和其他语言（比如Python和Java）相比，R可以更模糊和麻烦。好消息是，有大量的包可以在R基础库上提供简单和熟悉的界面。这篇文章是我喜欢和每天使用的10个包，并且我希望自己能早些知道他们。
1
R语言学习曲线中最陡峭的一部分就是语法，我花了一段时间才习惯使用<-代替=。我听到很多人问如何实现VLOOKUP!R 对于一般的数据粗加工任务非常有用，但需要一段时间才能掌握。可以认为sqldf是我的R”辅助轮子”。
sqldf让你在R数据框上执行SQL查询。来自SAS的人会发现它非常熟悉，任何具有基本SQL技能的人都可以轻松的使用它—sqldf使用。
install.packages("sqldf")
library(sqldf)
sqldf("SELECT
day
, avg(temp) as avg_temp
FROM beaver2
GROUP BY
day;")
# day avg_temp
#1 307 37.57931
#2 308 37.71308
#beavers1 和 beavers2 是R base 自带的两个数据集，记录了两种海狸的体温序列
beavers <- sqldf("select * from beaver1
union all
select * from beaver2;")
#head(beavers)
# day time temp activ
#1 346 840 36.33 0
#2 346 850 36.34 0
#3 346 900 36.35 0
#4 346 910 36.42 0
#5 346 920 36.55 0
#6 346 930 36.69 0
movies <- data.frame(
title=c("The Great Outdoors", "Caddyshack", "Fletch", "Days of Thunder", "Crazy Heart"),
year=c(1988, 1980, 1985, 1990, 2009)
)
boxoffice <- data.frame(
title=c("The Great Outdoors", "Caddyshack", "Fletch", "Days of Thunder","Top Gun"),
revenue=c(43455230, 39846344, 59600000, 157920733, 353816701)
)
sqldf("SELECT
m.*
, b.revenue
FROM
movies m
INNER JOIN
boxoffice b
ON m.title = b.title;")
# title year revenue
#1 The Great Outdoors 1988 43455230
#2 Caddyshack 1980 39846344
#3 Fletch 1985 59600000
#4 Days of Thunder 1990 157920733
如果你喜欢sqldf，可以使用包来查询中的DataFrame，通过SQL。
2
我不经常做时间序列分析，但是当我做的时候forecast包是我的选择。forecast对ARIMA，ARMA，AR，指数平滑等时间序列模型的预测简单的令人难以置信。
install.packages("forecast")
library(forecast)
# mdeaths: 英国每月死于肺病的人数
fit <- auto.arima(mdeaths)
#定制你的置信区间
forecast(fit, level=c(80, 95, 99), h=3)
# Point Forecast Lo 80 Hi 80 Lo 95 Hi 95 Lo 99 Hi 99
#Jan 1980 1822.863 1564.192 2081.534 1427.259 2218.467 1302.952 2342.774
#Feb 1980 1923.190 1635.530 2210.851 1483.251 2363.130 1345.012 2501.368
#Mar 1980 1789.153 1495.048 2083.258 1339.359 2238.947 1198.023 2380.283
plot(forecast(fit), shadecols="oldstyle")
我最喜欢的特性是产生预测的时序图。
3
当我第一次使用R时，我用基本的控制运算来操纵数据(for, if, while, etc.)。我很快知道这是一个业余的做法，并且有更好的方法去实现。
在R中，是在对列表或者向量每个元素调用函数的首选方法。虽然R基础库中有这些函数，但它们的使用可能难以掌握。我发现是一个对R基础库中诸如split, apply, combine的泛函的更好用的替代。
plyr 给予你一些函数 (ddply, daply, dlply, adply, ldply)按照常见的蓝图：将数据结构分组拆分，对每个组应用一个函数，将结果返回到数据结构中。
ddply 拆分一个数据框(data frame)并且返回一个数据框 (所以是 dd)。 daply 拆分一个数据框并且返回一个数组(array) (所以是 da)。希望你明白这个想法。
install.packages("plyr")
library(plyr)
# 按照 Species 拆分数据库，汇总一下，然后转换结果
# 到数据框
ddply(iris, .(Species), summarise,
mean_petal_length=mean(Petal.Length)
)
# Species mean_petal_length
#1 setosa 1.462
#2 versicolor 4.260
#3 virginica 5.552
# 按照 Species 拆分数据库，汇总一下，然后转换结果
# 到数组
unlist(daply(iris[,4:5], .(Species), colwise(mean)))
# setosa.Petal.Width versicolor.Petal.Width virginica.Petal.Width
# 0.246 1.326 2.026
4
我发现R基础库的字符串功能使用起来非常困难和麻烦。编写的另一个包， stringr，提供了一些非常需要的字符串运算符。很多函数使用那些做基础分析时不常用的数据结构。
stringr 非常易于使用。几乎所有的（和所有的重要功能）都以”str”为前缀，所以很容易记住。
install.packages("stringr")
library(stringr)
names(iris)
#[1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width" "Species"
names(iris) <- str_replace_all(names(iris), "[.]", "_")
names(iris)
#[1] "Sepal_Length" "Sepal_Width" "Petal_Length" "Petal_Width" "Species"
s <- c("Go to Heaven for the climate, Hell for the company.")
str_extract_all(s, "[H][a-z]+ ")
#[[1]]
#[1] "Heaven " "Hell "
5
install.packages("RPostgreSQL")
install.packages("RMySQL")
install.packages("RMongo")
install.packages("RODBC")
install.packages("RSQLite")
每个人（包括我自己）开始的时候都会这样做。你刚在首选的SQL编辑器中写了一个很棒的查询。一切都是完美的—列名都是（译者注：表示单词之间用下划线连接。单词要么全部大写，要么全部小写。），日期有正确的数据类型，最后调试出了”must appear in the GROUP BY clause or be used in an aggregate function”的问题。你现在准备在R中进行一些分析，因此你可以在SQL编辑器中运行查询，将结果复制到csv（或者……xlsx）并读入R，你并不需要这样做！
R对于几乎每一个可以想到的数据库都有好的驱动。当你在偶尔使用不具有独立驱动程序的数据库（SQL Server）时，你可以随时使用RODBC。
library(RPostgreSQL)
drv <- dbDriver("PostgreSQL")
db <- dbConnect(drv, dbname="ncaa",
user="YOUR USER NAME", password="YOUR PASSWORD")
q <- "SELECT
*
FROM
game_scores;"
data <- dbGetQuery(db, q)
head(data)
#id school game_date spread school_score opponent opp_score was_home
#1 45111 Boston College 1985-11-16 6.0 21 Syracuse 41 False
#2 45112 Boston College 1985-11-02 13.5 12 Penn State 16 False
#3 45113 Boston College 1985-10-26 -11.0 17 Cincinnati 24 False
#4 45114 Boston College 1985-10-12 -2.0 14 Army 45 False
#5 45115 Boston College 1985-09-28 5.0 10 Miami 45 True
#6 45116 Boston College 1985-09-21 6.5 29 Pittsburgh 22 False
nrow(data)
#[1] 30932
ncol(data)
#[1] 8
下次你完成了完美的查询后，只需要粘贴到R里面，即可使用,,,, 或 RODBC执行。不仅可以避免生成数以百计的CSV文件，在R中运行查询还可以节省I/O和转换数据类型的时间。日期，时间等会自动设置为R中的等价表示。它还使你的R脚本可重复，因此你或你团队中的其他人可以轻松获得相同的结果。
6
在R中处理日期我从来没有幸运过。我从来没有完全掌握用和R内建日期类型合作的方法。请用。
lubridate 是那些似乎完全按照你期望的神包之一。这些函数都有易懂的名字如 year, month, ymd, 和 ymd_hms。对于熟悉javascript的人来说，它类似于。
install.packages("lubridate")
library(lubridate)
year("2012-12-12")
#[1] 2012
day("2012-12-12")
#[1] 12
ymd("2012-12-12")
#1 按照 %Y-%m-%d 的方式解析
#[1] "2012-12-12 UTC"
这是我在一篇发现的非常方便的参考卡片。它涵盖了你处理日期时可能想要做的一切事情。 我还发现了这个也可以作为一个方便的参考。
7
另一个Hadley Wickham的包，也许是他最知名的一个。 ggplot2在每个人“喜爱的R包”的列表中排名很高。 它很容易使用，并且产生一些很好看的图像。 这是介绍你的工作的好方法，有很多资源可以帮助你开始使用。
8
install.packages("qcc")
library(qcc)
# 均值为10的序列，加上白噪声
x <- rep(10, 100) + rnorm(100)
# 测试序列，均值为11
new.x <- rep(11, 15) + rnorm(15)
# qcc 会标记出新的点
qcc(x, newdata=new.x, type="xbar.one")
qcc 是用于的库。 早在上世纪五十年代，现已不复存在的正在寻找一种更好检测电话线和电线问题的方法。他们提出了一系列来帮助识别有问题的线。规则观察一系列数据点的历史平均值，并且基于标准差的偏差，该规则有助于判断一组新的点是否经历均值漂移。
典型的例子是监控生产的机器。假设机器应该生产2.5英寸长的螺母。我们测量一系列的螺母： 2.48, 2.47, 2.51, 2.52, 2.54, 2.42, 2.52, 2.58, 2.51。机器出故障了吗？很难说，但上述规则可以帮助描述。
虽然你可能不会监控电话线，qcc可帮你监控你网站的交易量，数据库的访问者或者登录名，以及其他许多流程。
9
我经常发现，任何分析中最难的部分是把数据转化成正确的格式。 reshape2 正是Hadley Wickham的另一个软件包，专门用于和的转换。我一般会和 ggplot2 及 plyr一起使用它。
install.packages("reshape2")
library(reshape2)
# 为每一行生成唯一的ID; 这样我们可以稍后转回到宽格式
iris$id <- 1:nrow(iris)
iris.lng <- melt(iris, id=c("id", "Species"))
head(iris.lng)
# id Species variable value
#1 1 setosa Sepal.Length 5.1
#2 2 setosa Sepal.Length 4.9
#3 3 setosa Sepal.Length 4.7
#4 4 setosa Sepal.Length 4.6
#5 5 setosa Sepal.Length 5.0
#6 6 setosa Sepal.Length 5.4
iris.wide <- dcast(iris.lng, id + Species ~ variable)
head(iris.wide)
# id Species Sepal.Length Sepal.Width Petal.Length Petal.Width
#1 1 setosa 5.1 3.5 1.4 0.2
#2 2 setosa 4.9 3.0 1.4 0.2
#3 3 setosa 4.7 3.2 1.3 0.2
#4 4 setosa 4.6 3.1 1.5 0.2
#5 5 setosa 5.0 3.6 1.4 0.2
#6 6 setosa 5.4 3.9 1.7 0.4
library(ggplot2)
# 为数据集中每个数值列绘制直方图
p <- ggplot(aes(x=value, fill=Species), data=iris.lng)
p + geom_histogram() +
facet_wrap(~variable, scales="free")
这是一个快速查看数据集并且获得转接的方法。你可以使用 melt 函数将宽数据转换为窄数据， 使用 dcast 将窄数据转换为宽数据。
10
如果这个列表不包括至少一个的机器学习包就不会完整。是一个很好的算法。它很容易使用，可以进行监督学习或者无监督学习，它可以与许多不同类型的数据集一起使用，但最重要的是它的高效率！这是它在R中的使用方法。
install.packages("randomForest")
library(randomForest)
# 下载泰坦尼克号幸存者数据集
data <- read.table("http://math.ucdenver.edu/RTutorial/titanic.txt", h=T, sep="\t")
# 将Survived列转为yes/no因子
data$Survived <- as.factor(ifelse(data$Survived==1, "yes", "no"))
# 拆分为训练集和测试集
idx <- runif(nrow(data)) <= .75
data.train <- data[idx,]
data.test <- data[-idx,]
# 训练一个随机森林
rf <- randomForest(Survived ~ PClass + Age + Sex,
data=data.train, importance=TRUE, na.action=na.omit)
# 模型中每个变量的重要程度
imp <- importance(rf)
o <- order(imp[,3], decreasing=T)
imp[o,]
# no yes MeanDecreaseAccuracy MeanDecreaseGini
#Sex 51.49855 53.30255 55.13458 63.46861
#PClass 25.48715 24.12522 28.43298 22.31789
#Age 20.08571 14.07954 24.64607 19.57423
# 混淆矩阵 [[真反例, 假正例], [假反例, 正正例]]
table(data.test$Survived, predict(rf, data.test), dnn=list("actual", "predicted"))
# predicted
#actual no yes
# no 427 16
# yes 117 195
原文作者：yhat | 2013-02-10
原文链接：hat | 10 R packages I wish I knew about earlier
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。
