前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >巧用R语言生成建模所需的测试数据

巧用R语言生成建模所需的测试数据

作者头像
1480
发布2019-06-14 15:02:32
1.9K0
发布2019-06-14 15:02:32
举报
文章被收录于专栏:数据分析1480

前言

随机数用途多样,笔者常用于:生成测试数据,生成有规律的数列。

set.seed()

c()

seq()

rep()

gl()和factor()

paste()

sample()

strsplit()

R语言正则化表达式

分布函数(norm等)

概率分段函数

1 提前认识“set.seed(n)”

set.seed(n)主要是为了重复生成相同的随机数,特别用于重复性验证。只要在使用函数生成随机数之前设定set.seed(n),即可生成相同的随机数。

注释:n必须一致

代码语言:javascript
复制
#了解第一个随机数生成函数:runif
runif(n,min,max)#随机生成n个在min和max之间的随机数
#默认runif(n)中min=0,max=1

#未设置set.seed
> runif(5,0,1) #第1次未设置set.seed
[1] 0.24910169 0.58064847 0.83125620 0.20406744 0.07102857
> runif(5,0,1) #第2次未设置set.seed
[1] 0.75107020 0.57290066 0.74190823 0.07562258 0.92335997
> runif(5,0,1) #第3次未设置set.seed
[1] 0.2254366 0.2745305 0.2723051 0.6158293 0.4296715

#设置set.seed(10)
> set.seed(10) #第1次设置set.seed(10)
> runif(5,0,1)
[1] 0.50747820 0.30676851 0.42690767 0.69310208 0.08513597
> set.seed(10)
> runif(5,0,1) #第2次设置set.seed(10)
[1] 0.50747820 0.30676851 0.42690767 0.69310208 0.08513597

2 生成常规数据

2.1 最常见的“c”

代码语言:javascript
复制
> c(1,2,8)#生成包含1,2,8的向量
[1] 1 2 8

2.2 “:“ 等差生成等差为1或-1的向量

代码语言:javascript
复制
> 1.1:10
[1] 1.1 2.1 3.1 4.1 5.1 6.1 7.1 8.1 9.1
> 1:10
 [1]  1  2  3  4  5  6  7  8  9 10
> 10:1 #如x=1:10(递减,如y=10:1)
 [1] 10  9  8  7  6  5  4  3  2  1

2.3 seq 等距向量

①seq(起点,终点,步长);

②seq(length=9, from=1, to=5)

代码语言:javascript
复制
> seq(1,10,2)
[1] 1 3 5 7 9
> seq(length=5,1,10)
[1]  1.00  3.25  5.50  7.75 10.00

#seq(x)相当于1:length(x);length(x)为0时,返回integer(0)
> seq(10)
 [1]  1  2  3  4  5  6  7  8  9 10
> seq(c())
integer(0)

2.4 rep(x,n) 重复

#将x重复n次,可使用each限定为依次重复形式

代码语言:javascript
复制
rep(1:3,3)
rep(1:3,each=3)

#> rep(1:3,3)
#[1] 1 2 3 1 2 3 1 2 3
#> rep(1:3,each = 3)
#[1] 1 1 1 2 2 2 3 3 3

2.5 gl()和factor()

gl(k,n,length=,label=)构造一个因子序列。k为水平数,n为每个水平连续出现的次数,length为整个序列的长度,label为因子标签。

代码语言:javascript
复制
> gl(3,5,length=15,label=c('a','b','c'))
 [1] a a a a a b b b b b c c c c c
Levels: a b c

factor(x = character(), levels, labels = levels)构造一个因子序列。x为原数据,levels是x中的不同水平,labels是与x中每个水平对应的标签。

代码语言:javascript
复制
x <- c("Man", "Male", "Man", "Lady", "Female")
## Map from 4 different values to only two levels:
xf <- factor(x, levels = c("Male", "Man" , "Lady", "Female"),
                 labels = c("Male", "Male", "Female", "Female"))
> xf
[1] Male   Male   Male   Female Female
Levels: Male Female

2.6 paste() 字符连接

该函数每次从每个参数中提取一个元素组成一个字符串,直至元素最多的参数取完,其它元素不足的参数循环补足。 可接受多个参数,每个参数可包括多个元素。

代码语言:javascript
复制
paste (..., rep = "@", collapse = NULL)
#sep="@"是在每个对象后加入@字符
代码语言:javascript
复制
> paste(c("X","Y"), 1:10, sep="")
 [1] "X1"  "Y2"  "X3"  "Y4"  "X5"  "Y6"  "X7"  "Y8"  "X9"  "Y10"
> paste(c("X","Y","Z"), 1:9, sep="")
[1] "X1" "Y2" "Z3" "X4" "Y5" "Z6" "X7" "Y8" "Z9"

> paste(letters,collapse='')#将26个小写字母连成一个字符串
[1] "abcdefghijklmnopqrstuvwxyz"
> paste(letters,collapse='@')#将26个小写字母连成一个字符串
[1] "a@b@c@d@e@f@g@h@i@j@k@l@m@n@o@p@q@r@s@t@u@v@w@x@y@z"

2.7 sample() 随机抽样

代码语言:javascript
复制
sample(x, size, replace = FALSE, prob = NULL)
#x被抽样数据;size抽样个数;replace = FALSE/TRUE无重复抽样/重复抽样;prob挑选概率(x与prob对应)
代码语言:javascript
复制
sample(x, n, replace=FALSE) 
#从x中无重复的取n个数据,replace=TRUE为可重复

> sample(1:100, 20, replace=FALSE)
 [1] 71 83 24 75 35 51  9 16 99 39 68 74 85 60 44 98 20  2 87 21
 
>  sample(letters, 20, replace=FALSE) #无重复
 [1] "e" "a" "l" "c" "r" "h" "s" "z" "i" "d" "j" "g" "o" "f" "n" "y" "b" "t"
[19] "q" "m"

> sample(letters, 20, replace= TRUE) #可重复
 [1] "t" "o" "l" "c" "f" "b" "n" "q" "n" "b" "o" "j" "y" "g" "f" "w" "m" "f"
[19] "q" "f"
代码语言:javascript
复制
sample(x) #对x进行堆积排序,可用于打乱原始数据顺序

x = c(1:20)
sample(x)#随机排列x
 [1]  7  2 20 18 15 14 16 17  9  5  8 10 19  4 11  6 12  3 13  1
代码语言:javascript
复制
sample(c(0,1), 10, replace=TRUE, prob=c(0.2, 0.8)) 
#分别以0.2和0.8的概率抽取0和1

> sample(c(0,1), 10, replace=TRUE, prob=c(0.2, 0.8)) 
 [1] 1 1 1 1 1 1 1 1 0 0

2.8 strsplit(x) 字符分割

代码语言:javascript
复制
strsplit(x, split, fixed = FALSE, perl = FALSE)

#根据split将x分割,若split=“”,则将x分为单个字符。
> strsplit("split","", fixed = FALSE, perl = FALSE)
[[1]]
[1] "s" "p" "l" "i" "t"
#默认split为正则表达式,可使用fixed=TRUE,对split做精确匹配
#当perl=TRUE时,使用perl的正则表达式规则
#当分隔符为?, +, {, |, (, )时,要使用'\\'来消除特殊含义

> x
[1] "a5aa646a4d9a4da1d3a49d79a41d1da"
> strsplit(x, "\\d") #根据每个数字分割
[[1]]
 [1] "a"  "aa" ""   ""   "a"  "d"  "a"  "da" "d"  "a"  ""   "d"  ""   "a"  ""   "d"  "da"
> strsplit(x, "[:alnum:]") #任何一个字母或数字(等价于[a-ZA-Z0-9])
[[1]]
[1] ""      "5"     ""      "646"   "4d9"   "4d"    "1d3"   "49d79" "41d1d"

R语言之正则表达式 https://www.cnblogs.com/wheng/p/6262737.html

2.9 R语言中正则表达式转义字符

正则化表达式转义字符

空白元字符

[\b]

回退(并删除)一个字符(backspace)

\f

换页符

\n

换行符

\r

回车符

\t

制表符(tab)

\v

垂直制表符

注:\r\n是windows所用的文本行结束符,Unix和Linux只是用一个换行符来结束一个文本行

匹配数字与非数字

\d

任何一个数字字符,等价于[0-9]

\D

任何一个非数字字符,等价于^[0-9]

匹配字母\非字母与数字

\w

任何一个字母数字字符(大小写均可以)或下划线字符(等价于[a-zA-Z0-9])

\W

任何一个非字母数字或下划线字符(等价于[^a-zA-Z0-9])

匹配空白字符

\s

任何一个空白字符(等价于[\f\n\r\t\v])

\S

任何一个非空白字符(等价于[^\f\n\r\t\v])

POSIX字符类

[:alnum:]

任何一个字母或数字(等价于[a-ZA-Z0-9])

[:alpha:]

任何一个字母(等价于[a-ZA-Z])

[:blank:]

空格或制表符(等价于[\t ]) 注:t后面有一个空格

[:cntrl:]

ASCII控制字符(ASCII 0到31,再加上ASCII 127)

[:digit:]

任何一个数字(等价于[0-9])

[:graph:]

和[:print:]一样,但不包括空格

[:lower:]

任何一个小写字母(等价于[a-z])

[:print:]

任何一个可打印字符

[:punct:]

既不属于[:alnum:],也不属于[:cntrl:]的任何一个字符

[:space:]

任何一个空格字符,包括空格(等价于[f\n\r\t\v ] 注:v后面有一个空格

[:upper:]

任何一个大写字母(等价于[A-Z])

[:xdigit:]

任何一个十六进制数字(等价于[a-fA-F0-9])

其他

.

可以匹配任何单个的字符字母数字甚至.字符本身。同一个正则表达式允许使用多个.字符。但不能匹配换行

\\

转义字符,如果要匹配就要写成“\\(\\)”

|

表示可选项,即|前后的表达式任选一个

^

取非匹配

$

放在句尾,表示一行字符串的结束

()

提取匹配的字符串,(\\s*)表示连续空格的字符串

[]

选择方括号中的任意一个(如[0-2]和[012]完全等价,[Rr]负责匹配字母R和r)

{}

前面的字符或表达式的重复次数。如{5,12}表示重复的次数不能小于5,不能多于12,否则都不匹配

*

匹配零个或任意多个字符或字符集合,也可以没有匹配

+

匹配一个或多个字符,至少匹配一次

?

匹配零个或一个字符

3 生成拟合概率函数的数据

统一的形式:前缀+分布函数名。

d 表示密度函数(density);

p 表示分布函数(生成相应分布的累积概率密度函数);

q 表示分位数函数,能够返回特定分布的分位数(quantile);

r 表示随机函数,生成特定分布的随机数(random)。

各种分布的随机数样例:

代码语言:javascript
复制
rnorm(n, mean=0, sd=1)   #正态分布
#> rnorm(10, mean=0, sd=1) #n=10,生成10个拟合标准正太分布的随机数
# [1]  0.6715239 -1.3813153 -1.3577117  0.2135950  0.2826674 -0.3110641
# [7] -1.0306989 -0.4910372  0.9163312  0.1502577

#其他以此类推
rexp(n, rate=1)   #指数
rgamma(n, shape, rate=1, scale=1/rate)   #r 分布
rpois(n, lambda)   #泊松
rt(n, df, ncp)   #t 分布
rf(n, df1, df2, ncp)   #f 分布
rbinom(n, size, prob)   #二项分布
rweibull(n, shape, scale=1)   #weibull 分布
rbata(n, shape1, shape2)   #bata 分布runif(n,min=0,max=1)  #均匀分布

4 生成离散随机变量(借助for循环)

代码语言:javascript
复制
#方法一:设计disrand函数
p1<-0.15
p2<-0.2
p3<-0.3
p4<-0.35
disrand<-function(i){
  u<-runif(1,0,1)   #生成0-1之间的一个随机数
  if(u<p1) x <- 1 else #如果随机数u小于p1
    if(u<p2+p2) x <- 2 else #如果随机数u大于等于p1且小于p2+p2
      if(u<p3+p2+p1) x <- 3 else
        x <- 4
      return(x) #返回x
      }

Xa <- rep(NA,100) #生成一个有100个NA的向量,用于存放生成的随机数
for (i in 1:100)
  Xa[i] <- disrand(i)
Xa

#> Xa
#  [1] 1 1 2 3 2 4 1 1 2 4 4 2 2 2 2 4 2 4 4 4 3 2 4 1 1 1 2 4 1 3 1 3 4 2 4 2
# [37] 2 4 4 1 4 3 2 4 3 4 3 3 3 4 4 3 4 2 2 1 4 4 2 1 4 2 4 2 4 1 2 2 1 4 4 3
# [73] 4 4 4 4 4 2 4 1 4 3 4 3 4 1 4 4 4 2 3 4 3 2 3 2 4 4 1 4
代码语言:javascript
复制
#方法二:sample抽样函数
> sample(c(1,2,3,4), 100, replace=TRUE, prob=c(0.15, 0.2,0.3,0.35))
  [1] 3 3 1 4 2 4 1 3 2 2 4 3 3 4 3 2 4 1 2 2 4 1 3 4 4 2 3 3 4 2 1 4
 [33] 2 3 4 3 4 3 4 1 4 1 2 4 2 1 2 2 2 4 4 1 4 1 4 1 1 3 3 1 1 1 2 1
 [65] 3 3 1 4 3 4 4 4 3 3 1 2 4 3 4 2 4 3 2 3 1 4 4 4 4 3 2 3 4 1 2 4
 [97] 4 3 4 1

推荐参考书籍

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-06-06,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 数据分析1480 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 各种分布的随机数样例:
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档