list.
向量等用$就可以。
s4也有例如，有个维恩包vennerable：s4类型，想取得里面intersectionsets，信息必须用@符号。
当一个函数里需要返回多个值（比如有变量，有向量，有矩阵）时，我们要用list,而不是return，这时如果想提取某个变量的结果，就需要用到$，默认情况下，对于
`list`,
`environment`
这两种对象，`$`可以提取（extract）出里面的元素。
扩展资料：
r语言操作环境：
r是一套由数据操作、计算和图形展示功能整合而成的套件。包括：有效的数据存储和处理功能，一套完整的数组（特别是矩阵）计算操作符，拥有完整体系的数据分析工具。
为数据分析和显示提供的强大图形功能，一套（源自s语言）完善、简单、有效的编程语言（包括条件、循环、自定义函数、输入输出功能）。
在这里使用”环境”（environment）是为了说明r的定位是一个完善、统一的系统，而非其他数据分析软件那样作为一个专门、不灵活的附属工具。
r很适合被用于发展中的新方法所进行的交互式数据分析。由于r是一个动态的环境，所以新发布的版本并不总是与之前发布的版本完全兼容。
某些用户欢迎这些变化因为新技术和新方法的所带来的好处；有些则会担心旧的代码不再可用。尽管r试图成为一种真正的编程语言，但是不要认为一个由r编写的程序可以长命百岁。
参考资料来源：百度百科-r语言
多序列比对表示不同序列中的氨基酸/核苷酸的位点同源性。 将序列比对用于进化分析时，处于相同位置的氨基酸/核苷酸位点则被认为在进化上是同源的，并且具有共同的祖先 。
其中，可视化多序列比对结果有多种方式，而ggmsa包简单方便，可视化效果令人眼前一新。官方网址及说明 https://github.com/YuLab-SMU/ggmsa 。
需要准备多序列比对结果（fasta格式文件）。
作图code
library(openxlsx) #加载读取Excel数据包#【输出设置】
#setwd("C:/Users/lst89/Documents/mvexer5") #设置目录
options(digits=4)
par(mar=c(4,4,2,1))
#第二章p57-2-1
R=matrix(c(1,0.8,0.26,0.67,0.34,0.8,1,0.33,0.59,0.34,0.26,0.33,1,0.37,0.21,0.67,0.59,0.37,1,0.35,0.34,0.34,0.21,0.35,1),nrow = 5,ncol = 5)
R #输入数据
solve(R) #求逆矩阵
R.e=eigen(R,symmetric=T) #symmetric是判断是否为对称阵，
R.e #求矩阵的特诊值
R.e $ vectors%*%diag(R.e $ values)%*%t(R.e $ vectors)#特征向量
#第二章p57-2-2
library(openxlsx) #加载读取Excel数据包
E2.2=read.xlsx('mvexer5.xlsx','E2.2')
E2.2 #读取mvexer5.xlsx表格E2.2数据
breaks = seq(0,3000,by = 300) #按组距为300编制频数表
breaks
hist(E2.2 $ X,breaks,col = 1:7,xlab = "工资(元)",ylab = "频数")#以工资x为横轴，频数y为纵轴，将数据划分为0-3000并以300为度量，绘制7列的彩色直方图
hist(E2.2 $ X ,breaks,freq = F,col = 1:7,xlab = "工资(元)",ylab = "频率")
Cumsum <- cumsum(E2.2 $ X)
cumsum
M <- seq(0,96000,by = 3000)
hist(Cumsum,M,freq = F,col = 1:12,las = 3,xlab = "工资(元)",ylab = "累积频率")#绘制出累计频率直方图
H = hist(E2.2 $ X,breaks = seq(900,3000,300))#正态概率图
names(H)
data.frame('组中距' = H $ mids,'频数' = H $ counts,'频率' = H $ density*300,'累积频率' = cumsum(H $ density*300))#
#第二章p57-2-3
library(openxlsx) #加载读取Excel数据包
E2.3=read.xlsx('mvexer5.xlsx','E2.3')
E2.3#读取mvexer5.xlsx表格E2.2数据
str(E2.3)
summary(E2.3)#对数据进行基本统计分析
#第三章P84-2.1
library(openxlsx)
E3.2 = read.xlsx('mvexer5.xlsx',sheet = 'E3.2',rowNames = TRUE)
#设定参数rowNames=TRUE，即可将第一列字符变量变成数据框的行名，供后期使用
E3.2
#在Excel文件中mvexer5.xlsx的表单d3.2中选择A1：E22，并复制到剪切板
dat = read.table("clipboard",header = T) #将剪切板数据读入数据框dat中
dat
#数据框标记转换函数
msa.X <- function(df){ #将数据框第一列设置为数据框行名
X = df[,-1] #删除数据框df的第一列并赋给X
rownames(X) = df[,1] #将df的第一列值赋给X的行名
X #返回新的数值数据框=return（X）
}
E3.2 = msa.X(dat)
E3.2
barplot(apply(E3.2,2,mean)) #按行作均值条形图
barplot(apply(E3.2,1,mean),las = 3) #修改横坐标标记
barplot(apply(E3.2,2,mean)) #按列作均值条图
barplot(apply(E3.2,2,median)) #按列作中位数条图
barplot(apply(E3.2,2,median),col = 1:8) #按列取色
boxplot(E3.2)#按列作箱尾图
boxplot(E3.2,horizontal = T) #箱尾图中图形按水平放置
#四p119-2-1
library(openxlsx) #加载读取Excel数据包
E4.1=read.table("clipboard",header = T)
E4.1
plot(x,y,main = '散点图',xlab = '每周加班时间（小时）',ylab = '每周签发的新保单数目（张）') #绘制散点图
cor(E4.1) #相关系数
lm4.1 <- lm(E4.1)
lm4.1
#估计值
square_sigma <- t(E4.1)/(10-1-1)#square_sigma <- t(x_hat - y)%*%(x_hat - y)/(10-1-1)
square_sigma
y = c(3.5,1,4,2,1,3,4.5,1.5,3,5)
x = c(825,215,1070,550,480,920,1350,325,670,1215)
y_hat <- 46.15 + 251.17*y
s <- t(y_hat - x)%*%(y_hat - x)/(10-1-1)
s
(summary(lm4.1) $ s)^2
#求方差分析
SR <- t(y_hat - mean(x))%*%(y_hat - mean(x))
ST <- t(x - mean(x))%*%(x - mean(x))
s_R <- SR/ST
s_R
(summary(lm4.1) $ r.squared)
anova(lm4.1)
#对回归方程作残差图分析
res <- residuals(lm4.1)
res
plot(y,res,main='残差散点图',xlab='每周签发的新保单数目',ylab='残差')
plot(lm4.1)
#计算1000张要加班的时间
lm4.1_1 <- lm(x ~ y,data = ee4.1)
predict(lm4.1_1,newdata = data.frame(y = 1000))
lm4.1_1 <- lm(y ~ x,data = ee4.1)
predict(lm4.1_1,newdata = data.frame(x = 1000))
#四p119-2-2
library(openxlsx)
E4.2 = read.xlsx('mvexer5.xlsx',sheet = 'E4.2',rowNames = T)
(lm4.2 = lm(y ~ x1 + x2,data = E4.2)) #显示多元线性回归模型
