admin管理员组文章数量:1530037
工作需要了解数据分析方面的相关知识，起初对于这方面第一反应就是Python，虽说Python对数据分析，画图等都有很好的方面，但在搜索Python相关内容时百度词条第一条就是Python与R的相关内容，起初觉得刚入行再去了解一门新的语言会很困难，但在接触过后发现R语言就是后端中的HTML，加上R拥有丰富的开源库资源编程异常简单，同时在B站了解过后，推荐配合使用AI进行辅助编程有奇效，写此篇用于笔记作用。
环境准备
R语言的环境配置非常简单，在R的官方网站（CRAN: Mirrors）进入镜像网址
选择China第一个，随后
选择Download R for Windows
如果你是第一次安装R，选择
install R for the first time
选择Download R-4.4.1 for Windows（82 megabytes，64 bit）按照提示下载完安装包无脑下一步完成安装即可。
RStudio
安装完R环境后你将获得一个，忽略它，自带的编辑器比较原始，R的编辑器通常采用RStudio进行相关的编辑。
进入官网（CRAN: Mirrors），下拉选择
选择2：Install RStudio等待下载完成即可，安装也是无脑下一步安装等待安装完成。
完成之后打开界面，得到的界面如图所示
其中脚本编辑区域需要点击file ->new file ->RScript建立脚本编辑区。在控制台区的Console中虽可以进行相关操作，单操作过程繁琐，因此建议使用RScript进行编写。
同时，在执行的过程中如果提示缺少包资源等，按照提示在Console中输入命令进行安装即可。
案例
本案例选择的数据集并不专业，字段繁多，仅用于展示使用。
由于R语言的语法相对简单且拥有大量的开源库，记住几行代码其余功能交由ChatGPT完成即可。
其中最常用的为设置工作空间和读取文件的操作。
#设置工作空间
setwd("C:\\Users\\jl\\Desktop\\DataAnalysis")
#读取文件
df1 <- read.csv("xxx.csv",row.names = 1)注意：在复制路径后记得将路径中的单斜线“\”改为 双斜线“\\”。
RStudio的运行方式不同于其它，需要用光标选中你要执行的代码片段，或者把光标放在需要执行的第一行代码后，点击脚本编辑区域右上侧的“Run”进行执行操作。
案例一：热图
在完成设置工作空间和文件读取的操作后将需求发送给ChatGPT，同时需要注意提问方式，使用AI最重要的就是需要会问。
例如：I created a data frame named df1 in R language, which has 527 columns and 1000 rows. All variables are numbers and all fields are strings. Now we need to extract IP3_15, IP2/178, IP3_225, IP3_226, and IP3_224 to draw a correlation heatmap. Please show the code.
（我用R语言创建了一个名为df1的数据帧，它有527列1000行。所有变量都是数字，所有字段都为字符串，现在需要截取 IP3_15，IP2_178，IP3_225，IP3_226，IP3_224绘制相关性热图，请展示代码。）
代码如下：
#--------------------------方格式热图------------------------------
setwd("C:\\Users\\jl\\Desktop\\DataAnalysis")
df1 <- read.csv("回转窑数据.csv",row.names = 1)
# 提取所需列
selected_columns <- df1[, c("IP3_15", "IP2_178", "IP3_225", "IP3_226", "IP3_224")]
# 计算相关矩阵
cor_matrix <- cor(selected_columns, use = "complete.obs")
# 加载 pheatmap 包
library(pheatmap)
# 绘制相关热图
pheatmap(cor_matrix, display_numbers = TRUE, main = "Selected Columns Correlation Heatmap")
# 计算相关矩阵
cor_matrix <- cor(selected_columns, use = "complete.obs")
# 将相关矩阵转换为字符串
cor_matrix_string <- capture.output(print(cor_matrix))
# 打印相关矩阵字符串
cat(cor_matrix_string, sep = "\n")执行效果如图所示：
也可将方格式热图改为圆点式热图，值得注意的是RStudio直接将正方形的图形改为了上三角式来方便查看字段之间的相关性。
# 设置工作目录
setwd("C:\\Users\\jl\\Desktop\\DataAnalysis")
# 读取 CSV 文件
df1 <- read.csv("回转窑数据.csv", row.names = 1)
# 提取所需列
selected_columns <- df1[, c("IP3_15", "IP2_178", "IP3_225", "IP3_226", "IP3_224")]
# 计算相关矩阵
cor_matrix <- cor(selected_columns, use = "complete.obs")
# 安装并加载 corrplot 包
if (!require("corrplot")) {
install.packages("corrplot")
}
library(corrplot)
# 绘制圆点式相关矩阵热图
corrplot(cor_matrix, method = "circle", type = "upper",
tl.col = "black", tl.srt = 45, addCoef.col = "black",
title = "Selected Columns Correlation Circle Heatmap")执行效果如下图所示
案例二：折线图
同样将需求发送给ChatGPT，编辑代码：
# 设置工作目录
setwd("C:\\Users\\jl\\Desktop\\DataAnalysis")
# 读取 CSV 文件
df1 <- read.csv("回转窑数据.csv", row.names = 1)
# 提取所需列
selected_columns <- df1[, c("IP3_15", "IP2_178", "IP3_225", "IP3_226", "IP3_224")]
# 添加 ID 列作为行名称
selected_columns$id <- rownames(selected_columns)
# 加载 ggplot2 和 tidyr 包
if (!require("ggplot2")) {
install.packages("ggplot2")
}
if (!require("tidyr")) {
install.packages("tidyr")
}
library(ggplot2)
library(tidyr)
# 将数据转换为长格式以便 ggplot2 使用
df_long <- pivot_longer(selected_columns, cols = -id, names_to = "variable", values_to = "value")
# 绘制折线图
ggplot(df_long, aes(x = as.numeric(id), y = value, color = variable, group = variable)) +
geom_line() +
labs(x = "ID", y = "值", title = "所选字段的折线图") +
theme_minimal()展示效果：
同时RStudio也支持将折线图表制作为动态可交互式的，其代码部分为：
# 设置工作目录
setwd("C:\\Users\\jl\\Desktop\\DataAnalysis")
# 读取 CSV 文件
df1 <- read.csv("回转窑数据.csv", row.names = 1)
# 提取所需列
selected_columns <- df1[, c("IP3_15", "IP2_178", "IP3_225", "IP3_226", "IP3_224")]
# 添加 ID 列作为行名称
selected_columns$id <- rownames(selected_columns)
# 加载 ggplot2 和 tidyr 包
if (!require("ggplot2")) {
install.packages("ggplot2")
}
if (!require("tidyr")) {
install.packages("tidyr")
}
if (!require("plotly")) {
install.packages("plotly")
}
library(ggplot2)
library(tidyr)
library(plotly)
# 将数据转换为长格式以便 ggplot2 使用
df_long <- pivot_longer(selected_columns, cols = -id, names_to = "variable", values_to = "value")
# 绘制折线图
p <- ggplot(df_long, aes(x = as.numeric(id), y = value, color = variable, group = variable)) +
geom_line() +
labs(x = "ID", y = "值", title = "所选字段的动态折线图") +
theme_minimal()
# 将 ggplot2 图表转换为 plotly 图表
ggplotly(p)展示效果如下：
同时值得注意的是，如果你对图片大小不满意可以点击图片上面的zoom单独将图片拉拽出来
其余交互还未进行探索。
案例三：打印相关性系数
同样的，只不过该结果显示在Console中。
# 设置工作目录
setwd("C:\\Users\\jl\\Desktop\\DataAnalysis")
# 读取 CSV 文件
df1 <- read.csv("回转窑数据.csv", row.names = 1)
# 仅保留数值列
numeric_columns <- sapply(df1, is.numeric)
df_numeric <- df1[, numeric_columns]
# 计算每个数值字段与 IP3_15 的相关性系数
correlation_with_IP3_15 <- sapply(df_numeric, function(x) cor(x, df_numeric$IP3_15, use = "complete.obs"))
# 将结果转换为数据框
correlation_df <- data.frame(Field = names(correlation_with_IP3_15), Correlation = correlation_with_IP3_15)
# 按相关性系数绝对值排序
correlation_df <- correlation_df[order(abs(correlation_df$Correlation), decreasing = TRUE), ]
# 打印相关性系数
print(correlation_df)结果：
结束
此篇仅作笔记之用，漏洞还很多。
版权声明：本文标题：R语言+ChatGPT实现数据分析预测 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dongtai/1726696726a1081171.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论