重灌系統、裝好 R 之後,總是只能憑記憶安裝套件,而且常常會在需要的時候才發現少裝了某套件,就要停下手邊的工作來安裝,多少會打亂工作節奏。因此,想把平常使用的套件記錄下來,之後如果又重新裝了 R 或者整個系統,就可以一次裝好。
在開始裝之前,我會先預設 CRAN mirror,在 R 資料夾的 etc
目錄底下,修改 Profile.site
檔案:
# set a CRAN mirror
#Automatic redirection to servers worldwide, currently sponsored by Rstudio
local({r = getOption("repos")
r["CRAN"] = "https://cran.csie.ntu.edu.tw/"
options(repos=r)})
以下微微修改自網路上找到的指令:
batchinstall <- function(pkg){
new.pkg <- pkg[!(pkg %in% installed.packages()[, "Package"])]
if (length(new.pkg))
install.packages(new.pkg, dependencies = TRUE)
sapply(pkg, require, character.only = TRUE)
}
batchinstall(pkgs)
只要把其中的 pkgs
填入自己要安裝的套件即可。安裝好之後,會列出安裝的各套件是否成功。
以下是自己常用的套件:
pkgs <- c("ade4", "adegenet", "ape", "Cairo", "dplyr", "data.table", "devtools", "e1071", "factoextra", "FactoMineR", "forecast", "ggplot2", "ggpubr", "ggrepel", "ggsci", "ggsignif", "ggthemes", "ggpmisc", "ggvenn", "gridExtra", "gtable", "Hmisc","indicspecies", "iNEXT", "insect", "lme4", "lmtest", "lubridate", "magrittr", "mgcv", "mlr3verse", "nlme", "openxlsx", "patchwork", "plotly", "plyr", "profvis", "psych", "purrr", "readxl", "reshape2", "rpart", "rstatix", "scales", "scatterplot3d", "showtext", "SpadeR", "SparseM", "stringi", "stringr", "tidyr", "vegan", "xgboost")
裝好 devtools
之後,就可以安裝位於 github 或者由 Bioconductor 收錄的套件:
devtools::install_github("vqv/ggbiplot")
devtools::install_github("NightingaleHealth/ggforestplot")
devtools::install_github("sinhrks/ggfortify")
devtools::install_github("gavinsimpson/ggvegan")
devtools::install_bioc(c("Biostrings", "dada2", "phyloseq", "DESeq2", "ShortRead"))
清單會隨時更新,以備未來的不時之需。
🐕🦺
在 R 當中有非常多的套件,可以提供非常美觀或者複雜的視覺化效果,但如果今天只想要簡單呈現數據間的關係,就可以使用內建的繪圖系統,而不需要額外呼叫其他的套件。 在此我們使用 base R 來進行散點圖的繪製與簡單線性迴歸分析。
Jan 30, 2024image:https://i.imgur.com/mVZVshx.png :::warning 更新:現在氣象局的 CODiS 氣候資料服務系統已經更改網頁介面,這篇介紹的方法已經沒辦法再使用,只能用 python 自動抓取,或者手動下載資料再用 R 整理,目前尚無解。 ::: 風花圖,又叫做風玫瑰圖(wind rose),是一種呈現風向、風速與頻度分布的資訊繪圖,從圖面上可以了解某地在特定時間的風向、風速概要,在設計機場跑道方向或者設計建築物座向時都會用到。 中央氣象局氣候年報所使用的風花圖圖例。
Jan 30, 2024手上的數據如果有許多變數,又想快速了解數據之間、變數之間的關係,那麼使用主成分分析可以達到這個效果。 主成分分析(principle component analysis, PCA),使用線性變換中的正交變換(orthogonal transformation)方法,對變數測值做線性變換,投影出線性不相關的變數,稱為主成分(principle components)。我們希望能透過主成分分析,將多個變數用比較少的主成分來解釋(降維),最大化變異數的同時又盡可能最小化流失的訊息。 首先建立數據的變異數—共變異數矩陣(variance-covariance matrix),之後進行特徵分解(eigendecomposition)或奇異值分解(singular value decomposition, SVD),最後得到特徵向量(主成分向量的方向)與特徵值(主成分向量的大小),之後就可以選擇數個(通常是 2 至 3 個)主成分將數據視覺化。 現在我們可以使用 R 的內建或者特定套件功能來進行主成分分析以及後續的視覺化。 用內建函數做 PCA R 有兩個內件函數可以用來做主成分分析,分別是 princomp() 與 prcomp(),兩者有些不同,而目前官方是建議以 prcomp() 函數來做主成分分析。
Jan 30, 2024Microsoft Office 裡的萬用字元有問號 “?” 與星號 “*”。
Jan 29, 2024or
By clicking below, you agree to our terms of service.
New to HackMD? Sign up