向量

现有10个人的期末考试成绩为

100, 65, 80, 79, 88, 95, 93, 35, 56, 68

  1. 创建向量x来存储上述数据;
x <- c(100, 65, 80, 79, 88, 95, 93, 35, 56, 68)
  1. 将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
  1. 计算平均值、标准差和方差;
mean(x)  #平均值
## [1] 75.9
sd(x)   #标准差
## [1] 20.16846
var(x)   #方差
## [1] 406.7667
  1. 计算及格的人数;
count <- 0
for(i in 1:10){
  if(x[i]>=60){
    count=count+1
  }
}
print(count)
## [1] 8
  1. 给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
  1. 提取奇数位置的元素并显示;
for(i in 1:10){
  if(i%%2==1){
    print(x[i])
  }
}
## PB1 
## 100 
## PB3 
##  80 
## PB5 
##  88 
## PB7 
##  93 
## PB9 
##  56
  1. 返回偶数(不包含缺失值)。
x[!is.na(x)&x%%2==0]
##  PB1  PB3  PB5  PB9 PB10 
##  100   80   88   56   68

矩阵和数组

  1. 创建一个\(10\times 10\)的矩阵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
  1. 计算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
  1. 将上述矩阵的第2行除对角线外的所有元素赋值为100;
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
  1. 提取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
  1. 给m的列命名为“c1”, “c2”,…“c10”;
colnames(m)<- c("c1", "c2","c3","c4","c5","c6","c7","c8","c9","c10")
  1. 给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
  1. 计算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
  1. 按行计算平均值,输出的结果不能包含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
  1. 构造一个\(10\times 10 \times 3\)的数组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

列表

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))
  1. 提取年龄,并今年为记录时间计算其出生年份;
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
  1. 最后一个元素展示的是语数英三科的成绩,提取出来记为y, 并计算其平均成绩;
y<-score[[4]]
print(y)
## [1] 85 76 90
mean(y)
## [1] 83.66667
  1. 增加一个元素记录是否是优秀学生,其中优秀学生的定义为平均成绩大于85分。
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"

数据框和处理数据

covid19.csv文档里面记录了某地区新冠病人的住院信息。

  1. 把covid19.csv读入到数据框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
  1. 找出性别中有缺失值的行并将其去掉,去掉后的数据框仍然记为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
  1. 分别按性别、入院日期汇总数据并输出不同性别的入院人数、不同入院日期的入院人数;
#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
  1. 分性别计算平均年龄、最大年龄和最小年龄;
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
  1. 把年龄分成0—10, 11—20, ……, 70以上各段, 保存为“年龄段”变量,并将其加入到数据框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
  1. 用年龄段和性别交叉汇总发病人数和百分比(结果乘以100并保留一位小数), 保存到“年龄性别分布.csv”中 要求将每个年龄段的男性病人数、女性发病人数存为一行。
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
  1. 合并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
  1. 显示抽烟、年龄超过40且住院时间超过10天的病人分型和年龄。
#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