R语言 巧用R生成测试数据 | 第2讲

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。

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：n必须一致

#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”

> 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

> 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) > 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

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。

> 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。

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。

paste (..., rep = "@", collapse = NULL) #sep="@"是在每个对象后加入@字符 > 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

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） 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" 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 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

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

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： 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）

#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 #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

R语言实战 作者：[美]Robert I. Kabacoff R语言初学者指南 作者：[英]阿兰·F·祖尔，[英]埃琳娜·N·耶诺，[荷]埃里克·H·W·G·密斯特

数据驱动实践，做一个有深度、懂业务的数据分析师！（关注支持一下）