R语言编程入门

R语言编程入门之一：导论

 

简单来讲，编程是借助计算机来解决某个问题。学习编程的就是训练我们解决问题的能力。有这样一种说法：在未来，不会编程的人即是文盲。

1 为什么要学习R编程
大部分情况下解决某些问题还需要依赖一些事实或数据，结合数据分析的框架和计算工具来帮助我们决策和判断。这时候R语言编程就会派上用场。例如从大的方面来看，投资方要决定在何处建立风力发电场，就需要采集天气数据加以建模分析，评估各项目方案。从小的方面来看，个人是否应该购买某个理财产品，你需要获取过去的市场信息，模拟未来可能的变化，计算该项资产未来的期望收益和标准差。所以说学习R编程就是学习在数据环境中解决问题，从中磨练技术、锻炼智力，还能得到满足的快感。

• 学会R编程，才能理解高手的代码，并从中领会其用意并成为真正的高手。
• 学会R编程，才能深入了解函数背后的理论，从而进一步解决从未有过的新问题。

2 如何学习R编程

• 读代码
• 写代码

编程无法在课堂或书本中学到，在游泳池里学游泳是最佳的方法，也是唯一的方法。 Learn Python The Hard Way一书的作者Zed A. Shaw曾说过“The Hard Way Is Easier”。所以就算是按照教材重复打一遍代码，也会有相当的收获。此外还要按照 规范来编写代码，养成良好的习惯，包括各种符号的用法和良好的注释。在注释里作笔记是也一个好的学习方法，很多时候你只需要将旧代码略作修改就可以用到其它地方。

3 学习R编程的资源

• 书籍

S Programming 
The Art of R Programming
A First Course in Statistical Programming with R 
software for data analysis programming with R
Introduction to Scientific Programming and Simulation Using R 

• 论坛和博客

http://cos.name/cn/forum/15 
http://www.r-bloggers.com/
http://www.statmethods.net/index.html
http://zoonek2.free.fr/UNIX/48_R/all.html
http://www.rdatamining.com/
http://www.r-statistics.com/
http://www.inside-r.org/
http://r-ke.info/
http://wiki.stdout.org/rcookbook/

4 如何获得帮助
R中的帮助文档非常有用，其中有四种类型的帮助

• help（functionname） 对已经加载包所含的函数显示其帮助文档，用?号也是一样的。
• help.search('keyword') 对已经安装的包搜索关键词，用??号功能一样。
• help(package='packagename') 显示已经安装的包的描述和函数说明
• RSiteSearch('keyword') 在官方网站上联网搜索

5 R语言的启动

• R语言启动后会首先查找有无.Rprofile文档，用户可通过编辑.Rprofile文档来自定义R启动环境，该文件可放在工作目录或安装目录中。
• 之后R会查找在工作目录有无.RData文档，若有的话将自动加载恢复之前的工作内容。
• 在R中所有的默认输入输出文件都会在工作目录中。getwd() 报告工作目录，setwd() 负责设置工作目录。在win窗口下也可以点击Change Working Directory来更改。
• Sys.getenv('R_HOME') 会报告R主程序安装目录
• ?Startup可以得到更多关于R启动时的帮助

参考资料：
如何成为一名黑客
How to be a Programmer
Teach Yourself Programming in Ten Years 

 

R语言编程入门之二：对象和类

 

R是一种基于 对象(Object)的语言，所以你在R语言中接触到的每样东西都是一个对象，一串数值向量是一个对象，一个函数是一个对象，一个图形也是一个对象。基于对象的编程(OOP)就是在定义类的基础上，创建与操作对象。

对象中包含了我们需要的数据，同时对象也具有很多 属性(Attribute)。其中一种重要的属性就是它的 类(Class)，R语言中最为基本的类包括了数值(numeric)、逻辑(logical)、字符(character)、列表(list)，在此基础上构成了一些复合型的类，包括矩阵(matrix)、数组(array)、因子(factor)、数据框(dataframe)。除了这些内置的类外还有很多其它的，用户还可以自定义新的类，但所有的类都是建立在这些基本的类之上的。

我们下面来用一个简单线性回归的例子来了解一下对象和类的处理。

# 创建两个数值向量
x <- runif(100) 
y <- rnorm(100)+5*x
# 用线性回归创建模型，存入对象model
model <- lm(y~x)

好了，现在我们手头上有一个不熟悉的对象model，那么首先来看看它里面藏着什么好东西。最有用的函数命令就是 attributes(model)，用来提取对象的各种属性，结果如下：

> attributes(model)
$names
 [1] "coefficients"  "residuals"     "effects"     
 [4] "rank"          "fitted.values" "assign"     
 [7] "qr"            "df.residual"   "xlevels"     
[10] "call"          "terms"         "model"       

$class
[1] "lm"

可以看到这个对象的类是“lm”，这意味着什么呢？我们知道对于不同的类有不同的处理方法，那么对于modle这个对象，就有专门用来处理lm类对象的函数，例如plot.lm()。但如果你用普通的函数plot()也一样能显示其图形，Why？因为plot()这种函数会自动识别对象的类，从而选择合适的函数来对付它，这种函数就称为 泛型函数（generic function）。你可以用 methods(class=lm)来了解有哪些函数可适用于lm对象。

好了，我们已经知道了model的底细了，你还想知道x的信息吧。如果运行attributes(x)，会发现返回了空值。这是因为x是一个向量，对于向量这种内置的基本类，attributes是没有什么好显示的。此时你可以运行 mode(x)，可观察到向量的类是数值型。如果运行mode(model)会有什么反应呢？它会显示lm类的基本构成是由list组成的。当然要了解对象的类，也可以直接用 class()，如果要消除对象的类则可用 unclass()。

从上面的结果我们还看到names这个属性，这如同你到一家餐厅问服务生要一份菜单，输入 names(model)就相当于问model这个对象：Hi，你能提供什么好东西吗？如果你熟悉回归理论的话，就可以从names里头看到它提供了丰富的回归结果，包括回归系数（coefficients）、残差（residuals）等等，调用这些信息可以就象处理普通的数据框一样使用$符号，例如输出残差可以用model$residuals。当然用泛型函数可以达到同样的效果，如residuals(model)，但在个别情况下，这二者结果是有少许差别的。

我们已经知道了attributes的威力了，那么另外一个非常有用的函数是 str()，它能以简洁的方式显示对象的数据结构及其内容，试试看，非常有用的。

 

R语言编程入门之三：输入与输出

 

如同ATM机一样，你首先得输入银行卡，才能输出得到钞票。数据分析也是如此，输入输出数据在分析工作中有重要的地位。下面对R语言中一些重要的 输入输出函数进行小结，而其它的函数请参考 官方指南。

1 读取键盘输入
如果只有很少的数据量，你可以直接用变量赋值输入数据。若要用交互方式则可以使用 readline()函数输入单个数据，但要注意其默认输入格为字符型。 scan()函数中如果不加参数则也可以用来手动输入数据。如果加上文件名则是从文件中读取数据。

2 读取表格文件
读取本地表格文件的主要函数是 read.table()，其中的file参数设定了文件路径，注意路径中斜杠的正确用法（如"C:/data/sample.txt"），header参数设定是否带有表头。sep参数设定了列之间的间隔方式。该函数读取数据后将存为data.frame格式，而且所有的字符将被转为因子格式，如果你不想这么做需要记得将参数stringsAsFactors设为FALSE。与之类似的函数是 read.csv()专门用来读取csv格式。

如果是想抓去网页上的某个表格，那么可以使用XML包中的 readHTMLTable()函数。例如我们想获得google统计的访问最多的1000名网站数据，则可以象下面这样做。关于这个函数可以参考这篇 博文。

url <- 'http://www.google.com/adplanner/static/top1000/'
data <- readHTMLTable(url)
names(data)
head(data[[2]])

3 读取文本文件
有时候需要读取的数据存放在非结构化的文本文件中，例如电子邮件数据或微博数据。这种情况下只能依靠 readLines()函数，将文档转为以行为单位存放的list格式。例如我们希望读取wikipedia的主页html文件的前十行。

data <- readLines('http://en.wikipedia.org/wiki/Main_Page',n=10)

另外，scan()也有丰富的参数用来读取非结构化文档。

4 批量读取本地文件
在批量读取文档时一般先将其存放在某一个目录下。先用 dir()函数获取目录中的文件名，然后用 paste()将路径合成，最后用循环或向量化方法处理文档。例如：

doc.names <- dir("path")
doc.path <- sapply(doc.names,function(names) paste(path,names,sep='/'))
doc <- sapply(doc.path, function(doc) readLines(doc))

5 写入文件
write.table()与 write.csv()函数可以很方便的写入表格型数据文档，而 cat()函数除了可以在屏幕上输出之外，也能够输出成文件。

另外若要与MySQL数据库交换数据，则可以使用 RMySLQ包。

R语言编程入门之四：字符串处理

 

尽管R语言的主要处理对象是数字，而字符串有时候也会在数据分析中占到相当大的份量。特别是在文本数据挖掘日趋重要的背景下，在数据预处理阶段你需要熟练的操作字符串对象。当然如果你擅长其它的处理软件，比如Python，可以让它来负责前期的脏活。

获取字符串长度：nchar()能够获取字符串的长度，它也支持字符串向量操作。注意它和length()的结果是有区别的。

字符串粘合：paste()负责将若干个字符串相连结，返回成单独的字符串。其优点在于，就算有的处理对象不是字符型也能自动转为字符型。

字符串分割：strsplit()负责将字符串按照某种分割形式将其进行划分，它正是paste()的逆操作。

字符串截取：substr()能对给定的字符串对象取出子集，其参数是子集所处的起始和终止位置。

字符串替代：gsub()负责搜索字符串的特定表达式，并用新的内容加以替代。 sub()函数是类似的，但只替代第一个发现结果。

字符串匹配：grep()负责搜索给定字符串对象中特定表达式 ，并返回其位置索引。 grepl()函数与之类似，但其后面的"l"则意味着返回的将是逻辑值。

一个例子：
我们来看一个处理邮件的例子，目的是从该文本中抽取发件人的地址。该文本 在此可以下载到。邮件的全文如下所示：
----------------------------
Return-Path: skip@pobox.com
Delivery-Date: Sat Sep  7 05:46:01 2002
From: skip@pobox.com (Skip Montanaro)
Date: Fri, 6 Sep 2002 23:46:01 -0500
Subject: [Spambayes] speed
Message-ID: <15737.33929.716821.779152@12-248-11-90.client.attbi.com>

If the frequency of my laptop's disk chirps are any indication, I'd say
hammie is about 3-5x faster than SpamAssassin.

Skip
----------------------------

# 用readLines函数从本地文件中读取邮件全文。
data <- readLines('data')  
# 判断对象的类，确定是一个文本型向量，每行文本是向量的一个元素。
class(data)  
# 从这个文本向量中找到包括有"From:"字符串的那一行
email <- data[grepl('From:',data)] 
#将其按照空格进行分割，分成一个包括四个元素的字符串向量。
from <- strsplit(email,' ')
# 上面的结果是一个list格式，转成向量格式。
from <- unlist(from) 
# 最后搜索包含'@'的元素，即为发件人邮件地址。
from <- from[grepl('@',from)] 

在字符串的复杂操作中通常会包括 正则表达式（Regular Expressions），关于这方面内容可以参考?regex

 

R语言编程入门之五：向量化运算

 

和matlab一样，R语言以向量为基本运算对象。也就是说，当输入的对象为向量时，对其中的每个元素分别进行处理，然后以向量的形式输出。R语言中基本上所有的数据运算均能允许向量操作。不仅如此，R还包含了许多高效的向量运算函数，这也是它不同于其它软件的一个显著特征。向量化运算的好处在于避免使用循环，使代码更为简洁、高效和易于理解。本文来对apply族函数作一个简单的归纳，以便于大家理解其中的区别所在。

所谓apply族函数包括了apply,sapply,lappy,tapply等函数，这些函数在不同的情况下能高效的完成复杂的数据处理任务，但角色定位又有所不同。

apply()函数的处理对象是矩阵或数组，它逐行或逐列的处理数据，其输出的结果将是一个向量或是矩阵。下面的例子即对一个随机矩阵求每一行的均值。要注意的是apply与其它函数不同，它并不能明显改善计算效率，因为它本身内置为循环运算。

m.data <- matrix(rnorm(100),ncol=10)
apply(m.data,1,mean) 

lappy()的处理对象是向量、列表或其它对象，它将向量中的每个元素作为参数，输入到处理函数中，最后生成结果的格式为列表。在R中数据框是一种特殊的列表，所以数据框的列也将作为函数的处理对象。下面的例子即对一个数据框按列来计算中位数与标准差。

f.data <-  data.frame ( x= rnorm ( 10 ) , y= runif ( 10 ) )

lapply(f.data,FUN=function(x) list(median=median(x),sd=sd(x))）

sapply()可能是使用最为频繁的向量化函数了，它和lappy()是非常相似的，但其输出格式则是较为友好的矩阵格式。
sapply ( f.data , FUN= function ( x )   list ( median = median ( x ) , sd = sd ( x ) ) )

class(test)

tapply()的功能则又有不同，它是专门用来处理分组数据的，其参数要比sapply多一个。我们以iris数据集为例，可观察到Species列中存放了三种花的名称，我们的目的是要计算三种花瓣萼片宽度的均值。其输出结果是数组格式。

head(iris)
attach(iris)
tapply(Sepal.Width,INDEX=Species,FUN=mean)

与tapply功能非常相似的还有 aggregate()，其输出是更为友好的数据框格式。而 by()和上面两个函数是同门师兄弟。

另外还有一个非常有用的函数 replicate()，它可以将某个函数重复运行N次，常常用来生成较复杂的随机数。下面的例子即先建立一个函数，模拟扔两个骰子的点数之和，然后重复运行10000次。
game <-  function ( )   {

    n <- sample(1:6,2,replace=T)
    return(sum(n))
}
replicate(n=10000,game())

最后一个有趣的函数Vectorize()，它能将一个不能进行向量化运算的函数进行转化，使之具备向量化运算功能。