iris
k<-levels(iris$Species);k##把数据框的种类列数字化##
gop=iris$Species
u<-nrow(iris[gop==k[1],])
w1=rep(1,u)
w1=as.numeric(w1)
q<-nrow(iris[gop==k[2],])
w2=rep(2,q)
w2=as.numeric(w2)
z<-nrow(iris[gop==k[3],])
w3=rep(3,z)
w3=as.numeric(w3)
v<-c(w1,w2,w3)
names(v)="Species"
iris1<-cbind(iris[,-5],v)
iris1
##均值的检验##
two.mu0<-function(data1,data2,alpha)
{
  
  n1=nrow(data1)
  n2=nrow(data2)
  p=ncol(data1)
  A1=(n1-1)*var(data1)
  A2=(n2-1)*var(data2)
  w=A1+A2
  xbar=apply(data1,2,mean)
  ybar=apply(data2,2,mean)
  T0=(n1*n2/(n1+n2))*(n1+n2-2)*t(xbar-ybar)%*%solve(w)%*%(xbar-ybar)
  F0=(n1+n2-p-1)/((n1+n2-2)*p)*T0
  a1=qf(1-alpha,p,n1+n2-p-1)
  p_v=1-pf(F0,p,n1+n2-p-1)
  rj=c(F0,a1)
  names(rj)=c("F0","临界值")
  
  if(F0>a1)
    result=c("拒绝原假设")
  else
    result=c("接受原假设")
  
  return(list(p.value=p_v,adjust=rj,result=result))
  
}
##马氏距离判别##
library(dplyr)
dis<-function(data,k)
{
  n=nrow(data)
  m=ncol(data)
  gop=data[,m]
  x.bar=matrix(0,m-1,k)
  r=matrix(0,k,n)
  sp=rep(0,k)
  d<-matrix(0,nrow=k,ncol=k)
  for(i in 1:k)##两两之间进行均值是否显著的判断##
  { for(j in 1:k)
   { if(i!=j)
    {
     data1=data[gop==i,]
     data2=data[gop==j,]
     two.mu0(data1,data2,0.01)
     d[i,j]=two.mu0$p.value
    }
   }
  }
  if(max(d)<0.01)##若两两之间均值均显著则进行马氏距离的判别##
  {
    for(p in 1:k)
    {
      datap=data[gop==p,]
      np=nrow(datap)
      x.bar[,p]=apply(datap[,1:m-1],2,mean)
      for(q in 1:n)  r[p,q]=t(data[q,1:m-1]-x.bar[,p])%*%solve(var(datap[,1:m-1]))%*%(data[q,1:m-1]-x.bar[,p])
      sp[p]=np
    }
    critical=apply(r,2,which.min)##判别结果##
    Data=cbind(data,critical)
    wr=n-nrow(subset(Data,Data[,m]%in%Data[,m+1]))
    er=wr/n
    result=list("样本总量"=n,"判别结果"=critical,"判错率"=wr)
    return(result)
  }
  else
    print("data error")
}
iris1=as.matrix(iris1)
dis(iris1,3)