Wat is R-programmeertaal? Introductie en basisprincipes van R

Wat is R-software?

R R is een programmeertaal en gratis software, ontwikkeld door Ross Ihaka en Robert Gentleman aan de Universiteit van Auckland in 1993. R beschikt over een uitgebreide catalogus van statistische en grafische methoden. Het omvat onder andere machine learning-algoritmen, lineaire regressie, tijdreeksanalyse en statistische inferentie. De meeste R-bibliotheken zijn in R geschreven, maar voor zware rekentaken wordt C gebruikt. C++ en FortraDe voorkeur gaat uit naar code n.

R wordt niet alleen door academici vertrouwd; veel grote bedrijven gebruiken de programmeertaal R ook, waaronder Uber. GoogleAirbnb en Facebook. De ontwikkeling wordt nu beheerd door het R Core Team en de taal wordt nog steeds actief uitgebracht — R 4.6.1 verscheen in juni 2026.

Data-analyse met R doorloopt een reeks stappen: programmeren, transformeren, ontdekken, modelleren en de resultaten communiceren.

• Programma: R is een duidelijke en toegankelijke programmeertool
• TransformerenR bestaat uit een verzameling pakketten die specifiek zijn ontworpen voor datawetenschap.
• OntdekOnderzoek de gegevens, verfijn je hypothese en analyseer deze.
• Model: R biedt een breed scala aan hulpmiddelen om het juiste model voor uw gegevens vast te leggen
• Communiceer Integreer code, grafieken en uitvoer in een rapport met R Markdown, of bouw Shiny-apps om met de wereld te delen.

Waar wordt R voor gebruikt?

Die vijf stappen vertalen zich in drie werkgebieden waar R de standaardkeuze is:

• Statistische gevolgtrekking — hypothesetoetsen, betrouwbaarheidsintervallen en regressiemodellen
• Data-analyse — importeren, reinigen, reshaping en samenvattende tabellen
• machine learning — classificatie, clustering en voorspelling via caret, tidymodels en XGBoost

R per industrie

Als we het gebruik van R per sector bekijken, zien we dat de academische wereld voorop staat. R is een taal die specifiek is ontwikkeld voor statistiek en is de eerste keuze in de gezondheidszorg, gevolgd door de overheid en consultancybureaus. De onderstaande grafiek laat zien hoe dat gebruik verdeeld is.

R-pakketten en CRAN

De belangrijkste toepassingen van R zijn, en zullen altijd blijven, statistiek, visualisatie en machine learning. De onderstaande afbeelding laat zien welke R-pakketten beschikbaar zijn.tracDe vraag die ik het vaakst op Stack Overflow stelde, had betrekking op de workflow van een data scientist: het voorbereiden van data en het communiceren van resultaten.

Vrijwel alle R-pakketten zijn opgeslagen in CRAN, de Comprehensive R-repository. Archive Network, dat gratis en open source is en momenteel meer dan 20,000 bijgedragen pakketten bevat. Je kunt ze downloaden en gebruiken om prestaties te leveren. Machine leren of tijdreeksanalyse. De onderstaande CRAN-lijst bevat de publicatie- en controlelijst van al deze pakketten.

De installatie is zo gedaan, één telefoontje is voldoende. install.packages("dplyr") — de reden dat dplyr En de tidyverse-familie werd de standaard toolkit.

Communiceer met R

Packages lossen de analyse op; de laatste stap is het delen ervan. R biedt meerdere manieren om werk te presenteren en te delen, bijvoorbeeld via een Markdown-document of een Shiny-app. Alles kan worden gehost op RPubs, GitHub of de eigen website van het bedrijf.

Hieronder ziet u een voorbeeld van een presentatie die wordt gehost op RPubs.

RStudio accepteert R Markdown — en sinds 2022 ook Quarto — voor het schrijven van documenten. Zoals het exportmenu hieronder laat zien, kunt u de documenten in verschillende formaten opslaan:

• Document:
  • HTML
  • PDF/LaTeX
  • Woord
• Presentatie:
  • HTML
  • PDF-beamer

RStudio biedt ook een uitstekende tool om eenvoudig een app te maken. Hieronder een voorbeeld van een app die is gebouwd met gegevens van de Wereldbank.

Waarom R gebruiken?

Weten wat R doet is één ding; er tijd in investeren is iets heel anders. Data science is...ping De manier waarop bedrijven hun activiteiten uitvoeren, en het vermijden van kunstmatige intelligentie en machine learning, zal tot het falen van een bedrijf leiden. De grote vraag is welke tool of taal je moet gebruiken.

Er zijn talloze tools voor data-analyse, en het leren van een nieuwe taal vergt een investering in tijd. De onderstaande afbeelding toont de leercurve ten opzichte van de zakelijke mogelijkheden die een taal biedt. De negatieve correlatie impliceert dat er geen gratis lunch bestaat: de beste inzichten uit data kosten tijd om de juiste tool te leren gebruiken.

Links bovenaan in de grafiek zie je Excel en Power BI. Deze twee tools zijn eenvoudig te leren, maar bieden geen uitzonderlijke zakelijke mogelijkheden, met name op het gebied van modellering. In het midden zie je Python en SASSAS is een speciaal ontwikkeld hulpmiddel voor het uitvoeren van statistische analyses in het bedrijfsleven, maar het is niet gratis; het is software die je met een muisklik kunt gebruiken. Python Het heeft een geleidelijke leercurve en is een fantastisch hulpmiddel voor het implementeren van machine learning en AI, maar het beschikt over minder rapportagemogelijkheden. Met een vergelijkbare leercurve is R een goede afweging tussen implementatie en data-analyse.

Je hebt vast wel eens gehoord van Tableau voor datavisualisatie. Tableau ontdekt patronen in grafieken en diagrammen en is snel te leren, maar een tool die primair gericht is op visualisatie kan je uiteindelijk een hoop grafieken opleveren zonder dat je een patroon ontdekt. ​​Tableau is geschikt voor snelle visualisaties of business intelligence; voor statistieken en besluitvorming is R geschikter.

Stack Overflow is een grote community voor programmeertalen en staat klaar om je te helpen wanneer je tegen een programmeerprobleem aanloopt of een model wilt begrijpen. In de loop der jaren is het percentage vraagweergaven voor R sterk gestegen in vergelijking met andere talen, zoals de onderstaande trendlijn laat zien. tracHet markeert de bloeiperiode van datawetenschap, maar het weerspiegelt ook de vraag naar R.

In de datawetenschap concurreren twee tools met elkaar: R en Python De programmeertalen bepalen het vakgebied.

Moet u R kiezen?

Een datawetenschapper kan twee uitstekende tools gebruiken: R en PythonJe hebt wellicht geen tijd om ze allebei te leren, vooral niet in het begin. Het leren van statistische modellen en algoritmen Het gaat om veel meer dan alleen het leren van een programmeertaal. programmeertaal is een tool om je bevindingen te berekenen en te communiceren. De belangrijkste taak in data science is de manier waarop je met de data omgaat: importeren, opschonen, voorbereiden, kenmerken ontwikkelen en selecteren. Dat zou je primaire focus moeten zijn. Proberen R te leren en Python Zonder een gedegen achtergrond in statistiek lukt dat zelden. Datawetenschappers zijn niet in de eerste plaats programmeurs; hun taak is om de data te begrijpen, te bewerken en de beste aanpak te vinden.

De belangrijkste doelgroep voor data science is de zakelijke professional, dus communicatie is essentieel: een rapport, een webapplicatie, een dashboard. Je hebt één tool nodig die dit allemaal kan, en dat is waar R en zijn functionaliteiten van pas komen. rapportage-stack Ze houden stand.

Is R moeilijk?

Jaren geleden was R een lastige taal om onder de knie te krijgen: verwarrend en minder gestructureerd dan andere programmeertalen. Om dat te verhelpen, ontwikkelde Hadley Wickham een ​​verzameling pakketten genaamd de tidyverse. De spelregels veranderden ten goede: gegevensmanipulatie werd intuïtief en het maken van een grafiek was niet langer moeilijk.

De beste algoritmen voor machine learning kunnen met R worden geïmplementeerd. Pakketten zoals Keras en TensorFlow bouwen hoogwaardige modellen, en R heeft ook een pakket voor XGBoost, een van de beste algoritmen voor Kaggle-competities.

R kan communiceren met andere talen: het is mogelijk om aan te roepen Python, Java en C++ vanuit R. Big data is ook toegankelijk, aangezien R verbinding maakt met platforms zoals Spark of Hadop.

Tot slot is R geëvolueerd om bewerkingen te paralleliseren en berekeningen te versnellen. R werd ooit bekritiseerd omdat het slechts één CPU tegelijk gebruikte; het parallelpakket voert taken nu uit op verschillende cores van de machine.

Veelgestelde vragen