R چیست؟ آموزش کامل و جامع R

# ایجاد یک وکتور از اعداد
numbers <- c(1, 2, 3, 4, 5)

# محاسبه میانگین
mean_value <- mean(numbers)

# رسم نمودار ساده
plot(numbers, type = "l", main = "نمودار خطی ساده")

# تعریف متغیر
x <- 10

# تعریف تابع
my_function <- function(x) {
  return(x * 2)
}

# ایجاد لیست
my_list <- list(
  name = "John",
  age = 30,
  scores = c(85, 92, 78)
)

# استفاده از data frame
df <- data.frame(
  name = c("علی", "مریم", "رضا"),
  age = c(25, 30, 28),
  city = c("تهران", "مشهد", "اصفهان")
)

# عددی (Numeric)
x <- 42.5

# صحیح (Integer)
y <- 42L  # L برای مشخص کردن عدد صحیح

# منطقی (Logical)
is_true <- TRUE

# رشته‌ای (Character)
text <- "Hello, R!"

# فاکتور (Factor)
gender <- factor(c("مرد", "زن", "مرد"), levels = c("مرد", "زن"))

# تاریخ (Date)
today <- as.Date("2024-01-15")

# تعریف تابع ساده
calculate_mean <- function(x) {
  if (!is.numeric(x)) {
    stop("ورودی باید عددی باشد")
  }
  return(mean(x, na.rm = TRUE))
}

# تابع با چند پارامتر
analyze_data <- function(data, column, fun = mean) {
  result <- fun(data[[column]])
  return(list(
    column = column,
    result = result
  ))
}

# استفاده از تابع
numbers <- c(1:10)
mean_result <- calculate_mean(numbers)
print(mean_result)

# نصب پکیج‌ها
install.packages("tidyverse")
install.packages("ggplot2")
install.packages("dplyr")

# بارگذاری پکیج‌ها
library(tidyverse)
library(ggplot2)
library(dplyr)

# مثال استفاده از dplyr
mtcars %>%
  group_by(cyl) %>%
  summarise(
    mean_mpg = mean(mpg),
    count = n()
  )

# نمودار پراکندگی
ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point() +
  theme_minimal() +
  labs(
    title = "رابطه وزن و مصرف سوخت",
    x = "وزن خودرو",
    y = "مصرف سوخت"
  )

# نمودار جعبه‌ای
ggplot(mtcars, aes(x = factor(cyl), y = mpg)) +
  geom_boxplot() +
  theme_classic() +
  labs(title = "مقایسه مصرف سوخت در سیلندرهای مختلف")

# خواندن داده
data <- read.csv("data.csv")

# پاکسازی داده
clean_data <- data %>%
  drop_na() %>%
  filter(age > 0) %>%
  mutate(
    age_group = case_when(
      age < 20 ~ "جوان",
      age < 40 ~ "میانسال",
      TRUE ~ "مسن"
    )
  )

# تحلیل توصیفی
summary_stats <- clean_data %>%
  group_by(age_group) %>%
  summarise(
    count = n(),
    mean_salary = mean(salary),
    sd_salary = sd(salary)
  )

# آزمون t
t.test(data$group1, data$group2)

# رگرسیون خطی
model <- lm(price ~ size + rooms, data = housing_data)
summary(model)

# تحلیل واریانس
aov_result <- aov(yield ~ treatment, data = crop_data)
summary(aov_result)