scores <- read.table("scores.txt",header=TRUE, row.names="num") #读取数据,并且默认读取的行名称就是已有的“num”中的数据，读取完成后，可以查看数据的前几行使用以下命令：
head(scores) #回车完成读取
summary(scores) #读取数据的概述
summary(scores$math) #可以获取所有的数学成绩，类似的，还可以获取语文、生物等成绩
child<- scores['573',] #预读取学号为“573”这位同学的全部信息
sum(child) #计算该学生的总成绩
aver <- tapply(chem,class,mean) #计算某班的某一科目的平均成绩
plot(aver,type='b',ylim=c(40,50),main="各班化学成绩平均分",xlab="班级",ylab="化学平均分") #其他成绩也是可以的，其中ylim是纵坐标的最大最小值区间。
subjects <- ('chn','math','eng','phy','chem','bio','politics','history','geo') #获取到所有科目的成绩；
sapply(scores[class==4,subjects],mean) #获取四班所有科目的平均成绩
aggregate (scores[subjects],by=list(class),mean) #按照科目对所有科目进行平均分的计算（每个班只有一组数据，所以结果和原始数据的大小是一样的）
hist(eng) #输出英语成绩的直方图
[1]https://www.cnblogs.com/speeding/p/4107768.html R语言学习笔记：分析学生的考试成绩
刚接触R语言一周，和matab不同R作用于数据挖掘的库很多,详解见 R语言数据挖掘包
，下面简介文本分析经常使用到的三个包
tm 为文本挖掘提供综合性处理 Rwordmsg 进行中文分词 wordcloud 统计词云
以第三届泰迪杯A题提供的数据集国美-Sheet1进行文本分析 : 第三届泰迪杯
转化为txt的数据集如下图所示:
生成词云:
R语言实用案例分析-相关系数的应用在日常工作中，经常会存在多个变量之间存在关联关系，比如学习数学好的同学，物理成绩可能也比较高。在公司中外貌和讨人喜欢的关系往往也比较大，在人事招聘过程中，如果想要更加综合的评价某个人，需要把相关系数比较高的方面进行权重或者均值处理。
如以下案例：
现有30名应聘者来公司应聘，公司为这些应聘者制定了15项指标，分别是：求职信的形式（FL）、外貌（APP）、专业能力（AA）、讨人喜欢（LA）、自信心（SC）、洞察力（LC）、诚实（HON）、推销能力（SMS）、经验（EXP）、驾驶水平(DRV）、事业心（AMB）、理解能力（POT）、交际能力（KJ）和适应性（SUIT）。每项分数是从0到10分，0分最低，10分最高。每位求职者的15项指标如下所示，公司计划只录取前5名申请者，公司到底该如何选择呢？
#读入数据
rt<-read.table("applicant.data")
AVG<-apply(rt,1,mean)
sort(AVG,descreasing=TRUE)
attach(rt)
#找到相关系数高的分为一组，然后取平均值，防止值过大
rt$G1<-(SC+LC+SMS+DRV+AMB+GSP+POT)/7
rt$G2<-(FL+EXP+SUIT)/3
rt$G3<-(LA+HON+KJ)/3
rt$G4<-AA
rt$G5<-APP
AVG<-apply(rt[,16:20], 1, mean)
sort(AVG, decreasing = TRUE)
找出前5名
