R అత్యంత ప్రజాదరణ పొందిన విశ్లేషణ సాధనాల్లో ఒకటి. కానీ విశ్లేషణల కోసం ఉపయోగించడమే కాకుండా, R కూడా ప్రోగ్రామింగ్ భాష.ఐటి పరిశ్రమలో దాని పెరుగుదలతో, నైపుణ్యం ఉన్నవారికి డిమాండ్ పెరుగుతోంది R ను రెండింటితో అర్థం చేసుకోవడం, డేటా అనలిటిక్స్ సాధనం మరియు ప్రోగ్రామింగ్ భాష.ఈ బ్లాగులో, R ప్రోగ్రామింగ్ యొక్క వివిధ ప్రాథమికాలను అర్థం చేసుకోవడానికి నేను మీకు సహాయం చేస్తాను. మా లో p రెవియస్ బ్లాగ్ ,మాకు ఎందుకు అనలిటిక్స్ అవసరం, బిజినెస్ అనలిటిక్స్ అంటే ఏమిటి, ఎందుకు మరియు ఎవరు ఆర్ ఉపయోగిస్తున్నారు అనే దానిపై చర్చించాము.
ఈ బ్లాగులో, R ప్రోగ్రామింగ్ యొక్క ఈ క్రింది ప్రధాన అంశాలను ఈ క్రింది క్రమంలో అర్థం చేసుకుంటాము:
మీరు R ప్రోగ్రామింగ్ లాంగ్వేజ్ యొక్క వెబ్‌నార్ రికార్డింగ్ ద్వారా వెళ్ళవచ్చు, ఇక్కడ మా బోధకుడు R ప్రోగ్రామింగ్‌ను బాగా అర్థం చేసుకోవడానికి మీకు సహాయపడే ఉదాహరణలతో విషయాలను వివరంగా వివరించాడు.
బి ప్రోగ్రానర్స్ కోసం ఆర్ ప్రోగ్రామింగ్ | R ప్రోగ్రామింగ్ లాంగ్వేజ్ ట్యుటోరియల్ | ఎడురేకా
కాబట్టి ముందుకు సాగండి మరియు R ప్రోగ్రామింగ్ - వేరియబుల్స్ యొక్క మొదటి భావనను చూద్దాం.
R ప్రోగ్రామింగ్: వేరియబుల్స్
వేరియబుల్స్ విలువను కలిగి ఉన్న మెమరీ స్థానానికి పేరు తప్ప మరొకటి కాదు. R లోని వేరియబుల్ సంఖ్యా విలువలు, కాంప్లెక్స్ విలువలు, పదాలు, మాత్రికలు మరియు పట్టికను కూడా నిల్వ చేయగలదు. ఆశ్చర్యం, సరియైనదా?
అత్తి: సృష్టివేరియబుల్స్ యొక్క
పై చిత్రం వేరియబుల్స్ ఎలా సృష్టించబడుతుందో మరియు అవి వేర్వేరు మెమరీ బ్లాకులలో ఎలా నిల్వ చేయబడుతున్నాయో చూపిస్తుంది. R లో, జావా, సి, సి ++ వంటి ఇతర ప్రోగ్రామింగ్ భాషల మాదిరిగా కాకుండా, మేము దానిని ఉపయోగించే ముందు వేరియబుల్ ప్రకటించాల్సిన అవసరం లేదు.
మనం ముందుకు సాగి, డేటా రకం అంటే ఏమిటి మరియు ఆర్ లో మద్దతిచ్చే వివిధ డేటా రకాలను అర్థం చేసుకోవడానికి ప్రయత్నిద్దాం.
R ప్రోగ్రామింగ్: డేటా రకాలు
R లో, వేరియబుల్ ఏదైనా డేటా రకాన్ని ప్రకటించదు, దానికి కేటాయించిన R వస్తువు యొక్క డేటా రకాన్ని పొందుతుంది. కాబట్టి R ను డైనమిక్‌గా టైప్ చేసిన భాష అని పిలుస్తారు, అంటే ఒక ప్రోగ్రామ్‌లో ఉపయోగిస్తున్నప్పుడు అదే వేరియబుల్ యొక్క డేటా రకాన్ని మళ్లీ మళ్లీ మార్చవచ్చు.
డేటా రకాలు వేరియబుల్‌కు ఏ రకమైన విలువను కలిగి ఉన్నాయో మరియు ఏ రకమైన గణిత, రిలేషనల్ లేదా లాజికల్ ఆపరేషన్లను లోపం కలిగించకుండా దానికి వర్తించవచ్చో తెలుపుతుంది. R లో చాలా డేటా రకాలు ఉన్నాయి, అయితే క్రింద ఎక్కువగా ఉపయోగించేవి క్రింద ఉన్నాయి:
ఇప్పుడు వెక్టర్స్ నుండి ప్రారంభించి ఈ డేటా రకాలను ఒక్కొక్కటిగా చర్చిద్దాం.
వెక్టర్స్
వెక్టర్స్ అత్యంత ప్రాథమిక R డేటా వస్తువులు మరియు ఆరు రకాల అణు వెక్టర్స్ ఉన్నాయి. ఆరు పరమాణు వెక్టర్స్ క్రింద ఉన్నాయి:
తార్కిక : ఇది వంటి తార్కిక విలువను నిల్వ చేయడానికి ఉపయోగించబడుతుంది నిజం లేదా తప్పుడు .
సంఖ్యా : ఇది వాస్తవ సంఖ్యతో సహా సానుకూల మరియు ప్రతికూల సంఖ్యలను నిల్వ చేయడానికి ఉపయోగించబడుతుంది.
ఉదా: 25, 7.1145, 96547పూర్ణ సంఖ్య : ఇది అన్ని పూర్ణాంక విలువలను కలిగి ఉంటుంది, అనగా అన్ని సానుకూల మరియు ప్రతికూల మొత్తం సంఖ్యలు.
ఉదా: 45.479, -856.479, 0క్లిష్టమైన : ఇవి x + yi రూపంలో ఉంటాయి, ఇక్కడ x మరియు y సంఖ్యా మరియు నేను -1 యొక్క వర్గమూలాన్ని సూచిస్తాయి.
ఉదా: 4 + 3iఅక్షరం : ఇది ఒకే అక్షరం, అక్షరాల సమూహం (పదాలు) లేదా పదాల సమూహాన్ని కలిసి నిల్వ చేయడానికి ఉపయోగించబడుతుంది. అక్షరాలను ఒకే కోట్స్ లేదా డబుల్ కోట్స్‌లో నిర్వచించవచ్చు.
ఉదా: 'ఎడురేకా', 'R నేర్చుకోవడం సరదా'.సాధారణంగా, ఒక వెక్టర్ ఈ క్రింది పద్ధతిలో నిర్వచించబడుతుంది మరియు ప్రారంభించబడుతుంది:
Vtr = c (2, 5, 11, 24) లేదా Vtr<- c(2, 5, 11 , 24)
R లో ముందుకు సాగండి మరియు ఇతర డేటా రకాలను అర్థం చేసుకుందాం.
జాబితా
జాబితాలు వెక్టర్స్‌తో సమానంగా ఉంటాయి, కాని జాబితాలు & వస్తువులు & మైనస్ సంఖ్యలు, తీగలు, వెక్టర్స్ మరియు దానిలోని మరొక జాబితా వంటి వివిధ రకాల అంశాలను కలిగి ఉన్న R వస్తువులు.
ఉదా:
Vtr<- c('Hello', 'Hi','How are you doing') mylist <- list(Vtr, 22.5, 14965, TRUE) mylist అవుట్పుట్:
[[1]] [1] 'హలో' 'హాయ్' 'ఎలా మీరు చేస్తున్నారా '[[2]] [1] 22.5 [[3]] [1] 14965 [[4]] [1] నిజం
మ్యాట్రిక్స్
మ్యాట్రిక్స్ అనేది R ఆబ్జెక్ట్, దీనిలో మూలకాలు రెండు డైమెన్షనల్ దీర్ఘచతురస్రాకార లేఅవుట్లో అమర్చబడి ఉంటాయి.
R లో మాతృకను సృష్టించే ప్రాథమిక వాక్యనిర్మాణం & మైనస్
మాతృక (డేటా, న్రో, ఎన్కోల్, బైరో, డిమ్ పేర్లు) ఎక్కడ:
- సమాచారం ఇన్పుట్ వెక్టర్, ఇది మాతృక యొక్క డేటా మూలకాలు అవుతుంది.
- nrow సృష్టించవలసిన అడ్డు వరుసల సంఖ్య.
- ncol సృష్టించవలసిన నిలువు వరుసల సంఖ్య.
- బైరో ఒక తార్కిక క్లూ. TRUE అయితే, ఇన్పుట్ వెక్టర్ మూలకాలు వరుస ద్వారా అమర్చబడతాయి.
- dimname అడ్డు వరుసలు మరియు నిలువు వరుసలకు కేటాయించిన పేర్లు.
ఉదాహరణ:
మైమాట్రిక్స్<- matrix(c(1:25), nrow = 5, ncol = 5, byrow = TRUE) Mymatrix
అవుట్పుట్:
[, 1] [, 2] [, 3] [, 4] [, 5] [1,] 1 2 3 4 5 [2,] 6 7 8 9 10 [3,] 11 12 13 14 15 [4, ] 16 17 18 19 20 [5,] 21 22 23 24 25
అమరిక
R లోని శ్రేణులు డేటా వస్తువులు, వీటిని డేటాను రెండు కొలతలు కంటే ఎక్కువ నిల్వ చేయడానికి ఉపయోగించవచ్చు. ఇది వెక్టర్లను ఇన్‌పుట్‌గా తీసుకుంటుంది మరియు విలువలను ఉపయోగిస్తుంది లేదు శ్రేణిని సృష్టించడానికి పరామితి.
R లో శ్రేణిని సృష్టించడానికి ప్రాథమిక వాక్యనిర్మాణం & మైనస్
శ్రేణి (డేటా, మసక, డిమ్ పేర్లు) ఎక్కడ:
- సమాచారం ఇన్పుట్ వెక్టర్ ఇది శ్రేణి యొక్క డేటా ఎలిమెంట్స్ అవుతుంది.
- లేదు శ్రేణి యొక్క పరిమాణం, ఇక్కడ మీరు పేర్కొన్న కొలతల ద్వారా సృష్టించవలసిన అడ్డు వరుసల సంఖ్య, కాలమ్ మరియు మాత్రికల సంఖ్యను పాస్ చేస్తారు.
- dimname అడ్డు వరుసలు మరియు నిలువు వరుసలకు కేటాయించిన పేర్లు.
ఉదాహరణ:
మైరే<- array( c(1:16), dim=(4,4,2)) Myarray
అవుట్పుట్:
,, ఒకటి [, 1] [, 2] [, 3] [, 4] [1,] 1 5 9 13 [2,] 2 6 10 14 [3,] 3 7 11 15 [4,] 4 8 12 16 ,, 2 [, 1] [, 2] [, 3] [, 4] [1,] 1 5 9 13 [2,] 2 6 10 14 [3,] 3 7 11 15 [4,] 4 8 12 16
డేటా ఫ్రేమ్
డేటా ఫ్రేమ్ అనేది ఒక పట్టిక లేదా రెండు డైమెన్షనల్ అర్రే లాంటి నిర్మాణం, దీనిలో ప్రతి కాలమ్ ఒక వేరియబుల్ విలువలను కలిగి ఉంటుంది మరియు ప్రతి అడ్డు వరుసలో ఒక విలువలు ఉంటాయికోసంప్రతి కాలమ్. డేటా ఫ్రేమ్ యొక్క కొన్ని లక్షణాలు క్రింద ఉన్నాయి, మేము వారితో పనిచేసే ప్రతిసారీ పరిగణించాల్సిన అవసరం ఉంది:
- కాలమ్ పేర్లు ఖాళీగా ఉండాలి.
- ప్రతి కాలమ్‌లో ఒకే రకమైన డేటా అంశాలు ఉండాలి.
- డేటా ఫ్రేమ్‌లో నిల్వ చేయబడిన డేటా సంఖ్యా, కారకం లేదా అక్షర రకాన్ని కలిగి ఉంటుంది.
- వరుస పేర్లు ప్రత్యేకంగా ఉండాలి.
ఉదాహరణ:
emp_id = c (100: 104) emp_name = c ('జాన్', 'హెన్రీ', 'ఆడమ్', 'రాన్', 'గారి') dept = c ('సేల్స్', 'ఫైనాన్స్', 'మార్కెటింగ్', 'HR ',' R & D ') emp.data<- data.frame(emp_id, emp_name, dept) emp.data అవుట్పుట్:
emp_id emp_name డిపార్ట్మెంట్ 1 100 జాన్ సేల్స్ 2 101 హెన్రీ ఫైనాన్స్ 3 102 ఆడమ్ మార్కెటింగ్ 4 103 రాన్ హెచ్.ఆర్ 5 104 గారి ఆర్ & డి
కాబట్టి ఇప్పుడు మేము R యొక్క ప్రాథమిక డేటా రకాలను అర్థం చేసుకున్నాము, డేటా ఆపరేటర్ల భావనలను అర్థం చేసుకోవడం ద్వారా R లోకి లోతుగా మునిగిపోయే సమయం ఇది.
R ప్రోగ్రామింగ్: డేటా ఆపరేటర్లు
R లో ప్రధానంగా 4 డేటా ఆపరేటర్లు ఉన్నారు, అవి క్రింద చూడవచ్చు:
అంకగణిత ఆపరేటర్లు : అదనంగా, వ్యవకలనం, గుణకారం మొదలైన ప్రాథమిక అంకగణిత కార్యకలాపాలను నిర్వహించడానికి ఈ ఆపరేటర్లు మాకు సహాయపడతారు.
కింది ఉదాహరణను పరిశీలించండి:
num1 = 15 num2 = 20 num3 = 0 #addition num3 = num1 + num2 num3 #substraction num3 = num1 - num2 num3 #multiplication num3 = num1 * num2 num3 #division num3 = num1 / num2 num3 #modulus num3 = num1 %% num2 num3 #exponent num1 = 5 num2 = 3 num3 = num1 ^ num2 num3 # ఫ్లోర్ డివిజన్ num3 = num1% /% num2 num3
అవుట్పుట్:
[1] 35 [పదిహేను [1] 300 [1] 0.75 [1] 15 [1] 125 [పదకొండు
రిలేషనల్ ఆపరేటర్లు : ఈ ఆపరేటర్లు వేరియబుల్ కంటే ఎక్కువ, మరొక వేరియబుల్ కంటే తక్కువ లేదా సమానమా అని తనిఖీ చేయడం వంటి రిలేషనల్ ఆపరేషన్లను చేయడంలో మాకు సహాయపడతారు. రిలేషనల్ ఆపరేషన్ యొక్క అవుట్పుట్ ఎల్లప్పుడూ తార్కిక విలువ.
కింది ఉదాహరణలను పరిశీలించండి:
num1 = 15 num2 = 20 # num3 = (num1 == num2) num3 # num3 కి సమానం కాదు = (num1! = num2) num3 # num3 = less num3 = (num1 num2) num3 # num1 = 5 num2 = 20 num3 = (num1 = num2) num3
అవుట్పుట్:
[1] తప్పుడు [1] నిజం [1] నిజం [1] తప్పుడు [1] నిజం [1] తప్పుడు
అసైన్మెంట్ ఆపరేటర్లు: ఈ ఆపరేటర్లు R లోని వేరియబుల్స్‌కు విలువలను కేటాయించడానికి ఉపయోగిస్తారు. అసైన్మెంట్ ఆపరేటర్‌ను ఉపయోగించడం ద్వారా అసైన్మెంట్ చేయవచ్చు(<-) లేదా ఆపరేటర్ (=) కు సమానం. వేరియబుల్ యొక్క విలువను రెండు విధాలుగా కేటాయించవచ్చు, ఎడమ అసైన్మెంట్ మరియు కుడి అసైన్మెంట్.
తార్కికఆపరేటర్లు: ఈ ఆపరేటర్లు రెండు ఎంటిటీలను పోల్చి చూస్తారు మరియు సాధారణంగా ‘మరియు’, ‘లేదా’ వంటి బూలియన్ (తార్కిక) విలువలతో ఉపయోగిస్తారు.మరియు‘కాదు’.
R ప్రోగ్రామింగ్: షరతులతో కూడిన ప్రకటనలు
- స్టేట్మెంట్ ఉంటే: ప్రవాహంలో భాగంగా ఒకే వ్యక్తీకరణను అంచనా వేయడంలో ఇఫ్ స్టేట్మెంట్ మీకు సహాయపడుతుంది. ఈ మూల్యాంకనం చేయడానికి, మీరు మూల్యాంకనం చేయాల్సిన వ్యక్తీకరణ తరువాత కీవర్డ్‌ని వ్రాయాలి. దిగువ ప్రవాహ రేఖాచిత్రం ఒక కోడ్ ప్రవాహాన్ని ఇఫ్ స్టేట్మెంట్ ఎలా నియంత్రిస్తుందనే దాని గురించి ఒక ఆలోచన ఇస్తుంది: కింది ఉదాహరణను పరిశీలించండి:
num1 = 10 num2 = 20 if (num1<=num2){ print('Num1 is less or equal to Num2') అవుట్పుట్:
[1] 'Num1 తక్కువ లేదా Num2 కు సమానం'- స్టేట్మెంట్ లేకపోతే: ఇఫ్ స్టేట్మెంట్ సృష్టించిన ప్రవాహానికి శాఖలను విస్తరించడంలో వేరే ఇఫ్ స్టేట్మెంట్ మీకు సహాయపడుతుంది మరియు కొత్త ప్రవాహ శాఖలను సృష్టించడం ద్వారా బహుళ పరిస్థితులను అంచనా వేయడానికి మీకు అవకాశం ఇస్తుంది. దిగువ ప్రవాహం స్టేట్మెంట్ కోడ్ యొక్క ప్రవాహాన్ని ఎలా విభజిస్తుందో మీకు ఒక ఆలోచన ఇస్తుంది:
కింది ఉదాహరణను పరిశీలించండి:Num1 = 5 Num2 = 20 if (Num1 Num2) {print ('Num2 Num1 కన్నా తక్కువ')} లేకపోతే ('Num1 == Num2) {print (' Num1 మరియు Num2 సమానమైనవి ')}అవుట్పుట్:
[1] 'Num1 Num2 కన్నా తక్కువ' - ఇతర ప్రకటన: మిగతా అన్ని వ్యక్తీకరణలు తనిఖీ చేయబడినప్పుడు మరియు చెల్లనివి అయినప్పుడు మిగతా స్టేట్మెంట్ ఉపయోగించబడుతుంది. ఇఫ్ - ఎల్స్ బ్రాంచ్‌లో భాగంగా అమలు చేయబడే చివరి స్టేట్మెంట్ ఇది. దిగువ ప్రవాహం కోడ్ యొక్క ప్రవాహాన్ని ఎలా మారుస్తుందనే దానిపై మీకు మంచి ఆలోచన ఇస్తుంది:
కింది ఉదాహరణను పరిశీలించండి:
డెవొప్స్‌లో చెఫ్ అంటే ఏమిటి
Num1 = 5 Num2 = 20 if (Num1 Num2) {print ('Num2 Num1 కన్నా తక్కువ')} else print ('Num1 మరియు Num2 సమానమైనవి')}అవుట్పుట్:
[1] 'సంఖ్యా 1 మరియు సంఖ్యా 2 సమానం'R ప్రోగ్రామింగ్: ఉచ్చులు
లూప్ స్టేట్మెంట్ ఒక స్టేట్మెంట్ లేదా స్టేట్మెంట్ సమూహాన్ని చాలాసార్లు అమలు చేయడానికి అనుమతిస్తుంది. R లో ప్రధానంగా 3 రకాల ఉచ్చులు ఉన్నాయి:
- లూప్ పునరావృతం : ఇచ్చిన షరతు నిజం అయితే ఇది స్టేట్మెంట్ లేదా స్టేట్మెంట్ సమూహాన్ని పునరావృతం చేస్తుంది. కోడ్ మొదట అమలు చేయబడిన నిష్క్రమణ నియంత్రిత లూప్‌కు రిపీట్ లూప్ ఉత్తమ ఉదాహరణ, ఆపై నియంత్రణ లూప్ లోపల ఉందా లేదా దాని నుండి నిష్క్రమించాలా అని నిర్ధారించడానికి పరిస్థితి తనిఖీ చేయబడుతుంది. పునరావృత లూప్‌లో నియంత్రణ ప్రవాహం క్రింద ఉంది:
మొత్తం 100 కి చేరుకునే వరకు n సంఖ్యలను జోడించడానికి రిపీట్ లూప్‌ను ఎలా ఉపయోగించవచ్చో అర్థం చేసుకోవడానికి ఈ క్రింది ఉదాహరణను చూద్దాం:x = 2 పునరావృతం {x = x ^ 2 ప్రింట్ (x) ఉంటే (x> 100) {బ్రేక్}అవుట్పుట్:
[1] 4 [1] 16 [1] 256
- లూప్ అయితే : నేనుఇచ్చిన షరతు నిజం అయితే స్టేట్మెంట్ లేదా స్టేట్మెంట్ సమూహాన్ని పునరావృతం చేయడానికి t సహాయపడుతుంది. లూప్, రిపీట్ లూప్‌తో పోల్చినప్పుడు కొద్దిగా భిన్నంగా ఉంటుంది, ఇది ఎంట్రీ కంట్రోల్డ్ లూప్‌కు ఉదాహరణ, ఇక్కడ పరిస్థితి మొదట తనిఖీ చేయబడుతుంది మరియు షరతు నిజమని తేలితే మాత్రమే కోడ్‌ను అమలు చేయడానికి లూప్ లోపల నియంత్రణ పంపిణీ చేయబడుతుంది . కాసేపు లూప్‌లో నియంత్రణ ప్రవాహం క్రింద ఉంది:
మొదటి 10 సంఖ్యల కోసం చతురస్రాల మొత్తాన్ని జోడించడానికి ఈ క్రింది ఉదాహరణను చూద్దాం మరియు అయితే లూప్ ఎలా బాగా పనిచేస్తుందో అర్థం చేసుకోండి:num = 1 sumn = 0 ఉండగా (num<=11){ sumn =(sumn+ (num^2) num = num+1 print(sumn) }
అవుట్పుట్:[పదకొండు [పదిహేను [1] 14 [1] 30 [1] 55 [1] 91 [1] 140 [1] 204 [1] 285 [1] 385 [1] 506
- లూప్ కోసం : ఇది ఒక ప్రకటన లేదా సమూహాన్ని నిర్ణీత సంఖ్యలో పునరావృతం చేయడానికి ఉపయోగించబడుతుంది. రిపీట్ మరియు లూప్ కాకుండా, కోడ్‌ను ఎన్నిసార్లు ముందే అమలు చేయాలో మనకు తెలిసిన పరిస్థితులలో ఫర్ లూప్ ఉపయోగించబడుతుంది. ఇది కండిషన్‌ను మొదట తనిఖీ చేసిన టైమ్ లూప్‌కి సమానంగా ఉంటుంది మరియు తరువాత లోపల వ్రాసిన కోడ్ మాత్రమే అమలు అవుతుంది. లూప్ కోసం నియంత్రణ ప్రవాహాన్ని ఇప్పుడు చూద్దాం:
మొదటి 10 సంఖ్యలను ముద్రించడానికి మేము ఫర్ లూప్‌ను ఉపయోగిస్తున్న ఉదాహరణను ఇప్పుడు చూద్దాం:
(1:10 లో x) {ప్రింట్ (x) for కోసంఅవుట్పుట్:
[పదకొండు [1] 2 [1] 3 [1] 4 [పదిహేను [1] 6 [1] 7 [1] 8 [1] 9 [1] 10
R ప్రోగ్రామింగ్: విధులు
ఫంక్షన్ అనేది వ్యవస్థీకృత, పునర్వినియోగ కోడ్ యొక్క బ్లాక్, ఇది ఒకే, సంబంధిత చర్యను చేయడానికి ఉపయోగించబడుతుంది. R లో ప్రధానంగా రెండు రకాల విధులు ఉన్నాయి:
ముందే నిర్వచించిన విధులు : ఇవి వినియోగదారులు తమ పనిని చేయడానికి ఉపయోగించే ఫంక్షన్లలో నిర్మించబడ్డాయి ఈసీr. ఉదా: నాn( x) , లుum( x) , చt ( x ), టప్పర్( x ), మొదలైనవి.
వినియోగాదారునిచే నిర్వచించబడినది విధులు: ఈ విధులు వినియోగదారు యొక్క నిర్దిష్ట అవసరాన్ని తీర్చడానికి వినియోగదారుచే సృష్టించబడతాయి. లో ఒక ఫంక్షన్ సృష్టించడానికి వాక్యనిర్మాణం క్రింద ఉందిR:
func tion_name <– ఫంక్షన్ (arg_1, arg_2, & hellip){ // ఫంక్షన్ బాడీ }
చతురస్రాల మొత్తాన్ని ఉత్పత్తి చేయడానికి ఒక సాధారణ ఫంక్షన్ యొక్క క్రింది ఉదాహరణను పరిగణించండియొక్క2 సంఖ్యలు:
sum_of_square<- function(x,y) { x^2 + y^2 } sum_of_sqares(3,4) అవుట్పుట్: [1] 25మీరు ఈ R ప్రోగ్రామింగ్ బ్లాగును చదివి ఆనందించారని నేను నమ్ముతున్నాను. మేము ఈ ట్యుటోరియల్‌లో R యొక్క అన్ని ప్రాథమికాలను కవర్ చేసాము, కాబట్టి మీరు ఇప్పుడు ప్రాక్టీస్ చేయడం ప్రారంభించవచ్చు. ఈ R ప్రోగ్రామింగ్ బ్లాగ్ తరువాత, నేను అనలిటిక్స్ కోసం R లో మరిన్ని బ్లాగులతో వస్తాను కాబట్టి వేచి ఉండండి.
ఇప్పుడు మీరు R యొక్క ప్రాథమికాలను అర్థం చేసుకున్నారు, చూడండి ప్రపంచవ్యాప్తంగా విస్తరించి ఉన్న 250,000 మందికి పైగా సంతృప్తికరమైన అభ్యాసకుల నెట్‌వర్క్‌తో విశ్వసనీయ ఆన్‌లైన్ లెర్నింగ్ సంస్థ ఎడురేకా చేత. R శిక్షణతో ఎడురేకా యొక్క డేటా అనలిటిక్స్ R ప్రోగ్రామింగ్, డేటా మానిప్యులేషన్, ఎక్స్ప్లోరేటరీ డేటా అనాలిసిస్, డేటా విజువలైజేషన్, డేటా మైనింగ్, రిగ్రెషన్, సెంటిమెంట్ అనాలిసిస్ మరియు రిటైల్, సోషల్ మీడియాపై నిజ జీవిత కేసు అధ్యయనాల కోసం RStudio ని ఉపయోగించడంలో మీకు సహాయం చేస్తుంది.
మాకు ప్రశ్న ఉందా? దయచేసి ఈ “R ప్రోగ్రామింగ్” బ్లాగ్ యొక్క వ్యాఖ్యల విభాగంలో పేర్కొనండి మరియు మేము వీలైనంత త్వరగా మిమ్మల్ని సంప్రదిస్తాము.