100) count <- 0 c <- NULL for(i in 1:100){for(j in 1:200){y[j,i] <- x[i] %% j}if(length(which(y[,i]==0))<=2){count <- count + 1c[count] <- i} } count#計數 x[c]#所有素數

（5)編寫一個自定義函數求兩個矩陣的乘積，并找出乘積矩陣中的最大元素。

#操作題（5） POM <-function(x,y) {maxer <- function(x.){print(max(x.))}m1 <- ncol(x)n <- nrow(y)if(m1!=n){print('error dimension is not siutable')return(0)}m <- nrow(x)n1 <- ncol(y)s <-matrix(0,m,n1)for(i in 1:m)for(j in 1:n1)s[i,j] <- sum(x[i,]*y[,j])maxer(s)return(s) } #矩陣s的行數等于矩陣x的行數，s的列數等于y的列數。 #乘積s的第m行第n列的元素等于矩陣x的第m行的元素與矩陣y的第n列對應元素乘積之和。 x <-matrix(c(1:6),2,3,byrow = TRUE)#按行 y <-matrix(c(1:6),3,2,byrow = FALSE)#按列 POM(x,y)

第5章 初級繪圖

1.選擇題

（1)下列可用于繪制散點圖的是（A）。
A.plot函數
B.barplot函數
C.boxplot函數
D.hist函數

（2)下列圖形中，不能分析數據分布情況的是（C）。
A.散點圖
B.直方圖
C.多變量相關矩陣圖
D.箱線圖

（3)數據維度較大時，為比較兩兩變量之間的相關關系，可以考慮繪制的圖形是（D）。
A.散點圖
B.箱線圖
C.餅圖
D.多變量相關矩陣圖

（4)為展示數據類別的占比情況，可以考慮繪制的圖形是（C）。
A.散點圖
B.箱線圖
D.多變量相關矩陣圖
C.餅圖

（5)下列繪制的圖形與R函數對應關系不正確的是（B）。
A.散點圖－plot函數
B.箱線圖－barplot函數
C.QQ圖－qqplot 函數
D.散點矩陣圖－pairs函數

（6)下列選項中，（D）不是R自帶的修改顏色函數。
A.ngb函數
B.colors 函數
C.palette 函數
D.brewer.pal函數

（7)能修改點樣式的參數是（B）。
A.cex
B.pch
C.lwd
D.font

（8)可以在圖形中的任意位置添加文字說明的函數是（B）。
A.title函數
B.text 函數
C.mtext函數
D.main函數

（9)為在現有圖形上添加擬合直線，可以考慮的函數是（B）。
A.line函數
B.lines 函數
C.abline 函數
D.ablines函數

（10)下列圖形參數與說明的對應關系不正確的是（D）。
A.axes-是否顯示坐標軸
B.xlim-x軸的取值范圍
C.col-顏色設置
D.font-是否顯示標題

2.操作題

（1)表5-23是某銀行貸款拖欠率的數據bankloan.
表5-23 銀行貸款拖欠率的數據
Link:banklload.csv
①比較有違約與無違約行為特征的人群分布。
②探索不同特征的人群收入與負債的分布情況。
③探索不同特征的人群收入與負債的關系。

#操作題（1） # 讀取數據 bankloan <- read.csv("../bankloan.csv") summary(bankloan)# 數據預處理，調整數據類型，將年齡、工齡分組 bankloan$age_group <- cut(bankloan$age,breaks = paste0(2:6, 0),include.lowest = TRUE) bankloan$seniority_group <- cut(bankloan$seniority,breaks = c(0, 1, 3, 5, 10, 15, 20, 30, 40),include.lowest = TRUE) bankloan$education <- factor(bankloan$education) bankloan$debt <- bankloan$debt_rate / 100 * bankloan$income attach(bankloan) #這里有個報錯沒解決# 繪制違約與不違約客戶的教育的條形圖 pal <- RColorBrewer::brewer.pal(8, "Set1") de_e <- ftable(education, default) barplot(de_e, col = pal[1:5], beside = TRUE, xlab = "default") legend("topright", levels(education), pch = 15, col = pal, bty = "n") text(11, 270, "education:")# 繪制違約與不違約客戶的年齡的條形圖 de_a <- ftable(age_group, default) barplot(de_a, col = pal[1:4], beside = TRUE, xlab = "default") legend("topright", levels(age_group), pch = 15, col = pal, bty = "n") text(8.8, 204, "age:")# 繪制違約與不違約客戶的工齡的條形圖 de_s <- ftable(seniority_group, default) barplot(de_s, col = pal[1:8], beside = TRUE, xlab = "default") legend("topright", levels(seniority_group), pch = 15, col = pal, bty = "n") text(15.3, 140, "seniority:")# 繪制違約與不違約客戶的年齡、教育和工齡的Cleveland點圖 dotchart(de_e, bg = pal[1:5], labels = levels(education)) dotchart(de_a, bg = pal[1:4], labels = levels(age_group)) dotchart(de_s, bg = pal[1:8], labels = levels(seniority_group))# 繪制不同年齡、教育和工齡的客戶收入的直方圖 set.seed(1234) norm_income <- rnorm(1000, mean(income), sd(income)) hist(income, freq = FALSE, breaks = 50) lines(density(income), col = 2) lines(density(norm_income), lty = 2, col = 3) legend("topright", c("density", "normal"), lty = 1:2, col = 2:3, bty = "n")# 繪制不同年齡、教育和工齡的客戶負債的直方圖 norm_debt <- rnorm(1000, mean(debt), sd(debt)) hist(debt, freq = FALSE, breaks = 50) lines(density(debt), col = 2) lines(density(norm_debt), lty = 2, col = 3) legend("topright", c("density", "normal"), lty = 1:2, col = 2:3, bty = "n")# 繪制不同年齡、教育和工齡的客戶收入的核密度圖 library(sm) sm.density.compare(income, factor(education)) legend("topright", levels(education), lty = 1:5, col = 2:6, bty = "n") text(450, 0.015, "education:")sm.density.compare(income, factor(age_group)) legend("topright", levels(age_group), lty = 1:4, col = 2:5, bty = "n") text(430, 0.026, "age:")sm.density.compare(income, factor(seniority_group)) legend("topright", levels(seniority_group), lty = 1:8, col = 2:9, bty = "n") text(425, 0.03, "seniority:")# 繪制不同年齡、教育和工齡的客戶負債的核密度圖 sm.density.compare(debt, factor(education)) legend("topright", levels(education), lty = 1:5, col = 2:6, bty = "n") text(40, 0.125, "education:")sm.density.compare(debt, factor(age_group)) legend("topright", levels(age_group), lty = 1:4, col = 2:5, bty = "n") text(38, 0.16, "age:")sm.density.compare(debt, factor(seniority_group)) legend("topright", levels(seniority_group), lty = 1:8, col = 2:9, bty = "n") text(37, 0.16, "seniority:")# 繪制不同年齡、教育和工齡的客戶收入的箱線圖 boxplot(income ~ education, horizontal = TRUE) boxplot(income ~ age_group, horizontal = TRUE) boxplot(income ~ seniority_group, horizontal = TRUE)# 繪制不同年齡、教育和工齡的客戶負債的箱線圖 boxplot(debt ~ education, horizontal = TRUE) boxplot(debt ~ age_group, horizontal = TRUE) boxplot(debt ~ seniority_group, horizontal = TRUE)# 根據客戶的年齡、教育和工齡對客戶收入分組 income_e <- tapply(income, education, function (t) t) income_a <- tapply(income, age_group, function (t) t) income_s <- tapply(income, seniority_group, function (t) t)# 繪制不同年齡、教育和工齡的客戶收入的小提琴圖 library(vioplot) vioplot(income_e$`1`, income_e$`2`, income_e$`3`, income_e$`4`, income_e$`5`, names = levels(education), border = "black", col = "light green", rectCol = "blue")vioplot(income_a$`[20,30]`, income_a$`(30,40]`, income_a$`(40,50]`, income_a$`(50,60]`, names = levels(age_group), border = "black", col = "light green", rectCol = "blue")vioplot(income_s$`[0,1]`, income_s$`(1,3]`, income_s$`(3,5]`, income_s$`(5,10]`, income_s$`(10,15]`, income_s$`(15,20]`, income_s$`(20,30]`, income_s$`(30,40]`, names = levels(seniority_group), border = "black", col = "light green", rectCol = "blue")# 根據客戶的年齡、教育和工齡對客戶負債分組 debt_e <- tapply(debt, education, function (t) t) debt_a <- tapply(debt, age_group, function (t) t) debt_s <- tapply(debt, seniority_group, function (t) t)# 繪制不同年齡、教育和工齡的客戶負債的小提琴圖 vioplot(debt_e$`1`, debt_e$`2`, debt_e$`3`, debt_e$`4`, debt_e$`5`, names = levels(education), border = "black", col = "light green", rectCol = "blue")vioplot(debt_a$`[20, 30]`, debt_a$`(30, 40]`, debt_a$`(40, 50]`, debt_a$`(50, 60]`,names = levels(age_group), border = "black", col = "light green", rectCol = "blue") #這個圖報的錯我暫時還沒找到如何解決vioplot(debt_s$`[0,1]`, debt_s$`(1,3]`, debt_s$`(3,5]`, debt_s$`(5,10]`, debt_s$`(10,15]`, debt_s$`(15,20]`, debt_s$`(20,30]`, debt_s$`(30,40]`, names = levels(seniority_group), border = "black", col = "light green", rectCol = "blue")# 繪制不同年齡、教育和工齡下客戶的收入與負債的散點圖 le <- levels(education) op <- par(mfrow = c(1, 5)) for (i in 1:nlevels(education)) {plot(income[education == le[i]], debt[education == le[i]], main = paste("education = ", le[i]), xlab = "income", ylab = "debt")abline(lm(debt[education == le[i]] ~ income[education == le[i]]), col = "red") } par(op)la <- levels(age_group) op <- par(mfrow = c(1, 4)) for (i in 1:nlevels(age_group)) {plot(income[age_group == la[i]], debt[age_group == la[i]], main = paste("age_group = ", la[i]), xlab = "income", ylab = "debt")abline(lm(debt[age_group == la[i]] ~ income[age_group == la[i]]), col = "red") } par(op)ls <- levels(seniority_group) op <- par(mfrow = c(1, 4)) for(i in 1:nlevels(seniority_group)){plot(income[seniority_group == ls[i]], debt[seniority_group == ls[i]], main = paste("seniority_group = ", ls[i]), xlab = "income", ylab = "debt")abline(lm(debt[seniority_group == ls[i]] ~ income[seniority_group == ls[i]]), col = "red") } par(op)

（2)根據VADeaths數據集，分別繪制城鎮居民與農村居民死亡情況的餅圖，添加標題及圖例說明，并分析圖表。

#操作題（2） my_sum <- colSums(VADeaths) Rural <- sum(my_sum[grep('Rural', names(my_sum))]) # 農村居民數據 Urban <- sum(my_sum[grep('Urban', names(my_sum))]) # 城鎮居民數據 pie(c(Rural, Urban), labels = c('Rural', 'Urban'), col = c('blue', 'green')) title('城鎮居民與農村居民死亡情況') legend('topleft', legend = c('Rural', 'Urban'), fill = c('blue', 'green'))

（3)在同一畫布上繪制iris數據集的4個屬性兩兩之間的散點圖，所得到的結果如圖5-36所示。
圖5-36 屬性兩兩之間的散點圖

#操作題（3） path = paste0('VADeaths', '.png') png(filename = path) pie(c(Rural, Urban), labels = c('Rural', 'Urban'), col = c('blue', 'green')) title('城鎮居民與農村居民死亡情況') legend('topleft', legend = c('Rural', 'Urban'), fill = c('blue', 'green')) dev.off() #這段代碼是操作題（2）的，暫時先不改鳶尾花了

（4)將第（3)題的結果保存為PNG文件格式，并儲存到當前工作目錄下。

#操作題（4） path = paste('ex5_4','.jpg') jpeg(file = path) par(mfrow = c(2,3)) name <- colnames(iris)[1:4] for (i in 1:3) {for (j in (i+1):4) {plot(iris[, i], iris[, j], xlab = name[i], ylab = name[j])} } dev.off()

第6章 高級繪圖

1.選擇題

（1)下列不能作為lattice包中的繪圖函數 formula輸人的是（B）。
A.x~y
B.~y
C.x~y|A
D.x~y|A-B

（2)下列繪圖函數不屬于lattice包的是（C）。
A.xyplot
B.qq
C.qqplot
D.qqmath

（3)lattice包中可實現圖形組合的是（C）。
A.par函數
B.layout 函數
C.split參數
D.newpage參數

（4)下列繪圖函數與圖形對應關系錯誤的是（A）。
A.histogram-散點圖
B.barchar-條形圖
C.bwplot-箱線圖
D.splom－散點矩陣圖

（5)lattice包中的繪圖函數的條件變量不能輸入（A）。
A.連續型變量
B.離散型變量
C.因子型數據
D.字符型數據

（6)一個圖層不包含（D）。
A.data
B.aes
C.mapping
D.geom

（7)下列選項中不能描述坐標系轉換關系的是（C）。
A.餅圖＝堆疊長條圖＋polar coordinates
B.靶心圖＝餅圖＋polar coordinates
C.鋸齒圖＝餅圖＋polar coordinates
D.鋸齒圖＝柱狀圖＋polar coordinates

（8)ggplot包中實現分面的函數是（D）。
A.par函數
B.layout 函數
C.split參數
D.facet grid函數

（9)下列選項不能描述繪圖函數與圖形對應關系的是（B）。
A.geom abline-線
B.geom_histogram-條形圖
C.geom_boxplot-箱線圖
D.geom_point-點

（10)下列不屬于圖形屬性的是（D）。
A.alpha
B.color
C.linetype
D.ncol

2.操作題

（1)表6-7所示是某銀行的貸款拖欠率的數據 bankloan.要求使用lattice 包完成以下圖形的繪制。
Link:bankloan.csv
①繪制不同年齡、受教育程度和工齡的客戶的收入與負債的直方圖及密度分布曲線。
②繪制不同年齡、受教育程度和工齡的客戶的收入與負債的散點圖，并添加回歸線。
③繪制不同年齡、受教育程度和工齡的客戶違約與否的條形圖。
④繪制客戶的收人和負債與違約與否的散點圖，非添加logistic回歸線。
表6-7銀行貸款拖欠率數據

#操作題（1） bankloan = read.csv("./第6章 高級繪圖/02-習題程序/code/data/bankloan.csv") summary(bankloan) # 數據預處理 bankloan$age_group <- cut(bankloan$age, breaks = paste0(2:6, 0), include.lowest = TRUE) bankloan$seniority_group <- cut(bankloan$seniority, breaks = c(0, 1, 3, 5, 10, 15, 20, 30, 40), include.lowest = TRUE) bankloan$education <- factor(bankloan$education) bankloan$debt <- bankloan$debt_rate / 100 * bankloan$income# lattice library(lattice) # histogram of income # education histogram_ie <- histogram( ~ income|education, data = bankloan, layout = c(1, 5), nint = 30, type = "count") densityplot_ie <- densityplot( ~ income, groups = education, data = bankloan, plot.points = FALSE, lty = 1:5, col = 1:5, key = list(title = "education", text = list(levels(bankloan$education)), column = 2, lines = list(lty = 1:5, col = 1:5))) plot(histogram_ie, position = c(0, 0, 0.5, 1)) plot(densityplot_ie, position = c(0.5, 0, 1, 1), newpage = FALSE) # age histogram_ia <- histogram( ~ income|age_group, data = bankloan, layout = c(1, 4), nint = 30, type = "count") densityplot_ia <- densityplot( ~ income, groups = age_group, data = bankloan, plot.points = FALSE, lty = 1:4, col = 1:4, key = list(title = "age", text = list(levels(bankloan$age_group)), column = 2, lines = list(lty = 1:4, col = 1:4))) plot(histogram_ia, position = c(0, 0, 0.5, 1)) plot(densityplot_ia, position = c(0.5, 0, 1, 1), newpage = FALSE)# seniority histogram_is <- histogram( ~ income|seniority_group, data = bankloan, layout = c(1, 8), nint = 30, type = "count") densityplot_is <- densityplot( ~ income, groups = seniority_group, data = bankloan, plot.points = FALSE, lty = 1:8, col = 1:8, key = list(title = "seniority", text = list(levels(bankloan$seniority_group)), column = 2, lines = list(lty = 1:8, col = 1:8))) plot(histogram_is, position = c(0, 0, 0.5, 1)) plot(densityplot_is, position = c(0.5, 0, 1, 1), newpage = FALSE)# histogram of debt # education histogram_de <- histogram( ~ debt_rate|education, data = bankloan, layout = c(1, 5), nint = 30, type = "count") densityplot_de <- densityplot( ~ debt_rate, groups = education, data = bankloan, plot.points = FALSE, lty = 1:5, col = 1:5, key = list(title = "education", text = list(levels(bankloan$education)), column = 2, lines = list(lty = 1:5, col = 1:5))) plot(histogram_de, position = c(0, 0, 0.5, 1)) plot(densityplot_de, position = c(0.5, 0, 1, 1), newpage = FALSE) # age histogram_da <- histogram( ~ debt_rate|age_group, data = bankloan, layout = c(1, 4), nint = 30, type = "count") densityplot_da <- densityplot( ~ debt_rate, groups = age_group, data = bankloan, plot.points = FALSE, lty = 1:4, col = 1:4, key = list(title = "age", text = list(levels(bankloan$age_group)), column = 2, lines = list(lty = 1:4, col = 1:4))) plot(histogram_da, position = c(0, 0, 0.5, 1)) plot(densityplot_da, position = c(0.5, 0, 1, 1), newpage = FALSE)# seniority histogram_ds <- histogram( ~ debt_rate|seniority_group, data = bankloan, layout = c(1, 8), nint = 30, type = "count") densityplot_ds <- densityplot( ~ debt_rate, groups = seniority_group, data = bankloan, plot.points = FALSE, lty = 1:8, col = 1:8, key = list(title = "seniority", text = list(levels(bankloan$seniority_group)), column = 2, lines = list(lty = 1:8, col = 1:8))) plot(histogram_ds, position = c(0, 0, 0.5, 1)) plot(densityplot_ds, position = c(0.5, 0, 1, 1), newpage = FALSE) # income vs debt id_e <- xyplot(debt ~ income|education, data = bankloan, layout = c(1, 5), panel = function(...){panel.lmline(...)panel.xyplot(...)}) id_a <- xyplot(debt ~ income|age_group, data = bankloan, layout = c(1, 4), panel = function(...){panel.lmline(...)panel.xyplot(...)}) id_s <- xyplot(debt ~ income|seniority_group, data = bankloan, layout = c(1, 8), panel = function(...){panel.lmline(...)panel.xyplot(...)}) plot(id_e, split = c(1, 1, 3, 1)) plot(id_a, split = c(2, 1, 3, 1), newpage = FALSE) plot(id_s, split = c(3, 1, 3, 1), newpage = FALSE)# default vs income or debt_rate # lattice glmdei <- as.vector(glm(default ~ income, data = bankloan, family = binomial(link = "logit"))$coefficients) glmded <- as.vector(glm(default ~ debt_rate, data = bankloan, family = binomial(link = "logit"))$coefficients)paneli <- function (x, y) {panel.curve(exp(glmdei[1] + glmdei[2] * x) / (1 + exp(glmdei[1] + glmdei[2] * x)), col = "red", lwd = 1, lty = 2)panel.xyplot(x, y) } paneld <- function (x, y) {panel.curve(exp(glmded[1] + glmded[2] * x) / (1 + exp(glmded[1] + glmded[2] * x)), col = "red", lwd = 1, lty = 2)panel.xyplot(x, y) } glmla_dei <- xyplot(default ~ income, data = bankloan, panel = paneli) glmla_ded <- xyplot(default ~ income, data = bankloan, panel = paneld) plot(glmla_dei, split = c(1, 1, 2, 1)) plot(glmla_ded, split = c(2, 1, 2, 1), newpage = FALSE)# bar of default # lattice tbankloan <- table(bankloan$education, bankloan$seniority_group, bankloan$age_group, bankloan$default) barchart(tbankloan, auto.key = list(title = "default", columns = 2))

（2)針對（1)中提及的bankloan的示例表，使用ggplo12包完成以下圖形的繪制。
①繪制不同年齡、受教育程度和工齡的客戶的收入與負債的直方圖和密度分布曲線。
②繪制不同年齡、受教育程度和工齡的客戶的收人與負債的散點圖，并添加回歸線。
③繪制不同年齡、受教育程度和工齡的客戶違約與否的條形圖。
④繪制客戶的收人和負債與違約與否的散點圖，并添加logistic回歸線。

#操作題（2） bankloan = read.csv("./第6章 高級繪圖/02-習題程序/code/data/bankloan.csv") summary(bankloan) # 數據預處理 bankloan$age_group <- cut(bankloan$age, breaks = paste0(2:6, 0), include.lowest = TRUE) bankloan$seniority_group <- cut(bankloan$seniority, breaks = c(0, 1, 3, 5, 10, 15, 20, 30, 40), include.lowest = TRUE) bankloan$education <- factor(bankloan$education) bankloan$debt <- bankloan$debt_rate / 100 * bankloan$income # ggplot2 library(ggplot2) library(grid) page <- function (x, y) viewport(layout.pos.row = x, layout.pos.col = y) # histogram of income # education hist_ie <- ggplot(data = bankloan, aes(x = income)) + geom_histogram(bins = 30, fill = "#0080ff") + facet_grid(education ~ .) density_ie <- ggplot(data = bankloan, aes(x = income, colour = education)) + geom_density() + theme(legend.position = "top") grid.newpage() pushViewport(viewport(layout = grid.layout(1, 2))) print(hist_ie, vp = page(1, 1)) print(density_ie, vp = page(1, 2)) # age hist_ia <- ggplot(data = bankloan, aes(x = income)) + geom_histogram(bins = 30, fill = "#0080ff") + facet_grid(age_group ~ .) density_ia <- ggplot(data = bankloan, aes(x = income, colour = age_group)) + geom_density() + theme(legend.position = "top") grid.newpage() pushViewport(viewport(layout = grid.layout(1, 2))) print(hist_ia, vp = page(1, 1)) print(density_ia, vp = page(1, 2)) # seniority hist_is <- ggplot(data = bankloan, aes(x = income)) + geom_histogram(bins = 30, fill = "#0080ff") + facet_grid(seniority_group ~ .) density_is <- ggplot(data = bankloan, aes(x = income, colour = seniority_group)) + geom_density() + theme(legend.position = "top") grid.newpage() pushViewport(viewport(layout = grid.layout(1, 2))) print(hist_is, vp = page(1, 1)) print(density_is, vp = page(1, 2)) # histogram of debt # education hist_de <- ggplot(data = bankloan, aes(x = debt_rate)) + geom_histogram(bins = 30, fill = "#0080ff") + facet_grid(education ~ .) density_de <- ggplot(data = bankloan, aes(x = debt_rate, colour = education)) + geom_density() + theme(legend.position = "top") grid.newpage() pushViewport(viewport(layout = grid.layout(1, 2))) print(hist_de, vp = page(1, 1)) print(density_de, vp = page(1, 2)) # age hist_da <- ggplot(data = bankloan, aes(x = debt_rate)) + geom_histogram(bins = 30, fill = "#0080ff") + facet_grid(age_group ~ .) density_da <- ggplot(data = bankloan, aes(x = debt_rate, colour = age_group)) + geom_density() + theme(legend.position = "top") grid.newpage() pushViewport(viewport(layout = grid.layout(1, 2))) print(hist_da, vp = page(1, 1)) print(density_da, vp = page(1, 2)) # seniority hist_ds <- ggplot(data = bankloan, aes(x = debt_rate)) + geom_histogram(bins = 30, fill = "#0080ff") + facet_grid(seniority_group ~ .) density_ds <- ggplot(data = bankloan, aes(x = debt_rate, colour = seniority_group)) + geom_density() + theme(legend.position = "top") grid.newpage() pushViewport(viewport(layout = grid.layout(1, 2))) print(hist_ds, vp = page(1, 1)) print(density_ds, vp = page(1, 2)) # income vs debt ggid_e <- ggplot(data = bankloan, aes(x = income, y = debt)) + geom_point(colour = "#0080ff") + stat_smooth(method = lm, lwd = 0.5, se = FALSE) + facet_grid(education ~ .) ggid_a <- ggplot(data = bankloan, aes(x = income, y = debt)) + geom_point(colour = "#0080ff") + stat_smooth(method = lm, lwd = 0.5, se = FALSE) + facet_grid(age_group ~ .) ggid_s <- ggplot(data = bankloan, aes(x = income, y = debt)) + geom_point(colour = "#0080ff") + stat_smooth(method = lm, lwd = 0.5, se = FALSE) + facet_grid(seniority_group ~ .)grid.newpage() pushViewport(viewport(layout = grid.layout(1, 3))) print(ggid_e, vp = page(1, 1)) print(ggid_a, vp = page(1, 2)) print(ggid_s, vp = page(1, 3))# default vs income or debt_rate # ggplot2 glmgg_dei <- ggplot(data = bankloan, aes(x = income, y = default)) + geom_point() + stat_smooth(method = glm, method.args = list(family = "binomial"), se = FALSE) glmgg_ded <- ggplot(data = bankloan, aes(x = debt_rate, y = default)) + geom_point() + stat_smooth(method = glm, method.args = list(family = "binomial"), se = FALSE) grid.newpage() pushViewport(viewport(layout = grid.layout(1, 2))) print(glmgg_dei, vp = page(1, 1)) print(glmgg_ded, vp = page(1, 2))# bar of default # ggplot2 ggplot(bankloan, aes(x = education, fill = factor(default))) + geom_bar(position = "stack") + facet_grid(age_group ~ seniority_group)

（3)結合（1)與（2)的操作題，用以上兩個操作題中所繪制的圖形創建腳本ui.R和server.R,利用shiny包搭建數據可視化平臺demo.

第7章 可視化數據挖掘工具Rattle

1.選擇題

（1)下列不屬于Rattle工具功能的是（C）。
A.相關性分析
B.周期性分析
C.數據集成
D.數據變換

（2)Rattle工具不能導入（D）。
A.R包的數據
B.R工作空間的數據
C.R文件的數據
D.R命名的數據

（3)如果想要查看數據總體的概況，那么應該運用（A）功能。
A. Summary
B. Distribution
C.Correlation
D.Principal Components

（4)Rattle的交互圖GGobi包不可以實現（D）的綜合使用。
A.散點圖
B.散點矩陣圖
C.三維圖
D.星狀圖

（5)數據建模中，聚類分析不能得到的結果是（C）。
A.聚類的結果
B.聚類分布圖
C.聚類的評價
D.聚類樣本投影圖

（6)關聯規則的Apriori算法不會默認設置的是（A）。
A. Basket
B.Support
C.Confidence
D.Min Length

（7)在Model選項中，分類算法需要設置Min Bucket的值，如果要分成70、15、15的占比，則應該設置為（B）。
A.0.7/0.15/0.15
B.70/15/15
C. 7/1.5/1.5
D.70%/15%/15%

（8)Rattle工具的隨機森林模型不能得到（D）。
A.ROC曲線
B.重要性Gini指數
C.錯誤率
D.分類樹

（9)下列不屬于Rattle工具的模型評估方法的是（B）。
A.混淆矩陣
B.風險評估圖
C.敏感度與特異性圖
D.累計增益圖

（10)下列數據挖掘算法中，適合用Rale工具的是（C）。
A.分類與預測
B.聚類分析
C.智能推薦
D.關聯規則

2.操作題

打開Rattle工具的圖形界面，導人Telephone.csv數據，并將數據按照70:15:15的比例分成訓練集、驗證集和測試集。然后對數據進行探索，完成描述性統計分析、圖形探索等操作。提示：在Data選項卡中選擇合適的變量構建模型，在Model選項卡中選擇合適的分類模型，并對模型進行評估。

資源

百度網盤–課后習題答案&源代碼&數據
PS：永久有效，自動填充提取碼，提取碼：1111

Reference

R語言編程基礎-圖書-人郵教育社區 $\to$ 49611-R語言編程基礎-習題數據和答案.rar

總結

以上是生活随笔為你收集整理的【R语言编程基础】【课后习题答案】【全】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。