在实际工作中,每个数据科学项目各不相同,但基本都遵循一定的通用流程。具体如下:
数据科学工作流程
- 数据导入
- 数据整理
- 反复理解数据
- 数据可视化
- 数据转换
- 统计建模
- 作出推断(比如预测)
- 沟通交流
- 自动化分析
- 程序开发
下面列出每个步骤最有用的一些R包:
数据导入
以下R包主要用于数据导入和保存数据
- feather:一种快速,轻量级的文件格式。在R和python上都可使用
- readr:实现表格数据的快速导入。中文介绍可参考这里
- readxl:读取Microsoft Excel电子表格数据
- openxlsx:读取Microsoft Excel电子表格数据
- googlesheets:读取google电子表格数据
- haven:读取SAS,SPSS和Stata统计软件格式的数据
- httr:从网站开放的API中读取数据
- rvest:网页数据抓取包
- xml2:读取HTML和XML格式数据
- webreadr:读取常见的Web日志格式数据
- DBI:数据库管理系统通用接口包
- RMySQL:用于连接MySQL数据库的R包
- RPostgres:用于连接PostgreSQL数据库的R包
- bigrquery用于连接Google BigQuery的R包
- PivotalR:用于读取Pivitol(Greenplum)和HAWQ数据库中的数据
- dplyr:提供了一个访问常见数据库的接口
- data.table:data.table包的
fread()
函数可以快速读取大数据集 - git2r:用于访问git仓库
数据整理
以下R包主要用于数据整理,以便于你后续建模分析:
- tidyr:用于整理表格数据的布局
- dplyr:用于将多个数据表连接成一个整齐的数据集
- purrr:函数式编程工具,在做数据整理时非常有用。
- broom:用于将统计模型的结果整理成数据框形式
- zoo:定义了一个名zoo的S3类型对象,用于描述规则的和不规则的有序的时间序列数据。
数据可视化
以下R包用于数据可视化:
- ggplot2及其扩展:ggplot2包提供了一个强大的绘图系统,并实现了以下扩展
- ggthemes:提供扩展的图形风格主题
- ggmap:提供Google Maps,Open Street Maps等流行的在线地图服务模块
- ggiraph:绘制交互式的ggplot图形
- ggstance:实现常见图形的横向版本
- GGally:绘制散点图矩阵
- ggalt:添加额外的坐标轴,geoms等
- ggforce:添加额外geoms等
- ggrepel:用于避免图形标签重叠
- ggraph:用于绘制网络状、树状等特定形状的图形
- ggpmisc:光生物学相关扩展
- geomnet:绘制网络状图形
- ggExtra:绘制图形的边界直方图
- gganimate:绘制动画图
- plotROC:绘制交互式ROC曲线图
- ggspectra:绘制光谱图
- ggnetwork:网络状图形的geoms
- ggradar:绘制雷达图
- ggTimeSeries:时间序列数据可视化
- ggtree:树图可视化
- ggseas:季节调整工具
- lattice:生成栅栏图
- rgl:交互式3D绘图
- ggvis:交互式图表多功能系统
- htmlwidgets:一个专为R语言打造的可视化JS库
- leaflet:绘制交互式地图
- dygraphs:绘制交互式时间序列图
- plotly:交互式绘图包,中文介绍详见这里
- rbokeh:用于创建交互式图表和地图,中文介绍
- Highcharter:绘制交互式Highcharts图
- visNetwork:绘制交互式网状图
- networkD3:绘制交互式网状图
- d3heatmap:绘制交互式热力图,中文介绍
- DT:用于创建交互式表格
- threejs:绘制交互式3d图形和地球仪 –rglwidget:绘制交互式3d图形
- DiagrammeR:绘制交互式图表
- MetricsGraphics:绘制交互式MetricsGraphics图
- rCharts:提供了对多个javascript数据可视化库(highcharts/nvd3/polychart)的R封装。
- coefplot:可视化统计模型结果
- quantmod:可视化金融图表
- colorspace:基于HSL的调色板
- viridis:Matplotlib viridis调色板
- munsell:Munsell调色板
- RColorBrewer:图形调色板
- igraph:用于网络分析和可视化
- latticeExtra:lattice绘图系统扩展包
- sp:空间数据工具
数据转换
以下R包用于将数据转换为新的数据类型
- dplyr:一个用于高效数据清理的R包。视频学习课程
- magrittr:一个高效的管道操作工具包。
- tibble:高效的显示表格数据的结构
- stringr:一个字符串处理工具集
- lubridate:用于处理日期时间数据
- xts:xts是对时间序列数据(zoo)的一种扩展实现,提供了时间序列的操作接口。
- data.table:用于快速处理大数据集
- vtreat:一个对预测模型进行变量预处理的工具
- stringi:一个快速字符串处理工具
- Matrix:著名的稀疏矩阵包
统计建模与推断
下述R包是统计建模最常用的几个R包,其中的一些R包适用于多个主题。
- car:提供了大量的增强版的拟合和评价回归模型的函数。
- Hmisc:提供各种用于数据分析的函数
- multcomp:参数模型中的常见线性假设的同时检验和置信区间计算,包括线性、广义线性、线性混合效应和生存模型。
- pbkrtest用于线性混合效应模型的参数Bootstrap检验
- MatrixModels:用于稠密矩阵和稀疏矩阵建模
- mvtnorm:用于计算多元正态分布和t分布的概率,分位数,随机偏差等
- SparseM:用于稀疏矩阵的基本线性代数运算
- lme4:利用C++矩阵库 Eigen进行线性混合效应模型的计算。
- broom:将统计模型结果整理成数据框形式
- caret:一个用于解决分类和回归问题的数据训练综合工具包
- glmnet:通过极大惩罚似然来拟合广义线性模型
- gbm:用于实现随机梯度提升算法
- xgboost:全称是eXtreme Gradient Boosting。是Gradient Boosting Machine的一个c++实现。目前已制作了xgboost工具的R语言接口。详见统计之都的一篇介绍
- randomForest:提供了用随机森林做回归和分类的函数
- ranger:用于随机森林算法的快速实现
- h2o:H2O是0xdata的旗舰产品,是一款核心数据分析平台。它的一部分是由R语言编写的,另一部分是由Java和Python语言编写的。用户可以部署H2O的R程序安装包,之后就可以在R语言环境下运行了。
- ROCR:通过绘图来可视化分类器的综合性能。
- pROC:用于可视化,平滑和对比ROC曲线
沟通交流
以下R包用于实现数据科学结果的自动化报告,以便于你跟人们进行沟通交流。
- rmarkdown :用于创建可重复性报告和动态文档
- knitr:用于在PDF和HTML文档中嵌入R代码块
- flexdashboard:基于rmarkdown,可以轻松的创建仪表盘
- bookdown:以R Markdown为基础,用于创作书籍和长篇文档
- rticles:提供了一套R Markdown模板
- tufte:用于实现Tufte讲义风格的R Markdown模板
- DT:用于创建交互式的数据表
- pixiedust:用于自定义数据表的输出
- xtable:用于自定义数据表的输出
- highr:用于实现R代码的LaTeX或HTML格式输出
- formatR:通过
tidy_source
函数格式化R代码的输出 - yaml:用于实现R数据与YAML格式数据之间的通信。
自动化分析
以下R包用于创建自动化分析结果的数据科学产品:
- shiny:一个使用R语言开发交互式web应用程序的工具。中文教程
- shinydashboard:用于创建交互式仪表盘
- shinythemes:给出了Shiny应用程序的常用风格主题
- shinyAce:为Shiny应用程序开发者提供Ace代码编辑器。
- shinyjs:用于在Shiny应用程序中执行常见的JavaScript操作
- miniUI:提供了一个UI小部件,用于在R命令行中集成交互式应用程序
- shinyapps.io:为创建的Shiny应用程序提供托管服务
- Shiny Server Open Source:为Shiny应用程序提供开源免费的服务器
- Shiny Server Pro:为企业级用户提供一个Shiny应用程序服务器
- rsconnect:用于将Shiny应用程序部署到shinyapps.io
- plumber:用于将R代码转化为一个web API
- rmarkdown:用于创建可重复性报告和动态文档
- rstudioapi:用于安全地访问RStudio IDE的API
程序开发
以下这些包主要用于开发自定义的R包:
- 文章
- R6:R6是R语言的一个面向对象的R包,可以更加高效的构建面向对象系统。
- htmltools:用于生成HTML格式输出
- nloptr:提供了一个NLopt非线性优化库的接口
- minqa:一个二次近似的优化算法包
- rngtools:一个用于处理随机数生成器的实用工具
- NMF:提供了一个执行非负矩阵分解的算法和框架
- crayon:用于在输出终端添加颜色
- RJSONIO:rjson是一个R语言与json进行转的包,是一个非常简单的包,支持用 C类库转型和R语言本身转型两种方式。
- jsonlite:用于实现R语言与json数据格式之间的转化
- RcppArmadillo:提供了一个Armadillo C++ Library(一种C++的线性代数库)的接口
实验数据
以下R包给出了案例实战过程中可用的训练数据集:
- babynames:包含由美国社会保障局提供的三个数据集
- neiss:2009-2014年期间提供给美国急诊室的所有事故报告样本数据
- yrbss:美国疾病控制中心2009-2013年期间青年危险行为监测系统数据
- hflights:
- USAboundaries:2011年全年休斯顿机场的所有航班数据
- rworldmap:国家边界数据
- usdanutrients:美国农业部营养数据库
- fueleconomy:美国环保署1984-2015年期间的燃油经济数据
- nasaweather:包含了一个覆盖中美洲的非常粗糙的24*24格地理位置和大气测量数据。
- mexico-mortality:墨西哥死亡人数数据
- data-movies和ggplotmovies:来自互联网电影数据库imdb.com的数据
- pop-flows:2008年全美人口流动数据
- data-housing-crisis:经过清洗后的2008美国房地产危机数据
- gun-sales:纽约时报提供的有关枪支购买的每月背景调查统计分析数据
- stationaRy:从成千上万个全球站点收集到的每小时气象数据
- gapminder:摘自Gapminder的数据
- janeaustenr:简·奥斯丁小说全集数据
更多R包介绍查看CRAN任务视图
参考文章
本文由雪晴数据网负责翻译整理,原文请参考RStartHere。
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。