R语言用自选数据利用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，以下是基于自选数据的R语言基本统计分析的代码和解释。

首先，我们需要载入数据。假设我们的数据集保存在CSV文件中，文件名为"data.csv"，并且数据集中有4个变量：变量1、变量2、变量3和变量4。我们可以使用以下代码来读取和载入数据：

data <- read.csv("data.csv", header = TRUE)

这里的header = TRUE表示数据集包含表头，即第一行为变量名。

接下来，我们可以对数据进行描述性统计分析，包括集中趋势、离散趋势和分布形状。我们可以使用以下代码计算变量1的均值、中位数、众数、标准差、最小值、最大值和四分位数：

# 计算变量1的均值、中位数、众数、标准差、最小值、最大值和四分位数
mean(data$变量1)
median(data$变量1)
Mode(data$变量1) # 自定义函数，计算众数
sd(data$变量1)
min(data$变量1)
max(data$变量1)
quantile(data$变量1, probs = c(0.25, 0.5, 0.75))

其中，Mode()是一个自定义函数，可以用以下代码定义：

Mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

类似地，我们可以对其他变量进行描述性统计分析。

接下来，我们可以进行频数分析。假设我们想要分析变量2的频数分布情况，我们可以使用以下代码：

# 计算变量2的频数分布
freq_table <- table(data$变量2)
freq_table

这里的table()函数可以计算变量2的频数分布，结果保存在freq_table中。我们可以使用以下代码绘制变量2的频数分布直方图：

# 绘制变量2的频数分布直方图
hist(data$变量2, breaks = 10)

其中，breaks = 10表示将变量2的取值范围分成10个区间。

接下来，我们可以进行列联分析。假设我们想要分析变量1和变量3之间的关系，我们可以使用以下代码来计算交叉频数和边缘频数：

# 计算变量1和变量3的交叉频数和边缘频数
cross_table <- table(data$变量1, data$变量3)
margin_table <- addmargins(cross_table)

这里的table()函数可以计算变量1和变量3的交叉频数，而addmargins()函数可以计算边缘频数。

我们可以使用以下代码绘制变量1和变量3的交叉频数表：

# 绘制变量1和变量3的交叉频数表
cross_table

我们也可以使用以下代码绘制变量1和变量3的边缘频数表：

# 绘制变量1和变量3的边缘频数表
margin_table

接下来，我们可以进行相关性分析。假设我们想要分析变量1和变量2之间的相关性，我们可以使用以下代码计算它们的协方差和相关系数：

# 计算变量1和变量2的协方差和相关系数
cov(data$变量1, data$变量2)
cor(data$变量1, data$变量2)

其中，cov()函数可以计算变量1和变量2的协方差，而cor()函数可以计算它们的相关系数。

我们也可以进行多个变量之间的相关性分析。假设我们的数据集包含变量1、变量2、变量3和变量4，我们可以使用以下代码计算它们之间的相关矩阵：

# 计算变量1、变量2、变量3和变量4之间的相关矩阵
cor_matrix <- cor(data[, c("变量1", "变量2", "变量3", "变量4")])
cor_matrix

这里的cor()函数可以计算多个变量之间的相关系数，结果保存在cor_matrix中。

我们可以使用以下代码绘制相关矩阵的热力图：

# 绘制相关矩阵的热力图
library("ggplot2")
library("reshape2")
melted_cor_matrix <- melt(cor_matrix)
ggplot(melted_cor_matrix, aes(x = Var1, y = Var2, fill = value)) + 
  geom_tile() + 
  scale_fill_gradient(low = "white", high = "steelblue") + 
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5))

其中，melt()函数可以将相关矩阵转换成适合绘制热力图的格式。我们使用ggplot2包绘制热力图，并使用reshape2包中的melt()函数转换数据格式。

接下来，我们可以进行独立性检验。假设我们想要检验变量2和变量3之间是否独立，我们可以使用以下代码进行卡方检验：

# 进行变量2和变量3之间的卡方检验
chisq.test(data$变量2, data$变量3)

这里的chisq.test()函数可以进行卡方检验。

我们也可以使用以下代码进行Fisher检验：

# 进行变量2和变量3之间的Fisher检验
fisher.test(data$变量2, data$变量3)

这里的fisher.test()函数可以进行Fisher检验。

最后，我们可以进行t检验。假设我们想要检验变量1在两个组之间的均值是否有显著差异，我们可以使用以下代码进行独立样本t检验：

# 进行变量1在两个组之间的独立样本t检验
group1 <- subset(data, 变量4 == "Group1")$变量1
group2 <- subset(data, 变量4 == "Group2")$变量1
t.test(group1, group2)

这里的subset()函数可以按指定条件筛选数据，$符号可以提取指定变量的值。t.test()函数可以进行独立样本t检验。

如果我们想要进行非独立样本t检验，我们可以使用以下代码：

# 进行变量1在两个时间点之间的非独立样本t检验
time1 <- subset(data, 变量4 == "Time1")$变量1
time2 <- subset(data, 变量4 == "Time2")$变量1
t.test(time1, time2, paired = TRUE)

这里的paired = TRUE表示进行非独立样本t检验。

以上就是基于自选数据的R语言基本统计分析的代码和解释。希望能对你有所帮助！