for (t in rownames(expectedpairs)){ lm.r = lm(observed ~ expected, data = dataset[dataset$tissue==t,]) codoncooksd[as.character(dataset[names(cooks.distance(lm.r)),"codpair"]),t] = as.numeric(cooks.distance(lm.r)) codonresid[as.character(dataset[names(rstandard(lm.r)),"codpair"]),t] = as.numeric(rstandard(lm.r)) lmsummary["RSE",t] = summary(lm.r)[[6]] lmsummary["R2",t] = summary(lm.r)[[9]] fstat <- summary(lm.r)$fstatistic lmsummary["pvalue",t] = as.numeric(pf(fstat[1], fstat[2], fstat[3], lower.tail=FALSE)) dataset[names(rstandard(lm.r)),"bias"] = as.numeric(rstandard(lm.r))

Student{" +
"id=" + id +
", sNum='" + sNum + '\'' +
", name='" + name + '\'' +
", gender='" + gender + '\'' +
", age=" + age +
", tel='" + tel + '\'' +
这段代码是R语言的代码，不是Python中的代码。它的作用是进行线性回归分析 '}';
}
}

7. 创建com.jr.service包，在这个包里面创建StudentService.java文件和StudentServiceImpl，其中lm()函数用来拟合线性模型，通过输入自变量和因变量的数据来得到模.java文件

StudentService.java文件：

package com.jr.service;

import com.jr.domain.Student;

import java.util.List型的系数。接下来，通过summary()函数获得模型的统计信息，比如RSE、R2;

public interface StudentService {

List<Student> getStudentsByPage(int page, int size);

int getCount();

int addStudent等。然后，通过pf()函数计算F统计量的p值，并将结果存储在lmsummary中(Student student);

int updateStudent(Student student);

int deleteStudent(int id);
}

StudentServiceImpl.java文件：

package com.jr.service.impl;

import com.jr.dao.StudentMapper;
import com.jr.domain.Student;
import com.jr.service.Student。最后，将模型的标准化残差存储在codonresid中，模型的Cook’s距离Service;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;

import java.util.List储在codoncooksd中。