我做数据分析工作常用的8个R包

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。

是新朋友吗？记得先点R语言关注我哦～

《R玩数据》专栏·第5篇

文 | R扫地僧

1910字 | 6分钟阅读

【R语言】已开通R语言社群，五湖四海，天南地北，各行各业，有缘相聚，共享R事，雕刻数据，求解问题，以创价值。喜乐入群者，请加微信号luqin360，或扫描文末二维码，添加为好友，同时附上R-入群。有朋自远方来，不亦乐乎，并诚邀入群，以达相互学习和进步之美好心愿。

大家好，我是一名数据分析师，目前在一家互联网公司，做私域业务相关的数据分析工作。

我经常会用R语言解决数据分析工作系列问题。在此，我分享下做数据分析工作常用的8个R包，也欢迎朋友们补充和分享自己常用的R包。

1 dplyr包

我用dplyr包做数据的整理工作，包括数据的选择（业务所需的行与列），变量的新增，数据的集成（常用的内连接和左连接），数据的聚合运算（描述性统计常用指标，求和、最大值、最小值、均值、中位数、个数、分位数），数据的清洗工作等。我在前面的文章，介绍了dplyr包一些用法，系列文章如下：

我编写的R语言程式90%都用到这个包。众所周知，做数据分析工作之前，数据的准备和加工,需要花费我们50%到70%的时间和精力，因此，掌握和熟练使用这个dplyr包，可更有效地完成数据整理的工作。

2 ggplot2包

我用ggplot2包做数据可视化分析的工作。数据可视化，通过图形的方式，帮助我们理解数据，洞察数据以及表达数据结果和讲好数据故事。ggplot2包，基于图形语法和分层的思想，高效地实现一系列图形。我们可以从变量的个数、变量的类型以及变量之间的关系三个方面，确定需要创建什么类型的图形。我在这里推荐几本数据可视化的优秀书籍，这些书籍里面都有关于ggplot2包学习和应用的介绍。

数据可视化好书集合

3 stringr包

我用stringr包处理字符串类型相关的数据，比方说，字符串替换、子串的查询，字符的计数，字符串的修改等系列操作。实际工作中，字符串类型的数据，经常会遇到。很多时候，原始数据集，都要做清洗工作，才能被用于后续操作，比方说重编码，聚合汇总等。

4 data.table包

data.table包，一个增强版的数据框结构,可以更高效地存储和处理数据集。对于这个包，我主要用它来做数据的存储以及数据结构之间的转换操作。这个包详细介绍和使用，可以查阅这个链接：

https://rdatatable.gitlab.io/data.table/

5 tidyr包

我用tidyr包来做数据重塑工作，主要包括：1）把宽数据转换成长数据；2）把长数据转换成宽数据。这个时候，我们需要根据实际情况，选择合适的操作。tidyr包,用spread函数把长数据转换为宽数据；gather函数把宽数据转换为长数据。

6 caret包

我常用caret包来做有监督机器学习的任务，以及数据集的划分和数据集预处理的相关操作。这个R包对于做有监督的机器学习任务，提供了一个统一编写程式的框架。当然了，你使用这个包做随机森林的任务，前提是需要安装和加载randomForest包。关于这个R包的详细用法，可以查阅这个链接：

http://topepo.github.io/caret/index.html

7 cluster包和factoextra包

我有时会用聚类分析的方法，去做分群或者分组的事情。这种技术，可以让组内相似性最大，组间差异性最大。我常用的聚类分析方法，一种是划分方式聚类，一种是分层方式的聚类。为了更好地地解读聚类的结果，对聚类效果的可视化，是一种很好地手段。所以，我会用到cluster包和factoextra包。这两个包组合，可以实现聚类分析以及聚类结果的可视化分析。factoextra包除了做聚类分析结果可视化，还可以做其它事情，如下图所示：