notebook.community

Edit and run 





In [1]:



    


bubba <- c(3,5,7,9)



    











In [2]:



    


bubba[2]



    


















    






5
















In [4]:



    


heisenberg <- read.csv(file="/home/lindsayad/Downloads/simple.csv", head=TRUE, sep=",")



    











In [5]:



    


heisenberg



    


















    









trialmassvelocity


	
A   10.012  

	
A   11.014  

	
B    5.0 8  

	
B    6.010  

	
A   10.513  

	
B    7.011  





















In [6]:



    


summary(heisenberg)



    


















    








 trial      mass          velocity    
 A:3   Min.   : 5.00   Min.   : 8.00  
 B:3   1st Qu.: 6.25   1st Qu.:10.25  
       Median : 8.50   Median :11.50  
       Mean   : 8.25   Mean   :11.33  
       3rd Qu.:10.38   3rd Qu.:12.75  
       Max.   :11.00   Max.   :14.00  

















In [7]:



    


heisenberg$trial



    


















    







    
	
  1. A
    2. 
	
  2. A
    3. 
	
  3. B
    4. 
	
  4. B
    5. 
	
  5. A
    6. 
	
  6. B
    7. 



















In [9]:



    


tree <- read.csv(file="/home/lindsayad/Downloads/trees91.csv", header=TRUE, sep=",")



    











In [10]:



    


tree



    


















    









CNCHBRREPLFBMSTBMRTBMLFNCCSTNCCRTNCC⋯RTKCCLFMGCCSTMGCCRTMGCCLFPCCSTPCCRTPCCLFSCCSTSCCRTSCC


	
1    1    CL6   1   0.4300.13 0.2901.84 0.40 0.96 ⋯    0.62 0.11 0.13 0.06 0.23 0.31 0.17 0.13 0.17 0.14 

	
1    1    CL7   1   0.4000.15 0.2501.82 0.37 0.95 ⋯    0.49 0.10 0.18 0.06 0.22 0.22 0.13 0.22 0.28 0.13 

	
1    2    A1    9   0.4500.20 0.2101.54 0.96 0.69 ⋯    0.64 0.12 0.16 0.08 0.30 0.35 0.21 0.15 0.19 0.15 

	
1    2    A1   14   0.8200.26 0.2901.75 0.97 0.83 ⋯    0.64 0.12 0.16 0.08 0.30 0.35 0.21 0.15 0.19 0.15 

	
1    2    A1   20   0.5200.19 0.2502.01 1.29 0.80 ⋯    0.64 0.12 0.16 0.08 0.30 0.35 0.21 0.15 0.19 0.15 

	
1    2    A7   NA   1.3200.46 0.4801.45 0.92 0.72 ⋯    0.42 0.13 0.14 0.07 0.23 0.25 0.15 0.15 0.16 0.13 

	
1    3    A3   NA   0.9000.42 0.4701.80 1.19 0.84 ⋯    0.53 0.13 0.19 0.09 0.25 0.35 0.19 0.16 0.17 0.15 

	
1    3    D5   NA   1.1800.53 0.7801.53 0.84 0.77 ⋯    0.45 0.12 0.17 0.06 0.21 0.27 0.12 0.12 0.18 0.11 

	
2    1    A4    9   0.4800.20 0.2801.58 0.89 0.98 ⋯    0.38 0.12 0.15 0.08 0.24 0.32 0.17 0.22 0.20 0.13 

	
2    1    A4   14   0.2100.07 0.2201.26 0.66 0.77 ⋯    0.38 0.12 0.15 0.08 0.24 0.32 0.17 0.22 0.20 0.13 

	
2    1    A4   20   0.2700.13 0.2401.88 1.28 1.19 ⋯    0.38 0.12 0.15 0.08 0.24 0.32 0.17 0.22 0.20 0.13 

	
2    1    B3    9   0.3100.14 0.2102.76 0.64 0.84 ⋯    0.49 0.13 0.12 0.07 0.27 0.25 0.16 0.26 0.21 0.15 

	
2    1    B3   14   0.6500.18 0.3001.49 0.64 0.78 ⋯    0.49 0.13 0.12 0.07 0.27 0.25 0.16 0.26 0.21 0.15 

	
2    1    B3   20   0.1800.10 0.1201.38 0.64 0.91 ⋯    0.49 0.13 0.12 0.07 0.27 0.25 0.16 0.26 0.21 0.15 

	
2    1    B6    9   0.5200.18 0.3801.30 0.79 0.78 ⋯    0.52 0.10 0.17 0.06 0.27 0.41 0.16 0.12 0.20 0.12 

	
2    1    B6   14   0.3000.14 0.2401.69 0.79 0.78 ⋯    0.52 0.10 0.17 0.06 0.27 0.41 0.16 0.12 0.20 0.12 

	
2    1    B6   20   0.5800.19 0.3102.12 0.79 0.78 ⋯    0.52 0.10 0.17 0.06 0.27 0.41 0.16 0.12 0.20 0.12 

	
2    2    A5   NA   0.4800.20 0.2901.82 0.95 0.80 ⋯    0.46 0.13 0.12 0.06 0.31 0.30 0.15 0.16 0.15 0.10 

	
2    2    B4    9   0.5800.20 0.7801.39 0.98 0.60 ⋯    0.45 0.13 0.14 0.07 0.27 0.29 0.16 0.18 0.17 0.13 

	
2    2    B4   14   0.5800.20 0.7801.32 0.98 0.60 ⋯    0.45 0.13 0.14 0.07 0.27 0.29 0.16 0.18 0.17 0.13 

	
2    2    B4   20   0.4100.10 0.5202.02 0.98 0.60 ⋯    0.45 0.13 0.14 0.07 0.27 0.29 0.16 0.18 0.17 0.13 

	
2    2    B7    9   0.4800.16 0.2901.68 0.96 0.81 ⋯    0.49 0.14 0.15 0.07 0.30 0.32 0.14 0.25 0.22 0.13 

	
2    2    B7   14   1.7600.53 0.3501.91 0.96 0.81 ⋯    0.49 0.14 0.15 0.07 0.30 0.32 0.14 0.25 0.22 0.13 

	
2    2    B7   20   1.2100.27 0.2802.07 0.96 0.81 ⋯    0.49 0.14 0.15 0.07 0.30 0.32 0.14 0.25 0.22 0.13 

	
2    3    A2    1   1.1800.48 0.5501.73 0.75 0.71 ⋯    0.59 0.12 0.14 0.08 0.28 0.31 0.18 0.12 0.15 0.15 

	
2    3    A6    9   0.8300.30 0.4501.23 0.86 0.74 ⋯    0.40 0.13 0.11 0.07 0.25 0.21 0.14 0.19 0.16 0.12 

	
2    3    A6   14   1.2200.55 0.5001.61 0.94 0.47 ⋯    0.40 0.13 0.11 0.07 0.25 0.21 0.14 0.19 0.16 0.12 

	
2    3    A6   20   0.7700.27 0.3401.35 0.89 0.83 ⋯    0.40 0.13 0.11 0.07 0.25 0.21 0.14 0.19 0.16 0.12 

	
2    3    B5    9   1.0200.47 1.5101.53 0.92 0.58 ⋯    0.56 0.11 0.11 0.07 0.28 0.28 0.16 0.15 0.16 0.17 

	
2    3    B5   14   0.1300.03 0.1501.80 0.92 0.58 ⋯    0.56 0.11 0.11 0.07 0.28 0.28 0.16 0.15 0.16 0.17 

	
2    3    B5   20   0.6800.27 0.9502.09 0.92 0.58 ⋯    0.56 0.11 0.11 0.07 0.28 0.28 0.16 0.15 0.16 0.17 

	
3    1    B1   20   0.6100.22 0.2801.68 1.05 0.62 ⋯    0.49 0.10 0.15 0.07 0.20 0.32 0.16 0.16 0.21 0.12 

	
3    1    B2    9   0.7000.24 0.3801.14 0.63 0.51 ⋯    0.59 0.10 0.18 0.07 0.20 0.30 0.18 0.16 0.20 0.17 

	
3    1    B2   14   0.8200.33 0.6701.56 0.63 0.51 ⋯    0.59 0.10 0.18 0.07 0.20 0.30 0.18 0.16 0.20 0.17 

	
3    1    B2   20   0.7600.37 0.4701.80 0.63 0.51 ⋯    0.59 0.10 0.18 0.07 0.20 0.30 0.18 0.16 0.20 0.17 

	
3    1    D2   20   0.7700.32 0.4601.62 0.71 0.76 ⋯    0.45 0.10 0.12 0.06 0.21 0.24 0.14 0.14 0.17 0.11 

	
3    3    C1   NA   1.6900.72 0.9601.67 0.87 0.79 ⋯    0.45 0.11 0.12 0.06 0.15 0.17 0.10 0.14 0.17 0.12 

	
3    3    C2    9   1.4800.60 0.5401.58 0.78 0.62 ⋯    0.40 0.12 0.10 0.07 0.19 0.15 0.10 0.16 0.14 0.12 

	
3    3    C2   14   0.7400.20 0.5001.43 0.78 0.75 ⋯    0.40 0.12 0.10 0.07 0.19 0.15 0.10 0.16 0.14 0.12 

	
3    3    C2   20   1.2400.50 0.7201.67 0.78 0.75 ⋯    0.40 0.12 0.10 0.07 0.19 0.15 0.10 0.16 0.14 0.12 

	
3    3    D1   NA   1.1200.38 0.4801.39 0.63 0.84 ⋯    0.40 0.13 0.11 0.06 0.24 0.20 0.12 0.15 0.16 0.11 

	
4    1    C4    9   0.7500.40 0.5201.09 0.67 0.66 ⋯    0.51 0.07 0.11 0.06 0.17 0.22 0.13 0.13 0.18 0.14 

	
4    1    C4   14   0.3900.16 0.2701.38 0.67 0.62 ⋯    0.51 0.07 0.11 0.06 0.17 0.22 0.13 0.13 0.18 0.14 

	
4    1    C4   20   0.8700.25 0.3501.69 0.67 0.59 ⋯    0.51 0.07 0.11 0.06 0.17 0.22 0.13 0.13 0.18 0.14 

	
4    1    C7   NA   0.4100.21 0.2501.06 0.56 0.71 ⋯    0.34 0.09 0.14 0.06 0.16 0.22 0.12 0.09 0.15 0.11 

	
4    1    D6   NA   0.5600.23 0.4401.30 0.82 0.85 ⋯    0.44 0.10 0.11 0.05 0.27 0.28 0.12 0.17 0.18 0.09 

	
4    2    C5    1   0.5500.22 0.3301.06 0.62 0.58 ⋯    0.37 0.10 0.13 0.07 0.23 0.25 0.12 0.11 0.16 0.11 

	
4    2    D3    9   0.6700.22 0.5601.15 0.45 0.47 ⋯    0.33 0.07 0.11 0.04 0.18 0.21 0.10 0.17 0.19 0.09 

	
4    2    D3   14   1.2600.38 0.7300.88 0.45 0.63 ⋯    0.33 0.07 0.11 0.04 0.18 0.21 0.10 0.17 0.19 0.09 

	
4    2    D3   20   0.9650.30 0.6451.31 0.45 1.55 ⋯    0.33 0.07 0.11 0.04 0.18 0.21 0.10 0.17 0.19 0.09 

	
4    2    D7    1   0.8400.35 0.5501.46 0.76 0.94 ⋯    0.51 0.10 0.11 0.06 0.22 0.24 0.13 0.10 0.16 0.13 

	
4    3    C3   NA   0.9700.49 0.5301.26 0.72 0.58 ⋯    0.40 0.12 0.11 0.06 0.23 0.20 0.11 0.19 0.18 0.12 

	
4    3    C6   NA   1.0700.45 0.5901.15 0.61 0.69 ⋯    0.39 0.09 0.17 0.07 0.24 0.31 0.13 0.11 0.18 0.11 

	
4    3    D4   NA   1.2200.33 0.8901.15 0.54 0.51 ⋯    0.46 0.09 0.12 0.06 0.22 0.25 0.14 0.13 0.17 0.11 





















In [11]:



    


attributes(tree)



    


















    








	
$names

		
    
	
  1. 'C'
    2. 
	
  2. 'N'
    3. 
	
  3. 'CHBR'
    4. 
	
  4. 'REP'
    5. 
	
  5. 'LFBM'
    6. 
	
  6. 'STBM'
    7. 
	
  7. 'RTBM'
    8. 
	
  8. 'LFNCC'
    9. 
	
  9. 'STNCC'
    10. 
	
  10. 'RTNCC'
    11. 
	
  11. 'LFBCC'
    12. 
	
  12. 'STBCC'
    13. 
	
  13. 'RTBCC'
    14. 
	
  14. 'LFCACC'
    15. 
	
  15. 'STCACC'
    16. 
	
  16. 'RTCACC'
    17. 
	
  17. 'LFKCC'
    18. 
	
  18. 'STKCC'
    19. 
	
  19. 'RTKCC'
    20. 
	
  20. 'LFMGCC'
    21. 
	
  21. 'STMGCC'
    22. 
	
  22. 'RTMGCC'
    23. 
	
  23. 'LFPCC'
    24. 
	
  24. 'STPCC'
    25. 
	
  25. 'RTPCC'
    26. 
	
  26. 'LFSCC'
    27. 
	
  27. 'STSCC'
    28. 
	
  28. 'RTSCC'
    29. 




	
$class

		
'data.frame'

	
$row.names

		
    
	
  1. 1
    2. 
	
  2. 2
    3. 
	
  3. 3
    4. 
	
  4. 4
    5. 
	
  5. 5
    6. 
	
  6. 6
    7. 
	
  7. 7
    8. 
	
  8. 8
    9. 
	
  9. 9
    10. 
	
  10. 10
    11. 
	
  11. 11
    12. 
	
  12. 12
    13. 
	
  13. 13
    14. 
	
  14. 14
    15. 
	
  15. 15
    16. 
	
  16. 16
    17. 
	
  17. 17
    18. 
	
  18. 18
    19. 
	
  19. 19
    20. 
	
  20. 20
    21. 
	
  21. 21
    22. 
	
  22. 22
    23. 
	
  23. 23
    24. 
	
  24. 24
    25. 
	
  25. 25
    26. 
	
  26. 26
    27. 
	
  27. 27
    28. 
	
  28. 28
    29. 
	
  29. 29
    30. 
	
  30. 30
    31. 
	
  31. 31
    32. 
	
  32. 32
    33. 
	
  33. 33
    34. 
	
  34. 34
    35. 
	
  35. 35
    36. 
	
  36. 36
    37. 
	
  37. 37
    38. 
	
  38. 38
    39. 
	
  39. 39
    40. 
	
  40. 40
    41. 
	
  41. 41
    42. 
	
  42. 42
    43. 
	
  43. 43
    44. 
	
  44. 44
    45. 
	
  45. 45
    46. 
	
  46. 46
    47. 
	
  47. 47
    48. 
	
  48. 48
    49. 
	
  49. 49
    50. 
	
  50. 50
    51. 
	
  51. 51
    52. 
	
  52. 52
    53. 
	
  53. 53
    54. 
	
  54. 54
    55. 























In [12]:



    


a = 3
b = sqrt(a*a+3)



    











In [13]:



    


b



    


















    






3.46410161513775
















In [14]:



    


b*b



    


















    






12
















In [15]:



    


ls()



    


















    







    
	
  1. 'a'
    2. 
	
  2. 'b'
    3. 
	
  3. 'bubba'
    4. 
	
  4. 'heisenberg'
    5. 
	
  5. 'tree'
    6. 



















In [16]:



    


a = c(1,2,3,4,5)
mean(a)



    


















    






3
















In [17]:



    


typeof(a)



    


















    






'double'
















In [18]:



    


summary(tree$CHBR)



    


















    








	
A1

		
3

	
A2

		
1

	
A3

		
1

	
A4

		
3

	
A5

		
1

	
A6

		
3

	
A7

		
1

	
B1

		
1

	
B2

		
3

	
B3

		
3

	
B4

		
3

	
B5

		
3

	
B6

		
3

	
B7

		
3

	
C1

		
1

	
C2

		
3

	
C3

		
1

	
C4

		
3

	
C5

		
1

	
C6

		
1

	
C7

		
1

	
CL6

		
1

	
CL7

		
1

	
D1

		
1

	
D2

		
1

	
D3

		
3

	
D4

		
1

	
D5

		
1

	
D6

		
1

	
D7

		
1




















In [19]:



    


levels(tree$CHBR)



    


















    







    
	
  1. 'A1'
    2. 
	
  2. 'A2'
    3. 
	
  3. 'A3'
    4. 
	
  4. 'A4'
    5. 
	
  5. 'A5'
    6. 
	
  6. 'A6'
    7. 
	
  7. 'A7'
    8. 
	
  8. 'B1'
    9. 
	
  9. 'B2'
    10. 
	
  10. 'B3'
    11. 
	
  11. 'B4'
    12. 
	
  12. 'B5'
    13. 
	
  13. 'B6'
    14. 
	
  14. 'B7'
    15. 
	
  15. 'C1'
    16. 
	
  16. 'C2'
    17. 
	
  17. 'C3'
    18. 
	
  18. 'C4'
    19. 
	
  19. 'C5'
    20. 
	
  20. 'C6'
    21. 
	
  21. 'C7'
    22. 
	
  22. 'CL6'
    23. 
	
  23. 'CL7'
    24. 
	
  24. 'D1'
    25. 
	
  25. 'D2'
    26. 
	
  26. 'D3'
    27. 
	
  27. 'D4'
    28. 
	
  28. 'D5'
    29. 
	
  29. 'D6'
    30. 
	
  30. 'D7'
    31. 



















In [20]:



    


tree$C = factor(tree$C)



    











In [21]:



    


levels(tree$C)



    


















    







    
	
  1. '1'
    2. 
	
  2. '2'
    3. 
	
  3. '3'
    4. 
	
  4. '4'
    5. 



















In [22]:



    


summary(tree$C)



    


















    








	
1

		
8

	
2

		
23

	
3

		
10

	
4

		
13




















In [24]:



    


help(Distributions)



    











In [27]:



    


x = seq(-3,3,by=.05)
y = dnorm(x)



    











In [28]:



    


plot(x,y)



    


















    
























In [29]:



    


x = 0.1
if (x < 0.2)
    {
    x = x + 1
    cat("increment that number!")
}



    


















    






increment that number!
















In [30]:



    


x



    


















    






1.1
















In [6]:



    


tree <- read.csv(file="/home/lindsayad/Downloads/trees91.csv", header=TRUE, sep=",")



    











In [7]:



    


plot(tree$STBM,tree$LFBM)



    


















    
























In [8]:



    


cor(tree$STBM,tree$LFBM)



    


















    






0.911594925451157

Exploring Robyn's data





In [2]:



    


colt = read.csv(file="robyn-colt-data.csv",head=TRUE,sep=",")



    











In [3]:



    


plot(colt$Puberty,colt$BF)



    


















    
























In [4]:



    


plot(colt$Puberty,colt$TV)



    


















    
























In [5]:



    


plot(colt$Weight,colt$TV)



    


















    
























In [11]:



    


with(colt[colt$Horse == "Alta1",], plot(colt$Weight, colt$TV))



    


















    
























In [15]:



    


help(colt$Horse)



    


















    






Error in help(colt$Horse): 'topic' should be a name, length-one character vector or reserved word
Traceback:

1. help(colt$Horse)
2. stop("'topic' should be a name, length-one character vector or reserved word")
















In [13]:



    


plot(colt$Weight[colt$Horse == "Alta1"], colt$TV[colt$Horse == "Alta1"])
plot(colt$Weight[colt$Horse == "Alta10"], colt$TV[colt$Horse == "Alta10"])



    


















    

















    
























In [22]:



    


horses = levels(colt$Horse)



    











In [21]:



    


typeof(levels(colt$Horse))



    


















    






'character'
















In [24]:



    


horses[1]



    


















    






'Alta1'
















In [64]:



    


foo = "hello"
grepl("hel",foo)



    


















    






TRUE
















In [68]:



    


colt = read.csv(file="robyn-colt-data.csv",head=TRUE,sep=",")
horses = levels(colt$Horse)

for (horse in horses) {
    if (grepl("Alta", horse)) {
        cat(horse, ": ", cor(as.numeric(colt$Weight[colt$Horse == horse]), as.numeric(colt$TV[colt$Horse == horse]), use="pairwise.complete.obs"), "\n")
    }
}



    


















    






Alta1 :  0.8785605 
Alta10 :  0.6355325 
Alta12 :  0.3910789 
Alta13 :  -0.4450498 
Alta14 :  0.5215562 
Alta15 :  -0.2882278 
Alta16 :  0.2451643 
Alta17 :  -0.8485915 
Alta2 :  -0.5170035 
Alta3 :  0.5960335 
Alta4 :  0.7098226 
Alta5 :  0.1927513 
Alta6 :  0.1478804 
Alta7 :  -0.3944256 
Alta9 :  0.8544474 

















In [67]:



    


colt = read.csv(file="robyn-colt-data.csv",head=TRUE,sep=",")
horses = levels(colt$Horse)

for (horse in horses) {
    if (grepl("Alta", horse)) {
        plot(colt$Weight[colt$Horse == horse], colt$TV[colt$Horse == horse])
        cat(cor(as.numeric(colt$Weight[colt$Horse == horse]), as.numeric(colt$TV[colt$Horse == horse]), use="pairwise.complete.obs"), "\n")
    }
}



    


















    






0.8785605 










    

















    






0.6355325 










    

















    






0.3910789 










    

















    






-0.4450498 










    

















    






0.5215562 










    

















    






-0.2882278 










    

















    






0.2451643 










    

















    






-0.8485915 










    

















    






-0.5170035 










    

















    






0.5960335 










    

















    






0.7098226 










    

















    






0.1927513 










    

















    






0.1478804 










    

















    






-0.3944256 










    

















    






0.8544474 










    
























In [59]:



    


cor(as.numeric(colt$Weight[colt$Horse == "Alta1"]), as.numeric(colt$TV[colt$Horse == "Alta1"]), use="pairwise.complete.obs")



    


















    






0.878560523367143
















In [58]:



    


colt$Weight[colt$Horse == "Alta1"]



    


















    







    
	
  1. 795
    2. 
	
  2. 730
    3. 
	
  3. 750
    4. 
	
  4. 740
    5. 
	
  5. NA
    6. 
	
  6. 805
    7. 
	
  7. 830
    8. 
	
  8. 886
    9. 
	
  9. NA
    10. 
	
  10. NA
    11. 



















In [57]:



    


as.numeric(colt$Weight[colt$Horse == "Alta1"])



    


















    







    
	
  1. 795
    2. 
	
  2. 730
    3. 
	
  3. 750
    4. 
	
  4. 740
    5. 
	
  5. NA
    6. 
	
  6. 805
    7. 
	
  7. 830
    8. 
	
  8. 886
    9. 
	
  9. NA
    10. 
	
  10. NA
    11. 



















In [38]:



    


typeof(colt$Weight[colt$Horse == "Alta1"])



    


















    






'integer'
















In [40]:



    


typeof(colt$TV[colt$Horse == "Alta1"])



    


















    






'integer'
















In [43]:



    


dummy = colt$TV[colt$Horse == "Alta1"]



    











In [44]:



    


typeof(dummy)



    


















    






'integer'
















In [52]:



    


class(dummy)



    


















    






'factor'
















In [53]:



    


dummy = as.numeric(dummy)



    











In [54]:



    


class(dummy)



    


















    






'numeric'
















In [47]:



    


typeof(dummy[1])



    


















    






'integer'
















In [51]:



    


is.numeric(dummy[1])



    


















    






FALSE
















In [45]:



    


is.vector(dummy)



    


















    






FALSE
















In [41]:



    


typeof(1.2)



    


















    






'double'
















In [26]:



    


rapply(horses,f=print)



    


















    






Error in rapply(horses, f = print): 'object' must be a list
Traceback:

1. rapply(horses, f = print)
2. stop("'object' must be a list")
















In [27]:



    


mode(horses)



    


















    






'character'
















In [28]:



    


is.vector(horses)



    


















    






TRUE
















In [ ]:

Content source: lindsayad/jupyter_notebooks

Similar notebooks:

notebook.community | gallery | about