目标学习4R工作法

第一篇：目标学习4R工作法

（一）任何目标都不会自动实现。目标要“量化”在每一月、每一周、每一日和每一个过程里。

（二）工作只有“优先”与“次后”，其他只是噪音而已。优先就是紧急又重要，次后则是重要但不紧急。企业和员工必须将有限的资源投入到“优先”上，并且要专注于达成预定的目标与愿景。

（三）企业需要发现问题的员工，更需要发现问题又能解决问题的员工。最好解决问题后有回复，有总结，让别人不犯第二次错误的好员工。

（四）公司倡导“六点优先工作制”，即：

1、写下第二天要做的全部事情。

2、按事情的重要顺序，分别从“1”到“6”标出六件最重要事情。

3、每天一开始，请你全力以赴做标号为“1”的事情，直到它被完成或被完全准备好，然后再全力以赴做标号为“2”的事情，以此类推。

（五）公司内部实行4R执行力系统工作方法，所谓4R执行力系统就是：

R1：Result（结果定义），门从哪儿开，人从哪里走；

R2:Responsibility（一对一责任），千斤重担众人挑，人人头上有指标；

R3:Review（跟踪检查），人们不会做你希望的，只会做你检查和监督的；

R4:Reward（即时激励），决定动力的并不是金钱而是内心的成就感。

（六）公司内部执行YCYA工作方法，YCYA是一套对事务的承诺管理系统。

1、Y：YES。指接到工作指令后，主动明确地作出承诺。

2、C：CHECK。检查，指检查人对执行人的过程与结果进行监督检查。

3、Y：YES。指工作完成后，主动明确地向指令发出人汇报结果完成情况。

4、A：AWARD。指根据检查结果，对结果进行即时奖惩。

所有员工要按照此方法，“小事大做”。

第二篇：目标导向工作法学习心得

目标导向工作法学习心得

最近一段时间，通过参加公司组织的针对目标导向这一工作方法的学习，我对在日常工作中如何提高效率又有了新的认识。

经过初步的学习了解，我把目标导向理解为以目标来指导我们前进的方向，以最终目标来指导我们工作的过程。在日常工作中我相信不少人都会有这样的体会，每天一到单位就开始忙碌但到了下班时间还是有很多事情没有做完。好像每天都在拼尽全力工作但取得的成绩却微乎其微。我认为这就是工作之前缺乏明确目标的原因，在工作前没有明确的目标，在工作中就容易被各种琐事困扰，浪费了时间，造成效率低下。目标导向工作法就是告诉我们制定工作目标的重要性，用明确的目标保证自己在工作的过程中时时刻刻是在通往目标的道路上前进而不是轻易地被其他与目标无关的事情所吸引。

有了明确的目标，行动的决心和方法也是必不可少的。我认为培养行动的决心首先要有一个良好的工作态度，要以一种较高的责任感来对待工作。其次可以通过完成较小的目标来加强决心，逐渐养成一种习惯并在一次次目标的完成中加以巩固。为了达成目标，需要一套科学的行动的方法，也就是行动计划。目标是刻在石板上的，计划是写在沙滩上的。这个形象的比喻说明了目标一旦制定就是板上钉钉，不可改变的事实，而计划则要根据不断变化的实际情况进行修改。一旦海浪打来，情况发生变化就必须重新书写，这就是行动计划机动性和可变性的特点。一套科学的行动方案是实现最终目标在效率上的保证

提到目标导向工作法，肯定离不开制定目标时需要的SMART原则，即目标设定要具体、可衡量、可达到、可证明和观察、并且有截止日期。目标的具体性不必多说，只有一个合理具体的目标才会对保证工作效率具有实际意义。在实现目标的具体工作中，我们需要时不时的停下看看自己是不是偏离了目标，距离目标达成还有多远，因此目标必须是可度量的。这样我们才可以知道自己当时的确切状况，以便自己能够根据实际情况及时调整方案，保证按时达成目标。可实现性则是我们在实施计划过程中动力的保证，要让自己去够跳起来能够摸到的苹果。目标定得过高，在计划实施前就知道不可能完成，那么在实施过程中一定会因为缺乏动力和决心而半途而废，制定的工作目标也不再有意义。“R”则告诉我们制定目标时要以结果为目的，不必考虑行动中出现的偏差得失。最后，目标导向下我们计划必须要有时效，我们不能为了实现目标而没有时间的限制，那么这样的目标同样也失去了意义。比如我说我一定要进入公司的管理层，那么我就要给自己一个可度量的空间，比如3年或者5年，如果这目标没有时间限制那么我们奋斗时就会迷惑。我这么努力是为了什么？我是5年还是10年之后成为公司某个部门的主管？自己心里都不清楚的话就更不可能在日常工作中加以持之以恒的努力。

不管多么伟大的目标，无论多么科学详细的行动计划，离开了行动本身一切都化为乌有。普通人与成功人士最大的区别之一就是普通人夸夸其谈，成功人士踏实去做。只有我们去奋斗了，去努力做了我们才能在这个过程中得到成长，只有这样才算是享受了过程，这样得到的成功才是值得我们骄傲的，才不是索然无味的，这样的人生才是有意义的充满色彩的。在今后的工作中，我会着眼目标，高效充实地去过每一天，为自己的青春书写一份满意的答卷。

第三篇：R语言学习总结

R语言学习总结经过接近一个学期的学习，从对R语言的完全陌生，到现在对其有了一些粗浅的认识，其中经历了遇到困难苦思冥想的艰辛，也有解决问题以后豁然开朗的畅快。在学习的过程中，以前掌握的数理基础给我带来了不少便利，而认真地态度和踏实的性格也使我获益匪浅。

在这个学期中，我学会了R语言的基本操作和语法，以及针对具体的统计学问题相应的解决方法。并按时完成老师布置的课后作业，以达到学以致用的目的，也加强了对R语言操作的熟练度。

一、初识R软件

R软件是一套完整的数据处理、计算和制图软件系统。其功能包括：据存储和处理，数组运算，完整连贯的统计分析工具，优秀的统计制图功能已及简便而强大编程语言。

接触R语言以后，我的第一感觉就是方便和强大。R语言中有非常多的函数和包，我们几乎不用自己去编一些复杂的算法，而往往只需要短短几行代码就能解决很复杂的问题，这给我们的使用带来了极大地方便；于此同时，它又可操纵数据的输入输出，实习分支、循环，使用者可以自定义功能，这就意味着当找不到合适的函数或包来解决所遇的问题时，我们又可以自己编程去实现各种具体功能，这也正是R语言的强大之处。

二、学习心得

在学习该书的过程中，我不仅加深了对统计学方法的理解，同时也掌握了R软件的编程方法和基本技巧，了解了各种函数的意义和用法，并能把两者结合起来，解决实际中的统计问题。

1、R语言的基本语法及技巧

R语言不仅可以进行基础的数字、字符以及向量的运算，内置了许多与向量

运算有关的函数。而且还提供了十分灵活的访问向量元素和子集的功能。R语言中经常出现数组，它可以看作是定义了维数（dim属性）的向量。因此数组同样可以进行各种运算，以及访问数组元素和子集。二维数组（矩阵）是比较重要和特殊的一类数组，R可以对矩阵进行内积、外积、乘法、求解、奇异值分解及最小二乘拟合等运算，以及进行矩阵的合并、拉直等。apply()函数可以在对矩阵的一维或若干维进行某种计算，例如apply(A,1,mean)表示对A按行求和。R语言允许将不同类型的元素放在一个集合中，这个集合叫做一个列表，列表元素总可以用“列表名[[下标]]”的格式引用。而“列表名[下标]”表示的是一个子列表，这是一个很容易混淆的地方。R语言中非常重要的一种数据结构是data.frame（数据框），它通常是矩阵形式的数据，但每列可以是不同类型，数据框每列是一个变量，每行是一个观测，要注意的是每一列必须有相同的长度。数据框元素可以使用下标或者下标向量引用。

用一个非常简单的例子来说明向量、矩阵和数据框的简单运用。输入：

A<-matrix(c(1:12),2,6,byrow=T)#A为一个2行6列，按行排列的矩阵 X<-as.data.frame(A)#把A转化成数据框形式的X X[1:2,seq(1,5,2)] #输出X的第1、2行和1、3、5列 结果为： V1 V3 V5 1 1 3 5 2 7 9 11 输入：

attach(X);R<-V1/V5;R #调用数据框X,计算并输出V1和V5的比值 结果为： [1] 0.2000000 0.6363636 与此同时R语言中也提供了其它高级程序语言共有的分支、循环等程序控制结构。比如if/else语句，for循环等。因此R语言也可以很容易的根据情况编写自己所需要的函数。

以习题2.7为例：编写一个R程序，输入一个整数n，如果n小于等于0，中止运算，并输出：“要求输入一个正整数”；否则，如果n是偶数，则将n除2赋值给n；否则将3n+1赋给n。不断循环，直到n=1停止，并输出：“运算成功”

解：新建一个程序脚本，名为chapter2.R”，写入代码： f<-function(n){ if(n<=0)list(“要求输入一个正整数”)else{repeat{ if(n==1)break #n=1时终止 else if(n/2==as.integer(n/2))n<-n/2 #n为偶数时除2 else n<-3*n+1 } list(“运算成功”)} } 在R窗口中输入：

Source(“chapter2.R”);f(32)输出： [1] “运算成功” 输入： f(-5)输出：

[1] “要求输入一个正整数”

2、R在统计描述中的应用

使用R软件可以方便直观的对数据进行描述性分析。如使用均值、中位数、顺序统计量等度量位置；用方差、标准差、变异系数等度量分散程度；以及用峰度系数、偏度系数度量分布形状。例如在窗口中输入：

x<-seq(1,589,3)length(x);mean(x);var(x);sd(x);median(x);100*sd(x)/mean(x)[1] 197 #长度 [1] 295 #均值 [1] 29254.5 #方差 [1] 171.0395 #标准差 [1] 295 #中位数 [1] 57.97948 #样本标准差

n<-length(x);m<-mean(x);s<-sd(x)n/((n-1)*(n-2))*sum((x-m)^3)/s^3;((n*(n+1))/((n-1)*(n-2)*(n-3))*sum((x-m)^4)/s^4-(3*(n-1)^2)/((n-2)*(n-3)))[1] 0 #偏度系数 [1]-1.2 #峰度系数

R软件可以检验样本是不是来自某种分布总体，以正态分布为例，我们可以通过shapiro.test()函数提供W统计量和相应的p值，并通过p值的大小判断样本是否来自正态分布的总体。经验分布的K-S检验方法的应用范围则更加广泛，不仅可以判断样本是否来自正态总体，也能判断是否来自其它类型的分布总体。

以习题3.3为例：分别用W检验方法和Kolmogorov-Smirnov检验方法检验习题3.1的数据是否服从正态分布；

首先将一百个数据存入”data.txt”中（此文件要放在工作空间目录中）x<-read.table(“data.txt”);shaoiro.test(x)Shapiro-Wilk normality test data: x W = 0.9901, p-value = 0.6708 可见该样本来自正态总体 ks.test(x,pnorm,mean(x),sd(x))One-sample Kolmogorov-Smirnov test data: x D = 0.073, p-value = 0.6611 alternative hypothesis: two-sided 结果与W检验相同

除此之外，R语言还有强大的画图功能，例如我们可以通过作直方图、茎叶图和总体分析来描述数据的分布。R中的高水平作图函数有：plot()、pairs()、coplot()、qqnorm()、hist()等等。当高水平作图函数并不能完全达到作图的指标时，需要低水平的作图函数予以补充。低水平作图函数有：points()、lines()、text()、polygon()、legend()、title()和axis()等。需要注意的是低水平作图函数必须是在高水平作图函数所绘图形的基础之上增加新的图形。

hist()函数可以做出已知数据的直方图，stem()函数可以作茎叶图，boxplot()函数可用作箱线图，qqline()和qqmorm()可以做出正态QQ图和相应的直线。R语言同时还能对两组数据进行相关性检验，cor.test()函数提供了Pearson相关性

检验，Spearman秩检验和Kendall秩检验。其原假设为两组数据不相关，通过p值的大小来判断是否拒绝原假设。我们还能用stars()函数作出星图，来表示多元数据，以上用法都非常简单易用，这里就不再赘述。

3、R语言在统计推断中的应用 首先，R语言可以用来进行参数估计；

统计学中我们应用矩估计和极大似然估计来进行点估计，矩估计是通过解正规方程组得到参数估计的值；极大似然估计通过解极大似然函数的极值点得到参数估计的值。在R中我们可以使用Newton迭代法求解正规方程组，获得矩估计；用optimize()函数求解极大似然函数，获得最大似然估计；由此可见，R语言能够很方便的解决参数点估计问题。

点估计给出未知参数的近似值以后，并不能知道这种估计的精确性如何，可信程度如何，为了解决这些问题，就需要用到区间估计，在学习用R语言解决区间估计问题的过程中，我最大的体会就是R软件中内置的一些函数极大地方便了我们处理具体问题。比如t.test()函数。对单个正态总体，向量x包含了来自该总体的一个样本，我们可以直接用t.test(x)指令得到均值u的点估计和区间估计；对于两个正态总体，向量y包含了来自第二个总体的一个样本，我们可以用t.test(x,y)来得到均值差u1-u2的点估计和区间估计，其中当两个总体方差相同时，只需要加上var.equal=T（缺省值为F，即默认两个总体的方差是不同的）；同时t.test()函数不仅可以进行双侧置信区间估计，也能进行单侧置信区间估计，只需要在括号内加上al=”l”或者al=”g”。当数据不服从正态分布是，可以利用中心极限定理，取较大的样本量，构造近似服从正态分布的统计量进行估计。

其次，R语言可以用来进行假设检验。

假设检验也是统计推断中的一个重要的内容，在统计学中，我们用搜索到的数据对某个事先作出的统计假设按照某种设计好的方法进行检验，来判断此假设是否正确。也就是说为了检验一个假设是否成立，先假定它是成立的，看看由此会导致什么结果。如果导致一个不合理的现象出现，就认为原假设不正确，如果没有导出不合理的现象，则不能拒绝原假设。

R软件给出了参数假设检验的方法。以正态总体为例，t.test()函数也可以用来进行单个或者两个正态总体的均值的假设检验。进行单边检验时可以加入指令alternative（备择假设），缺省时表示双边检验，less表示备择假设为u

X<-c(78.1,72.4,76.2,74.3,77.4,78.4,76.0,75.5,76.7,77.3)Y<-c(79.1,81.0,77.3,79.1,80.0,79.1,79.1,77.3,80.2,82.1)t.test(X,Y,var.equal=T,al=”l”)输出：Two Sample t-test data: X and Y t =-4.2957, df = 18, p-value = 0.0002176 alternative hypothesis: true difference in means is less than 0 95 percent confidence interval:-Inf-1.908255 sample estimates: mean of x mean of y 76.23 79.43 结果中我们不仅能得到X和Y的均值的点估计76.23和79.43、左侧区间估计、同时也能通过p值的大小判断是否接受原假设，该例中p<0.05，认为拒绝原假设，即认为两总体方差不同。与均值假设检验相类似。

R语言中还可以用var.test()函数进行正态总体的方差假设检验。而且R语言不仅能就正态总体进行均值和方差检验，也能对其他总体分布进行检验。例如用binom.test()进行二项分布的检验和估计。习题5.3中检验铁剂和饮食两种方法治疗后患者病情表现有无差异：

x<-c(113,120,138,120,100,118,138,123)y<-c(138,116,125,136,110,132,130,110)binom.test(sum(x

参数假设检验假定了总体分布的具体形式，但实际问题中我们往往不知道总体的分布，很难对总体的分布做出假定，所有要尽量从样本本身获得所需要的信息，即非参数检验方法。

R语言中有很多种非参数的检验方法，这里仅介绍几个较为重要的方法。Pearson拟合优度的卡方检验:首先假设随机变量有某种分布，将数轴分成m个区间，然后用样本落在每个区间内的个数和其期望构造K统计量，当n很大是，K依分布收敛于自由度为m-1的卡方分布。然后进行参数假设检验。在R语言中可以用chisq.test()函数来实现。符号检验可以用来检验一个样本是否来自某个总体，或者检验两个总体是否有显著区别。对于前者，如果样本中位数等于假设的总体的中位数，我们就认为样本来自该假设，此时每个样本中位数和总体中位数的差额应该正负各一半，所以可以用p=0.5的二项分布来检验。对于后者，如果认为两个总体无显著差异，则对应的两个样本观测值正负差额的个数应该大体相当，即正负各占一半，像单个样本一样，检验其是否来自p=0.5的二项分布。这在R语言中只需要用binom.test()函数就能实现。秩统计量检验是一种经常被用来检验分布无关性的非参数检验，R语言提供了Spearman、Kendall和Wilcoxon三种秩检验方法，前两种可以用cor.test()函数实现，最后一种可以用wilcox.test()函数实现。

最后，R语言还可以用来处理回归分析问题

对于普通的多元线性回归模型，已知被解释变量y和i个解释变量的样本数据，利用R语言中的lm()函数可以非常方便的求出各解释变量的回归参数，并做相应的检验。以 y=β0+β1x+β2z+ε 为例，将数据赋给各个变量后，只需要输入lm<-lm(y~1+x+z);summary(lm)就能得到参数估计值、每个参数估计值的标准差、参数显著性的t检验和总体显著性的F检验，以及模型的拟合优度等信息。然后我们可以用predict()函数非常方便的求出预测值和预测区间，同样我们还能用前面介绍过的plot()和abline()等函数做出各种图形来进行回归分析。

当然之前讲的都是比较理想的情况，而现实中往往影响被解释变量y的因素很多，我们希望找出若干个比较关键的变量建立回归方程，这便涉及变量选择的问题。选择“最优”变量的方法有很多，比较常用的一种是逐步回归法。它以

我是一个做事非常认真地人，这个学期除了上课时间，我还会利用课余时间练习R语言的操作，俗话说的好，动眼部动手，什么都学不走。很多时候看书上的内容觉得非常简单，实际操作中却会遇到很多小问题，往往也正是这些小问题导致我们的程序无法运行或者无法得出想要的结果。期间我就遇到过一些这样的问题，例如没有把数据文件放在工作空间目录里，导致“read.table”指令读不出数据，或者是一些符号输错导致错误。正是我认真细致的将每个用法都尝试一遍，才掌握了很多不起眼的小细节，也正是因为这一点，当其他两名同学遇到问题问我的时候我才能迅速地找出问题所在。

总的来说，R语言归根到底只是我们解决问题的工具，而我们对问题的分析首先是要根据理论进行的，例如参数估计、假设检验以及线性回归、时间序列方面的知识，我们只有深刻理解这些理论背后的意义，才能用对R语言中的各个方法，就好比战场上如果R是利刃，理论知识就是我们的身体和战术素养，只有我们学好了理论知识，才能面对一个个问题迎刃而解。

这个学期获得的收获则更多，不仅加深了对统计和计量方面知识的进一步理解，更对R软件有了初步的了解和认识。而其实最重要的，是这种全力以赴做一件事情的状态和收获的喜悦。我相信这种经历会让我在以后的学习和工作中获益匪浅。

这个学期的学习让我对R语言产生了浓厚的兴趣，而我现在对R语言也仅仅是学到了些皮毛，我一定要再努力学习，希望能够在今后的实习中学到更多的东西，为自己大四时期找工作打下基础。

第四篇：135工作法学习心得体会

“135”工作法学习心得

我们全体营销人员就参加了一次非常重要的学习。虽然此次学习的时间不长，但是内容十分重要，对我们营销人员今后的工作意义重大。我个人理解，“135”工作法即将贯穿我们今后所有的工作，“135”工作法是一种工作方法，更是一种理论，是A-PDCA循环管理思想，作为营销人员必需要理解、遵从。更重要的是在实际工作中加以运用，下面我结合自身的工作实际，浅谈一下我对“135”工作法的理解，以及我今后工作的一些打算。

在这里我主要说说我们工作时要进行的“分析、计划、实施、评估、改进”五个步骤。说实话，在这之前我没有听说过完成一项工作需要这么多的步骤，更不要说按这五个步骤进行工作了。以前无论做什么工作，充其量就两个步骤，一是计划、二是实施。一头一尾都被去掉了。换句话说，我们以前的工作都做的不完整，这也是很多时候，我们想把工作做好，却往往结果不够理想的真正原因所在。更是我们从现在开始要认真学习和运用“135”工作法的最迫切和关键的时候。

“135”工作法的第一步是分析，分析的目的就是要找出问题和原因，以便我们制定更好、更合理的工作计划。我们原先工作的时候也分析，但是往往不是在计划之前，而往往可能是在实施计划的时候，顺序的颠倒，我们往往是在边实施边找问题，同时不断出现这样或者那样的问题。所以工作结果和效率大不相同，没有很好的分析，就找不出存在的问题，找不出存在的问题就制定不了合理科学的工作计划。所以分析很重要，它决定着我们的工作方向，决定着我们的工作是否合理，执行起来是否有效，回首我们以前的工作，有几件是在认真分析后才制定工作计划的？很多都是随意的，盲目的。在说到计划的时候，我们时常会随口说的一句话就是“计划没有变化快”，但是并不是说我们的计划就可以随意，甚至要不要都可以。比如我以前在安排计划当月的工作时，总是想每月的工作都差不多，说来说去就那几件事，没有什么新鲜的，所以计划每月几乎就千篇一律，但是通过学习后，我感觉到这不是计划，这是应付，为什么不多想一想，这个月与上个月有什么不同？销售是淡还是旺？上个月市场销售情况怎么样？为什么？我们的工作重点应该是那几点？等等。因为计划的不严谨，不周密，导致我们的工作目的模糊，方向不明确。这可能就是我们常常感觉到的，工作很忙很累，但是就是不知道今天应该忙什么？想到什么就做什么，心情很烦躁的主要原因所在吧？

五个步骤的第四步和第五步是评估和改进，我个人理解就是我们做任何一项工作都要总结成效以及找出不足，并提出今后的整改措施。平时的很多工作我们都没有这两个步骤，做完一项工作就算完事了，有的工作我们也有，比如说卷烟销售工作、零售终端工作，我们在写分析和月报的时候也都提到了这两点，但是很多时候这些都只限于写在纸上，更有甚者，同样的问题和整改措施每个月都会出现，所以说以前是流于一种形式，并没有起到真正的作用，通过学习后，我知道了，我们下一次在做同样的工作时，上一次的评估和改进应该是我们工作的开始，只有通过这样不断的往复循环，我们的能力才能得到提升。

“每天进步一点点”这是这次培训我记忆最深的一句话，回首以前的工作，我觉得我不是每天进步一点点，是在原地踏步走，或者说是在退步，有时候感到很惭愧，自己本身文化水平就不高，平时又不怎么学习，与当今突飞猛进的时代相比，我已经在一天天的倒退，如果继续下去，迟早要被这个社会所淘汰。与此同时我也感到十分的庆幸，单位给我搭建了学习的平台，创造了很多的学习机会，让我在工作之余不断地学习充电。学以致用，不用则废，“135”工作法不是高、顶、尖。不是深不可测，它简单、易操作、与我们工作实际紧密相连，我相信，只要用心，它会给我们今后的工作带来莫大的帮助，并会逐步提高我们的工作能力和个人素质，我们也要有这个决心，通过一次次的学习、一次次的培训和实践，把自己打造成一个专业的营销人员，让我们每个人都怀着饱满的热情和自信的心态去面对新一天的工作。

胡燕林

第五篇：R语言实战学习总结

R 语言实战——基础总结

1、概念...........................................................................................................................................1

2、创建向量...................................................................................................................................1

3、创建矩阵...................................................................................................................................1

4、创建数组...................................................................................................................................1

5、创建数据框...............................................................................................................................2

1、概念

标量：只含一个元素的向量，用于保存常量。

向量：用于存储数值型、字符型或逻辑型数据的一维数组。

矩阵：每个元素都拥有相同的模式（储数值型、字符型或逻辑型），是一个二维数组。数组：与矩阵类似，但维度可以大于2。

数据框：指不同的列可以包含不同模式（储数值型、字符型或逻辑型）的数据。

2、创建向量

函数c()创建组合功能、执行组合的功能。如下图（创建向量a，值为1,2,3）：

3、创建矩阵

函数matrix()可创建矩阵，格式为： A <-matrix(vector，nrow=x，ncol=x,byrow=TRUE/FALSE,dimname=list(rnames,cnames))Vector：矩阵元素

Nrow 和Ncol 为指定行和列的维数。

byrow则表明矩阵应当按行填充（byrow=TRUE）还是按列填充（byrow=FALSE），默认情况下按列填充。

如下图创建5X4的矩阵：

4、创建数组

函数 array()创建数组，格式如下： A <-array(vector,dimensions,dimnames)Vector：包含数组中的数据。

Dimensions：一个数值型向量，给出各个维度下标的最大值。Dimnames：是可选的、各维度名称标签的列表。如下图：

5、创建数据框

函数data.frame()创建数据框，格式如下： A <-data.frame(col1,col2,col3,......)注意：括号中的col1/col2/col3是列向量，可以是任何类型（如字符型、数值型、逻辑型）。每一列的名称可以由函数name指定。

如下图：

6、。。。。