2017-10-15 19:58:13

目录

为什么学R？

R是什么？

一种开源的解释型统计分析程序语言/软件工具包

历史

  • 前身是S (John Chambers, et al. Bell Lab, 1976) –> S-Plus
  • 由Ross Ihaka & Robert Gentleman开发(U Aucland, 1990s)
  • R Core Team成立，维护R核心代码(1997)

现状

  • 生态系统：核心组、开发者、用户
  • 统计学家事实上的标准工具语言
  • 渐受产业界重视
  • 金融、零售、生物制药、气象地质、信息科技, …
  • 整合大数据技术(Spark, …)
  • 商业化分支：Revolution R Analytics, Oracle R Enterprise, …

R有何用？

数据科学

  • 数据抽取
    • 文本/网页
    • 第三方数据文件
    • 关系型/非关系型数据库
  • 数据清理
    • 缺失/奇异值
    • 变形/标签
  • 数据分析
    • 描述分析
    • 统计推断
    • 挖掘预测
  • 可视化
    • 制图
    • 数据产品(本deck即knit而成)

工程开发

  • R附加包
  • Shell/bat调用
  • 与SQL/Java/Python联用
  • 与Spark/Hive/Pig联用

R的优缺点

优点

  • 开源
    • 免费、自由、透明
    • 活跃的支持社区
  • 为统计而生
    • 强大而前沿的统计分析功能
    • 强大的作图能力
  • 为懒人而生
    • 背靠附加包，代码产出率高
    • 胶水语言，便于混搭其他工具

缺点

  • 学习曲线陡峭
    • 语法略奇葩
    • 支持文档不详尽
  • 速度/效率/内存管理弱
    • 数据全部读入内存
    • 解释执行，速度较慢
  • 缺少权限/安全控制
    • 限制其工程开发用途

R适合谁学？

这些人适合学R

  • 日常业务需求
    • 常用小型数据集运行分析、挖掘
    • 常执行重复分析、报告过程
    • 用不起昂贵的分析工具，但也想跑点分析
  • 个人禀赋
    • 有志成为数据科学家
    • 对数据/算法/结构有兴趣
    • 有一点黑客精神

你可能关心的问题

  • Q: 需要编程经验吗？
  • A: 不需要有编程背景。最好懂SQL，懂Python更好。
  • Q: 学起来真的难吗？
  • A: 入门容易精通难。
  • Q: 一般多久能上手？
  • A: 一般50-100小时实操可大致上手。
  • Q: 学会了能涨工资吗？
  • A: 不能。

Fig. Analytics tools used by respondents to the 2015 Rexer Analytics Survey (multiple choice). - r4stats

Fig. Lavastorm survey of analytics tools. - r4stats

怎么学R？

30%的时间 - 书本和课堂

书本(供参考)

  • 入门
    • R语言初学者指南 (Alain F.Zuur)
    • R语言实战 (Robert I.Kabacoff)
  • 高手
    • ggplot2:数据分析与图形艺术 (H. Wickham)
    • 数据科学中的R语言 (李舰, 肖凯)
  • 老司机
    • R语言编程艺术 (Norman Matloff)
    • 高级R语言编程指南 (H. Wickham)
    • Software for data analysis programming with R (J. Chambers)

在线课堂

70%的时间 - 社区和实战

帮助系统

?ggplot2::aes或手动导航

随机手册(Vignette)

  • Vignette [vi:n'jet]: 画像。附加包的随机手册。
  • browseVignettes("ggplot2")

R单机作业环境的搭建

下载并安装R

  • 访问R官网，下载R for windows并解压到C盘，建议安装64-bit版本（前提是安装了64位操作系统 ）
  • 更推荐用Linux

集成开发环境(IDE)

  • IDE不是必需的, 你可以用R自带的GUI界面写交互命令行
  • 但R本质上是一种脚本语言，存为脚本后运行才是王道
  • IDE的选择:
    • 强烈推荐使用RStudio Desktop (后续课程都将在RStudio上演示)
      • 接下来Rstudio将是你的一个R的宝库
      • 在Linux上，更建议安装Rstudio Server
    • 可以用你所惯用的代码编辑器，如Vim, Emacs, Notepad++
      • 但不要用Win Notepad、WordPad、MS Word等带BOM的编辑器
    • 还可以通过插件方式整合在其他IDE中使用，如Eclipse + StatET, Jupyter Notebook + IRkernel, R Tools for Visual Studio
      • 如果要对R进行工程开发，建议采用这种方式

RStudio 1.0 GUI

一些初始配置 (RStudio)

全局设置

(Tools -> Global Options)

  • Code Tab
    • Editing -> General -> Insert spaces for tab | Tab width: 4
    • Display -> Show margin | Margin column: 80
  • 其他Tab
    • 修改Work Directory
    • 修改CRAN Mirror
    • 修改外观主题

环境配置

(Control PanelControl Panel Items-> Change settings -> Advanced -> Environment variables)

  • 验证R安装目录是否在PATH中 (Sys.getenv('PATH'))
  • Edit PATH， 将R安装路径添加进去

基础组件

安装附加包 (add-on package)

附加包: R最重要的优势

用法
  • Packages面板 -> Install -> 输入包名
  • install.packages(c("<包名1>", "<包名2>", ...))
使用原则
  • 优先使用官方包、流行包
  • 避免使用偏门包、来历不明的包
  • 使用前阅读手册，了解其原理和局限

推荐一些常用包

  • 数据抽取
    • 数据库: RODBC, RMySQL, RPostgresSQL
    • 表格数据: readr, XLConnect, readxl
    • 网页: XML, httr, jsonlite, RCurl
  • 数据整理
    • 拆合排转: dplyr, tidyr, reshape2
    • 文本/时间: stringr, lubridate, timeDate
  • 数据分析
    • 建模: car, lme4, glmnet, survival
    • 金融/时序: quantmod, xts, zoo
    • 地理: sp, maps, maptools, ggmap
  • 数据挖掘
    • 机器学习: caret, e1071, kernlab
    • 自然语言: NLP, tm, RTextTools
  • 可视化
    • 图表: ggplot2, rCharts, ggvis, htmlwidgets族(leaflet, DT, dygraphs, DiagrammR, d3heatmap, …), plotly, rgl, rbokeh, highcharter
    • 报告: rmarkdown, knitr, shiny, ReporteRs
  • 工具
    • 运行效率: data.table, Rcpp, parallel
    • 开发: devtools, roxygen2, testthat

典型应用套路

GUI操作

通过Rcmdr或rattle包调用tcltk库，驱动图形界面，进行整理、分析、挖掘

R Commander (经典分析利器)

library(Rcmdr)  ## 加载Rcmdr包
Commander()  ## Rcmdr主函数

rattle (整合数据挖掘功能)

library(rattle)  ## 加载rattle包
rattle()  ## rattle主函数

交互命令行

用法

  • 最传统的使用形式
  • 在控制台敲入命令后回车，即时返回结果
  • 通过History面板或向上键调出历史命令
优点 缺点
1 直观 结果杂乱
2 便捷 无法复用

例子

1:4 + 1:4
## [1] 2 4 6 8
library(plotly)
plot_ly(cars, x=~speed, y=~dist) %>% add_markers()

scatter cars

脚本

用法

  • 创建.R脚本文件，编辑函数、执行代码
  • source该.R脚本读入，编辑或块选执行
  • 用Shell/bat等外部工具直接通过R CMD或Rscript命令调用脚本
  • 选块Ctrl+Enter，显示为R Notebook
优点 缺点
1 可复用 需脚本管理
2 代码逻辑 结果欠结构

例子

保存一个intro.R脚本

# Open pdf device and name it
pdf('intro.pdf')
# Lazy plot a scatterplot
plot(cars, main='Scatterplot of cars')
# Close all the devices
dev.off()

执行intro.bat，内容为

@echo off
: If Rscript is not in PATH, define the location manually 
Rscript.exe intro.R
@pause

最后在脚本同目录下生成一个intro.pdf。全过程不出现RGui。

可重复报告

用法

  • 创建.rmd文档
  • 用YAML头部定义文档参数
  • 可自由生成html, docx, rtf, pdf
  • 混编可执行代码(R/Python/SQL)和自然语言行文 (markdown/ html/ LaTeX)
优点 缺点
1 可反复运行 有一定学习成本
2 文学化编程 需要一定的构思

例子

  • 创建的.Rmd文档本身自带示例代码，可尝试Knit
  • 本文档是一个较复杂的例子
  • 可以将配置项目写在_output.yml文件中，rmarkdown::render()生成文档
  • 可以尝试套用模板创建一个封装好格式的R Markdown文档
    • 默认的html
    • R Presentation
    • (安装rticles包)基于template的文档
  • 直接创建R Notebook文档

入门仪式: Hello, world!

Java

public class HelloWorld
{ 
  public static void main(String[] args)  
  { 
    System.out.println("Hello, world!");  
  }  
}

PHP

<!DOCTYPE html>  
<body>  
<?php 
    echo "Hello, world!";
?>  
</body>  
</html>

JavaScript

var sys = require("sys");
sys.puts("Hello, world!");

Python 3

print("Hello, world!")

Scala

println("Hello, world!")

R

print("Hello, world!")