r语言简单代码
刘耀文的大沙雕
钟意阿满
如何查看R语言函数源代码
#灰色预测模型GM(1,1)
#用法：
#假设数列1 2 3 4 5.5 6 7.5 为已知数据，你要预测后面3项，gm11([1 2 3 4 5.5 6 7.5],10) # 10=7+3。
# 序列输入格式为：x<-c(1,2,3,4,5.5,6,7.5)。
gm11<-function(x,k)。
#x为行向量数据
#做一次累加
n<-length(x)。
x1<-numeric(n);。
for(i in 1:n)
x1[i]<-sum(x[1:i]);。
#x1的均值数列
z1<-numeric(n)。
m<-n-1
for(j in 1:m)
z1[j+1]<-(0.5*x1[j+1]+0.5*x1[j])。
Yn=t(t(x[2:n]))。
B<-matrix(1,nrow=n-1,ncol=2)。
B[,1]<-t(t(-z1[2:n]))。
#solve(M)求M的逆
#最小二乘法求解参数列
u<-solve(t(B)%*%B)%*%t(B)%*%Yn;。
a<-u[1];
b<-u[2];
#预测
x2<-numeric(k);。
x2[1]<-x[1];。
for(i in 1:k-1)。
x2[1+i]=(x[1]-b/a)*exp(-a*i)+b/a;。
x2=c(0,x2);
#还原数据
y=diff(x2);
#调用函数
x<-c(1,2,3,4,5.5,6,7.5)。
gm11(x,10)
抱起亚轩找小葵
求助这个R语言代码什么意思啊T^T跪谢
输入了函数对象名称，可以直接看到代码的，如要获得函数对象fivenum的代码，就只需要在Console中键入函数对象名称fivenum就可以得到如下结果：
function (x, na.rm = TRUE)。
xna <- is.na(x)。
if (na.rm)
x <- x[!xna]。
else if (any(xna))。
return(rep.int(NA, 5))。
x <- sort(x)。
n <- length(x)。
if (n == 0)。
rep.int(NA, 5)。
else {
n4 <- floor((n + 3)/2)/2。
d <- c(1, n4, (n + 1)/2, n + 1 - n4, n)。
0.5 * (x[floor(d)] + x[ceiling(d)])。
}
大圣杰锅是
r语言中怎样查看函数源代码
一行一行来。
basic.stats <- function(x,more=F) { # 建立名叫basic.stats的函数，参数为x和more，more默认是F就是不用输入，但你也可以输入，有额外效果。
stats <- list() #建立名叫stats的列表类型变量。
clean.x <- x[!is.na(x)] #把x中的NA全部踢掉，留下有用的数据记为clean.x。
stats$mean <- mean(clean.x) # 计算clean.x的均值 赋给列表中的mean单元。
stats$std <- sd(clean.x) # 计算clean.x的标准差 赋给列表中的std单元。
stats$med <- median(clean.x) # 计算clean.x的中位数 赋给列表中的med单元。
if(more) { #如果你在函数中输入2个变量，默认是basic.stats(x)，你可以输入basic.stats(x, y) 有额外效果。
stats$skew <- sum(((clean.x-stats$mean)/stats$std)^3)/length(clean.x) #计算偏度 赋给列表中的skew单元。
stats$kurt <- sum(((clean.x-stats$mean)/stats$std)^4)/length(clean.x) - 3 #计算峰度 赋给列表中的kurt单元。
unlist(stats) #最后拆解列表变量stats 使其变为简单的向量数值变量。
小韩在追星
在r中看函数源代码：
在R中，代码可以分为如下几个级别：
首先，是你输入了函数对象名称，你可以直接看到代码的，如要获得函数对象fivenum的代码，就只需要在Console中键入函数对象名称fivenum就可以得到如下结果：
function (x, na.rm = TRUE)。
xna <- is.na(x)。
if (na.rm)
x <- x[!xna]。
else if (any(xna))。
return(rep.int(NA, 5))。
x <- sort(x)。
n <- length(x)。
if (n == 0)。
rep.int(NA, 5)。
else {
n4 <- floor((n + 3)/2)/2。
d <- c(1, n4, (n + 1)/2, n + 1 - n4, n)。
0.5 * (x[floor(d)] + x[ceiling(d)])。
}
<environment: namespace:stats>。
从上面的例子可以看出，这类函数对象的代码是最容易看到的，也是我们学习的最好的材料了，而R中最大多数的函数对象是以这种方式出现的。
其次，我们在输入mean这类函数名次的时候，会出现如下结果：
function (x, ...)。
UseMethod("mean")。
<environment: namespace:base>。
这表示函数作者把函数“封”起来了。这个时候我们可以先试一试methods(mean)，利用methods函数看看mean这个函数都有哪些类型的，我们得到的结果如下：
[1] mean.data.frame mean.Date mean.default mean.difftime mean.POSIXct mean.POSIXlt。
其实对此可以有一个简单的理解，虽然不够精确。因为在R中，mean函数可以求得属于不同类型对象的平均值，而不同类型对象平均值的求法还是有一些小小差 异的，比如说求一个向量的平均值和求一个数据框的平均值就有所差异，就要编写多个mean函数，然后“封”起来，以一个统一的mean出现，方便我们使 用。这正好也反映了R有一种类似泛型编程语言的性质。
既然我们已经知道mean中还有这么多种类，我们可以输入mean.default试一试就可以得到：
function (x, trim = 0, na.rm = FALSE, ...)。
if (!is.numeric(x) && !is.complex(x) && !is.logical(x)) {。
warning("argument is not numeric or logical: returning NA")。
return(as.numeric(NA))。
}
if (na.rm)
x <- x[!is.na(x)]。
trim <- trim[1]。
n <- length(x)。
if (trim > 0 && n > 0) {。
if (is.complex(x))。
stop("trimmed means are not defined for complex data")。
if (trim >= 0.5)。
return(stats::median(x, na.rm = FALSE))。
lo <- floor(n * trim) + 1。
hi <- n + 1 - lo。
x <- sort.int(x, partial = unique(c(lo, hi)))[lo:hi]。
n <- hi - lo + 1。
}
.Internal(mean(x))。
<environment: namespace:base>。
同样就可以得到mean.data.frame、mean.Date、mean.difftime、mean.POSIXct、mean.POSIXlt 的具体内容了。值得注意的是，在R中，出现有多个同样近似功能的函数封装为一个函数的时候（这时候在函数中多半会出现类似UseMethod函数使用的情 况），我们不妨先输入mean.default试一试。这种形式的函数在R中一般作为默认的函数表示。
第三，这是一种特殊的情况，有人认为应该和第二种是一类，但是我还是要提出来单独归类。在这种情况也和第二种的原因有些类似，但并不是完全一致。
也许我们大家都很熟悉plot函数了吧，输入函数名plot的时候，我们会得到如下结果：
function (x, y, ...)。
if (is.null(attr(x, "class")) && is.function(x)) {。
nms <- names(list(...))。
if (missing(y))。
y <- {。
if (!"from" %in% nms)。
0。
else if (!"to" %in% nms)。
1。
else if (!"xlim" %in% nms)。
NULL。
}
if ("ylab" %in% nms)。
plot.function(x, y, ...)。
else plot.function(x, y, ylab = paste(deparse(substitute(x)),。
"(x)"), ...)。
}
else UseMethod("plot")。
<environment: namespace:graphics>。
请注意plot函数中也出现了UseMethod这个函数，但是和mean不同的是，前面有相当多的语句用于处理其他一些事情。这个时候，我们也使用methods(plot)来看看，得到如下结果：
plot.acf* plot.data.frame* plot.Date* plot.decomposed.ts* plot.default 。
plot.dendrogram* plot.density plot.ecdf plot.factor* plot.formula* 。
plot.hclust* plot.histogram* plot.HoltWinters* plot.isoreg* plot.lm 。
plot.medpolish* plot.mlm plot.POSIXct* plot.POSIXlt* plot.ppr* 。
plot.prcomp* plot.princomp* plot.profile.nls* plot.spec plot.spec.coherency。
plot.spec.phase plot.stepfun plot.stl* plot.table* plot.ts 。
plot.tskernel* plot.TukeyHSD 。
不看不知道，一看吓一跳，还以为我们输入plot的输出就是函数本身，结果也许不是如此。可能有人已经理解了，其实最后的UseMethod函数实在默认的调用plot.default函数，赶快再看看plot.default函数吧，发现它再调用plot.xy函数，再看看plot.xy函数，再plot.xy函数中调用了一个.Internal(plot.xy(xy, type, pch, lty, col, bg, cex, lwd, ...))函数，也许这就是真正起作用的函数了吧。思路基本上就是如此了，是否这个时候您可以获得一些阅读查找R函数内容的乐趣。
除了直接输入FUN.default形式外，还可以使用getS3method(FUN,"default")来获得代码。这样就解决了绝大多数函数代码查看的工作了。
在第二种情况种，我们说了一般可以通过FUN.default获得想要的结果。但是只有称为generic的函数才有这种“特权”。而lm等则没有，不过我们也可以尝试使用methods(lm)来看看结果如何，发现：
[1] lm.fit lm.fit.null lm.influence lm.wfit lm.wfit.null。
Warning message:。
function 'lm' appears not to be generic in: methods(lm)。
出现了警告信息，表示说lm不是泛型函数，但是还是给出了结果lm.fit等，大致上可以看成是和lm相关的系列函数吧。这样子就出现了有趣的局面，比如说既有plot.ts，也有ts.plot。
依照第三种情况，我们发现竟然有的函数用星号标识了的，比如plot.stl*等，当我们输入plot.stl，甚至是plot.stl*的时候都会给出 要么找不到这个对象，要么干脆是代码错误的信息。原来凡是用了*标识的函数，都是隐藏起来的函数，估计是怕被人看见（其实这是玩笑话）！我们要看这些函数 的代码，我们该怎么办呢？其实也很容易，使用功能强大的getAnywhere(FUN)，看看这个函数的名称，就可以猜想到它的功能估计是很强大的， Anywhere的内容都可以找到！getAnywhere(plot.stl)的结果如下：
A single object matching 'plot.stl' was found。
It was found in the following places。
registered S3 method for plot from namespace stats。
namespace:stats。
with value
function (x, labels = colnames(X), set.pars = list(mar = c(0,。
6, 0, 6), oma = c(6, 0, 4, 0), tck = -0.01, mfrow = c(nplot,。
1)), main = NULL, range.bars = TRUE, ..., col.range = "light gray")。
sers <- x$time.series。
ncomp <- ncol(sers)。
data <- drop(sers %*% rep(1, ncomp))。
X <- cbind(data, sers)。
colnames(X) <- c("data", colnames(sers))。
nplot <- ncomp + 1。
if (range.bars)。
mx <- min(apply(rx <- apply(X, 2, range), 2, diff))。
if (length(set.pars)) {。
oldpar <- do.call("par", as.list(names(set.pars)))。
on.exit(par(oldpar))。
do.call("par", set.pars)。
}
for (i in 1:nplot) {。
plot(X[, i], type = if (i < nplot)。
"l"。
else "h", xlab = "", ylab = "", axes = FALSE, ...)。
if (range.bars) {。
dx <- 1/64 * diff(ux <- par("usr")[1:2])。
y <- mean(rx[, i])。
rect(ux[2] - dx, y + mx/2, ux[2] - 0.4 * dx, y -。
mx/2, col = col.range, xpd = TRUE)。
}
if (i == 1 && !is.null(main))。
title(main, line = 2, outer = par("oma")[3] > 0)。
if (i == nplot)。
abline(h = 0)。
box()
right <- i%%2 == 0。
axis(2, labels = !right)。
axis(4, labels = right)。
axis(1, labels = i == nplot)。
mtext(labels[i], side = 2, 3)。
}
mtext("time", side = 1, line = 3)。
invisible()。
<environment: namespace:stats>。
注意到前面有一段解释型的语言，描述了我们要找的这个函数放在了什么地方等等。其实对任意我们可以在R中使用的函数，都可以先试一试getAnywhere，看看都有些什么内容。算是一个比较“霸道”的函数。
在上面plot.xy函数中，我们还可以看到.Internal这个函数，类似的也许还可以看到.Primitive、.External、.Call等函数这就和R系统内部工作方式和与外部接口的定义有关了，如果对这些函数有兴趣的话，就要学习组成R系统的源代码了。
最后，如果真的想阅读组成R系统本身的源代码，在各个CRAN中均有下载。你可以得到组成R系统所需要的材料。其中很多C语言（还有就是F）的源代码，均 是精心挑选过的算法，哪怕就是想学从头到尾编写具体的算法，也是学习的好材料。同时，你可以看到R系统内部是如何构成的，理解了这些对于高效使用R有至关 重要的作用。这个范畴的材料就要着重看一看R-Lang和R-inits了。
至此，R中阅读代码的内容就依照我的理解介绍了一下。随后将有一些R代码示例的分析注解、语言本身、R应用的和行业使用的材料翻译和具体例子说明。欢迎大家多多和我交流，一起进步。
小韩在追星