学习R语言,一篇文章让你从懵圈到入门

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。

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:

学习R语言,一篇文章让你从懵圈到入门

数据科学工作流程

  1. 数据导入
  2. 数据整理
  3. 反复理解数据
    • 数据可视化
    • 数据转换
    • 统计建模
  4. 作出推断(比如预测)
  5. 沟通交流
  6. 自动化分析
  7. 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
  • 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
  • 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
  • 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:

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-moviesggplotmovies: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。

本文链接:http://www.xueqing.tv/cms/article/198

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。

(1)
张乐的头像张乐编辑
上一篇 2016-05-08 14:23
下一篇 2016-05-24 22:33

相关文章

关注我们
关注我们
分享本页
返回顶部