我记了一个R视频笔记-提示我该学哪些

1.R语言、Rstudio简介

  • 11:50 CRAN官方网站
image-20191002135537331

Task views 比如我想做生存分析 但是我不知道生存分析哪些包可以做，这时我就可以在这里面找

向下拉可以看到有很多包，可以看到有的包后面带有core字样，这种为核心包

展示这个包的函数的用法及

  • 19:38 Rstudio网站的包
image-20191002150829525
  • 23:00推荐R网站

r-bolggers

Rdocumentation：包含cran、bioconductor 、github

中文网站：统计之都（可在网站中提问）

  • 27:00Rstudio基本设置

    • 功能区（主要是plots、packages、help三个工具框）
    • packages-install：可以安装cran上的包或者已经下载好的以.tgz和.tar.gz的包
      • install dependencies 是否安装依赖包，如果不勾选，一些包的功能就无法实现
    • help上的帮助问答和在cran官网上看到的包的帮助文档是一样的
      • image-20191002154538382

  • 34:04Rstudio上的工具框

    • file:同左上角点击+新建rscripts
    • import dataset ：from csv\spss 等
    • tools：点击global options
      • appearance
      • packages：镜像问题 r语言在中国也是有镜像的，因此不需要登录到美国去，可以增加下包的速度
      • code：点击saving：改变默认字符编码格式，改成UTF-8,为了方便我们以后读入含有中文的数据集，防止出现乱码
    • 改变四个框的排版问题
    image-20191002153214069

  • 保存问题

    • 如果是untitiled,退出后写的代码不会消失
    • 如果已经点过保存，那么会让你命名，如果接下来对代码进行了修改，那么关掉时会询问，如果点击don‘t save，那么刚才修改了的代码就不会保存下来，点击save才会保存最后关掉时的代码

2.R包的安装、向量

  • 02:11R包安装函数 install.packages后面的r包名称要是一个字符串，也就是加了''的

    • repos：传入的镜像地址可以提高下载r包速度
    • dependencies 逻辑参数，默认是设置为true的
    • installed.packages
    • 三种包来源：cran、bioconductor、github（devtools）

  • 10:47devtools帮助从github上下载包

    • devtools是扩展包，不是R的内置包，使用前必须要加载

  • 16:00查看安装的r包所在的位置 .libPaths()

  • 卸载包remove.packages()

  • 18:46向量

    • 赋值 <- =推荐前者

    • identical 可以用来判断两个向量是否一样，只有全部（位置）一样，才返回TRUE

      #根据向量位置，也就是位置
vector <- 1:10
vector[1:4] #1:4为1到4
vector[-c(2,5,8)] #2,5,8是下标
vector2<-c(1,4,'ABC','nihao')#通过c函数将括号里面所有的封装在一起

  • 思考题

    • x<-1:5
y<-6:10
x+y
x<-1
x+y

3.数值型、逻辑型向量

  • 1:20向量类型

    • 数值型向量：r语言中只有数值型，无整型intrger、浮点型floot的区分

    • 当有y<-1:3,class(y),结果就是integer

    • seq

    • seq(from=1,to =5,by=0.5)
seq(1,5,length.out=8)
seq(1,5,len=-10)
seq(1,5,along.with=1:3)

    • rep

    • rep(c(1,3),time=5)
rep(c(1,3),each=5)
rep(c(1,3),leng=9)

  • 19:09逻辑型

    • 非错即对

    • logit<-c(100>99,100>101)

    • 进行逻辑判断：'>' '<' '==' '!='

    • AND符号：& 必须全部满足，才会返回true

    • c(100>90&100>100)
[1]FALSE
c(100>90&110>100)
[1]TRUE

4.逻辑表达式&字符串向量

  • 00:50逻辑表达式

    • x<-seq(1,100,lenth.out = 20) #是一个均分的过程
index<- x > 80#当不知道下标时，需要一个逻辑向量的概念
x[index]#默认取出true
#也可以通过下标来取出，如下
which(x>80)
x[which(x>80)]
x[x>80&x<90]
x[x>80|x<90]

  • 9:30 字符串

    • 用''包括

    • string<-c('abc','def',1,2)#1就不再是数值型，而是字符型
class(string[3])
[1] 'character'
is.character(string)
[1] TRUE

  • 12:16 letters/LETTERS都是向量

    • 目的：帮助在进行因子型操作时可以更简洁生成分类变量

    • letters[1:5]
[1]'a''b''c''d''e'
LETTERS[24:28]
[1]'X''Y''Z'NA NA

    • 上面的NA是因为没有这个元素，用下标提取时，由于没有这个下标的元素，就会产生NA

  • 15:40总结注意理解用[]+逻辑表达式进行元素的提取

5.因子型变量

  • 00:25也可以是分类变量

    • 男女、血型：无序型变量
    • 药物是否有效：无效、有效、痊愈，有序型变量，因为是一个逐渐递增的过程

  • 01:58在r中介绍

    • my_fac<-factor(x=c(1,2),times=5,leves=c(1,2),labels=c('male','female'))
class(my_fac)

      my_fac2<-factor(LETTERS[1:5],labels = letters[1:5])
my_fac3<-factor(1:5,labels = letters[1:5])
my_fac4<-gl(n=2,k=5,labels = c('control','treatment'))
my_fac5<-gl(n=2,k=1,length=8,labels = c('control','treatment'))

      temp_string<-c('A','B','AB','0')
my_fac6<-as.factor(temp_string) #把temp_string变成因子
my_fac6
as.character(my_fac6)#互相转换

      nlevels(my_fac6)#可以查看有几个水平，通常结合as.factor使用
[1] 4
leves(my_fac6)
[1]'A','B','AB','0'

  • 16:20 reference：得到的结果都要同reference来进行比较，就需要生成一个哑变量，就是这个reference

    • my_fac7<-relevel(my_fac6,ref='b')
my_fac7
[1]A B AB 0
Levels:B A AB 0 #这里的levels就是讲B设置为了reference，也就是哑变量,出现在第一位
my_fac6
[1]A B AB 0 #未设置前默认A第一位是这个哑变量
Levels：A B AB 0

  • 19:34 有序型因子变量

    • x<-c('0mg','10mg','20mg','50mg')
my_order_fac<-factor(x,ordered=T)
[1]0mg 10mg 20mg 50mg
levels：0mg<10mg<20mg<50mg
#有一个扩展包DescTools #的reorder函数
x<-c('p','10mg','20mg','50mg')
my_order_fac<-factor(x,ordered=T)
my_order_fac
[1] p 10mg 20mg 50mg
levels:10mg<20mg<50mg<p
library(DescTools)
my_order_fac2<-reorder.factor(my_order_fac,new.order = x)
[1] p 10mg 20mg 50mg
levels:p<10mg<20mg<50mg

6.列表&矩阵

  • 1:15列表&矩阵

  • 2:10在r中生成列表

    • my_list<-list(1,2,3,'R','nihao',TRUE,FALSE)
[[1]]
[1] 1

[[2]]
[1] 2

[[3]]
[1] 3

[[4]]
[1] "R"

[[5]]
[1] "nihao"

[[6]]
[1] TRUE

[[7]]
[1] FALSE

  • 4:50从list中提取元素

    • > my_list2<-list(1:10,letters[1:5])
> my_list2
[[1]]
 [1]  1  2  3  4  5  6  7  8  9 10

[[2]]
[1] "a" "b" "c" "d" "e"
> my_list2[1]
[[1]]
 [1]  1  2  3  4  5  6  7  8  9 10

> class(my_list2[1])
[1] "list"
> my_list2[[1]]
 [1]  1  2  3  4  5  6  7  8  9 10
> class(my_list2[[1]])
[1] "integer"
> my_list2[[1]][3]
[1] 3
> my_list2[[2]]
[1] "a" "b" "c" "d" "e"
> my_list2[[2]][4]
[1] "d"

  • 8:20 再建一个比较复杂的list,list可以包含list

    • my_list3 <- list(1:10,letters[1:5],list=(11:14,LETTERS[1:5]))
#找到my_list3里的大写A
> my_list3<-list(1:10,letters[1:5],list(11:14,LETTERS[1:5]))
> my_list3
[[1]]
 [1]  1  2  3  4  5  6  7  8  9 10

[[2]]
[1] "a" "b" "c" "d" "e"

[[3]]
[[3]][[1]]
[1] 11 12 13 14

[[3]][[2]]
[1] "A" "B" "C" "D" "E"


> my_list3[[3]][[2]][1] #两个[[]]可以取到下一层，一个[]还是list，往下取就是matrix
[1] "A"

  • 11:40 矩阵

    • 是一个线性代数的一个概念

    • my_matrix<-matrix(data=1:6,nrow=2,brow=TRUE)#brow默认是false，就是默认是按列排列的
my_matrix2<-matrix(data=1:10,nrow=5)
> my_matrix3
     [,1] [,2] [,3] [,4]
[1,]    2    2    2    2
[2,]    2    2    2    2
[3,]    2    2    2    2
> my_matrix4<-matrix(data = letters[1:3], nrow = 2,ncol = 4)
Warning message:
In matrix(data = letters[1:3], nrow = 2, ncol = 4) :
  数据长度[3]不是矩阵行数[2]的整倍
> my_matrix4
     [,1] [,2] [,3] [,4]
[1,] "a"  "c"  "b"  "a" 
[2,] "b"  "a"  "c"  "b" 
> my_matrix5<-matrix(data = 1:12,nrow = 3,ncol = 4,dimnames = list(c('a','b','c'),c('v1','v2','v3','v4')))
> my_matrix5
  v1 v2 v3 v4
a  1  4  7 10
b  2  5  8 11
c  3  6  9 12

  • 19:50转至

    • 也是线性代数的一个概念

    • > t(my_matrix5)
    a  b  c
v1  1  2  3
v2  4  5  6
v3  7  8  9
v4 10 11 12

  • 20:50除了列表外，向量、矩阵李敏所要求的数值型类型必须是相同的，即使原本传入的是数值型，matrix也会把数值型转变成字符型

    • > my_matrix6<-matrix(c(1:5,letters[1:5]),nrow = 2)
> my_matrix6
     [,1] [,2] [,3] [,4] [,5]
[1,] "1"  "3"  "5"  "b"  "d" 
[2,] "2"  "4"  "a"  "c"  "e"

7.数组&初识数据框

  • 0050:生成数组

    • array，括号里依次是行、列、层

    • > my_array<- array(data=1:16,dim=c(2,4,2)) ##第一个数组示例
> my_array
, , 1

     [,1] [,2] [,3] [,4]
[1,]    1    3    5    7
[2,]    2    4    6    8

, , 2

     [,1] [,2] [,3] [,4]
[1,]    9   11   13   15
[2,]   10   12   14   16

> my_array2<-  array(1:16,dim=c(4,2,2),dimnames=list(c(LETTERS[1:4]),c('col1','col2'),c('first','second')))  ##第二个数组示例，包括给数组命名
> my_array2
, , first

  col1 col2
A    1    5
B    2    6
C    3    7
D    4    8

, , second

  col1 col2
A    9   13
B   10   14
C   11   15
D   12   16

  • 10:58数据框

    • 生成数据框

    • > my_df<-data.frame(name=c('TOM','ANDY','MARRY'),age=c(24,25,26),hegight=c(178,156,176))
> my_df
   name age hegight
1   TOM  24     178
2  ANDY  25     156
3 MARRY  26     176

    • nrow、ncol

  • 18:20介绍iris数据集

8.数据框

  • 00：50注意变量名

    • 当某一列长度不一样，会报错
    • str 查看结构
    • stringsAsFactors = FALSE

  • 08:40数据操作

    • my_df$four <-letters[1:5,1:5]#新增
my_df2<-edit(my_df)#弹出后，修改某一个数值，必须赋值一个新变量
fix(my_df)#永久改，不需要赋值一个新的变量

  • 16:40 head tail

  • 18:30 describe(iris)用来查看数据框里更多内容：mean

  • 21:55names查看变量名names(iris)<-c('a','b','c','d','e')

  • 23:50把变量名改成中文,可以帮助改变量名，解决中文乱码

    • 需要增加一行代码

    • Sys.setlocale(catrgory = 'LC_CTYPE',locale='zh_CN.UTF-8')#mac系统
Sys.setlocale(locale='chinese') #windows可以改

9.数据框的基本操作

  • 01:40cbind函数 ：按列合并要求必须行数相同
image-20191003122444068
image-20191003122456621

  • 03:20rbind函数：按行合并，要求有相同的变量数目

  • 06:50merge函数 不加任何参数，会按相同列进行merge

  • 11:50数据框的切分

    • 抽样sample

    • iris[sample(1:nrow(iris),30,),]#行数的下标

  • 17:15随机数种子set.seed为了方便后续可重复性操作

下面是3中切分方式

  • 18:20大刀阔斧切分

    • split

    • iris_sub2<-split[iris,f = iris $setosa]#会切分出三个小数据框，只有list可以容纳3个数据框，因此iris_sub2是一个列表

  • 20:40手术刀切分

    • 根据逻辑表达式找到下标的位置

    • iris_sub3<- iris[iris$方=='setosa'& iris$我>4.5,1:2]#精细操作，用&增加逻辑条件，同时','后面又增加了只取1到2列

  • 23:40subset函数

    • iris_sub4<-subset(iris,iris$方=='setosa'& iris$我>4.5,select = 1:2)#select用来选择想要的列

10.条件与循环

  • 条件用if语句，判断条件是否成立，r里不推荐用
  • 04:30{}放在if语句后面，为执行语句==放在同一行，要用；====else要跟在第二个‘}’==,要是else另起一行，r语言就不认识了
image-20191003130946507

  • 09:30循环-repeat

    • repeat是一个语句，因此后面也跟{}，表示重复。

    • > i<- 5
> repeat{if (i>25) break else
+ {print(i)
+   i<-i+5}
+ }
[1] 5
[1] 10
[1] 15
[1] 20
[1] 25

  • 12:10 while

    • while 当满足时就执行这个语句体，当不满足时，就不执行

    • > i<-5
> while(i <=25){
+   print(i)
+   i<-i+5
+ }
[1] 5
[1] 10
[1] 15
[1] 20
[1] 25

  • for 语句

    • > for (i in 1:10){    ##i为在事先赋值，让i在1:10里循环，这也是一个体现向量化循环
+   print(i)
+ }
[1] 1
[1] 2
[1] 3
[1] 4
[1] 5
[1] 6
[1] 7
[1] 8
[1] 9
[1] 10

      > set.seed(2017)
> x<-sample(10:100,10)
> y<-sample(1:100,10)
> for(i in 1:10){#i可以看成是一个位置，就是往z里填充元素，但是这个z装下是个数
+   z[i]= x[i]>y[i] 
+   }
> z
 [1] FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE
> x
 [1] 37 14 39 46 94 27 35 42 99 38
> y
 [1] 89  1 56 57 70 86 63 44 72 69
      • ==append==但是把z附一个初值
      > ####append
> set.seed(2017) #结合了for循环，就会变成向量化操作
> x<-sample(10:100,10)
> y<-sample(1:100,10)
> z<-NULL
> for(i in 1:10){
+   if(x[i] > y[i]){
+     z= append(z,x[i])  #append追究添加到z的结果里，先进行一个 if(x[i]>y[i]的判断
+   }
+ }
> z
[1] 14 94 99
> x
 [1] 37 14 39 46 94 27 35 42 99 38
> y
 [1] 89  1 56 57 70 86 63 44 72 69

  • 19:00两重循环

    • mat<-matrix(NA,nrow = 4,ncol = 5)
for(i in 1:4){
  for(j in 1:5){
    mat[i,j] <- 2
  }
}
      image-20191003133625109
    • image-20191003133650909

11.自定义函数&数据读取

  • 01:00mean()

  • 04:20自定义函数

    • #三个...代表缺省参数,{}里面是函数体
(1)my_fun1<-function(x,y){
  x+y
}
my_fun1(1+2)

(2)my_fun2<-function(x,y=2){   #x是实名参数
  x+y
}
my_fun2(1)

(3)values<-c(sqrt(1:100))
my_fun3<-function(x,...){ #不知道summary里有什么参数因此两个...相互呼应,完全一致的
  print(x)
  summary(...)
}
my_fun3('here is the summary for values:',values,digits=2)

(4)addemup<-function(x,...){
  args<-list(...)
  for(a in args) x<-x+a
  x
}
addemup(1,2,3,4,5)

(5)normalize<-function(x,m=mean(x,...),s=sd(x,...),...){
  (x-m)/s
}
normalize(x=1:100)

  • 14:20从外部读取数据

    • 顶部File 》Impotr Dataset
      • comma：逗号分隔符
    • read.csv对应.csv
      • header:设置为真，就是第一行为变量名
      • sep：默认是‘，’
      • col.names：对列名想要更改可以重新定义它
    • read.table对应.txt
    • ==library====(read_exc====el)==》read_excel函数
    • XLConnect包
image-20191004094417173

12.数据的读取与写出

  • 00:50scan/cat
    • scan函数 扫描
    • cat函数 读出去 file = 就是一个完整路径，在最后命个名
  • 03:15读取SPSS SAS SATAT
    • library(foreign)
    • readLines可以读取fasta
    • stringi包也可以读取fasta，也就是文本格式
  • 14:00导出去
  • write.csv
  • 读取excel时不能用read.csv，但是导出excel时可以用write.csv
    • 如果是新文件不需要设置append=T，如果是已经存在的文件需要加参数append=T
  • writeLines()

13.数据排序与长宽型数据转换

  • sort、rank（秩次，返回的是位置）

  • order(x)可对数据框排序，返回的是排序前的元素当按照从小到大排列后，排序前的元素的位置

    • > x<-c(23,24,56,46,78,2,95,47)
> sort(x)
[1]  2 23 24 46 47 56 78 95
> rank(x)
[1] 2 3 6 4 7 1 8 5
> order(x)
[1] 6 1 2 4 8 3 5 7
> x[order(x)]
[1]  2 23 24 46 47 56 78 95

  • 12:30长宽数据转换-stack

    image-20191004103528348
    image-20191004103554576
  • image-20191004103802869
    image-20191004103834437

    • Value:值

      index：分类

  • 16:30reshape

  • image-20191004110403412

  • 22:00reshape2进行长宽型数据转换

    • 判断是长形数据还是宽型数据，若是宽型数据，我们就用melt函数把它融化成长形数据，其中id.vars=...，这个...如果是长形数据，那么这一列就不需要融化，就用id.vars给标识出来就可以
    #melt()融化函数 参数：id.vars= 就是标示出不融化的
#dcast()汇总函数 参数：
#(1)formula= Species～variable formula就是写一个公式，标识变量写在左边，想要操作的变量写在右边，
#(2)fun.aggregate 汇总函数 
#(3)value.var 对哪个变量进行汇总

  • 26:00复杂一点的数据

    • 下面这个后5列都是长形数据，是一个不同水平堆栈在一起的一个结构，只有前两列是纯粹数据。因此不需要melt来融化了，直接可以用dcast()函数
  • image-20191004111925715
    tips #上面的图片来自tips数据
dcast(data=tips,formula = sex~. , fun.aggregate = mean, value.var = tip)#.是目前仅对sex这一个分类变量，用.来进行站位

dcast(dcast(data=tips,formula = sex~somker , fun.aggregate = mean, value.var = tip))

14.变量的因子化

  • 变量的因子化：患者年龄，不能按照连续性变量，但可以变成分类变量

  • 1.公式法

    age<-sample(20:80,20)
> age
 [1] 59 41 68 27 26 23 47 58 44 75 72 38 77 24 56 48 74 66 54 70
age1<-1+(age>30)+(age>=40)+(age>=50)
age2<-1*(age<30)+2*(age>=30&age<40)+3*(age>=40&age<50)+4*(age>50)

  • 2.cut()

  • age3<-cut(age,breaks = 4,labels = 'young','middle','m-old','old'),include.lowest = TRUE, right =TRUE)

> age4<-cut(age,breaks = seq(20,80,length=4),labels = 'young','middle','m-old','old')
Error in cut.default(age, breaks = seq(20, 80, length = 4), labels = "young",  : 
  'breaks'和'labels'的长度不一样
    • 小插播seq，加length和不加length的区别
    > seq(20,80,4)
 [1] 20 24 28 32 36 40 44 48 52 56 60 64 68 72 76 80
> seq(20,80,length=4)
 [1] 20 40 60 80

  • 3.ifelse()

  • ifelse(age>35,'old','young')
ifelse(age>60,ifelse(age<30,'young','old',))
> ifelse(age>60,'old',ifelse(age<30,'young','middle'))
 [1] "middle" "middle" "old"    "young"  "young"  "young"  "middle" "middle" "middle" "old"    "old"   
[12] "middle" "old"    "young"  "middle" "middle" "old"    "old"    "middle" "old"

  • 4.car()扩展包

  • recode(var=age,recodes="20:29 =1;30:39=2;40:49=3;50:hio=4")

15.apply函数家族

  • 00:44数据汇总

  • 3:00apply+lapply

  • mat<-matrix(1:24,nrow =4,ncol= 6)
apply(mat,1,sum)
apply(iris[,1:4],2,mean)
lapply(X = c(1:5),FUN = log)#返回的是list #遍历
lapply(iris[,1:3],function(x)lm_x~iris$Petal.Width,data=iris[,1:3])

  • 07:40sapply 返回的是向量、矩阵、数据框

  • sapply(1:5,log)
sapply(1:5,function(x)x+3)

  • 09:26tapply 只适用于数据框，是根据分类变量将一个数值型变量进行切分，在进行数据汇总

  • tapply(X=iris$Sepal.Length,INDEX = iris$Species,FUN = mean)

  • 11:40mapply

    myfun<-function(x,y){
  if(x>4)return(y)
  else return(x+y)
}
myfun(1:5,2:6)

mappply(myfun,1:5,2:6)

16.数据汇总函数

  • 1:30 Ave

  • 3:00 by

  • 5:50aggrate 根据数据框原本的变量生成新的变量

  • view(mtcars)
    image-20191004162515374

  • 14:30vsweep 针对数组

17.plyr包

  • image-20191004171145882
    image-20191004172823006

    ==上面显示sex和smoker的方法是相同的意思，都是分类变量==

  • 21:00dlply,lapply输出都是list，在做回归分析时用的多

    ​ 比如对iris数据集中的两个变量进行回归

    my_model<-function(x)lm(Sepal.length~Sepal.Width,data =x)
dlply(iris,~Species,my_model)

    ==上面不太懂==

  • 23:50 each()、colwise()、numcolwise()对数据集进行批量操作
  • image-20191004175815830
  • image-20191004180310297

18.dplyr包

  • 00:40filter

    sub1<-filter(tips,tis$smoker=='No',tips$day=='Sun')#filter只针对数据框的行进行筛选
sub2<-slice(tips,1:5)#针对行
sub3<-select(tips,tip,sex,smoker)
sub4<-select(tips,2:5)

  • Arrange()

  • nex_tips <- arrange(tips,desc(total_bill),tip)
head(nes_tips)

new_tips<-rename(tips,bill = total_bill,tipp = tip)
distinct(tips,day)#返回因子水平函数

  • mutate()

  • mutate(tips,rate=tip/total,new_rate=rate*100)#new_rate和rate同步运行
#transform这种情况就会报错，运行rate，可直接new_rate
transform(tips,rate=tip/total,new_rate=rate*100)

  • sample_n

  • sample_n(iris,size=10)#随机抽取10行，
sample_frac(iris,0.1)#随机抽取10%的行数，数据有150行，抽取15行

  • group_by,与summarise结合使用

  • group = group_by(tips,smoker)#把数据框中根据分类变量进行分组，然后进行汇总操作
summarise(group,count = n(),mean_tips = mean(tip),sd_bill=sd(total_bill))#n用来计数

  • %>%管道符

  • result<-tips %in% group_by(smoker,sex) %in% summarise(group,count = n(),mean_tips = mean(tip),sd_bill=sd(total_bill))

  • 20:20join家族

  • df_a<-data.frame(x=c('a','b','c','a','c','b','c'),y=1:7)
df_b<-data.frame(x=c('a','b','c'),z=10:12)

inner_join(df_a,df_b,by='x')

semi_join(df_a,df_b,by='x')

anti_join(df_a,df_b,by='x')

left_join(df_a,df_b,by='x')

right_join(df_a,df_b,by='x')

19.data.table

  • data.table 变量长度不一样时，长度短的变量会自动重复

  • dt<-dta.table(v1=c(1,2),v2=LETTERS[1:3],v3=round(rnorm(12,2,2)),v4=sample(1:20,12))#rnorm 生成均值为2标准差为2的服从标准正态分布

dt[3:6,]
dt[v2=='B']同df[v2=='B',]相同
dt[v2 %in% c('A','B')]
dt[,list(1,2)]
dt[,list(sum_v4=sum(4),mean_v4=mean(v4))]
dt[,list(v5=v4+1,v6=v3-1)]
dt[,{print(v2);plot(1:12,v3,col='red')}] #;的作用就是分行 
dt[,list(sum_v3=sum(v3),mean_v4=mean(v4),by=v2)]
dt[,list(sum_v3=sum(v3),mean_v4=mean(v4),by=.(v1,v2)]
dt[,list(sum_v3=sum(v3),mean_v4=mean(v4),by=list(v1,v2)]         
dt[1:8,list(sum_v3=sum(v3),mean_v4=mean(v4),by=v2)]
#N频数汇总
dt[,.N,by=list(v1,v2)]
dt[,v5 : v4+1]
dt[,c('v5','v6'):= list(v3+1,v4-1]

  • Set key()设置关键变量

  • attach(iris)#如果不知道Species在attach里面，就可以先执行attach
Species
detach(iris)

setkey(df,v2)#setkey设置让r知道现在要对df的v2进行搜索了
dt[c('A','C')]

dt[v2 %in% c('a','c')]

  • nomatch

    dt[c('A','D'),nomatch=0] #没有D就不显示出来

  • by = .EACHI

  • %>% 串联操作

  • dt[,.(v4_sum = sum(v4)),by = v2][v4_sum>40]

20.缺失值的识别与处理(1)

  • NA

  • X<-C(1,2.3,NA,NA,4)
mean(x,na.rm=TRUE)
sum(x,na.rm=TRUE)
#对确实值求个数
sum(is.na(x))
#去掉na
x[!is.na(x)]


    iris_na<-iris
for(i in 1:4){
  iris_na[sample(1:nrow(iris),5),i]==NA
}
sapply(iris_na[,1:4],function(x)which(is.na(x)))
sapply(iris_na[,1:4],function(x)sum(is.na(x)))

  • psych包

  • library(psych)
describe(iris_na)#由于前面我们设置了5个确实值，所以现在返回的是145行，把有na值的行直接去掉了
sapply(iris_na[,1:4],function(x)(sum(is.na(x))/nrow(iris_na)))
lm()

  • 09:30回顾分析里有确实值

  • lm(Sepal.Length~Width,data = iris_na, na.action = na.omit)
mean_value<-sapply(iris_na[,1:4],mean,na.rm =TRUE)

for(i in 1:4){
  iris_na[is.na(iris_na[,i]),i]] = mean_value[i]
}
summary(iris_na)#可以计算mean了，说明现在没有na了
describe(iris_na)#看看此时na是不是150了

  • 14:20新创立一个数据集

    >cancer <- data.frame(id= 1:1000,#replace=T,可以设置重复取值
                    sur_days=sample(100:1000,1000,replace =TRUE),
                    type= sample(c('colon','liver','lung'),1000,replace =TRUE),
                    treatment = sample(c('chemo','sugr'),1000,replace = T))

> cancer
     id sur_days  type treatment
1     1      193 colon     chemo
2     2      273 colon      sugr
3     3      551 liver      sugr
4     4      830 liver      sugr
5     5      457  lung     chemo
6     6      207  lung      sugr

##随机生成一些确实值
cancer[sample(1:1000,90),2]<-NA
mean_value<- tapply(cancer$sur_days,list(cancer$type,cancer$treatment),mean,na.rm=TRUE)
> mean_value
         chemo     sugr
colon 532.6167 564.6667
liver 583.8652 566.6500
lung  549.1429 582.9648

for(i in 1:3){
  for(j in 1:2){
    cancer$sur_days[is.na(cancer$sur_days)&cancer$type == rownames(mean_value)[i]& cancer$treatment == colnames(mean_value)[j]]= mean_value[i,j]
  }
}#因为上面的mean——value是有两个维度的所以要有i和j两个变量

21.缺失值的识别与处理(2)

  • 缺失值的识别与处理
rm(list = ls())
library(mlbench)
data('BostonHousing')
head(BostonHousing)

original_data<-BostonHousing
set.seed(2017)
BostonHousing[sample(1:nrow(BostonHousing),80),'rad']<-NA #生成缺失值
BostonHousing[sample(1:nrow(BostonHousing),80),'PTRATION']<-NA
library(mice)
md.pattern(BostonHousing) 

library(Hmisc)

im_mean<-impute(BostonHousing$ptratio,median)
head(im_mean)
BostonHousing$ptratio<-NULL
  • mice包进行缺失值的插补

mice_mod<-mice(BostonHousing[,!names(BostonHousing)%in% 'medv'],method = 'rf')#rf是随机森林的缩写，不要把medv这个变量放进来，接下来做回归分析把缺失值的作为因变量，其他不含缺失值变量的作为自变量，建立一种模型来进行回归，对因变量进行估计，最后预测那些缺失值是多少。现在ptratio因为含有缺失值，就是这里面的因变量
mice_output<-complete(mice_mod)

actuals <- original_data$rad[is.na(BostonHousing$rad)]

predics<-mice_output[is.na(BostonHousing$rad)]

mean(actuals!=predicts)
  • VIM包
library(VIM)
data('airquality')
md.pattern(airquality)

aggr_plot<-aggr(airquality,col=c('red','green'),numbers=TRUE,sortVars = TRUE,labels = names(airquality),cex.axis = 0.7,gap = 3) #numbers真是把缺失值和不缺失值的比例显示出来，sortVars是根据缺失值的多少进行排序

#另一个可视化的函数

marginplot(airquality[1:2])

#把因变量的值当成未知，用自变量对其预测

data(sleep)
head(sleep)
sleepIm<-regressionImp(Sleep+Gest+Span+Dream+NonD~BodyWgt+BrainWgt,data=sleep)
head(sleepIm)
#因变量放在公式的左边,就是在～左边。得到的TRUE表示之前此处是缺失值
#因变量有连续性变量和离散型变量，如果知道左侧的因变量都是分类变量面就可以用family='logical',如果不知道，就用family='auto'
sleepIm<-regressionImp(Sleep+Gest+Span+Dream+NonD~BodyWgt+BrainWgt,data=sleep,family='auto')
head(sleepIm)

22.异常值和重复值的处理

image-20191005164148850

  • 重复值的处理

    > x<-c(1,2,3,4,5,1,2,3)
> unique(x)
[1] 1 2 3 4 5
> duplicated(x)
[1] FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE
> tmp<-x[!duplicated(x)]
> tmp
[1] 1 2 3 4 5

23.字符串的处理

> x<-c('fudan','jiaoda')
> nchar(x)
[1] 5 6
> length(x)
[1] 2
> toupper('shengxinjinengshu')
[1] "SHENGXINJINENGSHU"
> tolower('SHENGXINJINENGSHU')
[1] "shengxinjinengshu"

> stringa<-LETTERS[1:5]
> STRINGB<-1:5
> paste(stringa,STRINGB,sep = '-')
[1] "A-1" "B-2" "C-3" "D-4" "E-5"
> paste(stringa,STRINGB,collapse = '-')
[1] "A 1-B 2-C 3-D 4-E 5"
 
> paste0(stringa,STRINGB)
[1] "A1" "B2" "C3" "D4" "E5"
> paste0(stringa,STRINGB,sep = '-')
[1] "A1-" "B2-" "C3-" "D4-" "E5-"
> paste0(stringa,STRINGB,collapse  = '-')
[1] "A1-B2-C3-D4-E5"

> stringC<-paste(stringa,STRINGB,sep = '/') 
> stringC
[1] "A/1" "B/2" "C/3" "D/4" "E/5"
> strsplit(stringC,split = '/')
[[1]]
[1] "A" "1"

[[2]]
[1] "B" "2"

[[3]]
[1] "C" "3"

[[4]]
[1] "D" "4"

[[5]]
[1] "E" "5"

> stringd<-c('sheng','xin','ji','neng','shu')
> sub_str<-substr(stringd,start = 2,stop = 4) 
> sub_str
[1] "hen" "in"  "i"   "eng" "hu" 
> substr(stringd,start = 2,stop = 4)<-'aaa'
> stringd
[1] "saaag" "xaa"   "ja"    "naaa"  "saa"   
> my_string <- c('above','about','abrotion','cab') 
> grep('ab\\b',my_string,value = T)
[1] "cab"
> grep('\\bab',my_string,value = T)
[1] "above"    "about"    "abrotion"
> money<-c('$1888','$2888','$3888') 
> as.numeric(money)
[1] NA NA NA
Warning message:
强制改变过程中产生了NA  
> gsub('\\$',replacement = '',money)
[1] "1888" "2888" "3888"
> sub('\\$',replacement = '',money)
[1] "1888" "2888" "3888"
> money2<-c('$1888 $2888 $3888')
> sub('\\$',replacement = '',money2)
[1] "1888 $2888 $3888"
> test_string<- c('happy','apple','application','apolitic') 
> regexpr('pp',test_string)
[1]  3  2  2 -1
attr(,"match.length")
[1]  2  2  2 -1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
> test_string[regexpr('pp',test_string)>0] #不匹配的就是-1
[1] "happy"       "apple"       "application"
> agrep()#匹配英美式
Error in agrep() : 缺少参数"pattern",也没有缺省值
> string1<-c('I need a favour','my favorite report','you made an error')
> agrep('favor',string1)
[1] 1 2
image-20191005173203407
  • grep（value=T和不加 的 区别）
image-20191005173247442
  • grepl
    • 没有value = T 这个参数
    • ignore.case = T，可以帮助忽略大小写
image-20191005173629633
image-20191005173834186
image-20191005173940484
  • 利用正则表达式
    • 找到字符串中的年份，如S2008
    • \\b表示放在最右边表示右边界
image-20191005174430380
image-20191005174532917

24.正则表达式

  • 网上
. 默认情况下, 句点匹配除新行符 (rn) 序列外的任何单个字符,例如, ab. 可以匹配 abc 和 abz 以及 ab_.
***** 星号匹配零个或多个前面的字符。例如, a* 可以匹配 ab 和 aaab. 它还可以匹配完全不包含 "a" 的任意字符串的开始处.通配符: 句点星号模式 .* 是匹配范围最广的模式之一, 因为它可以匹配零个或多个 任意 字符 (除了新行符: r 和n). 例如, abc.*123 可以匹配 abcAnything123, 也能匹配 abc123.
? 问号匹配零或一个前面的字符,可以理解为 "前面的那项是可选的". 例如, colou?r 可以匹配 color 和 colour, 因为 "u" 是可选的.
+ 加号匹配一个或多个前面的字符，例如 a+ 可以匹配 ab 和 aaab. 但与 a+ 和 a? 不同的是, 模式 a+ 不会匹配开始处没有 "a" 的字符串.
{min,max} 匹配出现次数介于 min 和 max 的前面的字符, 例如, a{1,2} 可以匹配 ab 但只匹配 aaab 中的前两个 a.此外, {3} 表示准确匹配 3 次, 而 {3,} 则表示匹配 3 次或更多. 注: 且第一个必须小于等于第二个.
[...] 字符类: 方括号把一列字符或一个范围括在了一起 (或两者). 例如, [abc] 表示 "a, b 或 c 的中任何一个字符". 使用破折号来创建范围; 例如, [a-z] 表示 "在小写字母 a 和 z (包含的) 之间的任何一个字符". 列表和范围可以组合在一起; 例如 [a-zA-Z0-9_] 表示 "字母, 数字或下划线中的任何一个字符".字符类后面可以使用 *, ?, + 或 {min,max} 进行限定. 例如, [0-9]+ 匹配一个或多个任意数字; 因此它可以匹配 xyz123 但不会匹配 abcxyz.
[^...] 匹配 不 在类中的任何一个字符. 例如, [^/]* 匹配零个或多个 不是 正斜杠的任意字符, 例如 , [^0-9xyz] 匹配既不是数字也不是 x, y 或 z 的任何一个字符.
\d 匹配任意一个数字 (相当于类 [0-9]). 相反地，大写的\D表示“任意的非 数字字符”。 例如, [\d.-] 表示 "任何数字, 句点或负号".
\s 匹配任意单个空白字符 , 主要是==空格, tab 和新行符 (r 和n==). 相反地, 大写的 \S 表示 "任何 非空白字符".
\w 匹配任何==单个 "单词"== 字符, 即==字母, 数字或下划线==. 这等同于 [a-zA-Z0-9_]. 相反地, 大写的 \W 表示 "任何 非 单词字符".
  • R中的练习
> ###1.原义表达式
> mystring1<- c('apple','orange')
> grep('p',string1)
[1] 2

> ###2.转移表达式
> mystring2<-c('shuda','.dfs','-dsfd')
> grep('.',mysting2) #.作为pattern的话，是一个转义表达式，代表所有字符，包括它自己
[1] 1 2 3

> mystring3<-c('9aee','fese7','10000')
> grep('[7-9]',mystring3)
[1] 1 2
> 
> grep('[0-1]',mystring3)
[1] 3
> grep('[0-6]',mystring3)
[1] 3

> mystring4<-c('apple','application','abb')
> grep('^ap',mystring4)
[1] 1 2

> mystring3<-c('9aee','fese7','10000')
>
> grep('[^0-1]',mystring3)
[1] 1 2
> grep('[^7-9]',mystring3)
[1] 1 2 3
> grep('[^2-6]',mystring3)
[1] 1 2 3
> mystring3<-c('9aee','fese7','50000')
> grep('[^0-1]',mystring3)
[1] 1 2 3

> mystring6<-c('1220','2267','2226','12333')
> grep('2{2,3}',mystring6) #重复2到3次
[1] 1 2 3
> grep('2{2,}',mystring6) #重复大于等于2次的返回
[1] 1 2 3

> mystring7<-c('food','foot','foul','fans')
> grep('fo{1,}',mystring7)#只对o起作用
[1] 1 2 3
> grep('fo+',mystring7)
[1] 1 2 3
> grep('(fo){1,}',mystring7)
[1] 1 2 3

> mystring8<-c('kobe','messi','neymar')
> grep('^k|^m',mystring8)
[1] 1 2

> mystring9<-c('active','positive','negative','love')
> grep('ive$',mystring9)
[1] 1 2 3
> grep('ive\\b',mystring9) #\\b:boundry
[1] 1 2 3

> ###保义符
> mystring10<-c('ac^bb','^df')
> grep('\\^',mystring10)
[1] 1 2

25.stringr&stringi包

> ###stringr
> library(stringr)
> library(stringi)
> str_c('a','b',sep = '-') #与paste类似
[1] "a-b"
> str_length() #nchar()
Error in stri_length(string) : 缺少参数"string",也没有缺省值

> jns <- 'sheng xin ji neng shu'
> str_sub(jns,c(1,4,8),c(2,6,11)) #与substr()类似
[1] "sh"   "ng "  "in j"
> str_sub(jns,1,1)<-'S'
> jns
[1] "Sheng xin ji neng shu"

> fruit<-c('apple','pear','banana')
> str_dup(fruit,2)
[1] "appleapple"   "pearpear"     "bananabanana"
> str_dup(fruit,2:4)
[1] "appleapple"               "pearpearpear"            
[3] "bananabananabananabanana"
> str_dup(fruit,2:5) #循环补齐
[1] "appleapple"                "pearpearpear"             
[3] "bananabananabananabanana"  "appleappleappleappleapple"
Warning message:
In stri_dup(string, times) :
  longer object length is not a multiple of shorter object length

> string<- ' Eternal love for jns '
> str_trim(string ,side = 'both')
[1] "Eternal love for jns"

> phones<- c(' 219 733 8965','329-356-765 ','banana','456 789 234','764 126 893','apple','233.456.7656 ','333 555 7777','123 234 3456 and 456 567 6789','Work:333-666-8888','$1000','Home: 543.355.6790')
> str_extract(phones,'([1-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{4})') #{}内是重复几次
 [1] "219 733 8965" NA             NA             NA            
 [5] NA             NA             "233.456.7656" "333 555 7777"
 [9] "123 234 3456" "333-666-8888" NA             "543.355.6790"
> str_extract(phones,'([1-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{3,})') #{}内是重复几次
 [1] "219 733 8965" "329-356-765"  NA             "456 789 234" 
 [5] "764 126 893"  NA             "233.456.7656" "333 555 7777"
 [9] "123 234 3456" "333-666-8888" NA             "543.355.6790"
> 
> fruits<-c('one apple','two pears','three bananas')
> str_replace(fruits,'[aeiou]','-')
[1] "-ne apple"     "tw- pears"     "thr-e bananas"

> ###stringi
> stri_join(1:7,letters[1:7], sep='-')
[1] "1-a" "2-b" "3-c" "4-d" "5-e" "6-f" "7-g"
> stri_join(1:7,letters[1:7], collapse = '-')
[1] "1a-2b-3c-4d-5e-6f-7g"

> stri_cmp_eq('AB','aB')
[1] FALSE
> stri_cmp_neq('AB','aB')
[1] TRUE

> stri_cmp_lt('121','221')#不是当成数值比较，而是当成字符串比较,前者小于后者
[1] TRUE

> stri_cmp_lt('a121','b221')
[1] TRUE
> stri_cmp_lt('c121','b221')
[1] FALSE
> stri_cmp_gt('e121','b221')
[1] TRUE
> stri_cmp_gt('e321','b221')
[1] TRUE

> language<-c('Python','R','PHP','Ruby','Java','JavaScript','C','Oracle','C++','C#','Spark','GO','Room','Good','Pathon','ScriptJava','R2R','C+','C*')
> stri_count(language,fixed = 'R')
 [1] 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 2 0 0
> stri_count(language,regex = '^J')
 [1] 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0

> test<-'The\u00a0aboue-mentioned   features are very useful.  Warm thank to you.   Tomorrow is a, new $# day##'
> stri_count_boundaries(test,type='word')
[1] 44
> stri_count_boundaries(test,type='sentence')
[1] 3
> stri_count_boundaries(test,type='character')
[1] 97

> stri_dup(c('abc','pqrst'),c(4,2))
[1] "abcabcabcabc" "pqrstpqrst"  

> stri_duplicated(c('a','b','a',NA,'a',NA))
[1] FALSE FALSE  TRUE FALSE  TRUE  TRUE

> stri_duplicated(c('a','b','a',NA,'a',NA),fromLast = T) #从后往前判断
[1]  TRUE FALSE  TRUE  TRUE FALSE FALSE

> stri_duplicated_any(c('a','b','a',NA,'a',NA))
[1] 3

> stri_detect_fixed(c('stringi R','Rexamine','123'),c('i','R','0'))
[1]  TRUE  TRUE FALSE

> stri_detect_regex(c('apple','application','append','ape'),'^ap')
[1] TRUE TRUE TRUE TRUE
> 
> stri_detect_regex(c('apple','application','append','ape'),'^app')
[1]  TRUE  TRUE  TRUE FALSE

> stri_detect_regex(c('apple','application','append','ape'),'e\\b')
[1]  TRUE FALSE FALSE  TRUE

> stri_detect_regex(c('APPLE','application','appEND','ape'),'e\\b',case_insensitive = TRUE) #这个case_insensitive（忽略大小写）为什么不能补齐呢？
[1]  TRUE FALSE FALSE  TRUE

> stri_startswith_fixed(c('a1','a2','b3','a4','c5'),'a')
[1]  TRUE  TRUE FALSE  TRUE FALSE

> stri_startswith_fixed(c('a1','a2','b3','a4','c5'),'a1')
[1]  TRUE FALSE FALSE FALSE FALSE

> stri_startswith_fixed(c('abada','aabadc','abaee'),'ba',from = 2)
[1]  TRUE FALSE  TRUE

> stri_endswith_fixed(c('abaDC','aabadc','ababa'),'ba')
[1] FALSE FALSE  TRUE

> stri_endswith_fixed(c('abaDC','aabadc','ababa'),'ba',to = 3)
[1]  TRUE FALSE  TRUE

> stri_extract_all_fixed('abaBAba','Aba',case_insensitive = TRUE,overlap=T)
[[1]]
[1] "aba" "aBA" "Aba"

> stri_extract_all_boundaries('stringi: THE string processing package 123.45...')
[[1]]
[1] "stringi: "   "THE "        "string "     "processing " "package "   
[6] "123.45..."  


> stri_extract_all_words('stringi: THE string processing package 123.45...')
[[1]]
[1] "stringi"    "THE"        "string"     "processing" "package"   
[6] "123.45"    


> stri_isempty(c(',','','123'))
[1] FALSE  TRUE FALSE

> stri_locate_all('I love biotree, I love jinengshu',fixed = 'lo')
[[1]]
     start end
[1,]     3   4
[2,]    19  20
  • {2,4}匹配2到4次。\\b边界，放在最后就是右边界
image-20191006015240570
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 206,482评论 6赞 481
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 88,377评论 2赞 382
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 152,762评论 0赞 342
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 55,273评论 1赞 279
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 64,289评论 5赞 373
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 49,046评论 1赞 285
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 38,351评论 3赞 400
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 36,988评论 0赞 259
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 43,476评论 1赞 300
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,948评论 2赞 324
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,064评论 1赞 333
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 33,712评论 4赞 323
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 39,261评论 3赞 307
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,264评论 0赞 19
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,486评论 1赞 262
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 45,511评论 2赞 354
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 42,802评论 2赞 345