本篇用以记载R语言的学习及实践，持续更新……

2022年9月6日

在闲暇时间决定重拾R语言的学习。暑假时候，我寻找到一些生态学相关的R语言教学书籍，抱着检验自己是否适合学习生态学的心态，我翻开书页。在阅读基本的内容时候，我发现完善数据包、更新R-package的过程已经是当前阶段的难题，于是便放下专业书籍，在视频网站寻找基础教程（目前在看2015年的教程视频，感慨其历久弥新）。

于是今天下午的时间便在视频指引下进行简单的绘图操作，感慨不需要分号结尾的语言是如此方便。同时在搜索资源时，看到国内公众号分享的阅读经历，十分可贵。

下为本日简单的学习成果，包括随机数、制图、数组、重命名等，较为基础。看到自己的图画出来的时候还是很激动的。手头积攒的气象站数据或许可以就此激活！

set.seed(123)
x=rnorm(100,mean=100,sd=10)
set.seed(234)
y=rnorm(100,mean=100,sd=10)
hist(x,breaks=20)
y=matrix(1:20,nrow=5,ncol=4,byrow=FALSE)
rnames=c("apple","banana","orange","melon","corn")
cnames=c("cat","dog","bird","pig")
x=matrix(1:20,nrow=5,ncol=4,byrow=TRUE)
rownames(x)=rnames
colnames(x)=cnames

目前的学习规划：看完当前的视频（2d）→追随国内同仁步伐阅读数值生态学（5d）

受教资备考等影响可能推迟

2022年9月7日

今日主要学习饼图的制作。

library(plotrix)
par(mfrow=c(2,2))
slices <- c(10,12,4,16,8)
lbls <- c("US","UK","Australia","Germany","France")
pie(slices,labels = lbls,main="First Pie Chart",edges = 300,radius = 1)
pct <- round(slices/sum(slices)*100)
lbls2 <- paste(lbls,"",pct,"%",sep = "")
pie(slices,labels = lbls2,col=rainbow(length(lbls2)),
    main="Pie Chart with Percentages",edges = 300,radius = 1)
pie3D(slices,labels=lbls,explode=0.1,
      main = "3D Pie Chart",edges=300,radius=1)
barplot(slices,
        main="Counts",
        xlab="Country",ylab="Part")

规划依照从前继续进行，今日教资材料到货。

2022年9月11日

今日对数值生态学的一些案例进行复现。

spe[1:5,1:10]
head(spe)
nrow(spe)
ncol(spe)
dim (spe)
colnames(spe)
rownames(spe)
summary(spe)
range(spe)
ab <- table(unlist(spe))
barplot(ab,las = 1, xlab = "Abundance class",ylab = "Frequency",col = gray(5:0/5))
sum(spe == 0)
sum(spe == 0)/(nrow(spe) * ncol(spe))

plot(spa,asp = 1,type = "n",main = "Site Locations",xlab = "xcoordinate (km)",ylab = "y coordinate (km)")
lines(spa,lwd = 4,col = "Black")
text(spa,row.names(spa),pos = 3,cex = 0.8,col = "red")
text(80,10,"Upstream",cex = 1.2,col = "red")
text(10,60,"Downstream",cex = 1.2,col = "red")

par(mfrow=c(2,2))
plot(spa,asp=1,col= "brown",cex=spe$SQCE,main = "Brown trout",xlab= "x coordinate (km)",ylab= "y coordinate (km)")
lines(spa,col= "light blue")
plot(spa,asp=1,col= "brown " ,cex=spe$OMB,main = "Grayling",xlab= "x coordinate (km)" ,ylab= "y coordinate (km)")
lines(spa,col= "light blue" )
plot(spa,asp=1,col= "brown" ,cex=spe$BAR,main = "Barbel",xlab= "x coordinate (km)" ,ylab= "y coordinate (km)")
lines(spa,col= "light blue")
plot(spa,asp=1,col = "brown" ,cex=spe$BCO,main = "Common bream" , xlab = "x coordinate (km)", ylab= "y coordinate (km)")
lines(spa,col= "light blue")

spe.pres <- apply(spe > 0,2,sum)
sort(spe.pres)
spe.relf <- 100*spe.pres/nrow(spe)
round(sort(spe.relf),1)
par(mfrow = c(1,2))
hist(spe.pres, main = "Species Occurrences" , right =FALSE,las=1,
     family="serif",
      xlab="Number of occurrences",
      ylab="Number of species",
      breaks=seq(0,30,by=5 ),col= "bisque")
hist(spe.relf,main="Species Relative Frequencies",
     family="serif",
      right=FALSE,las=1,xlab = "Frequency of occurrences ( % )",
      ylab="Number of species", breaks=seq (0,100,by=10),col= "bisque")

sit.pres <- apply(spe>0,1,sum)
sort(sit.pres)
par(mfrow=c(1,2))
plot(sit.pres,type="s",las=1,col="gray",
     main="Species Richness \n Upstream-Downstream Gradient",
     family="serif",
     xlab="Positions of sites along the river",
     ylab="Species Richness")
text(sit.pres,row.names(spe),pos = 3,cex = .8,col="red")
plot(spa,asp=1,main="Map of Species Richness",pch=21,
     col="white",bg="brown",cex=5*sit.pres/max(sit.pres),
     family="serif",
     xlab="x coordinate (km)",ylab="y coordinate (km)")
lines(spa,col="blue")

N0 <- rowSums(spe>0)
H <- diversity(spe)
N1 <- exp(H)
N2 <- diversity(spe,"inv")
J <- H/log(N0)
E1 <- N1/N0
E2 <- N2/N0
div <- data.frame(N0,H,N1,N2,E1,E2,J)

par(mfrow=c(2,2))
plot(env$das,spe$TRU,type="1",col=4,main="Raw data",
     xlab="Distance from the source [km]",
     ylab="Raw abundance code")
lines(env$das,spe$OMB,col=3)
lines(env$das,spe$BAR,col="orange")
lines(env$das,spe$BCO,col=2)
lines(env$das,spe$LOC,col=1,lty="dotted")
plot(env$das,spe.scal)

关于数据源，在Google检索到作者的网页、得到Rdata数据，使用load(file=)加载数据；

今日实验因vegan函数与当前R版本不兼容而停止，考虑跳过并继续阅读。

2022年9月22日

vegan包已补齐，相关函数缺失致尝试无法进行。今日继续翻阅书籍，尝试气泡图。除因数据缺失导致的问题，剩下可依据函数复刻书中案例。

核心函数表达式为：

plot(spa,asp=1,main="Nitrate",pch=21,col="white",
     bg="brown",cex=5*env$nit/max(env$nit),
     xlab="x",ylab="y")
lines(spa,col="light blue")

使用cex控制气泡图大小的系数，env$nit为参与绘图的数据，相当于5倍的数据量/最大数据量，得到一个矢量的表达。

后序参考周运来先生的博客进行改进。

2022年9月23日

今日重绘相异矩阵热图，具体过程及关键代码见专门文章，成果如下：