str函数
即structure，紧凑的显示对象内部结构，即对象里有什么。
例如：当我们head数据的时候，若某列内容太多，则不会显示出来，而用str函数，便可在窗口中逐行显示数据中列的内容。
如下图，读取数据如下：
当使用head函数时，显示内容如下：
而使用了str函数之后，显示如下所示：
str函数即structure，紧凑的显示对象内部结构，即对象里有什么。例如：当我们head数据的时候，若某列内容太多，则不会显示出来，而用str函数，便可在窗口中逐行显示数据中列的内容。如下图，读取数据如下：当使用head函数时，显示内容如下：而使用了str函数之后，显示如下所示：
基本定制型
复制代码 代码如下:C.__init__(self[, arg1, …]) 构造器（带一些可选的参数）C.__new__(self[, arg1, …]) 构造器（带一些可选的参数）；通常用在设置不变数据类型的子类。C.__del__(self) 解构器C.__
str
__(self) 可打印的字符输出；内建
str
()及print 语句C.__repr__(self) 运行时的字符串输出；内建repr() 和‘‘ 操作符C.__unicode__(self)b Unicode 字符串输出；内建unicode()
C.__call__(self, *args) 表示可调用的实例C.__
str
（）
函数
的作用用英语来表示是：check classification of viriables,一般用于检查数据框当中有哪些数据，首先我们先引入一个“钻石”的数据看看，其中的代码如下所示：
> diamonds
# A tibble: 53,940 x 10
carat cut color clarity depth table price x ...
R语言
支持字符处理，内置了系列
函数
(grep、gsub等)，但系列
函数
定义混乱，对使用者极不方便。
str
ingr包是专门用于字符处理的R包，
函数
定义简洁、使用方式统一，是使用率较高的R包。
str
ingr包中的大部分
函数
具有统一风格的命名方式，以
str
_开头，正则表达式也完全适用该包。
环境&r软件
win10 64bit
R 3.6.1
install.packages(...
library(
str
ingr)
3.
str
ingr的API介绍
str
ingr包1.0.0版本，一共提供了30个
函数
，方便我们对字符串处理。常用的字符串的处理以
str
_开头来命名，方便更直观理解
函数
的定义。我们可以根据使用习惯对
函数
进行分类：
字符串拼接
函数
str
_c: 字符串拼接。
str
_join: 字符串拼接，同
str
_c。
str
_trim: 去掉字符串的
patientID <- c(1, 2, 3, 4)
age <- c(25, 34, 28, 52)
diabetes <- c("Type1","Type2","Type1","Type1")
status <- c("Poor","Improved","Excellent","Poor")
patientdata <- data.frame(patientID,...
有时候使用
R语言
处理后的结果需要按照原先文件的名称进行输出保存，可以使用sub
str
函数
从原先文件中提取部分需要的信息，使用paste
函数
或
str
_c
函数
拼接输出的路径与输出的文件名、文件格式等。因为自己只是在使用中，
学习
了这三个
函数
，没有系统的
学习
过
R语言
，所以只能简单的介绍一下。首先，使用这三个
函数
，需要安装包sub
str
函数
可以从一段字符中，截取自己需要的字符。以我自己的使用过程为例：
我的原先文件名是一堆城市名称，我的城市名称是：xxxx.xlsx，我要提取的只是城市名称，所以我的代码是：，城市名称
> month.name
[1] "January" "February" "March" "April" "May" "June"
[7] "July" "August" "September" "October" "November" "December"
2、nchar与length
nchar返回向量中每个元素字符串的个数，length返回向量中元素的个数。
> nchar("word")
str
函数
和glimpse都可以方便我们查看数据框内的变量细节，但两者的显示，当数据结构为含列表的tibble时，有较大差别
以tidyverse库内置数据集starwars为例，其中变量flims、vehicles、starships元素均为list，不再是单一的数值或字符，当使用glimpse
函数
查看数据集时，显示为：
可以看到最下方三行，包括list的变量，概要显示清晰，而在该数据集上使用
str
函数
时：
（此处截图console输出的一头一尾）
明显看到，
str
函数
不仅仅展开tibble中的变量，
相关性分析是一种常见的数据分析方法，用于评估两个或多个变量之间的关系。在Python中，可以使用numpy和pandas库计算相关性矩阵。具体方法如下：
1. 导入需要的库和数据集：
```python
import numpy as np
import pandas as pd
data = pd.read_csv('data.csv')
2. 计算相关性矩阵：
```python
corr_matrix = data.corr()
3. 可视化相关性矩阵：
```python
import matplotlib.pyplot as plt
import seaborn as sns
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.show()
在
R语言
中，也可以使用cor
函数
计算相关性矩阵，代码如下：
data <- read.csv('data.csv')
corr_matrix <- cor(data)
library(corrplot)
corrplot(corr_matrix, method='circle')
以上是Python和
R语言
中计算和可视化相关性矩阵的基本方法。需要注意的是，相关性并不表示因果关系，仅仅是变量之间的关联程度。因此，在进行相关性分析时，需要结合实际情况和领域知识进行综合分析。
jupyter notebook 报错信息 ModuleNotFoundError: No module named jupyter_nbextensions_configurator
anaconda3 安装geopandas，以及依赖包shapely、gdal、pyproj、fiona
旋转小马:
