R语言课程小项目

### 使用R语言进行数据分析的小项目实践 以下是几个适合初学者和中级水平的数据分析小项目的建议，以及相应的示例代码： #### 1. **探索性数据分析 (EDA)** 通过加载一个公开数据集（如 `mtcars` 或者外部 CSV 文件），可以练习基本的统计描述、可视化和假设检验。 ```r # 加载内置数据集 mtcars 并查看基本信息 data(mtcars) summary(mtcars) # 绘制 mpg 和 cyl 的散点图 library(ggplot2) ggplot(data = mtcars, aes(x = wt, y = mpg)) + geom_point() + labs(title="Weight vs MPG", x="Weight", y="Miles Per Gallon") ``` 此部分涉及基础绘图功能[^1]，并帮助理解变量间的关系。 --- #### 2. **文本情感分析** 对于社交媒体评论或其他文本数据的情感分类是一个有趣的入门级 NLP 应用程序。这里提供了一个简单的例子来计算正面/负面情绪得分。 ```r install.packages("tidytext") library(tidytext) library(dplyr) sentiments <- get_sentiments("afinn") example_text <- data.frame(text=c("I love this product!", "This is terrible."), stringsAsFactors=FALSE) results <- example_text %>% unnest_tokens(word, text) %>% inner_join(sentiments) %>% group_by(text) %>% summarise(total_score=sum(value)) print(results) ``` 这段脚本展示了如何使用词典方法评估短语的情绪倾向[^3]。 --- #### 3. **预测模型构建——线性回归** 建立简单线性回归模型以预测连续型目标变量。 ```r model <- lm(mpg ~ hp + wt, data = mtcars) summary(model) predicted_values <- predict(model, newdata=data.frame(hp=mean(mtcars$hp), wt=median(mtcars$wt))) cat('Predicted Value:', predicted_values, '\n') ``` 这一步骤涵盖了从拟合到验证的过程[^1]。 --- #### 4. **时间序列分析** 如果想进一步研究动态变化趋势，则可尝试 ARIMA 时间序列建模。 ```r library(forecast) ts_data <- ts(airquality$Ozone[!is.na(airquality$Ozone)], frequency=120) fit_arima <- auto.arima(ts_data) forecast_result <- forecast(fit_arima, h=50) autoplot(forecast_result) ``` 此处介绍了自动选择最佳参数的方法及其图形化表现形式[^3]。 --- #### 5. **交互式仪表板制作** 最后，利用 Shiny 创建一个简易版的应用界面允许用户输入自定义条件后即时获取结果反馈。 ```r ui <- fluidPage( titlePanel("Car Mileage Prediction"), sidebarLayout( sidebarPanel( numericInput("horsepower", label=h3("Horse Power"), value=100), sliderInput("weight", label=h3("Vehicle Weight"), min=1500, max=5000, value=3000) ), mainPanel( plotOutput("mpgPlot") ) ) ) server <- function(input, output){ output$mpgPlot <- renderPlot({ pred_mpg <- coef(lm(mpg~hp+wt,data=mtcars))[1]+input$horsepower*coef(lm(mpg~hp+wt,data=mtcars))[2]+input$weight*coef(lm(mpg~hp+wt,data=mtcars))[3] ggplot()+geom_point(aes(wt,mpg),data=mtcars)+geom_vline(xintercept=input$weight,color='red')+geom_hline(yintercept=pred_mpg,color='blue') }) } shinyApp(ui = ui, server = server) ``` 这个应用程序演示了如何将静态图表转换成实时更新版本[^1]。 --- ### 结论 以上列举了几种不同类型的任务范围广泛适用于各类学习阶段的人群。无论是专注于理论还是偏向动手能力培养均能找到合适的方向去深入钻研下去。