+
+
+
+
+
+
+
+
+
+
+
+
+
+
# Basic data type
+class(TRUE) # 逻辑值
+class(32.6) # 普通的数字类型
+class(2L) # 2L是特指此为整数integer(显式表示),
+ # 与numeric型的存储方式会有细微的差别
+class('a') # 字符类型
+class("aaaaa") # 字符串,也是字符型
+class(3+2i) # 复数类型
+class(charToRaw("a")) # Raw为原始类型数据,为二进制
+
+
+
+
+
+
+
# 数值向量
+x = 1.5
+x
+
+# 创建一个指定长度的全0数值向量
+vec <- numeric(10)
+vec
+
+# 利用 c() 将多个对象合并到一起
+c(1, 2, 3, 4, 5)
+c(1, 2, c(3, 4, 5))
+
+
+
+
+
+
+
+list.1 <- list(name = "李明", age = 30, scores = c(85, 76, 90))
+
+list.1[2]
+list.1[[2]]
+list.1$scores
+
+list.1$age <- 45 # 将age修改为45
+list.1$age
+
+list.1$age <- list(19, 29, 31) # 将age修改为一个列表
+list.1$age[1]
+list.1$age[[1]]
+
+list.2 <- as.list(c(a = 1, b = 2)) # 用as.list()函数可以将向量转为列表
+list.2
+unlist(list.2) # 用unlist()可以将一个列表打破成分界限,
+ # 强制转换为一个向量
+
+
+
+
+
+
+
# 不按行填充
+matrix(c(1, 2, 3,
+ 4, 5, 6,
+ 7, 8, 9),
+ nrow = 3,
+ byrow = FALSE)
+
+# 按行填充
+matrix(c(1, 2, 3,
+ 4, 5, 6,
+ 7, 8, 9), nrow = 3, byrow = TRUE)
+
+# 为矩阵的行列命名
+matrix(1:9,
+ nrow = 3,
+ byrow = TRUE,
+ dimnames = list(c("r1","r2","r3"), c("c1","c2","c3")))
+
+ml <- matrix(1:9, ncol = 3)
+rownames(ml) = c("r1","r2","r3")
+colnames(ml) = c("c1","c2","c3")
+
+# 特殊矩阵
+diag(1:4, nrow = 4)
+
+
+
+
+
+
+
ml[1,2] # 提取第1行, 第2列的单个元素
+ml[1:2, 2:3] # 提取第1至2行, 第2至3列的元素
+ml[c("r1","r3"), c("c1","c3")] # 提取行名r1和r3, 列名为c1和c3的元素
+
+# 如果一个维度空缺, 则选出该维度的所有元素
+ml[1,] # 提取第1行, 所有列元素
+ml[,2:3] # 提取所有行, 第2至3列的所有元素
+
+# 负数表示排除该位置
+ml[-1,] # 提取除了第1行之外的所有元素
+ml[,-c(2,3)] # 提取除了第2和第3行之外的所有元素
+
+
+
+
+
+
+
# 创建tibble
+person <- tibble(
+ Name = c("Daisy", "Kyle", "Issac"),
+ Gender = c("Female", "Male", "Male"),
+ Age = c("20", "21", "27"),
+ Major = c("Remote sensing", "Data science", "Physics"),
+ ID = c("203", "301", "096")
+)
+# 在函数传递参数的时候不要用 <- 运算符,
+# 因为 R 语言编译器会将这个操作解释为赋值
+# 而不是传递参数, 也就是传递的不是一个值, 而是一个操作,
+# 可能会导致意外的错误
+person
+
+
+
+
+
+
+
tribble(
+ ~Name, ~Gender, ~Age, ~Major, ~ID,
+ "Daisy", "Female", "20", "Remote sensing", "203",
+ "Kyle", "Male", "21", "Data science", "301",
+ "Issac", "Male", "27", "Physics", "096")
+
+
+
+
+
+
+
# rbind() 增加行(样本数据), 要求宽度(列数一致)
+person <- rbind(person,
+ tibble(Name = "Jojo",
+ Gender = "Male",
+ Age = 25,
+ Major = "History",
+ ID = "128"))
+
+
+
+
+
+
+
# 可以用函数 str() 或者 glimpse() 显示该对象的结构
+str(person)
+glimpse(person)
+# 用 summary() 作用在数据框或者列表上,将生成割裂或各成分的汇总信息
+summary(person)
+
+
+
+
+
+
+
# 利用 expand.grid() 可以生成多个属性水平值的所有组合
+expand.grid(type = c("A","B"), class = c("M","L","XL"))
+
+
+
+
+
+
+
x = c(" 优", " 中", " 良", " 优", " 良", " 良") # 字符向量
+x
+sort(x)
+
+x1 = factor(x, levels = c(" 中", " 良", " 优")) # 转化因子型
+x1
+as.numeric(x1) # 相当于查看等级顺序, 数字越大等级越高
+sort(x1)
+
+ggplot(tibble(x1), aes(x1)) +
+ geom_bar()
+
+
+
+
+
+
+
levels(x1) = c("Fair", "Good", "Excellent") # 修改因子水平
+x1
+
+
+
+
+
+
+
table(x)
+
+
+
+
+
+
+
Age = c(23,15,36,47,65,53)
+cut(Age,
+ breaks = c(0,18,45,100),
+ labels = c("Young","Middle","Old"))
+
+
+
+
+
+
+
tibble(Sex = gl(2, 3, length=12, labels=c(" 男"," 女")),
+ Class = gl(3, 2, length=12, labels=c(" 甲"," 乙"," 丙")),
+ Score = gl(4, 3, length=12, labels=c(" 优"," 良"," 中", " 及格")))
+
+
+
+
+
+
+
2 + 3
+2 * 3
+2 / 3
+2 - 3
+2 + 3 * 4
+2 + (3 * 4)
+2^2
+2^0.5
+v <- c( 2,5.5,6)
+s <- c(8, 3, 4)
+v^s
+v%%s
+v%/%s
+v <- c(2,5.5,6,9)
+s <- c(8,2.5,14,9)
+v>s
+v>s
+v>=s
+v<=s
+v==s
+v!=s
+(v>=s)&(v==s)
+(v>s)|(v==s)
+v <- 1:5
+5 %in% v
+v*t(v)
+v%*%t(v)
+
+
+
+
+
+
+
# 判断体函数
+x <- 30L
+if(is.integer(x)) {
+ print("X is an Integer")
+}
+
+x <- c("what","is","truth")
+
+if("Truth" %in% x) {
+ print("Truth is found")
+} else {
+ print("Truth is not found")
+}
+
+if("Truth" %in% x) {
+ print("Truth is found the first time")
+} else if ("truth" %in% x) {
+ print("truth is found the second time")
+} else {
+ print("No truth found")
+}
+
+x <- switch(
+ 3,
+ "first",
+ "second",
+ "third",
+ "fourth"
+)
+print(x)
+
+
+
+
+
+
+
# 循环体函数
+v <- c("Hello","loop")
+cnt <- 2
+
+repeat {
+ print(v)
+ cnt <- cnt+1
+
+ if(cnt > 5) {
+ break
+ }
+}
+
+v <- c("Hello","while loop")
+cnt <- 2
+
+while (cnt < 7) {
+ print(v)
+ cnt = cnt + 1
+}
+
+v <- LETTERS[1:4]
+for ( i in v) {
+ print(i)
+}
+
+
+
+
+
+
+
# 自定函数
+new.function1 <- function() {
+ for(i in 1:5) {
+ print(i^2)
+ }
+}
+new.function1()
+
+new.function2 <- function(a,b,c) {
+ result <- a * b + c
+ print(result)
+}
+new.function1(5,3,11)
+new.function1(a = 11, b = 5, c = 3)
+
+new.function2 <- function(a = 3, b = 6) {
+ result <- a * b
+ print(result)
+}
+new.function2()
+new.function2(5)
+new.function2(b=5)
+
+
+
+
+
+
---
title: "Chapter1_R Notebook"
author: "WuKunpeng"
output: html_notebook
---

```{r setup, include=FALSE}
library(tidyverse)
library(conflicted)
# conflicted 包可以将两个包冲突的函数进行报错, 以便使用正确的函数
```

```{r}
# Basic data type
class(TRUE)             # 逻辑值
class(32.6)             # 普通的数字类型
class(2L)               # 2L是特指此为整数integer(显式表示),
                        # 与numeric型的存储方式会有细微的差别
class('a')              # 字符类型
class("aaaaa")          # 字符串,也是字符型
class(3+2i)             # 复数类型
class(charToRaw("a"))   # Raw为原始类型数据,为二进制
```

```{r}
# 数值向量
x = 1.5
x

# 创建一个指定长度的全0数值向量
vec <- numeric(10)
vec

# 利用 c() 将多个对象合并到一起
c(1, 2, 3, 4, 5)
c(1, 2, c(3, 4, 5))
```

```{r}

list.1 <- list(name = "李明", age = 30, scores = c(85, 76, 90))

list.1[2]
list.1[[2]]
list.1$scores

list.1$age <- 45                     # 将age修改为45
list.1$age

list.1$age <- list(19, 29, 31)       # 将age修改为一个列表
list.1$age[1]
list.1$age[[1]]

list.2 <- as.list(c(a = 1, b = 2))   # 用as.list()函数可以将向量转为列表
list.2
unlist(list.2)                       # 用unlist()可以将一个列表打破成分界限,
                                     # 强制转换为一个向量
```

```{r}
# 不按行填充
matrix(c(1, 2, 3,
		     4, 5, 6,
		     7, 8, 9), 
       nrow = 3,
       byrow = FALSE)

# 按行填充
matrix(c(1, 2, 3,
	    	 4, 5, 6,
    		 7, 8, 9), nrow = 3, byrow = TRUE)

# 为矩阵的行列命名
matrix(1:9, 
       nrow = 3, 
       byrow = TRUE,
	     dimnames = list(c("r1","r2","r3"), c("c1","c2","c3")))

ml <- matrix(1:9, ncol = 3)
rownames(ml) = c("r1","r2","r3")
colnames(ml) = c("c1","c2","c3")

# 特殊矩阵
diag(1:4, nrow = 4)
```

```{r}
ml[1,2]                           # 提取第1行, 第2列的单个元素
ml[1:2, 2:3]                      # 提取第1至2行, 第2至3列的元素
ml[c("r1","r3"), c("c1","c3")]    # 提取行名r1和r3, 列名为c1和c3的元素

# 如果一个维度空缺, 则选出该维度的所有元素
ml[1,]                            # 提取第1行, 所有列元素
ml[,2:3]                          # 提取所有行, 第2至3列的所有元素

# 负数表示排除该位置
ml[-1,]                           # 提取除了第1行之外的所有元素
ml[,-c(2,3)]                      # 提取除了第2和第3行之外的所有元素
```

```{r}
# 创建tibble
person <- tibble(
	Name = c("Daisy", "Kyle", "Issac"),
	Gender = c("Female", "Male", "Male"),
	Age = c("20", "21", "27"),
	Major = c("Remote sensing", "Data science", "Physics"),
	ID = c("203", "301", "096")
)
# 在函数传递参数的时候不要用 <- 运算符, 
# 因为 R 语言编译器会将这个操作解释为赋值
# 而不是传递参数, 也就是传递的不是一个值, 而是一个操作, 
# 可能会导致意外的错误
person
```

```{r}
tribble(
	~Name, ~Gender, ~Age, ~Major, ~ID,
	"Daisy", "Female", "20", "Remote sensing", "203",
	"Kyle", "Male", "21", "Data science", "301",
	"Issac", "Male", "27", "Physics", "096")
```

```{r}
# rbind() 增加行(样本数据), 要求宽度(列数一致)
person <- rbind(person,
	              tibble(Name = "Jojo",
	                     Gender = "Male",
                       Age = 25, 
			                 Major = "History", 
			                 ID = "128"))

# cbind() 增加列(属性变量), 要求高度一致
person <- cbind(person, 
	              Registered = c(TRUE, TRUE, FALSE, TRUE),
	              Class_ID = c(2, 3, 4, 1))
```

```{r}
# 可以用函数 str() 或者 glimpse() 显示该对象的结构
str(person)
glimpse(person)
# 用 summary() 作用在数据框或者列表上,将生成割裂或各成分的汇总信息
summary(person)
```

```{r}
# 利用 expand.grid() 可以生成多个属性水平值的所有组合
expand.grid(type = c("A","B"), class = c("M","L","XL"))
```

```{r}
x = c(" 优", " 中", " 良", " 优", " 良", " 良") # 字符向量
x
sort(x)

x1 = factor(x, levels = c(" 中", " 良", " 优")) # 转化因子型
x1
as.numeric(x1) # 相当于查看等级顺序, 数字越大等级越高
sort(x1)

ggplot(tibble(x1), aes(x1)) +
  geom_bar()
```

```{r}
levels(x1) = c("Fair", "Good", "Excellent") # 修改因子水平
x1
```

```{r}
table(x)
```

```{r}
Age = c(23,15,36,47,65,53)
cut(Age, 
    breaks = c(0,18,45,100),
    labels = c("Young","Middle","Old"))
```

```{r}
tibble(Sex = gl(2, 3, length=12, labels=c(" 男"," 女")),
       Class = gl(3, 2, length=12, labels=c(" 甲"," 乙"," 丙")),
       Score = gl(4, 3, length=12, labels=c(" 优"," 良"," 中", " 及格")))
```

```{r}
2 + 3
2 * 3
2 / 3
2 - 3
2 + 3 * 4
2 + (3 * 4)
2^2
2^0.5
v <- c( 2,5.5,6)
s <- c(8, 3, 4)
v^s
v%%s
v%/%s
v <- c(2,5.5,6,9)
s <- c(8,2.5,14,9)
v>s
v>s
v>=s
v<=s
v==s
v!=s
(v>=s)&(v==s)
(v>s)|(v==s)
v <- 1:5
5 %in% v
v*t(v)
v%*%t(v)
```

```{r}
# 判断体函数
x <- 30L
if(is.integer(x)) {
  print("X is an Integer")
}

x <- c("what","is","truth")

if("Truth" %in% x) {
  print("Truth is found")
} else {
  print("Truth is not found")
}

if("Truth" %in% x) {
  print("Truth is found the first time")
} else if ("truth" %in% x) {
  print("truth is found the second time")
} else {
  print("No truth found")
}

x <- switch(
  3,
  "first",
  "second",
  "third",
  "fourth"
)
print(x)
```

```{r}
# 循环体函数
v <- c("Hello","loop")
cnt <- 2

repeat {
  print(v)
  cnt <- cnt+1
  
  if(cnt > 5) {
    break
  }
}

v <- c("Hello","while loop")
cnt <- 2

while (cnt < 7) {
  print(v)
  cnt = cnt + 1
}

v <- LETTERS[1:4]
for ( i in v) {
  print(i)
}
```

```{r}
# 自定函数
new.function1 <- function() {
  for(i in 1:5) {
    print(i^2)
  }
}	
new.function1()

new.function2 <- function(a,b,c) {
  result <- a * b + c
  print(result)
}
new.function1(5,3,11)
new.function1(a = 11, b = 5, c = 3)

new.function2 <- function(a = 3, b = 6) {
  result <- a * b
  print(result)
}
new.function2()
new.function2(5)
new.function2(b=5)
```


+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
值得注意的是路径中使用的是正斜杠 “/” 若使用反斜杠 “"
+由于其在很多编程语言中被用作转义字符 为了避免歧义,
+有时需要在字符串中使用两个反斜杠来表示一个字面上的反斜杠, 如下
+可以在终端中输入这个命令行
+setwd("C:\\Users\\Administrator\\Desktop\\R-spatial-data-science-book\\chap2\\Data")
+但不要在下面的 chuck 中设置路径, 因为在某个 chunk 中的路径只会在那个
+chunk 中工作 工作目录会在该块运行结束时被重置,
+这样可以更好地控制工作目录的变化
+
+
+
+
# 基础数据读取
+# readr
+comp <- read_delim("comp.csv", ",")
+comp.csv <- read_csv("comp.csv")
+summary(comp.csv)
+spec(comp.csv)
+
+# readxl
+comp.xlsx <- read_xlsx("comp.xlsx")
+summary(comp.xlsx)
+
+
+
+
+
# 基础数据写入
+# 创建包含多列的数据框
+df <- data.frame(
+ x = c(1, NA, 2, 3, NA),
+ y = c("A", "B", "C", NA, "D"),
+ z = c(TRUE, FALSE, TRUE, TRUE, NA)
+)
+
+# 将数据框写入文本文件 "df.txt"，缺失值用 "*" 表示，分隔符为逗号
+write_delim(df, "df.txt", na = "*", delim = ",")
+
+# 将数据框写入 CSV 文件 "comp_w.csv"
+write_csv(df, "df.csv")
+
+
+
+
+
+
+
# 管道操作
+numbers <- c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
+# 使用管道操作进行数据处理，包括转换为数据框、平方、筛选偶数、求和
+result <- numbers %>%
+ # 转换为数据框
+ as.data.frame() %>%
+ # 平方
+ dplyr::mutate(squared = .^2) %>%
+ # 筛选偶数
+ dplyr::filter(squared %% 2 == 0) %>%
+ # 求和
+ dplyr::summarise(sum = sum(squared))
+# 提取结果
+result <- result$sum
+
+
+
+
+
+
+
# 数据连接
+# 创建员工数据框
+employees_df <- tibble(
+ emp_id = c(101, 102, 103),
+ emp_name = c("Alice", "Bob", "Charlie"),
+ dept_id = c(1, 2, 1)
+)
+
+# 创建部门数据框
+departments_df <- tibble(
+ dept_id = c(1, 2, 3),
+ dept_name = c("HR", "Finance", "IT")
+)
+
+left_join_df <- left_join(employees_df, departments_df, by = "dept_id")
+
+right_join_df <- right_join(employees_df, departments_df, by = "dept_id")
+
+full_join_df <- full_join(employees_df, departments_df, by = "dept_id")
+
+inner_join_df <- inner_join(employees_df, departments_df, by = "dept_id")
+
+semi_join_df <- semi_join(employees_df, departments_df, by = "dept_id")
+
+anti_join_df <- anti_join(employees_df, departments_df, by = "dept_id")
+
+
+
+
+
+
+
# 数据重塑
+
+# 长宽表转换
+# 创建一个不整洁的数据框
+messy_data <- tibble(
+ subject = c("S1", "S2", "S3"),
+ test1_score = c(80, 90, 85),
+ test2_score = c(88, 92, 84)
+)
+
+# 宽表变长表
+long_data <- messy_data %>%
+ pivot_longer(
+ cols = starts_with("test"),
+ names_to = "test",
+ values_to = "score"
+ )
+
+# 长表变宽表
+wide_data <- long_data %>%
+ pivot_wider(
+ names_from = test,
+ values_from = score
+ )
+
+# 拆分列与合并列
+# 创建一个数据框
+original_data <- tibble(
+ subject = c("S1", "S2", "S3"),
+ score = c("80-88", "90-92", "85-84")
+)
+
+# 拆分列
+separated_data <- original_data %>%
+ separate(col = score, into = c("test1_score", "test2_score"), sep = "-")
+
+# 合并列
+united_data <- separated_data %>%
+ unite(col = "combined_score", c("test1_score", "test2_score"), sep = "-")
+
+
+
+
+
+
+
+
# 数据提取
+
+# 从数据框 comp 中选择第二行第三列的元素
+element_2_3 <- comp[2, 3]
+element_2_3
+
+# 从数据框 comp 中选择第二行 'Dame' 列的元素
+element_2_Dame <- comp[2, 'Dame']
+element_2_Dame
+
+# 使用 dplyr 包中的 select 函数，选择数据框 comp 中的 'Dame' 列
+selected_dame_column <- dplyr::select(comp, Dame)
+selected_dame_column
+
+# 使用 dplyr 包中的 filter 函数，筛选出数据框 comp 中 'Dame' 列中值为0的行
+filtered_rows_dame_0 <- dplyr::filter(comp, Dame == 0)
+filtered_rows_dame_0
+
+
+
+
+
+
+
# 准备数据
+set.seed(123)
+data <- tibble(
+ id = 1:10,
+ age = sample(18:60, 10, replace = TRUE),
+ salary = sample(30000:80000, 10, replace = TRUE),
+ department = sample(c("HR", "IT", "Finance", "Marketing"), 10, replace = TRUE),
+ start_date = sample(seq(as.Date('2010-01-01'), as.Date('2020-01-01'), by="day"), 10),
+ score = round(runif(10, 1, 10), 0),
+ bonus = c(NA, runif(9, 500, 2000)),
+ hours_worked = c(40, 35, NA, 45, 50, 38, 42, 47, 33, NA),
+ region = sample(c("North", "South", "East", "West"), 10, replace = TRUE),
+ performance = c(rnorm(8), -5, 15)
+)
+
+# 选择列
+selected_data <- data %>%
+ select(id, age, salary, department)
+
+# 筛选行
+filtered_data <- data %>%
+ dplyr::filter(age > 30, salary > 50000)
+
+# 对行进行排序
+arranged_data <- data %>%
+ arrange(salary)
+
+# 修改列或创建新列
+mutated_data <- data %>%
+ mutate(salary_per_hour = salary / hours_worked)
+
+# 汇总
+summarized_data <- data %>%
+ group_by(department) %>%
+ summarize(average_salary = mean(salary, na.rm = TRUE))
+
+
+
+
+
+
+
+
# 缺失值 异常值处理
+# 处理缺失值：移除含有缺失值的行
+data_no_missing <- data %>%
+ dplyr::filter(complete.cases(.))
+
+# 或者填充缺失值：以均值填充工作小时数的缺失值和奖金
+data_filled <- data %>%
+ mutate(
+ hours_worked = ifelse(is.na(hours_worked), mean(hours_worked, na.rm = TRUE), hours_worked),
+ bonus = ifelse(is.na(bonus), mean(bonus, na.rm = TRUE), bonus)
+ )
+
+# 处理异常值：识别并移除异常值
+# 例如，我们假设 performance 应该在正常范围内，例如 -3 到 3
+data_no_outliers <- data %>%
+ dplyr::filter(performance >= -3 & performance <= 3)
+
+# 或者替换异常值：用中位数替换异常的 performance 值
+median_performance <- median(data$performance, na.rm = TRUE)
+data_replace_outliers <- data %>%
+ mutate(performance = ifelse(performance < -3 | performance > 3, median_performance, performance))
+
+
+
+
+
+
+
# 整体管道流程示例
+# 整合管道操作：填充缺失值，识别但不移除异常值，标记异常值
+data_processed_exp <- data %>%
+ # 填充缺失值
+ mutate(
+ hours_worked = ifelse(is.na(hours_worked), mean(hours_worked, na.rm = TRUE), hours_worked),
+ bonus = ifelse(is.na(bonus), mean(bonus, na.rm = TRUE), bonus)
+ ) %>%
+ # 标记异常值（不移除）
+ mutate(
+ performance_error = ifelse(performance < -3 | performance > 3, TRUE, FALSE)
+ )
+
+
+
+
+
+
+
+
# 非关系型数据
+# 创建一个数据框
+person_df <- tibble(
+ name = c("Ken", "James", "Penny"),
+ age = c(24, 25, 24),
+ interest = list(c("reading", "music", "movies"),
+ c("sports", "music"),
+ c("movies", "reading")),
+ lang = list(list(r = 2, csharp = 4, python = 3),
+ list(r = 3, java = 2, cpp = 5),
+ list(r = 1, cpp = 4, python = 2))
+)
+
+# 查看数据框结构
+print(str(person_df))
+
+# 映射年龄列
+person_df %>%
+ mutate(age_list = map(age, ~ .x)) %>%
+ select(age_list)
+
+# 映射语言名称
+person_df %>%
+ mutate(lang_names = map(lang, names)) %>%
+ select(lang_names)
+
+# 过滤年龄大于等于25的人
+p_age25 <- person_df %>%
+ dplyr::filter(age >= 25)
+print(str(p_age25))
+
+# 过滤Python等级大于等于3的人
+p_py3 <- person_df %>%
+ dplyr::filter(purrr::map_lgl(lang, ~ ifelse("python" %in% names(.x), .x$python >= 3, FALSE)))
+print(str(p_py3))
+
+
+
+
+
+
+
# 关系型数据
+# 创建人员信息数据框
+people_df <- tibble(
+ person_id = c(1, 2, 3),
+ name = c("Ken", "James", "Penny"),
+ age = c(24, 25, 24)
+)
+
+# 创建语言技能数据框
+languages_df <- tibble(
+ person_id = c(1, 1, 2, 2, 3, 3),
+ language = c("R", "C#", "R", "Java", "C++", "Python"),
+ skill_level = c(2, 4, 3, 2, 4, 2)
+)
+
+# 查看人员信息数据框结构
+print(str(people_df))
+
+# 查看语言技能数据框结构
+print(str(languages_df))
+
+# 关联（连接）两个数据框
+joined_df <- left_join(people_df, languages_df, by = "person_id")
+
+# 查看合并后的数据框结构
+print(str(joined_df))
+
+# 过滤特定条件的记录（例如，年龄大于24）
+filtered_df <- joined_df %>%
+ dplyr::filter(age > 24)
+print(str(filtered_df))
+
+# 汇总数据（例如，计算每个人掌握的语言数量）
+summarized_df <- joined_df %>%
+ group_by(name) %>%
+ summarize(number_of_languages = n())
+print(str(summarized_df))
+
+# 转换长格式为宽格式
+wide_df <- joined_df %>%
+ pivot_wider(
+ names_from = language,
+ values_from = skill_level,
+ values_fill = list(skill_level = 0)
+ )
+print(str(wide_df))
+
+
+
+
+
+
+
+
library(lubridate)
+
+# 创建时间点
+begin1 <- ymd_hms("2015-09-03 12:00:00")
+end1 <- ymd_hms("2016-08-04 12:30:00")
+begin2 <- ymd_hms("2015-12-03 12:00:00")
+end2 <- ymd_hms("2016-09-04 12:30:00")
+
+# 创建时间间隔
+date_1 <- interval(begin1, end1)
+date_2 <- interval(begin2, end2)
+
+# 检查时间间隔是否重叠
+overlap <- int_overlaps(date_1, date_2)
+
+# 输出时间间隔和重叠情况
+print(date_1)
+
+
+
[1] 2015-09-03 12:00:00 UTC--2016-08-04 12:30:00 UTC
+
+
+
print(date_2)
+
+
+
[1] 2015-12-03 12:00:00 UTC--2016-09-04 12:30:00 UTC
+
+
+
print(overlap)
+
+
+
[1] TRUE
+
+
+
# 示例：提取日期组件
+year(begin1) # 提取年份
+
+
+
[1] 2015
+
+
+
month(end2) # 提取月份
+
+
+
[1] 9
+
+
+
# 示例：日期加减
+one_week_later <- begin1 + weeks(1) # 在 begin1 上加一周
+day_before_end2 <- end2 - days(1) # 在 end2 前减去一天
+
+# 输出日期加减的结果
+print(one_week_later)
+
+
+
[1] "2015-09-10 12:00:00 UTC"
+
+
+
print(day_before_end2)
+
+
+
[1] "2016-09-03 12:30:00 UTC"
+
+
+
+
+
+
---
title: "Chapter2_R Notebook"
author: "WuKunpeng"
output: html_notebook
---

```{r setup, include=FALSE}
library(tidyverse)
library(conflicted)
# conflicted 包可以将两个包冲突的函数进行报错, 以便使用正确的函数
library(readxl)

# 设置全局的工作目录
knitr::opts_knit$set(root.dir = "C:/Users/Administrator/Desktop/R-spatial-data-science-book/chap2/Data")

```

值得注意的是路径中使用的是正斜杠 "/"
若使用反斜杠 "\" 由于其在很多编程语言中被用作转义字符
为了避免歧义, 有时需要在字符串中使用两个反斜杠来表示一个字面上的反斜杠, 如下
可以在终端中输入这个命令行
`setwd("C:\\Users\\Administrator\\Desktop\\R-spatial-data-science-book\\chap2\\Data")`
但不要在下面的 chuck 中设置路径, 因为在某个 chunk 中的路径只会在那个 chunk 中工作
工作目录会在该块运行结束时被重置, 这样可以更好地控制工作目录的变化

```{r}
# 基础数据读取
# readr
comp <- read_delim("comp.csv", ",")
comp.csv <- read_csv("comp.csv")
summary(comp.csv)
spec(comp.csv)

# readxl
comp.xlsx <- read_xlsx("comp.xlsx")
summary(comp.xlsx)
```
```{r}
# 基础数据写入

# 创建包含多列的数据框
df <- data.frame(
  x = c(1, NA, 2, 3, NA),
  y = c("A", "B", "C", NA, "D"),
  z = c(TRUE, FALSE, TRUE, TRUE, NA)
)

# 将数据框写入文本文件 "df.txt"，缺失值用 "*" 表示，分隔符为逗号
write_delim(df, "df.txt", na = "*", delim = ",")

# 将数据框写入 CSV 文件 "comp_w.csv"
write_csv(df, "df.csv")
```



```{r}
# 管道操作
numbers <- c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
# 使用管道操作进行数据处理，包括转换为数据框、平方、筛选偶数、求和
result <- numbers %>%
  # 转换为数据框
  as.data.frame() %>%
  # 平方
  dplyr::mutate(squared = .^2) %>%
  # 筛选偶数
  dplyr::filter(squared %% 2 == 0) %>%
  # 求和
  dplyr::summarise(sum = sum(squared))
# 提取结果
result <- result$sum
```

```{r}
# 数据连接
# 创建员工数据框
employees_df <- tibble(
  emp_id = c(101, 102, 103),
  emp_name = c("Alice", "Bob", "Charlie"),
  dept_id = c(1, 2, 1)
)

# 创建部门数据框
departments_df <- tibble(
  dept_id = c(1, 2, 3),
  dept_name = c("HR", "Finance", "IT")
)

left_join_df <- left_join(employees_df, departments_df, by = "dept_id")

right_join_df <- right_join(employees_df, departments_df, by = "dept_id")

full_join_df <- full_join(employees_df, departments_df, by = "dept_id")

inner_join_df <- inner_join(employees_df, departments_df, by = "dept_id")

semi_join_df <- semi_join(employees_df, departments_df, by = "dept_id")

anti_join_df <- anti_join(employees_df, departments_df, by = "dept_id")
```

```{r}
# 数据重塑

# 长宽表转换
# 创建一个不整洁的数据框
messy_data <- tibble(
  subject = c("S1", "S2", "S3"),
  test1_score = c(80, 90, 85),
  test2_score = c(88, 92, 84)
)

# 宽表变长表
long_data <- messy_data %>%
  pivot_longer(
    cols = starts_with("test"),
    names_to = "test",
    values_to = "score"
  )

# 长表变宽表
wide_data <- long_data %>%
  pivot_wider(
    names_from = test,
    values_from = score
  )

# 拆分列与合并列
# 创建一个数据框
original_data <- tibble(
  subject = c("S1", "S2", "S3"),
  score = c("80-88", "90-92", "85-84")
)

# 拆分列
separated_data <- original_data %>%
  separate(col = score, into = c("test1_score", "test2_score"), sep = "-")

# 合并列
united_data <- separated_data %>%
  unite(col = "combined_score", c("test1_score", "test2_score"), sep = "-")

```

```{r}
# 数据提取

# 从数据框 comp 中选择第二行第三列的元素
element_2_3 <- comp[2, 3]
element_2_3

# 从数据框 comp 中选择第二行 'Dame' 列的元素
element_2_Dame <- comp[2, 'Dame']
element_2_Dame

# 使用 dplyr 包中的 select 函数，选择数据框 comp 中的 'Dame' 列
selected_dame_column <- dplyr::select(comp, Dame)
selected_dame_column

# 使用 dplyr 包中的 filter 函数，筛选出数据框 comp 中 'Dame' 列中值为0的行
filtered_rows_dame_0 <- dplyr::filter(comp, Dame == 0)
filtered_rows_dame_0
```

```{r}
# 准备数据
set.seed(123)
data <- tibble(
  id = 1:10,
  age = sample(18:60, 10, replace = TRUE),
  salary = sample(30000:80000, 10, replace = TRUE),
  department = sample(c("HR", "IT", "Finance", "Marketing"), 10, replace = TRUE),
  start_date = sample(seq(as.Date('2010-01-01'), as.Date('2020-01-01'), by="day"), 10),
  score = round(runif(10, 1, 10), 0),
  bonus = c(NA, runif(9, 500, 2000)),
  hours_worked = c(40, 35, NA, 45, 50, 38, 42, 47, 33, NA),
  region = sample(c("North", "South", "East", "West"), 10, replace = TRUE),
  performance = c(rnorm(8), -5, 15)
)

# 选择列
selected_data <- data %>%
  select(id, age, salary, department)

# 筛选行
filtered_data <- data %>%
  dplyr::filter(age > 30, salary > 50000)

# 对行进行排序
arranged_data <- data %>%
  arrange(salary)

# 修改列或创建新列
mutated_data <- data %>%
  mutate(salary_per_hour = salary / hours_worked)

# 汇总
summarized_data <- data %>%
  group_by(department) %>%
  summarize(average_salary = mean(salary, na.rm = TRUE))

```

```{r}
# 缺失值 异常值处理
# 处理缺失值：移除含有缺失值的行
data_no_missing <- data %>%
  dplyr::filter(complete.cases(.))

# 或者填充缺失值：以均值填充工作小时数的缺失值和奖金
data_filled <- data %>%
  mutate(
    hours_worked = ifelse(is.na(hours_worked), mean(hours_worked, na.rm = TRUE), hours_worked),
    bonus = ifelse(is.na(bonus), mean(bonus, na.rm = TRUE), bonus)
  )

# 处理异常值：识别并移除异常值
# 例如，我们假设 performance 应该在正常范围内，例如 -3 到 3
data_no_outliers <- data %>%
  dplyr::filter(performance >= -3 & performance <= 3)

# 或者替换异常值：用中位数替换异常的 performance 值
median_performance <- median(data$performance, na.rm = TRUE)
data_replace_outliers <- data %>%
  mutate(performance = ifelse(performance < -3 | performance > 3, median_performance, performance))
```

```{r}
# 整体管道流程示例
# 整合管道操作：填充缺失值，识别但不移除异常值，标记异常值
data_processed_exp <- data %>%
  # 填充缺失值
  mutate(
    hours_worked = ifelse(is.na(hours_worked), mean(hours_worked, na.rm = TRUE), hours_worked),
    bonus = ifelse(is.na(bonus), mean(bonus, na.rm = TRUE), bonus)
  ) %>%
  # 标记异常值（不移除）
  mutate(
    performance_error = ifelse(performance < -3 | performance > 3, TRUE, FALSE)
  )
```

```{r}
# 非关系型数据
# 创建一个数据框
person_df <- tibble(
  name = c("Ken", "James", "Penny"),
  age = c(24, 25, 24),
  interest = list(c("reading", "music", "movies"),
                  c("sports", "music"),
                  c("movies", "reading")),
  lang = list(list(r = 2, csharp = 4, python = 3),
              list(r = 3, java = 2, cpp = 5),
              list(r = 1, cpp = 4, python = 2))
)

# 查看数据框结构
print(str(person_df))

# 映射年龄列
person_df %>%
  mutate(age_list = map(age, ~ .x)) %>%
  select(age_list)

# 映射语言名称
person_df %>%
  mutate(lang_names = map(lang, names)) %>%
  select(lang_names)

# 过滤年龄大于等于25的人
p_age25 <- person_df %>%
  dplyr::filter(age >= 25)
print(str(p_age25))

# 过滤Python等级大于等于3的人
p_py3 <- person_df %>%
  dplyr::filter(purrr::map_lgl(lang, ~ ifelse("python" %in% names(.x), .x$python >= 3, FALSE)))
print(str(p_py3))
```

```{r}
# 关系型数据
# 创建人员信息数据框
people_df <- tibble(
  person_id = c(1, 2, 3),
  name = c("Ken", "James", "Penny"),
  age = c(24, 25, 24)
)

# 创建语言技能数据框
languages_df <- tibble(
  person_id = c(1, 1, 2, 2, 3, 3),
  language = c("R", "C#", "R", "Java", "C++", "Python"),
  skill_level = c(2, 4, 3, 2, 4, 2)
)

# 查看人员信息数据框结构
print(str(people_df))

# 查看语言技能数据框结构
print(str(languages_df))

# 关联（连接）两个数据框
joined_df <- left_join(people_df, languages_df, by = "person_id")

# 查看合并后的数据框结构
print(str(joined_df))

# 过滤特定条件的记录（例如，年龄大于24）
filtered_df <- joined_df %>%
  dplyr::filter(age > 24)
print(str(filtered_df))

# 汇总数据（例如，计算每个人掌握的语言数量）
summarized_df <- joined_df %>%
  group_by(name) %>%
  summarize(number_of_languages = n())
print(str(summarized_df))

# 转换长格式为宽格式
wide_df <- joined_df %>%
  pivot_wider(
    names_from = language,
    values_from = skill_level,
    values_fill = list(skill_level = 0)
  )
print(str(wide_df))
 
```

```{r}
library(lubridate)

# 创建时间点
begin1 <- ymd_hms("2015-09-03 12:00:00")
end1 <- ymd_hms("2016-08-04 12:30:00")
begin2 <- ymd_hms("2015-12-03 12:00:00")
end2 <- ymd_hms("2016-09-04 12:30:00")

# 创建时间间隔
date_1 <- interval(begin1, end1)
date_2 <- interval(begin2, end2)

# 检查时间间隔是否重叠
overlap <- int_overlaps(date_1, date_2)

# 输出时间间隔和重叠情况
print(date_1)
print(date_2)
print(overlap)

# 示例：提取日期组件
year(begin1) # 提取年份
month(end2) # 提取月份

# 示例：日期加减
one_week_later <- begin1 + weeks(1) # 在 begin1 上加一周
day_before_end2 <- end2 - days(1) # 在 end2 前减去一天

# 输出日期加减的结果
print(one_week_later)
print(day_before_end2)
```



+
+
+
+
+美学映射对比
+
+在第一个图（第一段代码运行的结果）中，“蓝色”这个值被按比例缩放为粉红色，并添加了图例。在第二个图（第二段代码的运行结果）中，点被赋予了蓝色。不同类型的审美属性与不同类型的变量结合效果更好。例如，颜色和形状与分类变量结合得很好，而大小与连续变量结合得很好。数据量的多少也会产生影响：如果数据量很大，可能很难区分不同的组。使用分面（facet）是另一种解决方案，在后面的章节会描述。在绘图中使用美学映射时，通常是“少即是多”。我们很难同时看出颜色、形状和大小之间的关系，因此在使用审美时要谨慎。很多时候与其试图制作一个一次性显示所有内容的非常复杂的图，不如尝试创建一系列简单的图，通过这些图表去讲述一个故事，引导读者逐渐理解这些图表所想要说明的内容。
+
+我们现在在之前绘制的散点图上，加上一条拟合曲线，这里使用两种方法添加拟合曲线：
+
+```R
+ggplot(mpg, aes(displ, hwy, color = drv)) +
+ geom_point() +
+ geom_smooth()
+
+ggplot(mpg, aes(displ, hwy)) +
+ geom_point(aes(color = drv)) +
+ geom_smooth()
+```
+
+
+带分组拟合曲线与带拟合曲线的散点图
+
+通过图层的叠加，散点图会叠加上光滑曲线，并显示灰色点间置信区间的不确定性评估。如果对置信区间不感兴趣，请使用 `geom_smooth(se = FALSE)` 将其关闭。以上两段代码在绘制图形时有一些区别，主要是由于美学映射和图层顺序的不同所导致的。
+
+第一段代码（运行结果为左图）中，`ggplot()` 函数指定了数据集为 `mpg`，然后使用 `aes()` 函数将 `displ` 映射到 x 轴，`hwy` 映射到 y 轴，`drv` 映射到颜色属性。接着使用 `geom_point()` 绘制散点图，并根据 `drv` 变量的不同值，为每个点分配不同的颜色。最后使用 `geom_smooth()` 绘制光滑曲线，表示 `displ` 和 `hwy` 之间的趋势。
+
+第二段代码（运行结果为右图）中，`ggplot()` 函数和 `aes()` 函数的使用方式与第一段代码相同。但是，不同的是，`geom_point()` 中的 `aes()` 函数指定了在绘制散点图时要使用 `drv` 变量来映射颜色。因此，散点图中的每个点都根据 `drv` 变量的不同值，拥有不同的颜色。最后，使用 `geom_smooth()` 绘制光滑曲线，表示 `displ` 和 `hwy` 之间的趋势。
+
+这两段代码之间的区别在于颜色映射的方式。第一段代码将颜色映射指定在 `ggplot()` 中的 `aes()` 函数中，将颜色作为整个图形的全局属性。而第二段代码将颜色映射指定在 `geom_point()` 中的 `aes()` 函数中，将颜色属性局部化，仅应用于散点图。这样的区别导致了两段代码在颜色映射和图形外观上的差异。并且几何对象优先使用局部的数据与美学映射，局部没有的化就会使用全局的。
+
+### 几何对象（geometric）
+
+**几何对象（geometric）**：是用于可视化数据的图形元素。它们代表了数据点、线条、柱状图、面积等不同类型的图形。通过将几何对象与数据集和美学映射结合起来，我们可以创建出丰富多样的数据可视化。
+
+几何对象定义了如何将数据映射到图形表示上。例如，我们可以使用点几何对象（`geom_point()`）来表示散点图，将数据集中的每个数据点映射为二维平面上的一个点。同样地，我们可以使用线条几何对象（`geom_line()`）来绘制数据集中的观测值之间的连线，形成折线图。
+
+ggplot2 提供了多种几何对象供我们选择，均以 `geom_xxxx()`命名，每种几何对象都有不同的参数和选项，可以根据数据的特点和我们的需求进行定制。常用的有以下几种：
+
+1. `geom_point()`: 绘制散点图，表示数据集中的离散观测值。
+2. `geom_line()`: 绘制折线图，表示数据集中的连续趋势或路径。
+3. `geom_histogram()`: 绘制直方图，用于表示连续变量的分布情况。
+4. `geom_density()`: 绘制概率密度图，用于显示连续变量的分布密度估计。
+5. `geom_boxplot()`: 绘制箱线图，用于显示数据的分布情况、中位数、四分位数等统计信息。
+6. `geom_bar() / geom_col()`: 绘制条形图，用于表示分组或离散变量的频率或计数。
+7. `geom_smooth()`: 绘制光滑（拟合）曲线，用于显示趋势或拟合模型的结果。
+8. `geom_abline()/geom_hline()/geom_vline()`: 添加参考直线到图形中。
+9. `geom_area()`: 绘制面积图，表示二维数据的范围或区域。
+10. `geom_text()`: 添加文本标签或注释到图形中。
+
+从前面的示例中我们不难看出要绘制几何对象，只需添加对应的图层。对于不同的几何对象，所支持的美学也会有所不同，美学映射也同样可以在集合对象种生效，在前面介绍美学的时候也提到过关于“局部”与“整体”的关系，这里不再赘述，请运行以下代码，体会不同的几何对象的效果：
+
+```R
+ggplot(mpg, aes(cty, hwy)) +
+ geom_point()
+
+ggplot(diamonds, aes(carat, price)) +
+ geom_point()
+
+ggplot(economics, aes(date, unemploy)) +
+ geom_line()
+
+ggplot(mpg, aes(cty)) +
+ geom_histogram()
+```
+
+
+不同几何对象的效果
+
+## 标度（scale）
+
+**标度（scale）**：是一种用于将数据映射到可视化属性（如位置、颜色、大小等）的转换函数。用于控制图形中的数据映射到视觉属性的方式。它允许修改坐标轴、颜色、大小等图形的属性。它定义了数据的取值范围如何映射到可视化属性的范围，从而将抽象的数据转化为可见的图形。作用是帮助我们理解和解释图形中的数据。它可以调整数据在图形中的表现方式，使得观察者能够更好地理解数据的含义和趋势。
+
+在ggplot2中，标度分为几种类型，包括颜色标度（color scale）、填充标度（fill scale）、大小标度（size scale）、形状标度（shape scale）、线型标度（linetype scale）等。每种标度类型都有对应的函数，可以用于设置不同变量在图形中的映射方式。
+
+标度的设置可以根据数据的类型和特征进行调整。例如，对于连续变量，可以使用连续的颜色渐变或大小映射来表示其值的变化；对于离散变量，可以使用不同颜色或形状来表示不同的类别。
+
+
+坐标轴和图例的共同组成部分(出处"https://ggplot2-book.org/diagrams/scale-guides.png")
+
+常用的标度函数包括但不限于：
+
+1. `scale_x_continuous()`：设置 x 轴上的连续变量的标度。
+2. `scale_y_continuous()`：设置 y 轴上的连续变量的标度。
+3. `scale_color_manual()`：手动设置离散变量的颜色映射。
+4. `scale_fill_manual()`：手动设置离散变量的填充颜色映射。
+5. `scale_color_gradient()`：创建连续变量的颜色渐变映射。
+6. `scale_fill_gradient()`：创建连续变量的填充颜色渐变映射。
+7. `scale_size()`：设置几何对象的大小，可以通过数据值映射大小。
+8. `scale_linetype_manual()`：手动设置离散变量的线型映射。
+9. `scale_linetype_continuous()`：创建连续变量的线型映射。
+10. `scale_shape_manual()`：手动设置离散变量的点形状映射。
+11. `scale_shape_identity()`：使用原始数据中的值作为点形状映射。
+12. `scale_alpha_continuous()`：创建连续变量的透明度映射。
+13. `scale_alpha_manual()`：手动设置离散变量的透明度映射。
+14. `scale_discrete_manual()`：手动设置离散变量的标签和顺序。
+15. `scale_continuous_manual()`：手动设置连续变量的标签和范围。
+
+一般来说，标度函数包括但不限于以下的作用，请运行示例代码体会其作用：
+
+1. 修改坐标轴的刻度与刻度所对应的标签：
+
+ + `break`：各个刻度位置。
+ + `labels`：各个刻度所对应的标签
+
+ ```R
+ ggplot(mpg, aes(cty, hwy)) +
+ geom_point() +
+ scale_x_continuous(
+ breaks = seq(10, 30, 5),
+ labels = c("10", "15", "20", "25", "30")) +
+ scale_y_continuous(
+ breaks = seq(10, 40, 10),
+ labels = c("10", "20", "30", "40"))
+ ```
+
+ 
+ 修改坐标轴刻度与标签
+
+2. 修改坐标轴的标签、图例名称及图例在图中的位置：
+
+ ```R
+ ggplot(mpg, aes(displ, hwy, color = class)) +
+ geom_point() +
+ labs(x = "Engine Displacement (L)",
+ y = "Highway MPG", color = "Class") +
+ theme(legend.position = "top")
+ # 图例位置可选择："none"、"left"、"right"、"bottom"、"top"
+ ```
+
+ 
+ 修改坐标轴标签、图例名及图例位置s
+
+3. 设置坐标轴的取值范围：
+
+ 以下的三种方法都可以达到同样的效果，但是值得注意的是，`coord_cartesian()` 这个函数会设置绘图区域的显示范围不会删除数据点，而是只裁剪视图中的显示范围，数据点仍然存在于图形中。这种方式适用于需要在保留全部数据的同时，重点突出显示特定区域的情况。它对数据进行裁剪，但不会删除数据。
+
+ ```R
+ ggplot(mpg, aes(displ, hwy)) +
+ geom_point() +
+ scale_x_continuous(limits = c(3, 6)) +
+ scale_y_continuous(limits = c(10, 50))
+
+ ggplot(mpg, aes(displ, hwy)) +
+ geom_point() +
+ coord_cartesian(xlim = c(3, 6),
+ ylim = c(10, 50))
+
+ ggplot(mpg, aes(displ, hwy)) +
+ geom_point() +
+ xlim(3, 6) +
+ ylim(10, 50)
+ ```
+
+ 
+ 设置坐标轴范围
+
+ 一般来说会数据如果被完全删除可能会导致以下影响：
+
+ 1. 数据丢失: 超出指定范围的数据点将被完全删除，不会在图形中显示。这意味着这些数据点无法在生成的图形中被观察或分析。
+ 2. 视觉表达的变化: 删除超出范围的数据点可能会导致图形的整体形态发生变化。如果被删除的数据点在整体数据集中占据重要位置，那么图形的整体趋势、分布或相关关系可能会被扭曲或失真。
+ 3. 信息丢失: 删除超出范围的数据点可能导致有关于数据集的重要信息丢失。这些数据点可能包含异常值、边界情况或其他与分析相关的重要特征。因此，删除这些数据点可能会导致对数据集的理解变得不完整或不准确。
+ 4. 误导性结果: 如果超出范围的数据点被删除，那么生成的图形可能会给人一种误导性的印象，使人误以为数据集的分布或趋势与实际情况不同。这可能导致错误的解读或推断。
+
+4. 对坐标轴取值进行变换：
+
+ ```R
+ ggplot(diamonds, aes(carat, price)) +
+ geom_point() +
+ scale_x_log10()
+ # 也可以使用 scale_*_sqrt() 来实现对坐标轴的开平方根变换，
+ # 其中 * 为 x 或者 y
+ ```
+
+ 
+ 对数变换前后对比
+
+5. 设置图形标题：
+
+ ```R
+ ggplot(mpg, aes(displ, hwy)) +
+ geom_point(aes(color = drv)) +
+ geom_smooth(se = FALSE) +
+ labs(title = "燃油消耗量随引擎体量的变化图",
+ subtitle = "数据来自 fueleconomy.gov",
+ caption = "制图时间：2024-05-02")
+ ```
+
+ 
+ 设置图形标题
+
+6. 手动设置变量的颜色：
+
+ ```R
+ # 使用 mpg 数据集，使用离散变量 drv 设置 color 的颜色
+ ggplot(mpg, aes(displ, hwy, color = drv)) +
+ geom_point() +
+ scale_color_manual(values = c("red", "blue", "green"))
+
+ # 使用 mpg 数据集，使用连续变量 displ 设置 fill 和 color 的颜色
+ ggplot(mpg, aes(displ, hwy, fill = displ, color = displ)) +
+ geom_point() +
+ scale_fill_continuous(low = "blue", high = "red") +
+ scale_color_continuous(low = "blue", high = "red")
+ ```
+
+ 
+ 手动设置离散或者连续变量的颜色
+
+## 统计变换（Statistics）
+
+统计变换是指在图形中应用统计模型或计算统计指标来呈现数据的特征或关系。
+
+1. `geom_smooth()`：添加平滑拟合线到散点图上。
+2. `geom_histogram()`：创建直方图，展示数据的分布情况。
+3. `geom_density()`：创建核密度估计图，展示数据的密度分布情况。
+4. `geom_boxplot()`：创建箱线图，展示数据的分布情况和离群值。
+5. `geom_bar()`：创建柱状图，展示分组数据的计数或频率。
+6. `geom_tile()`：创建热力图，展示两个变量之间的关系。
+7. `geom_violin()`：创建小提琴图，展示数据的分布密度和离群值。
+
+ ```R
+ # 使用 stat_summary() 创建一张箱线图
+ ggplot(mpg, aes(x = class, y = hwy)) +
+ geom_boxplot() +
+ stat_summary(fun = median, geom = "point", shape = 18, size = 3)
+
+ # 使用 geom_tile() 创建热力图，展示两个变量之间的关系
+ ggplot(mpg, aes(x = manufacturer, y = class)) +
+ geom_tile(aes(fill = hwy))
+
+ # 使用 geom_bar() 创建一张柱状图
+ ggplot(mpg, aes(x = manufacturer)) +
+ geom_bar()
+
+ # 使用 geom_violin() 创建小提琴图，展示数据的分布密度和离群值
+ ggplot(mpg, aes(x = manufacturer, y = hwy)) +
+ geom_violin()
+ ```
+
+
+常见的统计变换
+
+## 坐标系（Coordinate）
+
+1. `coord_flip()`: 将 x 轴和 y 轴互换，用于创建水平方向的图形。
+
+ ```R
+ ggplot(mpg, aes(x = manufacturer, y = hwy)) +
+ geom_boxplot() +
+ coord_flip()
+ ```
+
+ 
+ x 轴和 y 轴互换
+
+2. `coord_polar()`: 将图形转换为极坐标系，适用于创建雷达图或饼图等。
+
+ ```R
+ ggplot(mpg, aes(x = manufacturer)) +
+ geom_bar() +
+ coord_polar()
+ ```
+ 
+ 极坐标系转换
+
+
+
+## 位置调整（Position Adjustments）
+
+1. `position_jitter()`: 用于在散点图中添加随机的位置偏移，避免数据重叠。
+
+ ```R
+ ggplot(mpg, aes(x = displ, y = hwy)) +
+ geom_point(position = position_jitter(width = 0.1, height = 0.1))
+ ```
+
+ 
+ 散点图中添加随机的位置偏移
+
+2. `position_dodge()`: 用于在分组的柱状图或其他几何对象中添加偏移，以避免重叠。
+
+ ```R
+ ggplot(mpg, aes(x = manufacturer, fill = class)) +
+ geom_bar(position = position_dodge())
+ ```
+ 
+ 分组的柱状图中添加偏移
+
+## 分面（facet）
+
+分面（facet）是一种将数据拆分为多个小面板，并在每个面板中分别绘制子图的方法。每个小面板通常根据数据的不同分组条件创建，例如根据某个分类变量的水平或根据多个分类变量的组合。这种分面的方法可以帮助我们更好地理解数据在不同条件下的变化和比较。
+
+
+网格与包装两种方式的不同（出自：https://ggplot2-book.org/diagrams/position-facets.png ）
+
+有两种分面：网格（grid）和包装（wrapped）。在 ggplot2 中，分面可以通过 `facet_wrap()` 和 `facet_grid()` 函数来实现。
+
+1. `facet_wrap()`: 将数据按照一个变量分面展示，自动调整子图的布局以适应数据量的大小。
+
+ - `facet_wrap()` 函数通过将数据按照指定的变量分割成不同的小块，然后在每个小块上绘制相同类型的图形。通常用于绘制基于一个或多个因子变量的图形。
+ - 语法：`facet_wrap(~variable)`，其中 `variable` 是用来分割数据的因子变量。
+ - 例如，如果你有一个数据集包含着不同城市的温度数据，并且你想在同一图中绘制每个城市的温度趋势图，你可以使用 `facet_wrap()` 来实现。
+
+ ```
+ ggplot(mpg, aes(x = cty, y = hwy)) +
+ geom_point() +
+ facet_wrap(~ class, nrow = 2)
+ ```
+
+ 这个示例代码将 mpg 数据集中的城市里程（cty）和高速公路里程（hwy）绘制成散点图，并根据汽车类型（class）进行分面展示，设置展示两行子图。
+
+ 
+
+2. `facet_grid()`: 将数据按照两个变量的交叉组合进行分面展示，可以自定义行列的分面布局。
+
+ - `facet_grid()` 函数允许你在一个网格中以行和列的形式组织数据，并在每个小格子中绘制对应的图形。这个函数常用于同时探索两个或多个因子变量之间的关系。
+ - 语法：`facet_grid(row_var ~ col_var)`，其中 `row_var` 和 `col_var` 是用来分割数据的因子变量。
+ - 例如，如果你有一个数据集包含着不同城市的温度数据，并且你想在同一图中同时探索城市和季节对温度的影响，你可以使用 `facet_grid()` 来实现。
+
+ ```
+ ggplot(mpg, aes(x = cty, y = hwy)) +
+ geom_point() +
+ facet_grid(drv ~ class)
+ ```
+
+ 这个示例代码将 mpg 数据集中的城市里程（cty）和高速公路里程（hwy）绘制成散点图，并根据驱动类型（drv）和汽车类型（class）的交叉组合进行分面展示。
+
+ 
+
+## 主题与输出
+
+### 主题（theme）
+
+主题（theme）用于控制图形的外观和布局，包括背景颜色、坐标轴样式、标题字体等。通过使用不同的主题，您可以自定义图形的外观，以适应特定的风格或需求。
+
+以下是一些常用的 `ggplot2` 主题函数：
+
+1. `theme_gray()`: 使用灰色背景和默认的文本样式。
+2. `theme_bw()`: 使用白色背景和黑色文本，简洁的黑白主题。
+3. `theme_minimal()`: 最小化的主题，去除背景格线和多余的元素，注重数据展示。
+4. `theme_classic()`: 经典的主题，带有灰色背景和黑色文本，包括背景格线和较粗的坐标轴线。
+5. `theme_void()`: 空白的主题，没有背景和坐标轴线，适用于自定义绘图元素。
+
+这些主题函数可以作为 `ggplot()` 函数的一部分使用，或者通过 `theme()` 函数单独设置。
+
+以下是使用 `mpg` 数据集创建一些示例代码，展示如何应用不同的主题：
+
+```R
+# 使用 theme_gray() 主题
+ggplot(mpg, aes(x = displ, y = hwy)) +
+ geom_point() +
+ theme_gray()
+
+# 使用 theme_bw() 主题
+ggplot(mpg, aes(x = displ, y = hwy)) +
+ geom_point() +
+ theme_bw()
+
+# 使用 theme_minimal() 主题
+ggplot(mpg, aes(x = displ, y = hwy)) +
+ geom_point() +
+ theme_minimal()
+
+# 使用 theme_classic() 主题
+ggplot(mpg, aes(x = displ, y = hwy)) +
+ geom_point() +
+ theme_classic()
+
+# 使用 theme_void() 主题
+ggplot(mpg, aes(x = displ, y = hwy)) +
+ geom_point() +
+ theme_void()
+```
+
+
+
+### 输出（output）
+
+输出（output）是指将绘制的图形保存为图像文件的过程。`ggplot2` 提供了一个名为 `ggsave()` 的函数，用于将图形保存为常见的图像格式，例如 PNG、JPEG、PDF 等。
+
+`ggsave()` 函数的基本语法如下：
+
+```
+ggsave(filename, plot = last_plot(), device = NULL, path = NULL, scale = 1,
+ width = NA, height = NA, units = c("in", "cm", "mm"), dpi = 300,
+ limitsize = TRUE)
+```
+
+参数说明：
+
+- `filename`: 要保存的文件名（包括路径），可以是字符向量，如 `"plot.png"` 或 `"path/to/plot.png"`。
+- `plot`: 要保存的 `ggplot2` 图形对象，默认为最后一个绘制的图形（通过 `last_plot()` 函数获取）。
+- `device`: 要使用的设备。如果未指定，它将根据保存的文件扩展名自动选择设备。
+- `path`: 保存文件的路径。如果未指定，则保存在当前工作目录下。
+- `scale`: 图形的缩放比例，默认为 1。
+- `width` 和 `height`: 图形的宽度和高度。如果未指定，它们将根据图形对象的默认大小自动确定。
+- `units`: 宽度和高度的单位，可以是英寸（"in"）、厘米（"cm"）或毫米（"mm"）。
+- `dpi`: 输出文件的分辨率（每英寸点数），默认为 300。
+- `limitsize`: 逻辑值，指示是否限制输出图像的最大尺寸，默认为 TRUE。
+
+现在，让我们使用 `ggsave()` 函数并结合 `mpg` 数据集创建一些示例代码：
+
+```
+library(ggplot2)
+
+# 创建散点图
+p <- ggplot(mpg, aes(x = displ, y = hwy)) +
+ geom_point()
+
+# 将图形保存为 PNG 格式
+ggsave("scatterplot.png", p, width = 6, height = 4, dpi = 300)
+```
diff --git "a/docs/Chap4/3. \347\253\240\350\212\202\347\273\203\344\271\240\344\270\216\346\200\235\350\200\203.md" "b/docs/Chap4/3. \347\253\240\350\212\202\347\273\203\344\271\240\344\270\216\346\200\235\350\200\203.md"
new file mode 100644
index 0000000..5c1d96d
--- /dev/null
+++ "b/docs/Chap4/3. \347\253\240\350\212\202\347\273\203\344\271\240\344\270\216\346\200\235\350\200\203.md"
@@ -0,0 +1,8 @@
+本章介绍了 ggplot2 的基本可视化方法，需要掌握如何根据数据的不同特点以及可视化的目的，选用合适的工具对数据进行可视化。在学习完本章内容后，请完成以下练习：
+
+1. 哪个制造商在该数据集中拥有最多的型号？哪种车型的变化最多？如果去掉车型名称中多余的传动系统规格（如 "pathfinder 4wd"、"a4 quattro"），您的答案会有变化吗？
+2. 创建一个散点图，以车辆的发动机排量 (`displ`) 为横坐标，以每加仑行驶英里数 (`hwy`) 为纵坐标，并根据车辆类型 (`class`) 对数据点进行分组着色。
+3. 绘制一个箱线图，以车辆类型 (`class`) 为横坐标，以车辆行驶里程数的城市和高速公路平均值 (`cty` 和 `hwy` 的平均值) 为纵坐标，并分别使用不同的颜色表示城市和高速公路的数据。
+4. 创建一个分面图，其中每个面板代表不同的车辆类型 (`class`)，在每个面板中绘制以车辆驱动类型 (`drv`) 为横坐标，以每加仑行驶英里数 (`hwy`) 为纵坐标的散点图。
+5. 除了呈现数据本身之外，我们还可以在可视化中加入什么元素来增强故事性和可解释性？这些元素如何帮助观众更好地理解数据和我们想要传达的信息？
+
diff --git "a/docs/Chap4/4. \347\273\237\350\256\241\345\273\272\346\250\241\346\212\200\346\234\257.md" "b/docs/Chap4/4. \347\273\237\350\256\241\345\273\272\346\250\241\346\212\200\346\234\257.md"
new file mode 100644
index 0000000..e69de29
diff --git a/docs/Pasted image 20240425221434.png b/docs/Pasted image 20240425221434.png
new file mode 100644
index 0000000..79f43e6
Binary files /dev/null and b/docs/Pasted image 20240425221434.png differ
diff --git "a/docs/R\350\257\255\350\250\200\347\251\272\351\227\264\346\225\260\346\215\256\345\244\204\347\220\206\344\270\216\345\210\206\346\236\220\345\256\236\350\267\265\346\225\231\347\250\213.md" "b/docs/R\350\257\255\350\250\200\347\251\272\351\227\264\346\225\260\346\215\256\345\244\204\347\220\206\344\270\216\345\210\206\346\236\220\345\256\236\350\267\265\346\225\231\347\250\213.md"
new file mode 100644
index 0000000..f5038e1
--- /dev/null
+++ "b/docs/R\350\257\255\350\250\200\347\251\272\351\227\264\346\225\260\346\215\256\345\244\204\347\220\206\344\270\216\345\210\206\346\236\220\345\256\236\350\267\265\346\225\231\347\250\213.md"
@@ -0,0 +1,37 @@
+# 核心包
+**tidyverse** + **sf**
+
+# 目录
+1. R 语言基础 [[SUMMARY of Chap1]]
+ 1. R语言准备
+ 2. 数据类型
+ 3. 变量及运算符号
+ 4. R语言基础编程语法
+2. R 语言基础数据文件操作处理 [[SUMMARY of Chap2]]
+ 1. 章节R函数包准备
+ 2. 基础数据读写
+ 3. 基础数据文件存储
+ 4. 基础数据操作与处理
+3. R 语言空间数据处理
+ 1. 章节R函数包准备
+ 2. 空间数据对象基本类型
+ 3. 空间数据的导入与导出
+ 4. 空间数据操作与处理
+4. R 语言统计数据表达与可视化
+ 1. 章节 R 函数包准备
+ 2. 统计 plot 函数
+ 3. 基础统计可视化
+ 4. 多元数据可视化
+5. R 语言空间数据表达与可视化
+ 1. 章节 R 函数包准备
+ 2. 空间对象可视化
+ 3. 空间属性数据可视化
+ 4. 交互式数据可视化
+6. R 语言空间统计分析
+ 1. 章节 R 函数包准备
+ 2. 空间插值
+ 3. 空间自相关分析
+ 4. 空间回归分析
+7. 学校选址案例综合分析
+ 1. 背景介绍
+ 2. 案例分析与实施