Co to jest R? Język programowania do analizy danych i statystyki

Co to jest R?

R to język programowania stworzony do jednego zadania: pracy z danymi. Statystyka, analiza danych i wizualizacja danych nie są w R dokręcane bibliotekami, tylko są samym językiem. Średnie, modele, wykresy i rozkłady prawdopodobieństwa dostajesz w zestawie, a składnia jest dopasowana do pytania, które ludzie od danych naprawdę zadają: „oto kolumna liczb, powiedz mi coś o niej”.

To skupienie to cała osobowość R. Język ogólnego przeznaczenia, taki jak Java, każe ci budować wszystko od podstawowych elementów. R daje ci test t w jednej linii.

Oto R robiący to, do czego został stworzony. Uruchom:

scores <- c(88, 92, 79, 95, 85, 90, 73, 98)

cat("Mean:", mean(scores), "\n")
cat("Standard deviation:", round(sd(scores), 2), "\n")
cat("Highest score:", max(scores), "\n")

Trzy statystyki, trzy linie, zero importów. c() buduje wektor wartości, a mean(), sd() i max() są wbudowane w język. Tak w miniaturze wygląda praca w R.

Krótka historia

R wyrósł z S, języka statystycznego opracowanego w Bell Labs w latach 70. W połowie lat 90. dwóch statystyków z University of Auckland, Ross Ihaka i Robert Gentleman, zbudowało darmową, otwartą implementację idei S i nazwało ją R, nawiązując zarówno do pierwszych liter swoich imion, jak i do S, od którego język pochodzi.

R 1.0 ukazał się w 2000 roku i od tamtej pory język rozwija R Core Team. Ponieważ był darmowy, a jego komercyjni przodkowie nie, R najpierw rozprzestrzenił się na uczelniach i w laboratoriach badawczych. To akademickie DNA wciąż widać: gdy statystycy wymyślają nową metodę, pakiet R, który ją implementuje, zwykle pojawia się przed czymkolwiek innym.

Do czego używa się R

• Statystyka i analiza danych. Główne zastosowanie. Statystyki opisowe, testy hipotez, regresja, szeregi czasowe: wszystko to obywatele pierwszej kategorii.
• Wizualizacja danych. Bazowy R rysuje wykresy jednym wywołaniem funkcji, a pakiet ggplot2 jest powszechnie uznawany za najlepszą bibliotekę do wykresów w jakimkolwiek języku.
• Data science. Kolekcja pakietów „tidyverse” (dplyr, tidyr, readr) sprawia, że czyszczenie i przekształcanie chaotycznych danych jest wyjątkowo przyjemne.
• Bioinformatyka. Projekt Bioconductor, czyli tysiące pakietów R do genomiki, sprawia, że R jest domyślnym językiem w dużej części biologii.
• Uczelnie i badania. Ekonomia, psychologia, epidemiologia, ekologia: jeśli dziedzina publikuje artykuły z p-value, jej doktoranci prawdopodobnie piszą w R.
• Raportowanie. R Markdown i Quarto zamieniają kod analizy w dopracowane raporty, slajdy i dashboardy.

Dlaczego ludzie lubią R

Wszystko jest wektorem. Operacje w R naturalnie działają na całych zbiorach wartości naraz: prices * 1.2 podnosi każdą cenę o 20%, bez żadnej pętli. Gdy to zrozumiesz, kod do pracy z danymi robi się dramatycznie krótszy. Zobaczysz to wszędzie, gdy dojdziesz do wektorów.

prices <- c(10, 25, 40)
with_tax <- prices * 1.08

print(with_tax)

Statystyka jest wbudowana. Generowanie liczb losowych, rozkłady, testy statystyczne i modele liniowe są w bazowym R. W większości języków to zewnętrzne zależności; w R po prostu są.

CRAN. Comprehensive R Archive Network gromadzi ponad 20 000 starannie dobranych pakietów, a każdy z nich przechodzi automatyczne testy przed publikacją. Jakakolwiek niszowa metoda jest używana w twojej dziedzinie, ktoś już zrobił z niej pakiet.

Wykresy, które szanują twój czas. hist(scores) daje ci histogram. Jedno wywołanie. R jest zoptymalizowany pod analizę eksploracyjną: spójrz na dane, popraw, spójrz jeszcze raz.

R czy Python: uczciwa wersja

To pytanie zadaje każdy początkujący, więc oto odpowiedź bez plemiennych sporów.

Python to język ogólnego przeznaczenia, który bardzo dobrze radzi sobie z danymi. Wygrywa, gdy praca z danymi jest częścią większego systemu: aplikacji internetowej, produkcyjnego potoku uczenia maszynowego, automatyzacji. Jest z nim związanych więcej ofert pracy, a jeden język obejmuje większy obszar.

R to język do danych, który świetnie radzi sobie ze statystyką. Wygrywa, gdy pracą jest sama analiza: eksploracja zbiorów danych, dopasowywanie modeli statystycznych, tworzenie grafik i raportów na poziomie publikacji. Jego ekosystem statystyczny jest głębszy, a najnowsze metody trafiają najpierw do R.

Żaden nie jest „lepszy”: mają po prostu różne środki ciężkości. Jeśli zajmujesz się badaniami, biostatystyką albo rolami mocno opartymi na analityce, zacznij od R. Jeśli celujesz w inżynierię oprogramowania z domieszką danych, zacznij od Pythona. A sekret, który internetowe spory pomijają: drugi język wymaga ułamka wysiłku, gdy już znasz pierwszy, a wielu profesjonalistów używa obu w tym samym tygodniu.

Wypróbuj od razu

Nie musisz niczego instalować, żeby zacząć: bloki kodu na tych stronach działają na żywo. Oto nieco większa próbka: symulacja rzutów kostką i ich podsumowanie.

set.seed(42)
rolls <- sample(1:6, size = 100, replace = TRUE)

cat("First ten rolls:", rolls[1:10], "\n")
cat("Average roll:", mean(rolls), "\n")
print(table(rolls))

sample() symuluje 100 rzutów kostką, a table() liczy, ile razy wypadła każda ścianka: tabela częstości w jednym wywołaniu. Zmień 100 na 10000 i uruchom ponownie; średnia zbliża się do 3.5, dokładnie tak, jak przewiduje rachunek prawdopodobieństwa. Ten cykl (pytanie, kod, odpowiedź, poprawka) to właśnie to, jak wygląda praca w R.

Gdy zechcesz uruchamiać R na własnym komputerze, następnym krokiem jest instalacja R i RStudio.

Najważniejsze informacje

• R to darmowy, otwarty język stworzony specjalnie do statystyki, analizy danych i wizualizacji.
• Pochodzi od S; stworzyli go Ross Ihaka i Robert Gentleman w połowie lat 90., a R 1.0 pojawił się w 2000 roku.
• Jego mocne strony: operacje wektorowe, wbudowana statystyka, ponad 20 000 pakietów w CRAN i najlepsze w swojej klasie wykresy.
• R kontra Python to nie wojna: R jest głębszy w statystyce, Python szerszy w inżynierii, a wiele osób używa obu.

Dalej: instalacja R (i RStudio) na własnym komputerze.