自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

10個(gè)令人相見恨晚的R語言包

作者：yhat
大數(shù)據(jù)
R語言學(xué)習(xí)曲線中最陡峭的一部分就是語法，我花了一段時(shí)間才習(xí)慣使用<-代替=。我聽到很多人問如何實(shí)現(xiàn)VLOOKUP?!?R 對(duì)于一般的數(shù)據(jù)粗加工任務(wù)非常有用，但需要一段時(shí)間才能掌握?？梢哉J(rèn)為sqldf是我的R”輔助輪子”。

[[192743]]

大約3年前我開始使用R，起初進(jìn)展很慢，與我習(xí)慣的語言相比，語法更加直觀也比較簡(jiǎn)單，而且需要一段時(shí)間才能習(xí)慣于細(xì)微的差別。我還不清楚語言的力量與社區(qū)和各種包的密切關(guān)系。

和其他語言(比如Python和Java)相比，R可以更模糊和麻煩。好消息是，有大量的包可以在R基礎(chǔ)庫上提供簡(jiǎn)單和熟悉的界面。這篇文章是我喜歡和每天使用的10個(gè)包，并且我希望自己能早些知道他們。

1. sqldf

R語言學(xué)習(xí)曲線中最陡峭的一部分就是語法，我花了一段時(shí)間才習(xí)慣使用<-代替=。我聽到很多人問如何實(shí)現(xiàn)VLOOKUP?!?R 對(duì)于一般的數(shù)據(jù)粗加工任務(wù)非常有用，但需要一段時(shí)間才能掌握?？梢哉J(rèn)為sqldf是我的R”輔助輪子”。

sqldf讓你在R數(shù)據(jù)框上執(zhí)行SQL查詢。來自SAS的人會(huì)發(fā)現(xiàn)它非常熟悉，任何具有基本SQL技能的人都可以輕松的使用它—sqldf使用SQLite語法。

  1. install.packages("sqldf") 
  2. library(sqldf) 
  3.  
  4. sqldf("SELECT 
  5.         day 
  6.         , avg(temp) as avg_temp 
  7.       FROM beaver2 
  8.       GROUP BY 
  9.         day;") 
  10.  
  11. #   day avg_temp 
  12. #1 307 37.57931 
  13. #2 308 37.71308 
  14.  
  15. #beavers1 和 beavers2 是R base 自帶的兩個(gè)數(shù)據(jù)集，記錄了兩種海貍的體溫序列 
  16.  
  17. beavers <- sqldf("select * from beaver1 
  18.                   union all 
  19.                   select * from beaver2;") 
  20. #head(beavers) 
  21. #  day time  temp activ 
  22. #1 346  840 36.33     0 
  23. #2 346  850 36.34     0 
  24. #3 346  900 36.35     0 
  25. #4 346  910 36.42     0 
  26. #5 346  920 36.55     0 
  27. #6 346  930 36.69     0 
  28.  
  29. movies <- data.frame( 
  30.   title=c("The Great Outdoors", "Caddyshack", "Fletch", "Days of Thunder", "Crazy Heart"), 
  31.   year=c(1988, 1980, 1985, 1990, 2009) 
  32.   ) 
  33. boxoffice <- data.frame( 
  34.   title=c("The Great Outdoors", "Caddyshack", "Fletch", "Days of Thunder","Top Gun"), 
  35.   revenue=c(43455230, 39846344, 59600000, 157920733, 353816701) 
  36.   ) 
  37.  
  38. sqldf("SELECT 
  39.         m.* 
  40.         , b.revenue 
  41.       FROM 
  42.         movies m 
  43.       INNER JOIN 
  44.         boxoffice b 
  45.           ON m.title = b.title;") 
  46.  
  47. #               title year   revenue 
  48. #1 The Great Outdoors 1988  43455230 
  49. #2         Caddyshack 1980  39846344 
  50. #3             Fletch 1985  59600000 
  51. #4    Days of Thunder 1990 157920733 

如果你喜歡sqldf，可以使用pandasql包來查詢pandas中的DataFrame，通過SQL。

2. forecast

我不經(jīng)常做時(shí)間序列分析，但是當(dāng)我做的時(shí)候forecast包是我的選擇。forecast對(duì)ARIMA，ARMA，AR，指數(shù)平滑等時(shí)間序列模型的預(yù)測(cè)簡(jiǎn)單的令人難以置信。

  1. install.packages("forecast") 
  2. library(forecast) 
  3.  
  4. # mdeaths: 英國(guó)每月死于肺病的人數(shù) 
  5. fit <- auto.arima(mdeaths) 
  6. #定制你的置信區(qū)間 
  7. forecast(fit, level=c(80, 95, 99), h=3) 
  8. #         Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95    Lo 99    Hi 99 
  9. #Jan 1980       1822.863 1564.192 2081.534 1427.259 2218.467 1302.952 2342.774 
  10. #Feb 1980       1923.190 1635.530 2210.851 1483.251 2363.130 1345.012 2501.368 
  11. #Mar 1980       1789.153 1495.048 2083.258 1339.359 2238.947 1198.023 2380.283 
  12.  
  13. plot(forecast(fit), shadecols="oldstyle") 

我最喜歡的特性是產(chǎn)生預(yù)測(cè)的時(shí)序圖。

3. plyr

當(dāng)我***次使用R時(shí)，我用基本的控制運(yùn)算來操縱數(shù)據(jù)(for, if, while, etc.)。我很快知道這是一個(gè)業(yè)余的做法，并且有更好的方法去實(shí)現(xiàn)。

在R中，apply函數(shù)族是在對(duì)列表或者向量每個(gè)元素調(diào)用函數(shù)的***方法。雖然R基礎(chǔ)庫中有這些函數(shù)，但它們的使用可能難以掌握。我發(fā)現(xiàn)plyr包 是一個(gè)對(duì)R基礎(chǔ)庫中諸如split,apply, combine的泛函的更好用的替代。

plyr 給予你一些函數(shù) (ddply, daply, dlply, adply, ldply)按照常見的藍(lán)圖：將數(shù)據(jù)結(jié)構(gòu)分組拆分，對(duì)每個(gè)組應(yīng)用一個(gè)函數(shù)，將結(jié)果返回到數(shù)據(jù)結(jié)構(gòu)中。

ddply 拆分一個(gè)數(shù)據(jù)框(data frame)并且返回一個(gè)數(shù)據(jù)框 (所以是 dd)。 daply 拆分一個(gè)數(shù)據(jù)框并且返回一個(gè)數(shù)組(array) (所以是 da)。希望你明白這個(gè)想法。

譯者注：plyr包包含了12個(gè)命名與功能相關(guān)的函數(shù)，均以..ply命名，***個(gè).表示輸入的數(shù)據(jù)類型(a數(shù)組 d數(shù)據(jù)框 l列表)，第二個(gè).表示輸出的數(shù)據(jù)類型(_表示不輸出)

  1. install.packages("plyr") 
  2. library(plyr) 
  3.  
  4. # 按照 Species 拆分?jǐn)?shù)據(jù)庫，匯總一下，然后轉(zhuǎn)換結(jié)果 
  5. # 到數(shù)據(jù)框 
  6. ddply(iris, .(Species), summarise, 
  7.       mean_petal_length=mean(Petal.Length) 
  8. ) 
  9. #     Species mean_petal_length 
  10. #1     setosa             1.462 
  11. #2 versicolor             4.260 
  12. #3  virginica             5.552 
  13.  
  14. # 按照 Species 拆分?jǐn)?shù)據(jù)庫，匯總一下，然后轉(zhuǎn)換結(jié)果 
  15. # 到數(shù)組 
  16. unlist(daply(iris[,4:5], .(Species), colwise(mean))) 
  17. #    setosa.Petal.Width versicolor.Petal.Width  virginica.Petal.Width 
  18. #                 0.246                  1.326                  2.026 

4. stringr

我發(fā)現(xiàn)R基礎(chǔ)庫的字符串功能使用起來非常困難和麻煩。Hadley Wickham編寫的另一個(gè)包， stringr，提供了一些非常需要的字符串運(yùn)算符。很多函數(shù)使用那些做基礎(chǔ)分析時(shí)不常用的數(shù)據(jù)結(jié)構(gòu)。

stringr 非常易于使用。幾乎所有的(和所有的重要功能)都以”str”為前綴，所以很容易記住。

  1. install.packages("stringr") 
  2. library(stringr) 
  3.  
  4. names(iris) 
  5. #[1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"  "Species" 
  6. names(iris) <- str_replace_all(names(iris), "[.]", "_") 
  7. names(iris) 
  8. #[1] "Sepal_Length" "Sepal_Width"  "Petal_Length" "Petal_Width"  "Species" 
  9.  
  10. s <- c("Go to Heaven for the climate, Hell for the company.") 
  11. str_extract_all(s, "[H][a-z]+ ") 
  12. #[[1]] 
  13. #[1] "Heaven " "Hell " 

5. 數(shù)據(jù)庫驅(qū)動(dòng)的包

  1. install.packages("RPostgreSQL") 
  2. install.packages("RMySQL") 
  3. install.packages("RMongo") 
  4. install.packages("RODBC") 
  5. install.packages("RSQLite") 

每個(gè)人(包括我自己)開始的時(shí)候都會(huì)這樣做。你剛在***的SQL編輯器中寫了一個(gè)很棒的查詢。一切都是***的—列名都是snake case(譯者注：表示單詞之間用下劃線連接。單詞要么全部大寫，要么全部小寫。)，日期有正確的數(shù)據(jù)類型，***調(diào)試出了"must appear in the GROUP BY clause or be used in an aggregate function"的問題。你現(xiàn)在準(zhǔn)備在R中進(jìn)行一些分析，因此你可以在SQL編輯器中運(yùn)行查詢，將結(jié)果復(fù)制到csv(或者……xlsx)并讀入R，你并不需要這樣做!

R對(duì)于幾乎每一個(gè)可以想到的數(shù)據(jù)庫都有好的驅(qū)動(dòng)。當(dāng)你在偶爾使用不具有獨(dú)立驅(qū)動(dòng)程序的數(shù)據(jù)庫(SQL Server)時(shí)，你可以隨時(shí)使用RODBC。

  1. library(RPostgreSQL) 
  2.  
  3. drv <- dbDriver("PostgreSQL") 
  4. db <- dbConnect(drv, dbname="ncaa", 
  5.                  user="YOUR USER NAME", password="YOUR PASSWORD") 
  6.  
  7. q <- "SELECT 
  8.         * 
  9.       FROM 
  10.         game_scores;" 
  11.  
  12. data <- dbGetQuery(db, q) 
  13. head(data) 
  14. #id         school  game_date spread school_score   opponent opp_score was_home 
  15. #1 45111 Boston College 1985-11-16    6.0           21   Syracuse        41    False 
  16. #2 45112 Boston College 1985-11-02   13.5           12 Penn State        16    False 
  17. #3 45113 Boston College 1985-10-26  -11.0           17 Cincinnati        24    False 
  18. #4 45114 Boston College 1985-10-12   -2.0           14       Army        45    False 
  19. #5 45115 Boston College 1985-09-28    5.0           10      Miami        45     True 
  20. #6 45116 Boston College 1985-09-21    6.5           29 Pittsburgh        22    False 
  21. nrow(data) 
  22. #[1] 30932 
  23. ncol(data) 
  24. #[1] 8 

下次你完成了***的查詢后，只需要粘貼到R里面，即可使用 RPostgreSQL, RMySQL,RMongo, SQLite, 或 RODBC執(zhí)行。不僅可以避免生成數(shù)以百計(jì)的CSV文件，在R中運(yùn)行查詢還可以節(jié)省I/O和轉(zhuǎn)換數(shù)據(jù)類型的時(shí)間。日期，時(shí)間等會(huì)自動(dòng)設(shè)置為R中的等價(jià)表示。它還使你的R腳本可重復(fù)，因此你或你團(tuán)隊(duì)中的其他人可以輕松獲得相同的結(jié)果。

6. lubridate

在R中處理日期我從來沒有幸運(yùn)過。我從來沒有完全掌握用POSIXs和R內(nèi)建日期類型合作的方法。請(qǐng)用 lubridate。

lubridate 是那些似乎完全按照你期望的神包之一。這些函數(shù)都有易懂的名字如 year,month, ymd, 和 ymd_hms。對(duì)于熟悉javascript的人來說，它類似于Moment.js 。

  1. install.packages("lubridate") 
  2. library(lubridate) 
  3.  
  4. year("2012-12-12") 
  5. #[1] 2012 
  6. day("2012-12-12") 
  7. #[1] 12 
  8. ymd("2012-12-12") 
  9. #1 按照 %Y-%m-%d 的方式解析 
  10. #[1] "2012-12-12 UTC" 

這是我在一篇文章發(fā)現(xiàn)的非常方便的參考卡片。它涵蓋了你處理日期時(shí)可能想要做的一切事情。 我還發(fā)現(xiàn)了這個(gè)日期速查表也可以作為一個(gè)方便的參考。

7. ggplot2

另一個(gè)Hadley Wickham的包，也許是他最知名的一個(gè)。 ggplot2在每個(gè)人“喜愛的R包”的列表中排名很高。 它很容易使用，并且產(chǎn)生一些很好看的圖像。 這是介紹你的工作的好方法，有很多資源可以幫助你開始使用。

  • ggplot2：數(shù)據(jù)分析與圖形藝術(shù) by Hadley Wickham (Amazon)
  • 從Excel到ggplot的羅塞塔石碑 (Yaksis Blog)
  • Hadley Wickham在Google的ggplot2演講 (youtube)
  • R數(shù)據(jù)可視化手冊(cè) by Winston Chang (Amazon)

8. qcc

  1. install.packages("qcc") 
  2. library(qcc) 
  3.  
  4. # 均值為10的序列，加上白噪聲 
  5. x <- rep(10, 100) + rnorm(100) 
  6. # 測(cè)試序列，均值為11 
  7. new.x <- rep(11, 15) + rnorm(15) 
  8. # qcc 會(huì)標(biāo)記出新的點(diǎn) 
  9. qcc(x, newdata=new.x, type="xbar.one") 

qcc 是用于 統(tǒng)計(jì)質(zhì)量控制的庫。 早在上世紀(jì)五十年代，現(xiàn)已不復(fù)存在的西方電氣公司正在尋找一種更好檢測(cè)電話線和電線問題的方法。他們提出了一系列 規(guī)則 來幫助識(shí)別有問題的線。規(guī)則觀察一系列數(shù)據(jù)點(diǎn)的歷史平均值，并且基于標(biāo)準(zhǔn)差的偏差，該規(guī)則有助于判斷一組新的點(diǎn)是否經(jīng)歷均值漂移。

典型的例子是監(jiān)控生產(chǎn) 螺母的機(jī)器。假設(shè)機(jī)器應(yīng)該生產(chǎn)2.5英寸長(zhǎng)的螺母。我們測(cè)量一系列的螺母： 2.48, 2.47, 2.51, 2.52, 2.54, 2.42, 2.52, 2.58, 2.51。機(jī)器出故障了嗎?很難說，但上述規(guī)則可以幫助描述。

雖然你可能不會(huì)監(jiān)控電話線，qcc可幫你監(jiān)控你網(wǎng)站的交易量，數(shù)據(jù)庫的訪問者或者登錄名，以及其他許多流程。

9. reshape2

我經(jīng)常發(fā)現(xiàn)，任何分析中最難的部分是把數(shù)據(jù)轉(zhuǎn)化成正確的格式。 reshape2 正是Hadley Wickham的另一個(gè)軟件包，專門用于 “寬”數(shù)據(jù)表 和“窄”數(shù)據(jù)表 的轉(zhuǎn)換。我一般會(huì)和ggplot2 及 plyr一起使用它。

  1. install.packages("reshape2") 
  2. library(reshape2) 
  3.  
  4. # 為每一行生成唯一的ID; 這樣我們可以稍后轉(zhuǎn)回到寬格式 
  5. iris$id <- 1:nrow(iris) 
  6.  
  7. iris.lng <- melt(iris, id=c("id", "Species")) 
  8. head(iris.lng) 
  9. #  id Species     variable value 
  10. #1  1  setosa Sepal.Length   5.1 
  11. #2  2  setosa Sepal.Length   4.9 
  12. #3  3  setosa Sepal.Length   4.7 
  13. #4  4  setosa Sepal.Length   4.6 
  14. #5  5  setosa Sepal.Length   5.0 
  15. #6  6  setosa Sepal.Length   5.4 
  16.  
  17. iris.wide <- dcast(iris.lng, id + Species ~ variable) 
  18. head(iris.wide) 
  19. #  id Species Sepal.Length Sepal.Width Petal.Length Petal.Width 
  20. #1  1  setosa          5.1         3.5          1.4         0.2 
  21. #2  2  setosa          4.9         3.0          1.4         0.2 
  22. #3  3  setosa          4.7         3.2          1.3         0.2 
  23. #4  4  setosa          4.6         3.1          1.5         0.2 
  24. #5  5  setosa          5.0         3.6          1.4         0.2 
  25. #6  6  setosa          5.4         3.9          1.7         0.4 
  26.  
  27. library(ggplot2) 
  28.  
  29. # 為數(shù)據(jù)集中每個(gè)數(shù)值列繪制直方圖 
  30. p <- ggplot(aes(x=value, fill=Species), data=iris.lng) 
  31. p + geom_histogram() + 
  32.   facet_wrap(~variable, scales="free") 

這是一個(gè)快速查看數(shù)據(jù)集并且獲得轉(zhuǎn)接的方法。你可以使用 melt 函數(shù)將寬數(shù)據(jù)轉(zhuǎn)換為窄數(shù)據(jù)， 使用 dcast 將窄數(shù)據(jù)轉(zhuǎn)換為寬數(shù)據(jù)。

10. randomForest

如果這個(gè)列表不包括至少一個(gè)能你的朋友震驚的機(jī)器學(xué)習(xí)包就不會(huì)完整。隨機(jī)森林 是一個(gè)很好的算法。它很容易使用，可以進(jìn)行監(jiān)督學(xué)習(xí)或者無監(jiān)督學(xué)習(xí)，它可以與許多不同類型的數(shù)據(jù)集一起使用，但最重要的是它的高效率!這是它在R中的使用方法。

  1. install.packages("randomForest") 
  2. library(randomForest) 
  3.  
  4. # 下載泰坦尼克號(hào)幸存者數(shù)據(jù)集 
  5. data <- read.table("http://math.ucdenver.edu/RTutorial/titanic.txt", h=T, sep="\t") 
  6. # 將Survived列轉(zhuǎn)為yes/no因子 
  7. data$Survived <- as.factor(ifelse(data$Survived==1, "yes", "no"))              
  8.  
  9. # 拆分為訓(xùn)練集和測(cè)試集 
  10. idx <- runif(nrow(data)) <= .75 
  11. data.train <- data[idx,] 
  12. data.test <- data[-idx,] 
  13.  
  14. # 訓(xùn)練一個(gè)隨機(jī)森林 
  15. rf <- randomForest(Survived ~ PClass + Age + Sex, 
  16.              data=data.train, importance=TRUE, na.action=na.omit) 
  17.  
  18. # 模型中每個(gè)變量的重要程度 
  19. imp <- importance(rf) 
  20. o <- order(imp[,3], decreasing=T) 
  21. imp[o,] 
  22. #             no      yes MeanDecreaseAccuracy MeanDecreaseGini 
  23. #Sex    51.49855 53.30255             55.13458         63.46861 
  24. #PClass 25.48715 24.12522             28.43298         22.31789 
  25. #Age    20.08571 14.07954             24.64607         19.57423 
  26.  
  27. # 混淆矩陣 [[真反例, 假正例], [假反例, 正正例]] 
  28. table(data.test$Survived, predict(rf, data.test), dnn=list("actual", "predicted")) 
  29. #      predicted 
  30. #actual  no yes 
  31. #   no  427  16 
  32. #   yes 117 195 
責(zé)任編輯：武曉燕 來源： 36大數(shù)據(jù)
R語言包sqldf
相關(guān)推薦

2015-10-27 10:12:21

r語言命令相見恨晚

2021-04-14 09:22:18

Python技巧交換變量值

2021-09-28 14:40:03

Python內(nèi)置庫itertools

2024-08-22 08:57:32

Python技巧參數(shù)

2024-01-29 00:51:39

前端開發(fā)利器

2021-08-19 15:02:32

科技軟件電腦

2020-05-06 09:18:56

Pandas函數(shù)大數(shù)據(jù)技術(shù)

2025-03-24 01:00:00

2024-08-20 14:25:20

2024-09-05 16:02:52

Python數(shù)據(jù)類型字符串

2019-02-12 11:22:29

Linux 系統(tǒng) 命令

2020-04-01 14:16:05

Pandastips數(shù)據(jù)分析

2019-08-29 09:10:11

Linux命令編程語言

2021-04-07 15:55:35

微信朋友圈技巧

2019-12-02 10:16:45

Linux 開源操作系統(tǒng)

2021-08-20 15:43:54

iPhone手機(jī)iOS

2018-01-25 14:53:20

iPhone技巧刪除照片

2019-08-09 14:13:22

Python知乎程序員

2021-04-20 10:47:59

手機(jī)APP科技

2009-02-20 13:12:23

unixSolaris初學(xué)者
點(diǎn)贊
收藏

51CTO技術(shù)棧公眾號(hào)