vlambda博客
学习文章列表

 1. R语言简介

R语言是用于统计计算和绘图的免费软件。它可以在Windows, Unix以及MacOS等系统下运行。用户可以从网上免费下载R语言。

R语言的起源可以追溯到80年代，那时候的AT&T贝尔实验室（也就是现在的朗讯科技）开发了S语言进行数据挖掘、统计分析和绘图。S语言后来演变成为了商业软件S-Plus。后来有一些志愿者将S-Plus改进成为免费的R语言。R语言的统计功能强大，包括线性和非线性模型，经典统计检验、时间序列分析、聚类分析等等。

R语言不但免费，而且开发源代码，是一种自由软件。另外，R语言的编程简单易学。你可以自己写函数，将最新的统计方法应用到R语言中去。R语言的函数和数据集都保存在程序包里面。当我们需要访问这些函数和数据时，需要下载相关的程序包。

2. 数据科学简介

数据科学是一门利用科学的模型、算法和系统，从有结构(Structured)和无结构(Unstructured)的数据中提取信息的学科。数据科学同数据挖掘和大数据密切相关，并将统计学、数据分析、机器学习等方法相结合，利用数据解释和分析问题。信息技术的发展导致大量数据的产生，这就促进了数据科学的发展。从发展过程来看，数据科学经历了经验、理论、计算、数据驱动这4个阶段。

尽管在过去几十年里，数据科学在不断发展，但是直到1992年在法国召开的一次统计学会议上，才有人提出了数据科学这个名词。到了1996年，数据科学才出现在学术会议的名称中。

数据科学和统计学之间的关系可谓是“剪不断，理还乱”。1997年，就有人开始讨论统计学是不是等同于数据科学。这是因为统计学就是搜集和整理数据，建模并且分析数据，然后得出结论的学科。这似乎和数据科学区别不大。到了2001年，有人提出数据科学和统计学不一样，因为数据科学更加跨学科。2012年，哈佛商业评论刊登了“数据科学家：21世纪最性感的工作”的文章。这篇文章认为数据科学是一个崭新的学科。但是在美国统计学协会的会议上，有统计学家认为数据科学是统计学进化以后的学科。2014年，华尔街日报又登出文章，还是认为数据科学的面更宽，和统计学不一样。有关数据科学和统计学之间的争论还在继续，暂时没有明确的结果。

3.Tidyverse简介

Tidyverse是R语言的一个程序包。Tidy的意思是干净、整洁。Verse的意思是诗歌、歌曲。那么Tidyverse的意思就是干净整洁的语句。

Tidyverse可以大大简化数据处理和分析，其核心包括ggplot2, dplyr,tidyr和readr,等程序包。它们可以用来转换数据，建立模型，实现数据可视化。因此，Tidyverse是R语言中下载量排名靠前的程序包。其中，ggplot2用来可视化数据。dplyr用来解决数据处理问题，tidyr用来清理数据，readr读入表格数据。

类似Python中的pip install，我们可以用下面的语句安装Tidyverse:

install.packages("tidyverse")

经过一系列复杂的安装，就成功了。

类似Python中的import，R语言用library()调用程序包：

library(tidyverse)

“万事具备，只欠数据！”本文利用R语言中自带的iris数据介绍Tidyverse。首先来介绍一下iris。iris的意思鸢尾花，所以iris是一个关于花花草草的多重变量数据集。它是由大统计学家和遗传学家R.A. Fisher在1936收集整理的数据。

Fisher是统计学的开山鼻祖之一，在1840年左右提出了著名的方差分析 (Analysis of Variance, 简称ANOVA) 。统计学上还有一个概念叫费雪信息（Fisher Information）。虽然Fisher在统计学界地位很高，但是其本人确实在研究遗传学的问题。他还有一个“最伟大的达尔文继承者”的称号。这里就不多讲了。

这个iris数据集包含150个数据样本。它可以分为3品种（Setosa，Versicolour，Virginica），每类50个数据，每个数据包含4个属性：花萼（Sepal）长度，花萼宽度，花瓣（Petal）长度，花瓣宽度。

接下来我们就来调用iris数据集

library(datasets)#调入程序包datasets

install.packages("gapminder")#安装程序包gapmidner

library(gapminder)#调用程序包gapmidner

attach(iris)#使用鸢（读渊）尾花数据

我们可以看出，iris包括5列：Sepal.Length, Sepal.Width, Petal.Length, Petal.Width, Species

我们来分析一下iris的数据。比方说，我们想知道每个品种花萼长度的平均值、标准差。

如果不用tidyverse，我们需要单独计算每个品种花萼长度的平均值：

setosa.mean <- mean(iris$Sepal.Length[iris$Species =="setosa"])

versicolor.mean <- mean(iris$Sepal.Length[iris$Species =="versicolor"])

virginica.mean <- mean(iris$Sepal.Length[iris$Species =="virginica"])

输出的结果如下：

对于3个平均值，这样做是可以的。但是如果有几十个甚至几百个品种，这样就有点麻烦，甚至无法实现了。

我们可以用tidyverse中的两个命令group_by和summarize。第一个group_by命令可以将数据分类。例如，我们可以将iris的数据按照品种分类：

iris.grouped <- group_by(iris, Species)

输出结果如下：

这个输出结果和iris数据有些类似，但是又不完全一样。我们得到了一个tibble。它是tidyverse中的新鲜事物，用来替代R语言中传统的data.frame数据结构。我们现在可以先不管它，主要是要看到Groups:Species [3]。这说明已经按照品种分类了。列名称下面的<dbl>和<fct>分别表示数字(numbers)和要素（factors）的数据类型。

接下来，我们就要用到神奇的summarize函数了。故名思意，它会输出数据的小结。

iris.means <- summarise(iris.grouped, SL.mean =mean(Sepal.Length))

iris.means

注意：我们并没有让summarize函数分别计算每一个品种。但是tidyverse的神奇之处就在于此，summarize自己知道该如何处理分类数据。

（时间关系，今天先写到这里）