R语言数据分析（一）

最新推荐文章于 2024-05-27 09:45:34 发布

李铭洋。

最新推荐文章于 2024-05-27 09:45:34 发布

阅读量962

点赞数 32

分类专栏： R语言数据分析文章标签： r语言数据分析学习笔记

本文链接：https://blog.csdn.net/weixin_72071150/article/details/136085084

版权

R语言数据分析专栏收录该内容

5 篇文章 0 订阅

订阅专栏

R语言数据分析（一）

文章目录

R语言数据分析（一）
前言
一、整体介绍
二、`tidyverse`
三、内容安排
四、参考书目推荐
总结

前言

在R语言入门系列，我们已经学习了R语言的基本用法，这节开始我们将进一步学习使用R语言进行数据分析的更多方法。学习这部分内容推荐参考书籍：《R for Data Science》。

一、整体介绍

在进行数据分析的时候往往有多种工具可以使用，编程语言中的Python、Julia也都是非常优秀的工具。大多数数据科学团队也都在使用混合语言。但做事情不能贪多，最好一次掌握一种工具，R是一个很好的起点。接下来的学习中，我将介绍在R处理数据时强有力的实用工具。典型的数据科学研究项目步骤如下图所示：

在进行数据分析时，首先应该先将要分析的数据导入R中。然后根据数据情况进行预处理（整理），将数据整理成方便进行处理的形式。然后会对数据进行转换，可能是缩小数据范围，也可能是根据当前数据来计算新的数据值等。之后就是可视化和建模，这都是解决数据问题的利器（本阶段学习暂不介绍R建模的知识，后续会专门进行专栏介绍）。最后数据处理结果要分享给他人，这是很关键的一步，如何给他人展示自己的数据分析过程和结果，这都是需要学习的。

假设你已经提前对R语言有了一定的了解，知道了R的基本用法（安装了R、RStudio、以及会安装R包），那么就可以开始下面的学习了（相信学习过R语言入门系列的都已经掌握了R基础了）。

二、`tidyverse`

tidyverse是一个强大的数据分析R包，提供了很多实用的R函数。它是一个组合包，里面包含了9个实用的包。当你加载的时候就会出现：

# 如果没安装该包需要先进行安装：
# install.packages("tidyverse")
library(tidyverse)
#> ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
#> ✔ dplyr     1.1.3     ✔ readr     2.1.4
#> ✔ forcats   1.0.0     ✔ stringr   1.5.1
#> ✔ ggplot2   3.4.4     ✔ tibble    3.2.1
#> ✔ lubridate 1.9.3     ✔ tidyr     1.3.0
#> ✔ purrr     1.0.2     
#> ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
#> ✖ dplyr::filter() masks stats::filter()
#> ✖ dplyr::lag()    masks stats::lag()
#> ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

注意看加载这个包后会显示函数名与先前加载的包是否冲突（Conflicts）。比如根据冲突显示，在加载该包之前调用fliter()函数会执行stats包中的函数，加载后执行的是同名函数dplyr::fliter()。

处理这些冲突可以实用命名空间来指定包（如：stats::fliter()）。或者实用conflicted包设置一个在R对话结束前的规则：

library(conflicted)
conflict_prefer("fliter", winner = "dplyr")

后续学习中，当用到新的包时要学会安装和调用。该阶段学习可能会用到的包有：

install.packages(
  c("arrow", "babynames", "curl", "duckdb", "gapminder", 
    "ggrepel", "ggridges", "ggthemes", "hexbin", "janitor", "Lahman", 
    "leaflet", "maps", "nycflights13", "openxlsx", "palmerpenguins", 
    "repurrrsive", "tidymodels", "writexl")
  )

三、内容安排

本栏目内容将介绍数据导入（Import）、数据整理（Tidy）、数据转换（Transform）和数据可视化（Visualize）的内容。由于内容较多，每个部分将会分一节或多节进行介绍，另外我们还会在其中穿插介绍R工作流的知识，力求大家写出来的R代码专业简洁好读。

四、参考书目推荐

本部分内容将参考《R for Data Science》进行展开，网站上可以查看该书的全文，对照学习一定会大有裨益。另外关于数据可视化，再推荐三本书《Fundamentals of Data Visualization》、《R Graphics Cookbook》、《ggplot2: Elegant Graphics for Data Analysis》。大家有时间可以进行查看学习，没时间可以当作工具书，用到相关知识想要进一步理解时可以进行查询。后续有好书还会持续推荐学习。

总结

从这里开始，我们后续将学习使用R进行数据分析处理的方法。数据科学的学习是永无止境的，面对前路漫漫，唯有脚踏实地。虽然当前看来学习的东西可能非常基础，但慢慢地就会发现只有基础打的牢后面才会少走弯路，当你学习的越来越深入，忽然回首会发现轻舟已过万重山。所以，一起加油吧！新年要到了，祝大家新年快乐，龙年大吉！