Mikä on R-ohjelmointikieli? R:n esittely ja perusteet
Evelyn Clarke
⚡ Älykäs yhteenveto
R on ilmainen, avoimen lähdekoodin ohjelmointikieli tilastolliseen laskentaan, data-analyysiin ja grafiikkaan. Sen ovat luoneet Ross Ihaka ja Robert Gentleman, ja sitä ylläpitää nyt R Core Team, ja sillä on yli 20 000 CRAN-pakettia.
Mikä on R-ohjelmisto?
R on ohjelmointikieli ja ilmainen ohjelmisto, jonka Ross Ihaka ja Robert Gentleman kehittivät Aucklandin yliopistossa vuonna 1993. R:llä on laaja luettelo tilastollisista ja graafisista menetelmistä. Se sisältää muun muassa koneoppimisalgoritmeja, lineaarista regressiota, aikasarjoja ja tilastollista päättelyä. Useimmat R-kirjastot on kirjoitettu R:llä, mutta raskaita laskennallisia tehtäviä varten käytetään C:tä. C++ ja Fortran-koodi on suositeltava.
R-ohjelmointikieltä eivät luota vain akateemikot; myös monet suuret yritykset, kuten Uber, käyttävät sitä. Google, Airbnb ja Facebook. Kehityksestä vastaa nyt R Core Team, ja kieli on edelleen aktiivisessa julkaisussa – R 4.6.1 saapui kesäkuussa 2026.
R-data-analyysi seuraa useita vaiheita: ohjelmointi, muuntaminen, löytäminen, mallintaminen ja tulosten viestiminen.
- Ohjelma: R on selkeä ja helppokäyttöinen ohjelmointityökalu
- MuuttaaR koostuu kokoelmasta paketteja, jotka on suunniteltu erityisesti datatieteeseen
- TutustuTutki tietoja, tarkenna hypoteesiasi ja analysoi sitä
- Malli: R tarjoaa laajan valikoiman työkaluja oikean mallin tallentamiseen tiedoillesi
- tiedottaaIntegroi koodia, kaavioita ja tulosteita raporttiin R Markdownilla tai luo Shiny-sovelluksia ja jaa ne maailman kanssa
Mihin R:ää käytetään?
Nuo viisi vaihetta voidaan kääntää kolmelle työalueelle, joilla R on oletusvalinta:
- Tilastollinen päätelmä — hypoteesitestit, luottamusvälit ja regressiomallit
- Tietojen analysointi — maahantuonti, puhdistus, uudelleenkäyttöping ja yhteenvetotaulukot
- Koneen oppiminen — luokittelu, klusterointi ja ennustaminen caretin, tidymodelsin ja XGBoostin avulla
R toimialalta
Jos jaottelemme R:n käytön toimialoittain, näemme, että akateemikot ovat ensisijalla. R on tilastoja varten kehitetty kieli, ja se on ensisijainen valinta terveydenhuoltoalalla, jota seuraavat hallitus ja konsultointi. Alla oleva kaavio näyttää, miten käyttö jakautuu.
R-paketit ja CRAN
R:n ensisijaisia käyttötarkoituksia ovat ja tulevat aina olemaan tilastotiede, visualisointi ja koneoppiminen. Alla oleva kuva näyttää, mitkä R-paketit ovat tällä hetkellätracesitti eniten kysymyksiä Stack Overflow'ssa. Kymmenen suosituimman joukossa useimmat liittyvät datatieteilijän työnkulkuun: datan valmisteluun ja tulosten viestimiseen.
Lähes kaikki R-paketit tallennetaan CRANiin, joka on kattava R-järjestelmä. Archive Network, joka on ilmainen ja avoimen lähdekoodin ja listaa tällä hetkellä yli 20 000 muutettua pakettia. Voit ladata ja käyttää niitä suorittamiseen Koneen oppiminen tai aikasarja-analyysi. Alla oleva CRAN-luettelo näyttää, missä kaikki nämä paketit julkaistaan ja tarkistetaan.
Asennus onnistuu yhdellä puhelinsoitolla, install.packages("dplyr") – syy, miksi dplyr ja tidyverse-perheestä tuli vakiotyökalupakki.
Kommunikoi R:n kanssa
Paketit ratkaisevat analyysin; viimeinen vaihe on sen jakaminen. R:ssä on useita tapoja esitellä ja jakaa työtä joko Markdown-dokumentin tai Shiny-sovelluksen kautta. Kaikkea voidaan isännöidä RPubeissa, GitHubissa tai yrityksen omalla verkkosivustolla.
Alla on esimerkki esityksestä, jota isännöidään RPubit.
RStudio hyväksyy R Markdownin – ja vuodesta 2022 lähtien myös Quarton – dokumenttien kirjoittamiseen. Kuten alla oleva vientivalikko osoittaa, voit tuottaa dokumentteja eri muodoissa:
- Asiakirja:
- HTML
- PDF/LaTeX
- sana
- Esittely
- HTML
- PDF-lähetin
RStudiolla on myös loistava työkalu sovelluksen luomiseen helposti. Alla on esimerkki Maailmanpankin datalla rakennetusta sovelluksesta.
Miksi käyttää R:tä?
Yksi asia on tietää, mitä R tekee, ja toinen asia on panostaa siihen aikaa. Datatiede on...ping Yritysten liiketoimintamallit ja tekoälyn ja koneoppimisen välttäminen johtavat yrityksen epäonnistumiseen. Suuri kysymys on, mitä työkalua tai kieltä kannattaa käyttää.
Data-analyysia varten on paljon työkaluja, ja uuden kielen oppiminen vaatii aikaa. Alla oleva kuva kuvaa oppimiskäyrää kielen tarjoamien liiketoimintamahdollisuuksien funktiona. Negatiivinen suhde tarkoittaa, että ilmaisia lounaita ei ole: parhaan datasta saatavan näkemyksen saaminen maksaa aikaa sopivan työkalun oppimiseen.
Kaavion vasemmassa yläkulmassa näet Excelin ja Power BI:n. Nämä kaksi työkalua ovat helppoja oppia, mutta ne eivät tarjoa erinomaisia liiketoimintaominaisuuksia, etenkään mallinnuksen suhteen. Keskellä näet Python ja SASSAS on tilastollisen analyysin suorittamiseen yrityksissä tarkoitettu työkalu, mutta se ei ole ilmainen; se on klikkaus-ja-asenna-ohjelmisto. Python sillä on lempeä oppimiskäyrä ja se on loistava työkalu koneoppimisen ja tekoälyn käyttöönottoon, mutta siinä on vähemmän raportointiominaisuuksia. Vertailukelpoisella oppimiskäyrällä R on hyvä kompromissi toteutuksen ja data-analyysin välillä.
Olet luultavasti kuullut Tableausta datan visualisointiin. Tableau löytää säännönmukaisuuksia kuvaajien ja kaavioiden avulla, eikä sen oppiminen vie kauaa, mutta visualisointipainotteinen työkalu voi jättää sinulle runsaasti kaavioita ilman säännönmukaisuuksia. Tableau sopii nopeaan visualisointiin tai liiketoimintatiedon analysointiin; tilastoihin ja päätöksentekoon R on sopivampi.
Stack Overflow on suuri ohjelmointikielten yhteisö, ja se on apunasi, kun kohtaat koodausongelman tai sinun on ymmärrettävä mallia. Vuosien varrella kysymysten katselukertojen prosenttiosuus on kasvanut jyrkästi R:ssä verrattuna muihin kieliin, kuten alla oleva trendiviiva osoittaa. Se tracSe heijastaa datatieteen kukoistuskautta, mutta se heijastaa myös R:n kysyntää.
Datatieteessä kaksi työkalua kilpailee keskenään. R ja Python ovat ohjelmointikieliä, jotka määrittelevät kentän.
Pitäisikö sinun valita R?
Datatieteilijä voi käyttää kahta erinomaista työkalua: R:ää ja PythonSinulla ei ehkä ole aikaa oppia molempia, etenkään aloittelevalla kaudella. Tilastollisen mallinnuksen ja algoritmien oppiminen on paljon tärkeämpää kuin ohjelmointikielen oppiminen. ohjelmointikieli on työkalu löytöjesi laskemiseen ja viestimiseen. Tietojenkäsittelytieteen tärkein tehtävä on tapa, jolla käsittelet dataa: tuot, puhdistat, valmistelet, suunnittelet ominaisuuksia ja valitset ne. Tämän tulisi olla ensisijainen tavoitteesi. Yrität oppia R:ää ja Python kerralla ilman vankkaa tilastotieteen taustaa toimii harvoin. Datatieteilijät eivät ole ensisijaisesti ohjelmoijia – heidän tehtävänsä on ymmärtää dataa, käsitellä sitä ja löytää paras lähestymistapa.
Datatieteen pääkohderyhmä on liike-elämän ammattilaiset, joten viestinnällä on merkitystä: raportti, verkkosovellus, koontinäyttö. Tarvitset yhden työkalun, joka tekee kaiken tämän, ja siinä R ja sen raportointipino pitävät pintansa.
Onko R vaikeaa?
Vuosia sitten R oli vaikeasti hallittava ohjelmointikieli: sekava eikä yhtä jäsennelty kuin muut ohjelmointityökalut. Tämän ratkaisemiseksi Hadley Wickham kehitti kokoelman paketteja nimeltä tidyverse. Pelin säännöt muuttuivat parempaan suuntaan – datan käsittelystä tuli intuitiivista eikä graafin luominen ollut enää vaikeaa.
Parhaat koneoppimisalgoritmit voidaan toteuttaa R:llä. Paketit, kuten Keras ja TensorFlow, rakentavat huippuluokan malleja, ja R:llä on myös paketti XGBoostille, joka on yksi parhaista algoritmeista Kaggle-kilpailuihin.
R voi kommunikoida muiden kielten kanssa: on mahdollista soittaa Python, Java ja C++ R:stä. Myös massadata on saatavilla, koska R yhdistyy alustoihin, kuten Spark tai Hadoop.
Lopuksi, R on kehittynyt rinnakkaisoperaatioiden tekemiseksi ja laskennan nopeuttamiseksi. R:ää kritisoitiin aikoinaan vain yhden suorittimen käyttämisestä kerrallaan; rinnakkaispaketti suorittaa nyt tehtäviä koneen eri ytimissä.
