实战数据科学|2从R和数据开始阅读笔记

专题介绍：R是一种广泛用于数据分析和统计计算的强大语言，于上世纪90年代开始发展起来。得益于全世界众多爱好者的无尽努力，大家继而开发出了一种基于R但优于R基本文本编辑器的R Studio（用户的界面体验更好）。也正是由于全世界越来越多的数据科学社区和用户对R包的慷慨贡献，让R语言在全球范围内越来越流行。其中一些R包，例如MASS，SparkR， ggplot2，使数据操作,可视化和计算功能越来越强大。R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R作为一种统计分析软件，是集统计分析与图形显示于一体的。它可以运行于UNIX、Windows和Macintosh的操作系统上，而且嵌入了一个非常方便实用的帮助系统，相比于其他统计分析软件，R的学术性开发比较早，适合生物学和医学等学术学科的科研人员使用。

点击上方蓝字关注我，一起学习R语言

这本书籍我给大家准备好了。公众号后台回复“R实战数据科学”，获取资源的领取方式。

第二章从R和数据开始阅读笔记

本章涵盖：

开始使用R和数据
掌握R数据框结构
加载数据到R
重新编码数据为了后面的分析

认识R

R是开源软件和平台，可以跨操作系统运行。

市面上有很多R书籍，本书关注使用R做实战数据科学的事情，换而言之，就是利用R完成数据科学过程各环节里面的任务。

数据科学过程，如下图：

我们要完成上图所描述的各项任务，需要掌握R编程技术，并灵活应用。

R的安装和工作环境构建，可以参阅书籍附录A的介绍。你在安装的过程中遇到什么问题，也可以留言或者加入R语言群，参与讨论和交流。

为了编写出一致、清晰和可读的R代码，可以先阅读和学习下R编码风格，一份是Google公司的R代码规范，一份是Hadley Wickham 的R编码风格，访问链接如下：

Google的R代码规范

(https://google.github.io/styleguide/Rguide.html)
Hadley Wickham 的R编码风格

(http://adv-r.had.co.nz/Style.html)

编写程序解决问题的过程，首先做好问题的拆分，细分到每个步骤，然后编写可以正确执行步骤的R代码，做好调试，继续编写代码，以正确地执行更多的步骤，直至实现所有的步骤，从而达到解决问题的目标。

R的数据框结构

R的数据框结构是R语言最常用的数据结构。它是一个二维数组，每一列表示变量，每一行表示观察或者样例。这种数据存储结构很好地用于数据分析和建模工作。在数据框结构中，所有列都有相同的长度，列之间可以采用不同的数据类型，比方说数值类型，因子类型。R的数据框类似数据表格或者数据库里面的表。对数据框的列可以进行向量化操作，提升数据处理的效率。

处理来自文件或者URL的结构化数据集

最容易读取的数据格式是带表头的表结构数据。如下图所示：

我们所研究的数据，有很多类似上图的这种展示方式。每一行表示一个变量或者度量，每一列表示一个观察或者实例。若是我们研究的对象，不是这种结构化存储和表示，我们经常要将其转换为结构化（这是一种常用的处理手段）。R语言提供了很多函数来快捷和有效地加载结构化数据，比方说我们熟悉的read.table()函数或者readr包的一系列读取数据的函数，都可以方便地读入这些结构化数据。在读入的时候，注意两点。一要了解你的数据结构概况（比方说，是否有表头，列与列之间是采用什么方式隔开的等），二要选择合适的读取函数，并且明白函数参数的作用和设置方式。

处理来自数据库的结构化数据集

我们知道，各种关系型数据库存放的一系列表都是结构化数据，R语言也可以方便读入各种关系数据库下的表数据。关于详细的内容和操作方式，可以阅读书籍里面介绍的内容。读取数据库里面表数据的总的逻辑，第一步：与数据库建立正确连接，第二步：查询数据库目标表的数据集，第三步：把成功获取的数据集存储到R的数据框对象，第四步：利用R强大的处理和分析能力对数据做有目的性的加工，第五步：把完成的结果写入到数据库的表中，第六步：关闭连接。这个步骤，可以根据实际情况做调整。但是，第一步和第六步，都是刚开始和最后都要做的事情。连接关系数据库读取数据的代码片段，如下图：