Hvad er R-programmeringssprog? Introduktion og grundlæggende om R

Hvad er R Software?

R er et programmeringssprog og fri software udviklet af Ross Ihaka og Robert Gentleman ved University of Auckland i 1993. R besidder et omfattende katalog af statistiske og grafiske metoder. Det inkluderer maskinlæringsalgoritmer, lineær regression, tidsserier og statistisk inferens, for blot at nævne nogle få. De fleste af R-bibliotekerne er skrevet i R, men til tunge beregningsopgaver er C... C++ og Fortran-kode foretrækkes.

R er ikke kun betroet af akademikere; mange store virksomheder bruger også programmeringssproget R, herunder Uber, Google, Airbnb og Facebook. Udviklingen styres nu af R Core Team, og sproget er stadig under aktiv udgivelse — R 4.6.1 ankom i juni 2026.

Dataanalyse med R følger en række trin: programmering, transformation, opdagelse, modellering og formidling af resultaterne.

• Program: R er et overskueligt og tilgængeligt programmeringsværktøj
• TransformR består af en samling af pakker designet specifikt til datalogi
• OpdagUndersøg dataene, finjuster din hypotese og analyser den
• Model: R giver en bred vifte af værktøjer til at fange den rigtige model til dine data
• KommunikereIntegrer kode, grafer og output i en rapport med R Markdown, eller byg Shiny-apps, som du kan dele med verden

Hvad bruges R til?

Disse fem trin omsættes til tre arbejdsområder, hvor R er standardvalget:

• Statistisk slutning — hypotesetest, konfidensintervaller og regressionsmodeller
• Dataanalyse — import, rengøring, omvaskping og opsummerende tabeller
• Maskinelæring — klassificering, klyngedannelse og prognoser via caret, tidymodels og XGBoost

R efter industri

Hvis vi opdeler brugen af ​​R efter branche, ser vi, at akademikere kommer først. R er et sprog bygget til statistik, og det er førstevalget i sundhedssektoren, efterfulgt af regeringen og konsulentbranchen. Diagrammet nedenfor viser, hvordan denne brug er fordelt.

R-pakker og CRAN

De primære anvendelser af R er, og vil altid være, statistik, visualisering og maskinlæring. Billedet nedenfor viser hvilke R-pakker der er påtracstillede flest spørgsmål om Stack Overflow. I top 10 relaterer de fleste af dem sig til en data scientists arbejdsgang: forberedelse af data og formidling af resultater.

Næsten alle R-pakker er gemt i CRAN, det omfattende R-system. Archive Network, som er gratis og open source, og som i dag viser mere end 20,000 bidragne pakker. Du kan downloade og bruge dem til at udføre Maskinelæring eller tidsserieanalyse. CRAN-listen nedenfor er der, hvor hver enkelt af disse pakker publiceres og kontrolleres.

Installation af en kræver et enkelt opkald, install.packages("dplyr") — årsagen til dplyr og tidyverse-familien blev standardværktøjssættet.

Kommuniker med R

Pakker løser analysen; det sidste trin er at dele den. R har flere måder at præsentere og dele arbejde på, enten via et markdown-dokument eller en Shiny-app. Alt kan hostes på RPubs, GitHub eller virksomhedens egen hjemmeside.

Nedenfor er et eksempel på en præsentation afholdt på RPubs.

RStudio accepterer R Markdown – og siden 2022 Quarto – til at skrive et dokument. Som eksportmenuen nedenfor viser, kan du producere dokumenterne i forskellige formater:

• Dokument:
  • HTML
  • PDF/LaTeX
  • ord
• Præsentation:
  • HTML
  • PDF-beamer

RStudio har også et fantastisk værktøj til nemt at oprette en app. Nedenfor er et eksempel på en app bygget med data fra Verdensbanken.

Hvorfor bruge R?

At vide, hvad R gør, er én ting; at investere tid i det er noget andet. Datavidenskab erping den måde, virksomheder driver deres forretning på, og at holde sig væk fra kunstig intelligens og maskinlæring vil føre til, at en virksomhed går konkurs. Det store spørgsmål er, hvilket værktøj eller sprog du skal bruge.

Masser af værktøjer udfører dataanalyse, og det kræver en tidsinvestering at lære et nyt sprog. Billedet nedenfor viser læringskurven i forhold til den forretningskapacitet, et sprog tilbyder. Den negative sammenhæng antyder, at der ikke er nogen gratis frokost: den bedste indsigt fra data koster tid at lære det rigtige værktøj.

Øverst til venstre i grafen kan du se Excel og Power BI. Disse to værktøjer er nemme at lære, men tilbyder ikke enestående forretningskapacitet, især med hensyn til modellering. I midten kan du se Python og SASSAS er et dedikeret værktøj til at køre statistisk analyse i virksomheder, men det er ikke gratis; det er click-and-run-software. Python har en svag indlæringskurve og er et fantastisk værktøj til implementering af maskinlæring og AI, men det har færre rapporteringsfunktioner. Med en sammenlignelig indlæringskurve er R en god afvejning mellem implementering og dataanalyse.

Du har sikkert hørt om Tableau til datavisualisering. Tableau opdager mønstre gennem grafer og diagrammer og tager ikke lang tid at lære, men et visualiseringsorienteret værktøj kan give dig masser af diagrammer og intet mønster. Tableau er velegnet til hurtig visualisering eller Business Intelligence; til statistik og beslutningstagning er R mere passende.

Stack Overflow er et stort fællesskab for programmeringssprog, og det er der for at hjælpe, når du støder på et kodningsproblem eller har brug for at forstå en model. Gennem årene er procentdelen af ​​spørgsmålsvisninger steget kraftigt for R sammenlignet med andre sprog, som trendlinjen nedenfor viser. tracks datavidenskabens blomstrende tidsalder, men det afspejler også efterspørgslen efter R.

Inden for datalogi konkurrerer to værktøjer med hinanden. R og Python er de programmeringssprog, der definerer feltet.

Skal du vælge R?

En dataforsker kan bruge to fremragende værktøjer: R og PythonDu har måske ikke tid til at lære dem begge, især når du er lige begyndt. Lære statistisk modellering og algoritmer betyder langt mere end at lære et programmeringssprog. programmeringssprog er et værktøj til at beregne og kommunikere din opdagelse. Den vigtigste opgave inden for datalogi er den måde, du håndterer dataene på: importer, rens, forbereder, udvikler funktioner og vælger dem. Det bør være dit primære fokus. Forsøger at lære R og Python på én gang uden en solid baggrund i statistik fungerer sjældent. Dataloger er ikke primært programmører – deres job er at forstå dataene, manipulere dem og afdække den bedste tilgang.

Den primære målgruppe for datalogi er forretningsprofessionelle, så kommunikation er vigtig: en rapport, en webapp, et dashboard. Du har brug for ét værktøj, der gør alt dette, og det er her, R og dets rapporteringsstak holde stand.

Er R svært?

For år tilbage var R et vanskeligt programmeringssprog at mestre: forvirrende og ikke så struktureret som andre programmeringsværktøjer. For at overkomme dette udviklede Hadley Wickham en samling af pakker kaldet tidyverse. Spillets regler ændrede sig til det bedre - datamanipulation blev intuitiv, og det var ikke længere svært at oprette en graf.

De bedste algoritmer til maskinlæring kan implementeres med R. Pakker som Keras og TensorFlow bygger avancerede modeller, og R har også en pakke til XGBoost, en af ​​de bedste algoritmer til Kaggle-konkurrencer.

R kan kommunikere med andre sprog: det er muligt at kalde Python, Java og C++ fra R. Big data er også tilgængelig, da R forbinder til platforme som f.eks. Spark eller Hadoop.

Endelig har R udviklet sig til at parallelisere operationer og fremskynde beregninger. R blev engang kritiseret for kun at bruge én CPU ad gangen; parallelpakken kører nu opgaver på forskellige kerner i maskinen.

Ofte Stillede Spørgsmål