r语言入门数据分析_r语言做回归分析

R语言数据分析（一）

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！

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/rfx/1386.html