如果要使用新版本的R,除了直接安装,也可以直接拷贝R的文件夹。这样既可以保留原始的R版本和R包,也可以使用新版本的R和R包,R包存放在R目录下的library文件夹。
文件放路径
R: /usr/lib64/R
llibrary: 系统R library目录:/usr/lib64/R/libra
使用fmsb包绘制雷达图
library("fmsb")
radarfig <- rbind(rep(90, 4), rep(60, 4), c(86.17, 73.96, 82.70, 69.55)) #求平均值
radarfig <- as.data.frame(radarf
R语言真是博大精深
方法一
Acf(gold[,2], type = "correlation",lag.max = 100)
Acf(gold[,2], type = "partial")
方法二
library(ggfortify)
autoplot(acf(gold[,2], plot = F
前期处理
perl脚本统计RC(RC(read counts))
读入control baseline 和 sigma(最后baseline 预测的mad值)
将gc < 0.28或gc > 0.68,sigma乘上1.5,后来又乘以6,对于小于0.01或者大于0.99分位数,sigma
使用ggplot2包绘制直方图
######*****绘制直方图代码*****#######
data1 <- data0[(data0[, 2] <= 500) & (data0[, 4] <= 150000), ]
#提取面积500以下且单价十五万以
使用ggplot2绘制箱线图
######*****绘制箱线图代码*****#######
data1$学区房 <- factor(data1$school, levels = 0:1, labels = c("否", "是"))
#设置学区房数据为因子类型
dat
使用pROC包绘制ROC曲线
#####***绘制ROC曲线***#####
library("pROC")
N <- dim(data2)[1]
使用wordcloud2绘制词云图
library(wordcloud2)
findwords<-function(tf){
txt<-scan(tf,"")
wl<-list()
for(i in 1:length(txt)){
使用ggplot2包绘制ROC曲线
rocplot<- function(pred, truth, ...){
predob<- prediction(pred, truth)
#打印AUc
perf.auc<- performance(predob, me
melt函数可以将宽数据转化为长数据
dcast函数可以将长数据转化为宽数据
> DT = fread("melt_default.csv")
> DT
family_id age_mother dob_child1 dob_child2 dob_child3
1:
seq_along与seq_len函数的使用
在for循环中有用
> seq_along(c(2,3,5))
[1] 1 2 3
> seq_len(3)
[1] 1 2 3
R中预定义的字符组
代码
含义说明
[:digit:]或\d
数字; [0-9]
[^[:digit:]]或\D
非数字; 等价于[^0-9]
[:lower:]
小写字母; [a-z]
[:upper:]
大写字母; [A-Z]
[:alpha:]
字母; [a-z]及[A-Z]
[:alnum:
元字符有自己的特殊含义
[ ]内的任意字符将被匹配
grep(pattern = "[wW]", x = states, value = T)
grep(pattern = "w", ignore.case = T, x = states, value = T)
对元字符进行转义
strsplit(
字符串处理中基本函数的使用
R自带函数与stringr包函数对比
> states <- row.names(USArrests)
> # 提取字符串子集
> substr(x = states, start = 1, stop = 4)
[1] "Alab" "Alas"
豆瓣排名前25电影及评价爬取
url <-'http://movie.douban.com/top250?format=text'
# 获取网页原代码,以行的形式存放在web 变量中
web <- readLines(url,encoding="UTF-8")
# 找到包含电影名称的行
目录
基于 Keras 用深度学习预测时间序列问题描述
多层感知机回归
多层感知机回归结合“窗口法”
改进方向
扩展阅读
本文主要参考了 Jason Brownlee 的博文 Time Series Prediction With Deep Learning in Keras
原文使用 pyth
转载自https://www.jetbrains.com/help/idea/using-intellij-idea-as-the-vim-editor.html
This feature is only supported in the Ultimate edition.
The followi
目录
基于 Keras 用 LSTM 网络做时间序列预测问题描述
长短记忆网络
LSTM 网络回归
LSTM 网络回归结合窗口法
基于时间步的 LSTM 网络回归
在批量训练之间保持 LSTM 的记忆
在批量训练中堆叠 LSTM 网络
总结
扩展阅读
本文主要参考了 Jason Brownlee
RNA_seq pipline
]]>]]>]]>]]>
RNA_seq pipline
PeRl
2018年3月7日
首先说明
本文将介绍如何使用party包,rpart包及randomForest包来建立预测模型。
首先,我们将使用party包来建立决策树,并用决策树用于分类。其次,利用randomForest包来训练随机森林模型。
最后学习使用rpart包来建立决策树。
所使用的数据集为R中自带的iris数据集
使