现有10个人的期末考试成绩为
100, 65, 80, 79, 88, 95, 93, 35, 56, 68
x来存储上述数据;x <- c(100, 65, 80, 79, 88, 95, 93, 35, 56, 68)
x从小到大排序,并分别找出最大值,最小值、中位数和第三大的元素;sort(x,decreasing=FALSE)
## [1] 35 56 65 68 79 80 88 93 95 100
x[which.max(x)] #最大值
## [1] 100
x[which.min(x)] #最小值
## [1] 35
median(x) #中位数
## [1] 79.5
y <- sort(x,decreasing=TRUE)
y[3] #第三大的
## [1] 93
mean(x) #平均值
## [1] 75.9
sd(x) #标准差
## [1] 20.16846
var(x) #方差
## [1] 406.7667
count <- 0
for(i in 1:10){
if(x[i]>=60){
count=count+1
}
}
print(count)
## [1] 8
x命名,名字为学号,分别为“PB1”, “PB2”, … “PB10”(提示,可以先创建以名字为元素的字符型向量y,然后进行赋值);for(i in 1:10){
y[i] <- paste("PB",i,sep="")
}
names(x)<-y
x
## PB1 PB2 PB3 PB4 PB5 PB6 PB7 PB8 PB9 PB10
## 100 65 80 79 88 95 93 35 56 68
for(i in 1:10){
if(i%%2==1){
print(x[i])
}
}
## PB1
## 100
## PB3
## 80
## PB5
## 88
## PB7
## 93
## PB9
## 56
x[!is.na(x)&x%%2==0]
## PB1 PB3 PB5 PB9 PB10
## 100 80 88 56 68
m,其对角线元素分别为1, 2, …, 10;m <- diag(c(1,2,3,4,5,6,7,8,9,10))
print(m)
## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## [1,] 1 0 0 0 0 0 0 0 0 0
## [2,] 0 2 0 0 0 0 0 0 0 0
## [3,] 0 0 3 0 0 0 0 0 0 0
## [4,] 0 0 0 4 0 0 0 0 0 0
## [5,] 0 0 0 0 5 0 0 0 0 0
## [6,] 0 0 0 0 0 6 0 0 0 0
## [7,] 0 0 0 0 0 0 7 0 0 0
## [8,] 0 0 0 0 0 0 0 8 0 0
## [9,] 0 0 0 0 0 0 0 0 9 0
## [10,] 0 0 0 0 0 0 0 0 0 10
m的逆,并求解关于\(y\)的线性方程组\(my=x\);solve(m)
## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## [1,] 1 0.0 0.0000000 0.00 0.0 0.0000000 0.0000000 0.000 0.0000000 0.0
## [2,] 0 0.5 0.0000000 0.00 0.0 0.0000000 0.0000000 0.000 0.0000000 0.0
## [3,] 0 0.0 0.3333333 0.00 0.0 0.0000000 0.0000000 0.000 0.0000000 0.0
## [4,] 0 0.0 0.0000000 0.25 0.0 0.0000000 0.0000000 0.000 0.0000000 0.0
## [5,] 0 0.0 0.0000000 0.00 0.2 0.0000000 0.0000000 0.000 0.0000000 0.0
## [6,] 0 0.0 0.0000000 0.00 0.0 0.1666667 0.0000000 0.000 0.0000000 0.0
## [7,] 0 0.0 0.0000000 0.00 0.0 0.0000000 0.1428571 0.000 0.0000000 0.0
## [8,] 0 0.0 0.0000000 0.00 0.0 0.0000000 0.0000000 0.125 0.0000000 0.0
## [9,] 0 0.0 0.0000000 0.00 0.0 0.0000000 0.0000000 0.000 0.1111111 0.0
## [10,] 0 0.0 0.0000000 0.00 0.0 0.0000000 0.0000000 0.000 0.0000000 0.1
y <- solve(m,x)
print(y)
## [1] 100.000000 32.500000 26.666667 19.750000 17.600000 15.833333
## [7] 13.285714 4.375000 6.222222 6.800000
m[2,]<-100
m[2,2]<-2
print(m)
## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## [1,] 1 0 0 0 0 0 0 0 0 0
## [2,] 100 2 100 100 100 100 100 100 100 100
## [3,] 0 0 3 0 0 0 0 0 0 0
## [4,] 0 0 0 4 0 0 0 0 0 0
## [5,] 0 0 0 0 5 0 0 0 0 0
## [6,] 0 0 0 0 0 6 0 0 0 0
## [7,] 0 0 0 0 0 0 7 0 0 0
## [8,] 0 0 0 0 0 0 0 8 0 0
## [9,] 0 0 0 0 0 0 0 0 9 0
## [10,] 0 0 0 0 0 0 0 0 0 10
m的第5行第9列的元素并输出到命令行,然后将其重新赋值为NA;m_59 <- m[5,9]
print(m_59)
## [1] 0
m[5,9] <- NA
print(m[5,9])
## [1] NA
m的列命名为“c1”, “c2”,…“c10”;colnames(m)<- c("c1", "c2","c3","c4","c5","c6","c7","c8","c9","c10")
m增加一行,元素为上面定义的向量x;m <- rbind(m,x)
print(m)
## c1 c2 c3 c4 c5 c6 c7 c8 c9 c10
## 1 0 0 0 0 0 0 0 0 0
## 100 2 100 100 100 100 100 100 100 100
## 0 0 3 0 0 0 0 0 0 0
## 0 0 0 4 0 0 0 0 0 0
## 0 0 0 0 5 0 0 0 NA 0
## 0 0 0 0 0 6 0 0 0 0
## 0 0 0 0 0 0 7 0 0 0
## 0 0 0 0 0 0 0 8 0 0
## 0 0 0 0 0 0 0 0 9 0
## 0 0 0 0 0 0 0 0 0 10
## x 100 65 80 79 88 95 93 35 56 68
m的行数、列数,核对是否正确;nrow(m)
## [1] 11
ncol(m)
## [1] 10
#核对是否正确
all.equal(nrow(m),11)
## [1] TRUE
all.equal(ncol(m),10)
## [1] TRUE
NA;#计算平均值时没有略掉NA值,相当于第五行平均值为NA
rm <- rowMeans(m)
rm[!is.na(rm)]
## x
## 0.1 90.2 0.3 0.4 0.6 0.7 0.8 0.9 1.0 75.9
#计算平均值时略掉NA值
rowMeans(m,na.rm=TRUE)
##
## 0.1000000 90.2000000 0.3000000 0.4000000 0.5555556 0.6000000 0.7000000
## x
## 0.8000000 0.9000000 1.0000000 75.9000000
arr,其中arr[,,1]为m,arr[,,2]为2m,arr[,,3]为3m。m<-diag(c(1,2,3,4,5,6,7,8,9,10))
m2<-m*2
m3<-m*3
m1<-cbind(m,m2,m3)
arr <- array(m1,dim=c(10,10,3))
print(arr)
## , , 1
##
## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## [1,] 1 0 0 0 0 0 0 0 0 0
## [2,] 0 2 0 0 0 0 0 0 0 0
## [3,] 0 0 3 0 0 0 0 0 0 0
## [4,] 0 0 0 4 0 0 0 0 0 0
## [5,] 0 0 0 0 5 0 0 0 0 0
## [6,] 0 0 0 0 0 6 0 0 0 0
## [7,] 0 0 0 0 0 0 7 0 0 0
## [8,] 0 0 0 0 0 0 0 8 0 0
## [9,] 0 0 0 0 0 0 0 0 9 0
## [10,] 0 0 0 0 0 0 0 0 0 10
##
## , , 2
##
## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## [1,] 2 0 0 0 0 0 0 0 0 0
## [2,] 0 4 0 0 0 0 0 0 0 0
## [3,] 0 0 6 0 0 0 0 0 0 0
## [4,] 0 0 0 8 0 0 0 0 0 0
## [5,] 0 0 0 0 10 0 0 0 0 0
## [6,] 0 0 0 0 0 12 0 0 0 0
## [7,] 0 0 0 0 0 0 14 0 0 0
## [8,] 0 0 0 0 0 0 0 16 0 0
## [9,] 0 0 0 0 0 0 0 0 18 0
## [10,] 0 0 0 0 0 0 0 0 0 20
##
## , , 3
##
## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## [1,] 3 0 0 0 0 0 0 0 0 0
## [2,] 0 6 0 0 0 0 0 0 0 0
## [3,] 0 0 9 0 0 0 0 0 0 0
## [4,] 0 0 0 12 0 0 0 0 0 0
## [5,] 0 0 0 0 15 0 0 0 0 0
## [6,] 0 0 0 0 0 18 0 0 0 0
## [7,] 0 0 0 0 0 0 21 0 0 0
## [8,] 0 0 0 0 0 0 0 24 0 0
## [9,] 0 0 0 0 0 0 0 0 27 0
## [10,] 0 0 0 0 0 0 0 0 0 30
构造一个列表score,存放学生李明的成绩,如下:
score <- list(name="李明", id = "PB1", age=19, scores=c(85, 76, 90))
score <- list(name="李明", id = "PB1", age=19, scores=c(85, 76, 90))
age <- score[["age"]]
print(age)
## [1] 19
birthyear<- 2021-age
print(birthyear)
## [1] 2002
y, 并计算其平均成绩;y<-score[[4]]
print(y)
## [1] 85 76 90
mean(y)
## [1] 83.66667
if(mean(score$scores)>85){
score$是否是优秀学生<-"是"
}else
{
score$是否是优秀学生<-"否"
}
score
## $name
## [1] "李明"
##
## $id
## [1] "PB1"
##
## $age
## [1] 19
##
## $scores
## [1] 85 76 90
##
## $是否是优秀学生
## [1] "否"
covid19.csv文档里面记录了某地区新冠病人的住院信息。
pat1中,输出其列名和前三行的内容;setwd("D:/homework_R/HW2")
pat1 <- read.csv("covid19.csv", header = TRUE)
colnames(pat1)
## [1] "序号" "分型" "性别" "年龄" "入院时间" "出院时间" "疗程"
head(pat1,n=3)
## 序号 分型 性别 年龄 入院时间 出院时间 疗程
## 1 1 重型 男 49 20200121 20200211 22
## 2 2 重型 47 20200121 20200214 25
## 3 3 重型 男 51 20200124 20200207 15
pat1;#找到性别中有缺失值的行
pat1 <- read.csv("covid19.csv", header = TRUE, na.strings = "")
pat1[is.na(pat1$性别),]
## 序号 分型 性别 年龄 入院时间 出院时间 疗程
## 2 2 重型 <NA> 47 20200121 20200214 25
#去掉该行并将其记为pat1
pat1<-pat1[which(is.na(pat1$性别)==FALSE),]
pat1
## 序号 分型 性别 年龄 入院时间 出院时间 疗程
## 1 1 重型 男 49 20200121 20200211 22
## 3 3 重型 男 51 20200124 20200207 15
## 4 4 普通型 男 24 20200122 20200203 13
## 5 5 普通型 男 47 20200122 20200208 18
## 6 6 普通型 女 40 20200125 20200208 15
## 7 7 普通型 女 50 20200125 20200203 10
## 8 8 普通型 男 55 20200126 20200210 16
## 9 9 普通型 女 24 20200123 20200210 19
## 10 10 普通型 女 50 20200128 20200210 14
## 11 11 普通型 男 51 20200128 20200217 21
## 12 12 重型 男 29 20200129 20200211 14
## 13 13 普通型 男 49 20200129 20200226 29
## 14 14 普通型 男 53 20200129 20200213 16
## 15 15 普通型 男 22 20200129 20200213 16
## 16 16 普通型 男 22 20200129 20200225 28
## 17 17 普通型 男 21 20200129 20200224 27
## 18 18 普通型 男 39 20200129 20200215 18
## 19 19 普通型 男 22 20200129 20200303 NA
## 20 20 普通型 女 22 20200130 20200225 27
## 21 21 普通型 女 16 20200130 20200212 14
## 22 22 普通型 女 37 20200130 20200214 16
## 23 23 普通型 男 37 20200130 20200215 17
## 24 24 普通型 女 47 20200131 20200220 21
## 25 25 普通型 男 34 20200131 20200213 14
## 26 26 普通型 女 32 20200131 20200220 21
## 27 27 普通型 女 27 20200201 20200219 19
## 28 28 普通型 男 28 20200131 20200225 26
## 29 29 普通型 女 27 20200131 20200305 NA
## 30 30 重型 男 68 20200201 20200223 24
## 31 31 普通型 女 66 20200201 20200220 20
## 32 32 普通型 男 67 20200201 20200223 23
## 33 33 普通型 男 35 20200201 20200220 20
## 34 34 普通型 女 43 20200202 20200222 21
## 35 35 普通型 女 56 20200203 20200225 23
## 36 36 普通型 男 21 20200203 20200218 16
## 37 37 普通型 女 53 20200203 20200305 NA
## 38 38 普通型 女 24 20200204 20200216 13
## 39 39 普通型 男 43 20200204 20200219 16
## 40 40 普通型 女 51 20200206 20200213 8
## 41 41 普通型 女 49 20200206 20200216 11
## 42 42 普通型 男 35 20200128 20200301 NA
## 43 43 普通型 男 23 20200128 20200216 19
## 44 44 普通型 女 47 20200128 20200210 14
## 45 45 普通型 女 45 20200207 20200301 NA
## 46 46 普通型 女 42 20200207 20200302 NA
## 47 47 普通型 女 69 20200207 20200301 NA
## 48 48 普通型 女 48 20200207 20200220 14
## 49 49 普通型 女 50 20200205 20200226 22
## 50 50 普通型 女 35 20200205 20200227 NA
## 51 51 普通型 女 55 20220205 20200222 18
## 52 54 重型 男 88 20200210 20200224 15
## 53 55 重型 男 63 20200211 20200307 NA
## 54 56 重型 男 36 20200207 20200218 12
## 55 57 重型 男 57 20200201 20200229 NA
## 56 58 重型 男 62 20200206 20200223 18
## 57 59 重型 男 53 20200209 20200218 11
## 58 60 重型 男 42 20200209 20200223 11
## 59 61 普通型 男 52 20200205 20200217 13
## 60 63 重型 女 56 20200209 20200226 18
## 61 65 重型 男 61 20200208 20200217 11
## 62 68 普通型 男 75 20200131 20200211 13
## 63 71 重型 男 91 20200206 20200224 19
## 64 73 普通型 男 44 20200208 20200224 17
## 65 74 重型 女 44 20200205 20200222 18
## 66 75 普通型 男 30 20200122 20200129 8
## 67 76 普通型 男 40 20200128 20200206 10
## 68 77 普通型 女 52 20200129 20200220 23
## 69 78 普通型 女 29 20200129 20200206 9
## 70 79 重型 男 69 20200206 20200220 15
## 71 80 重型 女 56 20200131 20200223 24
## 72 81 重型 男 68 20200213 20200224 12
## 73 82 普通型 男 5 20200131 20200213 NA
## 74 83 重型 男 72 20200221 20200225 5
## 75 84 重型 男 29 20200208 20200220 13
#分开统计性别和入院日期
pat1[pat1$性别=="男",];pat1[pat1$性别=="女",]
## 序号 分型 性别 年龄 入院时间 出院时间 疗程
## 1 1 重型 男 49 20200121 20200211 22
## 3 3 重型 男 51 20200124 20200207 15
## 4 4 普通型 男 24 20200122 20200203 13
## 5 5 普通型 男 47 20200122 20200208 18
## 8 8 普通型 男 55 20200126 20200210 16
## 11 11 普通型 男 51 20200128 20200217 21
## 12 12 重型 男 29 20200129 20200211 14
## 13 13 普通型 男 49 20200129 20200226 29
## 14 14 普通型 男 53 20200129 20200213 16
## 15 15 普通型 男 22 20200129 20200213 16
## 16 16 普通型 男 22 20200129 20200225 28
## 17 17 普通型 男 21 20200129 20200224 27
## 18 18 普通型 男 39 20200129 20200215 18
## 19 19 普通型 男 22 20200129 20200303 NA
## 23 23 普通型 男 37 20200130 20200215 17
## 25 25 普通型 男 34 20200131 20200213 14
## 28 28 普通型 男 28 20200131 20200225 26
## 30 30 重型 男 68 20200201 20200223 24
## 32 32 普通型 男 67 20200201 20200223 23
## 33 33 普通型 男 35 20200201 20200220 20
## 36 36 普通型 男 21 20200203 20200218 16
## 39 39 普通型 男 43 20200204 20200219 16
## 42 42 普通型 男 35 20200128 20200301 NA
## 43 43 普通型 男 23 20200128 20200216 19
## 52 54 重型 男 88 20200210 20200224 15
## 53 55 重型 男 63 20200211 20200307 NA
## 54 56 重型 男 36 20200207 20200218 12
## 55 57 重型 男 57 20200201 20200229 NA
## 56 58 重型 男 62 20200206 20200223 18
## 57 59 重型 男 53 20200209 20200218 11
## 58 60 重型 男 42 20200209 20200223 11
## 59 61 普通型 男 52 20200205 20200217 13
## 61 65 重型 男 61 20200208 20200217 11
## 62 68 普通型 男 75 20200131 20200211 13
## 63 71 重型 男 91 20200206 20200224 19
## 64 73 普通型 男 44 20200208 20200224 17
## 66 75 普通型 男 30 20200122 20200129 8
## 67 76 普通型 男 40 20200128 20200206 10
## 70 79 重型 男 69 20200206 20200220 15
## 72 81 重型 男 68 20200213 20200224 12
## 73 82 普通型 男 5 20200131 20200213 NA
## 74 83 重型 男 72 20200221 20200225 5
## 75 84 重型 男 29 20200208 20200220 13
## 序号 分型 性别 年龄 入院时间 出院时间 疗程
## 6 6 普通型 女 40 20200125 20200208 15
## 7 7 普通型 女 50 20200125 20200203 10
## 9 9 普通型 女 24 20200123 20200210 19
## 10 10 普通型 女 50 20200128 20200210 14
## 20 20 普通型 女 22 20200130 20200225 27
## 21 21 普通型 女 16 20200130 20200212 14
## 22 22 普通型 女 37 20200130 20200214 16
## 24 24 普通型 女 47 20200131 20200220 21
## 26 26 普通型 女 32 20200131 20200220 21
## 27 27 普通型 女 27 20200201 20200219 19
## 29 29 普通型 女 27 20200131 20200305 NA
## 31 31 普通型 女 66 20200201 20200220 20
## 34 34 普通型 女 43 20200202 20200222 21
## 35 35 普通型 女 56 20200203 20200225 23
## 37 37 普通型 女 53 20200203 20200305 NA
## 38 38 普通型 女 24 20200204 20200216 13
## 40 40 普通型 女 51 20200206 20200213 8
## 41 41 普通型 女 49 20200206 20200216 11
## 44 44 普通型 女 47 20200128 20200210 14
## 45 45 普通型 女 45 20200207 20200301 NA
## 46 46 普通型 女 42 20200207 20200302 NA
## 47 47 普通型 女 69 20200207 20200301 NA
## 48 48 普通型 女 48 20200207 20200220 14
## 49 49 普通型 女 50 20200205 20200226 22
## 50 50 普通型 女 35 20200205 20200227 NA
## 51 51 普通型 女 55 20220205 20200222 18
## 60 63 重型 女 56 20200209 20200226 18
## 65 74 重型 女 44 20200205 20200222 18
## 68 77 普通型 女 52 20200129 20200220 23
## 69 78 普通型 女 29 20200129 20200206 9
## 71 80 重型 女 56 20200131 20200223 24
pat1[order(pat1[,"入院时间"]),]
## 序号 分型 性别 年龄 入院时间 出院时间 疗程
## 1 1 重型 男 49 20200121 20200211 22
## 4 4 普通型 男 24 20200122 20200203 13
## 5 5 普通型 男 47 20200122 20200208 18
## 66 75 普通型 男 30 20200122 20200129 8
## 9 9 普通型 女 24 20200123 20200210 19
## 3 3 重型 男 51 20200124 20200207 15
## 6 6 普通型 女 40 20200125 20200208 15
## 7 7 普通型 女 50 20200125 20200203 10
## 8 8 普通型 男 55 20200126 20200210 16
## 10 10 普通型 女 50 20200128 20200210 14
## 11 11 普通型 男 51 20200128 20200217 21
## 42 42 普通型 男 35 20200128 20200301 NA
## 43 43 普通型 男 23 20200128 20200216 19
## 44 44 普通型 女 47 20200128 20200210 14
## 67 76 普通型 男 40 20200128 20200206 10
## 12 12 重型 男 29 20200129 20200211 14
## 13 13 普通型 男 49 20200129 20200226 29
## 14 14 普通型 男 53 20200129 20200213 16
## 15 15 普通型 男 22 20200129 20200213 16
## 16 16 普通型 男 22 20200129 20200225 28
## 17 17 普通型 男 21 20200129 20200224 27
## 18 18 普通型 男 39 20200129 20200215 18
## 19 19 普通型 男 22 20200129 20200303 NA
## 68 77 普通型 女 52 20200129 20200220 23
## 69 78 普通型 女 29 20200129 20200206 9
## 20 20 普通型 女 22 20200130 20200225 27
## 21 21 普通型 女 16 20200130 20200212 14
## 22 22 普通型 女 37 20200130 20200214 16
## 23 23 普通型 男 37 20200130 20200215 17
## 24 24 普通型 女 47 20200131 20200220 21
## 25 25 普通型 男 34 20200131 20200213 14
## 26 26 普通型 女 32 20200131 20200220 21
## 28 28 普通型 男 28 20200131 20200225 26
## 29 29 普通型 女 27 20200131 20200305 NA
## 62 68 普通型 男 75 20200131 20200211 13
## 71 80 重型 女 56 20200131 20200223 24
## 73 82 普通型 男 5 20200131 20200213 NA
## 27 27 普通型 女 27 20200201 20200219 19
## 30 30 重型 男 68 20200201 20200223 24
## 31 31 普通型 女 66 20200201 20200220 20
## 32 32 普通型 男 67 20200201 20200223 23
## 33 33 普通型 男 35 20200201 20200220 20
## 55 57 重型 男 57 20200201 20200229 NA
## 34 34 普通型 女 43 20200202 20200222 21
## 35 35 普通型 女 56 20200203 20200225 23
## 36 36 普通型 男 21 20200203 20200218 16
## 37 37 普通型 女 53 20200203 20200305 NA
## 38 38 普通型 女 24 20200204 20200216 13
## 39 39 普通型 男 43 20200204 20200219 16
## 49 49 普通型 女 50 20200205 20200226 22
## 50 50 普通型 女 35 20200205 20200227 NA
## 59 61 普通型 男 52 20200205 20200217 13
## 65 74 重型 女 44 20200205 20200222 18
## 40 40 普通型 女 51 20200206 20200213 8
## 41 41 普通型 女 49 20200206 20200216 11
## 56 58 重型 男 62 20200206 20200223 18
## 63 71 重型 男 91 20200206 20200224 19
## 70 79 重型 男 69 20200206 20200220 15
## 45 45 普通型 女 45 20200207 20200301 NA
## 46 46 普通型 女 42 20200207 20200302 NA
## 47 47 普通型 女 69 20200207 20200301 NA
## 48 48 普通型 女 48 20200207 20200220 14
## 54 56 重型 男 36 20200207 20200218 12
## 61 65 重型 男 61 20200208 20200217 11
## 64 73 普通型 男 44 20200208 20200224 17
## 75 84 重型 男 29 20200208 20200220 13
## 57 59 重型 男 53 20200209 20200218 11
## 58 60 重型 男 42 20200209 20200223 11
## 60 63 重型 女 56 20200209 20200226 18
## 52 54 重型 男 88 20200210 20200224 15
## 53 55 重型 男 63 20200211 20200307 NA
## 72 81 重型 男 68 20200213 20200224 12
## 74 83 重型 男 72 20200221 20200225 5
## 51 51 普通型 女 55 20220205 20200222 18
#对性别和入院日期交叉统计
table(pat1[,"性别"],pat1[,"入院时间"],useNA="always")
##
## 20200121 20200122 20200123 20200124 20200125 20200126 20200128 20200129
## 男 1 3 0 1 0 1 4 8
## 女 0 0 1 0 2 0 2 2
## <NA> 0 0 0 0 0 0 0 0
##
## 20200130 20200131 20200201 20200202 20200203 20200204 20200205 20200206
## 男 1 4 4 0 1 1 1 3
## 女 3 4 2 1 2 1 3 2
## <NA> 0 0 0 0 0 0 0 0
##
## 20200207 20200208 20200209 20200210 20200211 20200213 20200221 20220205
## 男 1 3 2 1 1 1 1 0
## 女 4 0 1 0 0 0 0 1
## <NA> 0 0 0 0 0 0 0 0
##
## <NA>
## 男 0
## 女 0
## <NA> 0
#输出不同性别入院人数
table(pat1$性别)
##
## 男 女
## 43 31
#不同入院日期的入院人数
table(pat1$入院时间)
##
## 20200121 20200122 20200123 20200124 20200125 20200126 20200128 20200129
## 1 3 1 1 2 1 6 10
## 20200130 20200131 20200201 20200202 20200203 20200204 20200205 20200206
## 4 8 6 1 3 2 4 5
## 20200207 20200208 20200209 20200210 20200211 20200213 20200221 20220205
## 5 3 3 1 1 1 1 1
aggregate(pat1[,"年龄"],by=pat1["性别"],mean)
## 性别 x
## 1 男 45.62791
## 2 女 43.29032
aggregate(pat1[,"年龄"],by=pat1["性别"],min)
## 性别 x
## 1 男 5
## 2 女 16
aggregate(pat1[,"年龄"],by=pat1["性别"],max)
## 性别 x
## 1 男 91
## 2 女 69
d中;for(i in 1:nrow(pat1)){
if(pat1[i,"年龄"]>=0&pat1[i,"年龄"]<=10){
pat1[i,"年龄段"]<- "0-10"
}
if(pat1[i,"年龄"]>=11&pat1[i,"年龄"]<=20){
pat1[i,"年龄段"]<- "11-20"
}
if(pat1[i,"年龄"]>=21&pat1[i,"年龄"]<=30){
pat1[i,"年龄段"]<- "21-30"
}
if(pat1[i,"年龄"]>=31&pat1[i,"年龄"]<=40){
pat1[i,"年龄段"]<- "31-40"
}
if(pat1[i,"年龄"]>=41&pat1[i,"年龄"]<=50){
pat1[i,"年龄段"]<- "41-50"
}
if(pat1[i,"年龄"]>=51&pat1[i,"年龄"]<=60){
pat1[i,"年龄段"]<- "51-60"
}
if(pat1[i,"年龄"]>=61&pat1[i,"年龄"]<=70){
pat1[i,"年龄段"]<- "61-70"
}
if(pat1[i,"年龄"]>=71){
pat1[i,"年龄段"]<- "70以上"
}
}
head(pat1,n=10) #查看前十行确定写的没问题
## 序号 分型 性别 年龄 入院时间 出院时间 疗程 年龄段
## 1 1 重型 男 49 20200121 20200211 22 41-50
## 3 3 重型 男 51 20200124 20200207 15 51-60
## 4 4 普通型 男 24 20200122 20200203 13 21-30
## 5 5 普通型 男 47 20200122 20200208 18 41-50
## 6 6 普通型 女 40 20200125 20200208 15 31-40
## 7 7 普通型 女 50 20200125 20200203 10 41-50
## 8 8 普通型 男 55 20200126 20200210 16 51-60
## 9 9 普通型 女 24 20200123 20200210 19 21-30
## 10 10 普通型 女 50 20200128 20200210 14 41-50
## 11 11 普通型 男 51 20200128 20200217 21 51-60
t<-table(pat1[,"年龄段"],pat1[,"性别"])
t
##
## 男 女
## 0-10 1 0
## 11-20 0 1
## 21-30 11 6
## 31-40 7 4
## 41-50 6 11
## 51-60 7 7
## 61-70 7 2
## 70以上 4 0
t<-cbind(t,c(1:8),c(1:8))
#男性发病人数占该年龄段人数百分比 简称 男性占比,女性发病人数占该年龄段人数百分比 简称 女性占比
colnames(t)<-c("男","女","男性占比","女性占比")
for(i in 1:8){
sum=t[i,1]+t[i,2]
t[i,3]<- round(t[i,1]/sum*100,1)
t[i,4]<- round(t[i,2]/sum*100,1)
}
t
## 男 女 男性占比 女性占比
## 0-10 1 0 100.0 0.0
## 11-20 0 1 0.0 100.0
## 21-30 11 6 64.7 35.3
## 31-40 7 4 63.6 36.4
## 41-50 6 11 35.3 64.7
## 51-60 7 7 50.0 50.0
## 61-70 7 2 77.8 22.2
## 70以上 4 0 100.0 0.0
write.csv(t,file="年龄性别分布.csv")
covid19-3.csv文档记录病人入院前的基本信息。 7. 把covid19-3.csv读入到数据框pat2中,输出其列名和前三行的内容;
pat2<- read.csv("covid19-3.csv",header=TRUE)
colnames(pat2)
## [1] "序号" "职业" "病史" "吸烟"
head(pat2,n=3)
## 序号 职业 病史 吸烟
## 1 1 职员 首诊 无
## 2 2 无业 首诊 无
## 3 3 职员 首诊 有
pat1和pat2,并将合并后的数据框定义为pat,要求合并后保留pat1所有的行;pat <- merge(pat1,pat2,by.x="序号",by.y="序号",all.x=TRUE)
head(pat)
## 序号 分型 性别 年龄 入院时间 出院时间 疗程 年龄段 职业 病史 吸烟
## 1 1 重型 男 49 20200121 20200211 22 41-50 职员 首诊 无
## 2 3 重型 男 51 20200124 20200207 15 51-60 职员 首诊 有
## 3 4 普通型 男 24 20200122 20200203 13 21-30 地铁工作 首诊 无
## 4 5 普通型 男 47 20200122 20200208 18 41-50 销售 首诊 有
## 5 6 普通型 女 40 20200125 20200208 15 31-40 个体 首诊 无
## 6 7 普通型 女 50 20200125 20200203 10 41-50 <NA> <NA> <NA>
dim(pat1);dim(pat2);dim(pat) #验证合并满足要求
## [1] 74 8
## [1] 69 4
## [1] 74 11
#对日期数据进行类型修改并添加住院时间这一列
pat[,"入院时间"] <- as.Date(as.character(pat[,"入院时间"]), format = "%Y%m%d")
pat[,"出院时间"] <- as.Date(as.character(pat[,"出院时间"]), format = "%Y%m%d")
pat[,"住院时间"] <- as.numeric(pat[,"出院时间"] - pat[,"入院时间"]) + 1
pat
## 序号 分型 性别 年龄 入院时间 出院时间 疗程 年龄段 职业 病史
## 1 1 重型 男 49 2020-01-21 2020-02-11 22 41-50 职员 首诊
## 2 3 重型 男 51 2020-01-24 2020-02-07 15 51-60 职员 首诊
## 3 4 普通型 男 24 2020-01-22 2020-02-03 13 21-30 地铁工作 首诊
## 4 5 普通型 男 47 2020-01-22 2020-02-08 18 41-50 销售 首诊
## 5 6 普通型 女 40 2020-01-25 2020-02-08 15 31-40 个体 首诊
## 6 7 普通型 女 50 2020-01-25 2020-02-03 10 41-50 <NA> <NA>
## 7 8 普通型 男 55 2020-01-26 2020-02-10 16 51-60 无业 首诊
## 8 9 普通型 女 24 2020-01-23 2020-02-10 19 21-30 职员 首诊
## 9 10 普通型 女 50 2020-01-28 2020-02-10 14 41-50 个体 首诊
## 10 11 普通型 男 51 2020-01-28 2020-02-17 21 51-60 干部 首诊
## 11 12 重型 男 29 2020-01-29 2020-02-11 14 21-30 职员 首诊
## 12 13 普通型 男 49 2020-01-29 2020-02-26 29 41-50 职员 首诊
## 13 14 普通型 男 53 2020-01-29 2020-02-13 16 51-60 职员 首诊
## 14 15 普通型 男 22 2020-01-29 2020-02-13 16 21-30 学生 首诊
## 15 16 普通型 男 22 2020-01-29 2020-02-25 28 21-30 <NA> <NA>
## 16 17 普通型 男 21 2020-01-29 2020-02-24 27 21-30 学生 首诊
## 17 18 普通型 男 39 2020-01-29 2020-02-15 18 31-40 无业 首诊
## 18 19 普通型 男 22 2020-01-29 2020-03-03 NA 21-30 学生 首诊
## 19 20 普通型 女 22 2020-01-30 2020-02-25 27 21-30 职员 首诊
## 20 21 普通型 女 16 2020-01-30 2020-02-12 14 11-20 学生 首诊
## 21 22 普通型 女 37 2020-01-30 2020-02-14 16 31-40 个体经营 首诊
## 22 23 普通型 男 37 2020-01-30 2020-02-15 17 31-40 个体经营 首诊
## 23 24 普通型 女 47 2020-01-31 2020-02-20 21 41-50 个体经营 首诊
## 24 25 普通型 男 34 2020-01-31 2020-02-13 14 31-40 个体 首诊
## 25 26 普通型 女 32 2020-01-31 2020-02-20 21 31-40 无业 首诊
## 26 27 普通型 女 27 2020-02-01 2020-02-19 19 21-30 教师 首诊
## 27 28 普通型 男 28 2020-01-31 2020-02-25 26 21-30 采购 首诊
## 28 29 普通型 女 27 2020-01-31 2020-03-05 NA 21-30 <NA> <NA>
## 29 30 重型 男 68 2020-02-01 2020-02-23 24 61-70 农民 首诊
## 30 31 普通型 女 66 2020-02-01 2020-02-20 20 61-70 无业 首诊
## 31 32 普通型 男 67 2020-02-01 2020-02-23 23 61-70 退休 首诊
## 32 33 普通型 男 35 2020-02-01 2020-02-20 20 31-40 不详 首诊
## 33 34 普通型 女 43 2020-02-02 2020-02-22 21 41-50 职员 首诊
## 34 35 普通型 女 56 2020-02-03 2020-02-25 23 51-60 工人 首诊
## 35 36 普通型 男 21 2020-02-03 2020-02-18 16 21-30 学生 首诊
## 36 37 普通型 女 53 2020-02-03 2020-03-05 NA 51-60 无业 首诊
## 37 38 普通型 女 24 2020-02-04 2020-02-16 13 21-30 无业 首诊
## 38 39 普通型 男 43 2020-02-04 2020-02-19 16 41-50 工人 首诊
## 39 40 普通型 女 51 2020-02-06 2020-02-13 8 51-60 公务员 首诊
## 40 41 普通型 女 49 2020-02-06 2020-02-16 11 41-50 农民 首诊
## 41 42 普通型 男 35 2020-01-28 2020-03-01 NA 31-40 <NA> <NA>
## 42 43 普通型 男 23 2020-01-28 2020-02-16 19 21-30 工人 首诊
## 43 44 普通型 女 47 2020-01-28 2020-02-10 14 41-50 工人 首诊
## 44 45 普通型 女 45 2020-02-07 2020-03-01 NA 41-50 无业 首诊
## 45 46 普通型 女 42 2020-02-07 2020-03-02 NA 41-50 个体 首诊
## 46 47 普通型 女 69 2020-02-07 2020-03-01 NA 61-70 无业 首诊
## 47 48 普通型 女 48 2020-02-07 2020-02-20 14 41-50 无业 首诊
## 48 49 普通型 女 50 2020-02-05 2020-02-26 22 41-50 医生 首诊
## 49 50 普通型 女 35 2020-02-05 2020-02-27 NA 31-40 职员 首诊
## 50 51 普通型 女 55 2022-02-05 2020-02-22 18 51-60 自由职业 首诊
## 51 54 重型 男 88 2020-02-10 2020-02-24 15 70以上 退休 外院转入
## 52 55 重型 男 63 2020-02-11 2020-03-07 NA 61-70 退休 外院转入
## 53 56 重型 男 36 2020-02-07 2020-02-18 12 31-40 职员 外院转入
## 54 57 重型 男 57 2020-02-01 2020-02-29 NA 51-60 农民 首诊
## 55 58 重型 男 62 2020-02-06 2020-02-23 18 61-70 个体经营 外院转入
## 56 59 重型 男 53 2020-02-09 2020-02-18 11 51-60 农民 外院转入
## 57 60 重型 男 42 2020-02-09 2020-02-23 11 41-50 农民 外院转入
## 58 61 普通型 男 52 2020-02-05 2020-02-17 13 51-60 农民 外院转入
## 59 63 重型 女 56 2020-02-09 2020-02-26 18 51-60 农民 外院转入
## 60 65 重型 男 61 2020-02-08 2020-02-17 11 61-70 <NA> <NA>
## 61 68 普通型 男 75 2020-01-31 2020-02-11 13 70以上 退休 首诊
## 62 71 重型 男 91 2020-02-06 2020-02-24 19 70以上 无 首诊
## 63 73 普通型 男 44 2020-02-08 2020-02-24 17 41-50 无业 首诊
## 64 74 重型 女 44 2020-02-05 2020-02-22 18 41-50 个体 外院转入
## 65 75 普通型 男 30 2020-01-22 2020-01-29 8 21-30 金融 首诊
## 66 76 普通型 男 40 2020-01-28 2020-02-06 10 31-40 汽修工 首诊
## 67 77 普通型 女 52 2020-01-29 2020-02-20 23 51-60 服务行业 首诊
## 68 78 普通型 女 29 2020-01-29 2020-02-06 9 21-30 公务员 首诊
## 69 79 重型 男 69 2020-02-06 2020-02-20 15 61-70 退休 首诊
## 70 80 重型 女 56 2020-01-31 2020-02-23 24 51-60 农民 首诊
## 71 81 重型 男 68 2020-02-13 2020-02-24 12 61-70 医生 外院转入
## 72 82 普通型 男 5 2020-01-31 2020-02-13 NA 0-10 无 首诊
## 73 83 重型 男 72 2020-02-21 2020-02-25 5 70以上 <NA> <NA>
## 74 84 重型 男 29 2020-02-08 2020-02-20 13 21-30 无业 首诊
## 吸烟 住院时间
## 1 无 22
## 2 有 15
## 3 无 13
## 4 有 18
## 5 无 15
## 6 <NA> 10
## 7 无 16
## 8 无 19
## 9 无 14
## 10 无 21
## 11 无 14
## 12 无 29
## 13 无 16
## 14 无 16
## 15 <NA> 28
## 16 无 27
## 17 无 18
## 18 无 35
## 19 无 27
## 20 无 14
## 21 无 16
## 22 无 17
## 23 无 21
## 24 有 14
## 25 无 21
## 26 无 19
## 27 无 26
## 28 <NA> 35
## 29 无 23
## 30 无 20
## 31 无 23
## 32 无 20
## 33 无 21
## 34 无 23
## 35 无 16
## 36 无 32
## 37 无 13
## 38 无 16
## 39 无 8
## 40 无 11
## 41 <NA> 34
## 42 无 20
## 43 无 14
## 44 无 24
## 45 无 25
## 46 无 24
## 47 无 14
## 48 无 22
## 49 无 23
## 50 无 -713
## 51 无 15
## 52 无 26
## 53 无 12
## 54 无 29
## 55 无 18
## 56 无 10
## 57 无 15
## 58 无 13
## 59 无 18
## 60 <NA> 10
## 61 无 12
## 62 无 19
## 63 无 17
## 64 无 18
## 65 无 8
## 66 无 10
## 67 无 23
## 68 无 9
## 69 无 15
## 70 无 24
## 71 无 12
## 72 无 14
## 73 <NA> 5
## 74 无 13
pat[(pat$吸烟=="有") & (pat$年龄>40) & (pat$住院时间>10),c("分型","年龄")]
## 分型 年龄
## 2 重型 51
## 4 普通型 47