1.只计算相关性，不考虑显著性检验：
1
2
3
4
| library(corrr)
library(dplyr)
data(mtcars)
mtcars%>%correlate()%>%rearrange()%>%stretch()
|
2.计算两种结果：
1
2
3
4
5
6
7
8
9
10
11
12
13
| library(dplyr)
library(purrr)
library(broom)
library(tidyr)
data(mtcars)
pairs_names<-t(combn(names(mtcars),2))%>%
as_tibble()%>%
setNames(c("x","y"))
pairs_names%>%
mutate(r.test=map2(x,y,~cor.test(mtcars[[.x]],
mtcars[[.y]])),r.test=map(r.test,tidy))%>%
unnest(r.test)
|
purrr 包
查看前面的代码，看到了来自purrr包的map 和map2函数，那么，如何解释这两个函数的使用呢？
顾名思义，map就和python中的一样，对一个可迭代的序列做向量化的操作，举个python的例子:
1
2
| a=[1,2,3,4,5]
list(map(lambda x:x+1,a))
|
在R中，map函数做的是相同的操作，只不过它更牛，他可以接受一整个数据框或者tibble.
1
2
3
| library(purrr)
data("mtcars")
head(mtcars)
|
1
2
3
4
5
6
7
| mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
| $mpg
[1] 20.09062
$cyl
[1] 6.1875
$disp
[1] 230.7219
$hp
[1] 146.6875
$drat
[1] 3.596563
$wt
[1] 3.21725
$qsec
[1] 17.84875
$vs
[1] 0.4375
$am
[1] 0.40625
$gear
[1] 3.6875
$carb
[1] 2.8125
|
map2函数同样的，因为是2，所以可以同时对两个参数同时迭代：
1
2
3
| n<-list(4,5,6)
m<-list(1,2,3)
map2(m,n,'+')
|
1
2
3
4
5
6
7
8
| [[1]]
[1] 5
[[2]]
[1] 7
[[3]]
[1] 9
|
另外，map函数还具有其他的形式，例如
map:返回列表
map_df:返回数据框
map_dbl: 返回向量
最后，purrr包的函数形式例如~lm(x~y,data=.)，这种格式是为一种简写，实际上为，因此，.为传入的数据。
1
| function(data) lm(data$x~data$y,data=data)
|
其余的包
broom::tidy
这个函数用来处理数据模型，可以帮助我们将模型转化为一系列tidy的数据格式`;
tidyr::unnest
这个函数可以将数据框嵌套列表的形式展开便于观察
base::combn
来自基础包的排列组合函数，接受第一个参数为一个列表或者向量，第二个参数为一个数字，为从中取出的个数
%>%管道符：
来自包dplyr包，用于方便数据的流程化处理
