没有实践，因为以后应该用不到，看到一位小姐姐总结的很好，所以转载存档：https://www.jianshu.com/p/a3d1fb85dec4
1 数字函数
#R code
abs(-10) #返回值为10
sqrt(25)#返回值为5
ceiling(3.475)#返回值为4
floor(3.475)#返回值为3
trunc(5.99)#返回值为5
round(3.475,digits=2)#返回值为3.48
signif(3.475,digits=2)#返回值为3.5
log(4,base=2)#返回值为2
log(10)#返回值为2.3026
log10(10)#返回值为1
2统计函数
mean(c(1,2,3,4))#返回值2.5
median(c(1,2,3,4))#返回值2.5（（2+3）/2）
sd(c(1,2,3,4))#返回值1.29
var(c(1,2,3,4))#返回值1.67
#在数学中，绝对中位差的计算方法为：原数据减去中位数后得到的新数据的绝对值的中位数；
绝对中位差常用于计算估计的标准差，因此估计的标准差=1.4826*绝对中位差。
而在R中mad()的方法返回的是估计的标准差。
mad(c(1,2,3,4))#返回值为1.48
y<-quantile(x,c(.3,.84))#求x的30%和84%的分位点
x<-c(1,2,3,4)
range(x)#返回值为c(1,4)
sum(c(1,2,3,4))#返回值为10
x<-c(1,5,23,29)
diff(x)#返回值为c(4,18,6)
min(c(1,2,3,4))#返回值为1
max(c(1,2,3,4))#返回值为4
3 概率函数
在R中，概率函数形如：
[dpqr]distribution_abbreviation()
其中第一个字母表示其所指分布的某一方面：
d = 密度函数（density）
p = 分布函数（distribution function）
q = 分位数函数（quantile function）
r = 生成随机数（随机偏差）
常用的概率函数如下：
下面以正态分布函数为例，解释d/p/q/r。
#pretty(x,n)用于创建美观的分割点。通过选取n+1个等艰巨的取整值，将一个连续型变量x分为n个区间。
x<-pretty(c(-3,3),30)
y<-dnorm(x)
#type='l'表示只画线
#yaxs用于设置坐标轴的范围，'r'将数据范围向双边扩大4%再绘图，'i'在原始数据范围内绘图
plot(x,y,type='l',xlab='Normal Deviate',ylab='Density',yaxs='i')
#位于z=1.96左侧的标准正态曲线下方的面积是多少？
pnorm(1.96)#返回值为0.975
abline(v=0.975,col='blue',lty=2)#绘制x=0.975的辅助线，lty=2表示虚线
text(1,0.1,'x=0.975')#在(1,0.1)处添加图例‘x=0.975’
#均值为500，标准差为100的正态分布的0.9分位点值为多少？
qnorm(.9,mean=500,sd=100)#返回值628.16
#生成50个均值为50，标准差为10的正态随机数
rnorm(50,mean=50,sd=10)
4 其他实用函数
| 函数 | 描述 |
|---|---|
| length(x) | 对象x的长度 |
| seq(from, to,by) | 生成一个序列 |
| rep(x,n) | 将x重复n次 |
| cut(x,n) | 将连续型变量x分割为有着n个水平的因子 |
| pretty(x,n) | 创建美观的分割点。通过选取n+1个等间距的取整值，将一个连续型变量x分割为n个区间。 |
| cat(... ,file='my file',append=FALSE) | 连接...中的对象，并将其输出到屏幕上或文件中（如果声明了一个的话） |
x<-c(2,5,6,9)
length(x)#返回值为4
indices<-seq(1,10,2)#indices的值为c(1,3,5,7,9)
y<-rep(1:3,2)#y的值为c(1,2,3,1,1,2,3)
