前言：接着上一章（《R语言入门与实践》第一章：R基础）的任务，现在已经有了模拟掷一对骰子的函数。接下来的目标是对骰子进行加权，做出不均匀的骰子——即让这对骰子掷出大点数的概率稍高于掷出小点数的概率。需要用两个函数实现重复（replicate）和可视化（visualization）：
-
replicate（）：重复运行，实现重复投掷骰子 -
qplot（）：快速做图（quick plot），将重复抛掷的结果可视化
拓展学习：qplot入门- 知乎 (zhihu.com)
笔记目录：
2.1 下载和加载R包
2.2 运用qplot函数快速绘图
2.3查找帮助页面获取帮助
2.4 项目1总结（1-2章）
2.1 下载和加载R包
刚才提到的qplot函数不是R自带的函数，来自外部的一个独立的R包ggplot2。这就是R作为开源软件最大的特点，很多优秀的数据科学家、统计学家、程序员编写上传的R包，可以帮助我们快速实现很多分析操作，再次感谢前辈们的贡献。
当然也有一个潜在的缺点就是，大量的R包在其中找到合适的包，需要更多的时间查找和学习。好在优秀的前行者们也有很多总结经验，小白日常感激。
拓展学习：R语言最新最好用综合包推荐【2022】 - 知乎 (zhihu.com)
- 安装R包：命令：
install.packages("ggplot2")，双引号中间为R包的名称。 - 加载R包：命令：
library("ggplot2")，加载包后，没有信息显示代表一切正常。 - 每个包只需安装一次，但是每次重新打开RStudio后，都需要重新加载需要的包。
library("ggplot2")
2.2 运用qplot函数快速绘图
安装和加载好，开始使用qplot绘图吧~
- 把两个长度相同的数值向量交给
qplot函数，它就会绘制出一幅散点图。 - 给
qplot函数一个向量，它就会画出一个直方图。
#输入R包名称回车，可以显示这一函数的源代码，太长就不放了。
qplot
# c函数创建数值向量，放在c（）括号内，每个数值用逗号隔开。
x <- c(-1,-0.8,-0.6,-0.4,-0.2,0,0.2,0.4,0.6,0.8,1)
y <- x^3
qplot(x,y)
-
散点图：描述两个变量之间的关系。
简单散点图.png 直方图：可视化单一变量的分布情况；显示这个变量的每一个值x，直方图会展示有多少数据点落在这个值内。
通过直方图可以直观地看出x的哪些值出现的频率高。
x <- c(1,2,2,2,3,3)
qplot(x,binwidth=1)
# binwidth参数代表直方图的宽度，确保每个图的一致性。
x2 <- c(1,1,1,1,1,2,2,2,2,3,3,4)
qplot(x2,binwidth=1)
# 5个数据点取值为1，因此在区间[1,2)上的柱高为5。
x3 <- c(0,1,1,2,2,2,3,3,4)
qplot(x3,binwidth=1)
那么，如何通过直方图检验虚拟骰子的均匀程度呢？我们可以通过
replicate函数，快速重复运行投掷骰子的命令。投掷足够多的次数便会看到投掷结果呈现的规律趋于稳定。
# roll刚才为定义的一对骰子，如果再次打开Rstudio，之前定义过的函数，需要重新运行一下，不然会报错，没有这个函数。
roll<- function(){
die <- 1:6
dice <- sample(die,size=2,replace=TRUE)
sum(dice)
}
# rolls为投掷10000次的骰子点数总和的分布。
rolls <- replicate(10000,roll())
qplot(rolls,binwidth=1)
2.3查找帮助页面获取帮助
- R函数家族庞大，不可能记住和掌握每个函数。所幸每一个R函数都有自己的帮助页面。
- 查看帮助页面的方式：
？+ 函数名称 - 如果忘记函数的具体名称，可以用：
？？+函数关键词 - 如果查找的函数来自某个R包，而没有安装或者加载该包，以上方式不能查看。
?sample
帮助页面的组成部分：
- 函数描述（Description）：一段简短的有关该函数功能的描述。
- 使用方法（Usage）：说明如何键入该函数和相应的参数名。
- 参数（Arguments）：列出该函数所包含的所有参数、参数的赋值类型及作用。
- 相关细节（Details）：对函数的工作原理的进一步描述及注意事项。
- 返回值（Value）：关于该函数运行后返回值的简短描述。
- 另请参阅（See also）：与该函数相关的函数的列表。
- 示例（Examples）：确保可以无错运行的代码示例。
很多函数帮助页面的内容非常多，并且难以理解（尤其我这种英语还不好的小白）。那就可以只需要关注能理解的部分，并且最重要的是最后的代码示例。运行这些代码，可以帮助我们快速掌握该函数的基本功能。
现在，我们的目的是在帮助页面中找到sample函数如何设置抽取概率，以获得一对非均匀的骰子。
- 在使用方法（Usage）这里，我们找到了
sample函数的所有参数设置，最后一个参数我们还没有运用。看一下最后一个参数的作用，看起来很像我们要找的，接下来来实践一下吧！
Usage
sample(x, size, replace = FALSE, prob = NULL)
prob ：a vector of probability weights for obtaining the elements of the vector being sampled.（用于获取被抽取向量元素的概率权重向量。）
（prob的参数中的概率权重与抽取向量元素一一对应）
# roll刚才为定义的一对均匀骰子。
roll<- function(){
die <- 1:6
dice <- sample(die,size=2,replace=TRUE)
sum(dice)
}
# roll2为加了概率权重参数的非均匀骰子。
roll2<- function(){
die <- 1:6
dice <- sample(die,size=2,replace=TRUE,prob = c(1/8,1/8,1/8,1/8,1/8,3/8))
sum(dice)
}
# rolls2为投掷10000次非均匀骰子点数总和的分布。
rolls2 <- replicate(10000,roll2())
qplot(rolls2,binwidth=1)
再看一下上面的均匀骰子结果图，可以看出这次的直方图出现了较大的向右偏态。如果是模拟掷骰子，点数大的概率远高于点数小的概率。
2.4项目1总结
上一章我们总结了R语言最重要的两个组成部分：
- 对象：用来存储数据——R语言中的名词
- 函数：用来操作分析数据——R语言中的动词（函数中的参数可以看作副词）
书中比喻的特别好：
如果函数和对象结合起来，就可以通过R语言表达一个完整的想法。将多个想法按逻辑顺序接合起来，可以生成有力的甚至唯美的语句。（P34）
这样看R语言和其他语言并无差异。同样如果想要学好这门语言，就必须掌握一定词汇量（即R命令），不然难以自如地用R语言和计算机交流。
即使目前词汇量还不大，也不应该羞于开口，一定要多交流，计算机是一个好的听众，有问题会立马给你指出来（报错），而不会嘲笑你；操作正确会给你反馈正确的结果。（这样的及时反馈，不就是刻意练习嘛！）
复盘一下我们已经掌握的技能：
- 认识和使用RStudio的用户界面
- 运行R命令、创建R对象
- 编写自己的R函数和脚本
- 生成随机样本和非均匀概率样本
- 加载并使用R包
- 快速制图
- 在需要帮助时及时获取帮助
到现在为止我们所学习的R基础知识已经足以在接下来学习过程中边学边用了，而边学边用正是最佳的学习途径。截至目前代码累积到150行，向10000行继续进发！
