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. A
  3. B
  4. B
  5. A
  6. B

In [9]:
tree <- read.csv(file="/home/lindsayad/Downloads/trees91.csv", header=TRUE, sep=",")

In [10]:
tree


CNCHBRREPLFBMSTBMRTBMLFNCCSTNCCRTNCCRTKCCLFMGCCSTMGCCRTMGCCLFPCCSTPCCRTPCCLFSCCSTSCCRTSCC
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. 'N'
  3. 'CHBR'
  4. 'REP'
  5. 'LFBM'
  6. 'STBM'
  7. 'RTBM'
  8. 'LFNCC'
  9. 'STNCC'
  10. 'RTNCC'
  11. 'LFBCC'
  12. 'STBCC'
  13. 'RTBCC'
  14. 'LFCACC'
  15. 'STCACC'
  16. 'RTCACC'
  17. 'LFKCC'
  18. 'STKCC'
  19. 'RTKCC'
  20. 'LFMGCC'
  21. 'STMGCC'
  22. 'RTMGCC'
  23. 'LFPCC'
  24. 'STPCC'
  25. 'RTPCC'
  26. 'LFSCC'
  27. 'STSCC'
  28. 'RTSCC'
$class
'data.frame'
$row.names
  1. 1
  2. 2
  3. 3
  4. 4
  5. 5
  6. 6
  7. 7
  8. 8
  9. 9
  10. 10
  11. 11
  12. 12
  13. 13
  14. 14
  15. 15
  16. 16
  17. 17
  18. 18
  19. 19
  20. 20
  21. 21
  22. 22
  23. 23
  24. 24
  25. 25
  26. 26
  27. 27
  28. 28
  29. 29
  30. 30
  31. 31
  32. 32
  33. 33
  34. 34
  35. 35
  36. 36
  37. 37
  38. 38
  39. 39
  40. 40
  41. 41
  42. 42
  43. 43
  44. 44
  45. 45
  46. 46
  47. 47
  48. 48
  49. 49
  50. 50
  51. 51
  52. 52
  53. 53
  54. 54

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. 'b'
  3. 'bubba'
  4. 'heisenberg'
  5. 'tree'

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

In [20]:
tree$C = factor(tree$C)

In [21]:
levels(tree$C)


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

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

In [57]:
as.numeric(colt$Weight[colt$Horse == "Alta1"])


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

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 [ ]: