1.自选数据利用R语言完成基本统计分析：描述性统计分析（集中趋势，离散趋势，分布形状）、频数分析（分类变量：一维）列联分析（二维，三维：交叉频数（频率），边缘频数和频率，边缘频率及频数（和））、相关性分析（协方差、相关系数（两个变量，多个变量）及检验（两个变量，多个变量））、独立性检验（卡方检验，Fisher检验）t检验(独立样本、非独立样本)等。

好的，以下是一个示例数据集和R语言代码，展示如何进行基本统计分析：

1. 描述性统计分析

我们可以使用以下代码计算数据的均值、中位数、标准差等统计指标，并绘制数据的分布形态图。

# 导入数据集
data <- read.csv("data.csv", header = TRUE)

# 计算均值、中位数、标准差等统计指标
mean(data$age)
median(data$age)
sd(data$age)

# 绘制数据的分布形态图
hist(data$age, main = "Histogram of Age", xlab = "Age")

2. 频数分析

我们可以使用以下代码计算分类变量的频数和频率。

# 计算性别变量的频数和频率
table(data$gender)
prop.table(table(data$gender))

3. 列联分析

我们可以使用以下代码计算交叉频数（频率）、边缘频数和频率、边缘频率及频数（和）等。

# 计算性别和收入两个变量的交叉频数
xtabs(~gender + income, data = data)

# 计算性别和收入两个变量的边缘频数
margin.table(xtabs(~gender + income, data = data), 1)
margin.table(xtabs(~gender + income, data = data), 2)

# 计算性别和收入两个变量的边缘频率及频数（和）
prop.table(xtabs(~gender + income, data = data))
addmargins(prop.table(xtabs(~gender + income, data = data)))

4. 相关性分析

我们可以使用以下代码计算协方差和相关系数，并进行相关性检验。

# 计算年龄和收入两个变量的协方差和相关系数
cov(data$age, data$income)
cor(data$age, data$income)

# 进行年龄和收入两个变量的相关性检验
cor.test(data$age, data$income)

5. 独立性检验

我们可以使用以下代码进行卡方检验和Fisher检验。

# 进行性别和收入两个变量的卡方检验
chisq.test(data$gender, data$income)

# 进行性别和收入两个变量的Fisher检验
fisher.test(data$gender, data$income)

6. t检验

我们可以使用以下代码进行独立样本t检验和非独立样本t检验。

# 进行性别和年龄两个变量的独立样本t检验
t.test(data$age ~ data$gender)

# 进行年龄和收入两个变量的非独立样本t检验
t.test(data$age, data$income, paired = TRUE)

以上就是利用R语言进行基本统计分析的示例。希望能对您有所帮助。