R语言中有哪些相见恨晚的技巧或package？

一、固定开头

首先，清除当前工作路径下的变量，这个很基础。

#清除工作路径下的其他变量 rm(list = ls())

然后，介绍下pacman，我们在使用函数前，都需要library包，如果该包未下载，则需要install.packages获取，但利用pacman的p_load函数，直接把自己需要的包名逗号隔开，就会自动下载/加载，除了一小部分难搞的包还是需要自己手动装一下。另外，if, require这行命令，用来判断是否安装了pacman，如无则下载、加载，如有直接加载。

#加载pacman包，如无则下载 if (!require("pacman")) install.packages("pacman"); library(pacman) #导入用到包 p_load(rvest,xml2,httr,XML,data.table,readr,tidyverse)

此外，我们还需要设定工作路径，通常我们会复制文件夹下的路径"C:\Users\Lenovo\Desktop"，然后将，斜杠修改为反斜杠，或双斜杠，之后利用stewd函数设置路径。但利用rstudioapi的getSourceEditorContext函数，可以直接调用当前.R代码文件的当前路径，再设置为代码文件的同一路径就自动修改好了，最后getwd确认一下。

#获取当前代码路径 curWD <- dirname(rstudioapi::getSourceEditorContext()$path) #设置路径 setwd(curWD) #打印当前路径 getwd() 二、常用操作

导入数据。

#导入数据 data_des=import("XXX.csv",encoding="UTF-8",header = TRUE)

查看文件大小。

#查看文件大小 file.info( FullPath("tone_text.Matrix") )$size

变量更名。

#变量更名 colnames(data)=data[1,]

查看数据整体情况，利用DataExplorer，输出数据分布、数据类型、缺失值情况、正态分布情况、主成分分析等结果。

#创建分析报告 create_report(data_out,output_file = "report.html") #查看缺失字段 plot_missing(data,missing_only = TRUE)

缺失值处理，使用mice包，多重插补缺失值。

#查看缺失模式 md.pattern(data) #多重插补 #imp<-mice(data,m=5,seed=1234) #save(imp,file="imp.Rdata") #插补结果汇总 summary(imp) #插补数据替换 data<-complete(imp,action=1)

筛选结果显著的数据。有时候，我们需要输出查看显著的结果，就可以卡0.05的阈值，用filter函数过滤。

#筛选结果显著的数据 Corr_pair <- filter(Corr$ci,Corr$ci[4]<0.05)

函数，比如这里创建urlfun函数，赋予url，filename两个参数，只要给url和filename赋值，就可以得到total爬虫下来的结果，且过程中使用管道符号%>%简化代码。

#创建函数 urlfun<-function(url,filename){ #读取html web <-read_html(url) #读取评论者 names <-web %>% html_nodes('div.hype-fields-df--entry-user-name') %>% html_text() #读取评论 comments <-web %>% html_nodes('div.hype-fields-df--entry-comment > div') %>% html_text() #读取评论时间 ctime <-web %>% html_nodes('span.hype-fields-df--entry-creation-time') %>% html_text() #汇总表格 total <- data.frame(names,comments,ctime) write.csv(total,file =paste(filename,".csv",sep = ""),fileEncoding = "GB18030") return(total) } #函数调用 url<-'rawhtml/challenge1/OpenIDEO - Idea_ _Balancing Anonymity and Trust to Improve Inclusive Knowledge-Sharing in Professional Communities_.html' filename="challenge_1" urlfun(url,filename)

循环。这里首先创建iv存放自变量，dv存放因变量，然后利用循环做回归分析，输出回归统计结果。

#筛选自变量 iv<-c("mrt","cub") #筛选因变量 dv<-c("corr","rt") #建立存储表 result<-c() #循环计算 for(i in 1:length(iv)){ for(j in 1:length(dv)){ fit<-lm(substitute(dv ~ iv,list(iv=as.name(iv[i]),dv=as.name(dv[j]))),data=data_out) result<-rbind(result,c(dv[j],iv[i],coef(summary(fit))[2,c(1,2,4)])) } } #转化矩阵为数据表 result<-as.data.frame(result) #字符格式转为数值 result[3:5]<-as.numeric(unlist(result[,3:5]))

创建文件夹，先判断是否存在output文件夹，如无则创建，并修改路径。

#创建output存放结果，并设置路径 if(! dir.exists("output")){ dir.create("output") } #设定路径 setwd("output")

sink函数，可以将console框输出的结果，导出成txt文件。比如这里，将信度分析的结果放到output文件夹里，存成Alpha.txt，console就不会输出任何信息，最后sink()停止，恢复正常。

#结果信息输出txt sink("output/Alpha.txt") Alpha(data_total[,4:29],varrange = "1、我感到被排斥:26、我感到很悲伤") sink()

png函数和sink类似，创建一个png文件，绘制一张图（这里用emmip做交互作用），最后dev.off关闭绘制，路径下产生该图png格式。

#结果信息输出png png("group_nPumps.png") emmip(m, ~ group | sex, CIs=TRUE) dev.off()

图片合并。我们可以利用p1...p9存放不同图片，然后利用（p1/p2|p3/p4）的方式合并起来，/代表竖排，|代表横排。也可以利用par设定4*5的窗口大小，随后生成的图片自动填充满这个4*5的大图。

#合并图片 style1<-(p1/p2/p3|p4/p5/p6|p7/p8/p9) par(mfrow = c(4, 5))

绘制交互式网络，有时候我们需要可视化一些网络关系，可以导入节点和边数据，visNetwork可视化。

#导入节点数据 nodes <- readxl::read_xls("nodes.xls") #导入边数据 edges <- readxl::read_xls("edges.xls") #可视化及参数设置 visNetwork(nodes, edges) %>% visOptions(manipulation = TRUE) %>% visInteraction(navigationButtons = TRUE) %>% visEdges(arrows = 'from', scaling = list(min = 2, max = 2)) %>% visLegend() %>% visOptions(manipulation = TRUE)

导出数据。

#导出成xlsx xlsx::write.xlsx(data_out,"data_out.xlsx") #导出成csv write.csv(Corr_pair,"Corr_pair.csv")

分组输出描述性统计。

#分组输出描述性统计 psych::describe.by(data_out[,c(6,9:31)],list(data_out$sex))

另外，有时候数据分析run的时间挺长，可以利用gm包制作音乐（用自己准备的也可），然后用PraatR包，写行播放音频的命令放到代码最后。

# gm创建 Music 对象 m <- # 初始化 Music 对象 Music() + # 加上 4/4 拍号 Meter(4, 4) + # 加上一条包含四个音的声部 Line(list("C5", "D5", "E5", "F5"), list(1, 1, 1, 1)) # 转化成乐谱和音频 show(m, c("score", "audio")) #PraatR播放音频 praat( "Play", input="C:\\Users\\Lenovo\\Desktop\\tone.wav" ) 三、以上代码汇总#清除工作路径下的其他变量 rm(list = ls()) #加载pacman包，如无则下载 if (!require("pacman")) install.packages("pacman"); library(pacman) #导入用到包 p_load(rvest,xml2,httr,XML,data.table,readr,tidyverse) #获取当前代码路径 curWD <- dirname(rstudioapi::getSourceEditorContext()$path) #设置路径 setwd(curWD) #打印当前路径 getwd() #导入数据 data_des=import("XXX.csv",encoding="UTF-8",header = TRUE) #查看文件大小 file.info( FullPath("tone_text.Matrix") )$size #变量更名 colnames(data)=data[1,] #创建分析报告 create_report(data_out,output_file = "report.html") #查看缺失字段 plot_missing(data,missing_only = TRUE) #查看缺失模式 md.pattern(data) #多重插补 #imp<-mice(data,m=5,seed=1234) #save(imp,file="imp.Rdata") #插补结果汇总 summary(imp) #插补数据替换 data<-complete(imp,action=1) #筛选结果显著的数据 Corr_pair <- filter(Corr$ci,Corr$ci[4]<0.05) #创建函数 urlfun<-function(url,filename){ #读取html web <-read_html(url) #读取评论者 names <-web %>% html_nodes('div.hype-fields-df--entry-user-name') %>% html_text() #读取评论 comments <-web %>% html_nodes('div.hype-fields-df--entry-comment > div') %>% html_text() #读取评论时间 ctime <-web %>% html_nodes('span.hype-fields-df--entry-creation-time') %>% html_text() #汇总表格 total <- data.frame(names,comments,ctime) write.csv(total,file =paste(filename,".csv",sep = ""),fileEncoding = "GB18030") return(total) } #函数调用 url<-'rawhtml/challenge1/OpenIDEO - Idea_ _Balancing Anonymity and Trust to Improve Inclusive Knowledge-Sharing in Professional Communities_.html' filename="challenge_1" urlfun(url,filename) #筛选自变量 iv<-c("mrt","cub") #筛选因变量 dv<-c("corr","rt") #建立存储表 result<-c() #循环计算 for(i in 1:length(iv)){ for(j in 1:length(dv)){ fit<-lm(substitute(dv ~ iv,list(iv=as.name(iv[i]),dv=as.name(dv[j]))),data=data_out) result<-rbind(result,c(dv[j],iv[i],coef(summary(fit))[2,c(1,2,4)])) } } #转化矩阵为数据表 result<-as.data.frame(result) #字符格式转为数值 result[3:5]<-as.numeric(unlist(result[,3:5])) #创建output存放结果，并设置路径 if(! dir.exists("output")){ dir.create("output") } #设定路径 setwd("output") #结果信息输出txt sink("output/Alpha.txt") Alpha(data_total[,4:29],varrange = "1、我感到被排斥:26、我感到很悲伤") sink() #结果信息输出png png("group_nPumps.png") emmip(m, ~ group | sex, CIs=TRUE) dev.off() #合并图片 style1<-(p1/p2/p3|p4/p5/p6|p7/p8/p9) par(mfrow = c(4, 5)) #导入节点数据 nodes <- readxl::read_xls("nodes.xls") #导入边数据 edges <- readxl::read_xls("edges.xls") #可视化及参数设置 visNetwork(nodes, edges) %>% visOptions(manipulation = TRUE) %>% visInteraction(navigationButtons = TRUE) %>% visEdges(arrows = 'from', scaling = list(min = 2, max = 2)) %>% visLegend() %>% visOptions(manipulation = TRUE) #导出成xlsx xlsx::write.xlsx(data_out,"data_out.xlsx") #导出成csv write.csv(Corr_pair,"Corr_pair.csv") #分组输出描述性统计 psych::describe.by(data_out[,c(6,9:31)],list(data_out$sex)) # gm创建 Music 对象 m <- # 初始化 Music 对象 Music() + # 加上 4/4 拍号 Meter(4, 4) + # 加上一条包含四个音的声部 Line(list("C5", "D5", "E5", "F5"), list(1, 1, 1, 1)) # 转化成乐谱和音频 show(m, c("score", "audio")) #PraatR播放音频 praat( "Play", input="C:\\Users\\Lenovo\\Desktop\\tone.wav" ) 四、好用R包

心理学bruceR（强大的输出三线表、绘图等功能，适合心理学类社科领域）、jmv（对接gui分析软件jamovi），科学计量bibliometrix，爬虫rvest，报告rmarkdowm，语音分析PraatR，元分析dmetar，名字分析ChineseNames，网站制作blogdown，文本挖掘tm，自动检验数据分布、异常值等情况DataExplorer，各类流程图制作DiagrammeR，作图ggplot2，缺失值处理mice，APA格式papaja，shinyapp制作shiny，网络分析可视化visNetwork，Mantel检验linkET，零效应评估pwr（检验力、效应量计算，类似gpower）、TOSTER（NHST区间估计）、HDInterval（贝叶斯区间估计）、BEST（贝叶斯估计）、BayesFactor（贝叶斯因子），聚类cluster（clusGap函数估计聚类数，结合factoextra包可视化）。

另外，之前作报告也列了下语音相关的R包。

结束啦！主要是整理下自己的笔记，之后找着方便，不定时更新。。