本文直接来源:R友舍 公众号
先思考,后动手,能让你减少很多无谓的功夫,加快完成任务的效率。按照一定的逻辑思路来行事,更是如此,比如按照一定的通用流程在数据科学项目中使用R语言。
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:
  • 数据导入
  • 数据整理
  • 数据转换
  • 数据建模
  • 数据可视化
  • 统计推断
  • 报告展示
  • 自动化分析
下面列出每个步骤最有用的一些R包。

1. 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:读取txt、csv文件格式
  • readxl:读取Excel文件数据
  • openxlsx:读取Excel文件数据
  • googlesheets:读取google电子表格数据
  • haven:读取SAS、SPSS和Stata统计软件格式数据
  • httr:从网站开放的API中读取数据
  • rvest:读取网页数据
  • 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
  • RMySQL:用于连接MySQL数据库的R包
  • RPostgres:用于连接PostgreSQL数据库的R包
  • bigrquery:用于连接Google BigQuery的R包
  • PivotalR:用于读取Pivitol和HAWQ数据库中的数据
  • data.table:fread()可以快速读取大样本数据集
  • git2r:用于访问git仓库

2. 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:整理表格数据,将"脏"数据变成"整洁"数据
  • dplyr:用于数据处理、数据清洗,包括筛选行、选择列、创建列、排序行、汇总、分组计算等
  • purrr:函数式编程工具,在做批量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,然后快速导出
  • 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

3. 数据转换

以下R包用于将数据转换为新的数据类型:
  • dplyr:高效数据清理R包
  • magrittr:高效的管道操作工具
  • tibble:一种数据框的显示格式
  • stringr:一个字符串处理工具集
  • stringi:一个快速字符串处理工具
  • 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
  • Matrix:著名的稀疏矩阵包

4. 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eXtremeGradient 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
  • 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

5. 数据可视化

以下R包用于数据可视化:
  • ggplot2:ggplot2包提供了一个强大的绘图系统,并有着丰富的扩展包,数据可视化必学的R包
  • ggthemes:提供ggplot2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:绘制ggplot2图形的水平版本
  • 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:给ggplot2图形添加边际图
  • gganimate:绘制动态图
  • 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
  • leaflet:绘制交互式地图
  • dygraphs:绘制交互式时间序列图
  • plotly:交互式绘图包
  • rbokeh:用于创建交互式图表和地图
  • Highcharter:绘制交互式Highcharts图
  • visNetwork:绘制交互式网状图
  • networkD3:绘制交互式网状图
  • d3heatmap:绘制交互式热力图
  • DT:用于创建交互式表格
  • threejs:绘制交互式3d图形和地球仪
  • rglwidget:绘制交互式3d图形
  • DiagrammeR:绘制交互式图表
  • MetricsGraphics:绘制交互式MetricsGraphics图
  • 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

6. 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

7. 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:
  • shiny:一个使用R语言开发交互式web应用程序的工具
  • shinydashboard:用于创建交互式仪表盘
  • shinythemes:给出了Shiny应用程序的常用风格主题
  • shinyAce:为Shiny应用程序开发者提供Ace代码编辑器
  • shinyjs:用于在Shiny应用程序中执行常见的JavaScript操作
  • miniUI:提供了一个UI小部件,用于在R命令行中集成交互式应用程序
  • shinyapps.io:为创建的Shiny应用程序提供托管服务
  • Shiny ServerOpen Source:为Shiny应用程序提供开源免费的服务器
  • Shiny Server Pro:为企业级用户提供一个Shiny应用程序服务器
  • rsconnect:用于将Shiny应用程序部署到shinyapps.io
  • plumber:用于将R代码转化为一个web API
  • rmarkdown:用于创建可重复性报告和动态文档
  • rstudioapi:用于安全地访问RStudio IDE的API

8. 程序开发

以下这些包主要用于开发自定义的R包:
  • RStudio:最好用的R集成开发环境。
  • RStudio Server Open Source:开源免费的RStudio服务器
  • RStudio Server Professional:商业版RStudio服务器
  • devtools:一个让开发R包变得简单的工具集
  • packrat:创建项目的特定库,用于处理包的版本问题,增强代码重现能力。
  • drat:一个用于创建和使用备选R包库的工具
  • testthat:单元测试,让R包稳定、健壮,减少升级的痛苦
  • roxygen2:通过注释的方式,生成文档,远离Latex的烦恼
  • purrr:一个用于 提供函数式编程方法的工具
  • profvis:用于可视化R代码的性能分析数据
  • Rcpp:用于实现R与C 的无缝整合
  • 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

9. 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
  • 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-movies和ggplotmovies: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

谢谢大家观看,如有帮助,来个喜欢或者关注吧!


本文仅供学习参考,有任何疑问及侵权,扫描以下公众号二维码添加交流:
更多学习内容,仅在知识星球发布:

继续阅读
阅读原文