Hva er R programmeringsspråk? Introduksjon og grunnleggende om R

Hva er R Software?

R er et programmeringsspråk og fri programvare utviklet av Ross Ihaka og Robert Gentleman ved University of Auckland i 1993. R har en omfattende katalog av statistiske og grafiske metoder. Det inkluderer maskinlæringsalgoritmer, lineær regresjon, tidsserier og statistisk inferens, for å nevne noen. De fleste R-bibliotekene er skrevet i R, men for tunge beregningsoppgaver brukes C, C++ og Fortran-kode er å foretrekke.

R er ikke bare betrodd av akademikere; mange store selskaper bruker også programmeringsspråket R, inkludert Uber, Google, Airbnb og Facebook. Utviklingen administreres nå av R Core Team, og språket er fortsatt under aktiv utgivelse – R 4.6.1 kom i juni 2026.

Dataanalyse med R følger en rekke trinn: programmering, transformering, oppdagelse, modellering og kommunikasjon av resultatene.

• Program: R er et oversiktlig og tilgjengelig programmeringsverktøy
• TransformR består av en samling pakker designet spesielt for datavitenskap
• UtforskUndersøk dataene, finjuster hypotesen din og analyser den.
• Modell: R tilbyr et bredt utvalg av verktøy for å fange den riktige modellen for dataene dine
• KommunisereIntegrer kode, grafer og utdata i en rapport med R Markdown, eller bygg Shiny-apper for å dele med verden

Hva brukes R til?

Disse fem trinnene oversettes til tre arbeidsområder der R er standardvalget:

• Statistisk slutning — hypotesetester, konfidensintervaller og regresjonsmodeller
• Dataanalyse — import, rengjøring, omvaskping og oppsummerende tabeller
• Maskinlæring — klassifisering, klynging og prognoser via caret, tidymodels og XGBoost

R etter industri

Hvis vi deler opp bruken av R etter bransje, ser vi at akademikere kommer først. R er et språk bygget for statistikk, og det er førstevalget i helsevesenet, etterfulgt av myndigheter og konsulentbransjen. Diagrammet nedenfor viser hvordan denne bruken er fordelt.

R-pakker og CRAN

De primære bruksområdene for R er, og vil alltid være, statistikk, visualisering og maskinlæring. Bildet nedenfor viser hvilke R-pakker som gjelder.tracstilte flest spørsmål om Stack Overflow. Blant de 10 beste spørsmålene er de fleste relatert til arbeidsflyten til en dataforsker: å forberede data og kommunisere resultater.

Nesten alle R-pakker lagres i CRAN, Comprehensive R Archive Network, som er gratis og åpen kildekode og i dag viser mer enn 20 000 bidragspakker. Du kan laste dem ned og bruke dem til å utføre Maskinlæring eller tidsserieanalyse. CRAN-listen nedenfor er der hver av disse pakkene publiseres og kontrolleres.

Å installere en krever én samtale, install.packages("dplyr") – grunnen til at dplyr og tidyverse-familien ble standard verktøysett.

Kommuniser med R

Pakker løser analysen; det siste trinnet er å dele den. R har flere måter å presentere og dele arbeid på, enten gjennom et markdown-dokument eller en Shiny-app. Alt kan hostes på RPubs, GitHub eller bedriftens eget nettsted.

Nedenfor er et eksempel på en presentasjon som arrangeres på RPubs.

RStudio aksepterer R Markdown – og siden 2022 også Quarto – for å skrive et dokument. Som eksportmenyen nedenfor viser, kan du produsere dokumentene i forskjellige formater:

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

RStudio har også et flott verktøy for å enkelt lage en app. Nedenfor er et eksempel på en app bygget med data fra Verdensbanken.

Hvorfor bruke R?

Å vite hva R gjør er én ting; å investere tid i det er noe annet. Datavitenskap erping måten selskaper driver virksomhetene sine på, og å holde seg unna kunstig intelligens og maskinlæring vil føre til at et selskap mislykkes. Det store spørsmålet er hvilket verktøy eller språk du bør bruke.

Mange verktøy utfører dataanalyse, og det å lære et nytt språk krever en tidsinvestering. Bildet nedenfor viser læringskurven mot forretningsmulighetene et språk tilbyr. Den negative sammenhengen impliserer at det ikke finnes noen gratis lunsj: den beste innsikten fra data koster tid å lære seg det riktige verktøyet.

Øverst til venstre i grafen kan du se Excel og Power BI. Disse to verktøyene er enkle å lære, men tilbyr ikke enestående forretningsmuligheter, spesielt når det gjelder modellering. I midten kan du se Python og SASSAS er et dedikert verktøy for å kjøre statistisk analyse i bedrifter, men det er ikke gratis; det er klikk-og-kjør-programvare. Python har en svak læringskurve og er et fantastisk verktøy for å distribuere maskinlæring og AI, men det har færre rapporteringsfunksjoner. Med en sammenlignbar læringskurve er R en god avveining mellom implementering og dataanalyse.

Du har sikkert hørt om Tableau for datavisualisering. Tableau oppdager mønstre gjennom grafer og diagrammer, og det tar ikke lang tid å lære seg det, men et visualiseringsbasert verktøy kan gi deg mange diagrammer uten mønstre. Tableau passer for rask visualisering eller Business Intelligence; for statistikk og beslutningstaking er R mer passende.

Stack Overflow er et stort fellesskap for programmeringsspråk, og det er der for å hjelpe deg når du støter på et kodeproblem eller trenger å forstå en modell. I løpet av årene har prosentandelen spørsmålsvisninger økt kraftig for R sammenlignet med andre språk, noe trendlinjen nedenfor viser. tracks den blomstrende tidsalderen for datavitenskap, men det gjenspeiler også etterspørselen etter R.

Innen datavitenskap konkurrerer to verktøy med hverandre. R og Python er programmeringsspråkene som definerer feltet.

Bør du velge R?

En dataforsker kan bruke to utmerkede verktøy: R og PythonDu har kanskje ikke tid til å lære begge deler, spesielt ikke når du er i startfasen. Lære statistisk modellering og algoritmer betyr mye mer enn å lære et programmeringsspråk. programmeringsspråk er et verktøy for å beregne og kommunisere oppdagelsen din. Den viktigste oppgaven innen datavitenskap er måten du håndterer dataene på: importer, rengjør, forbereder, utvikler funksjoner og velger dem. Det bør være ditt primære fokus. Prøver å lære R og Python samtidig uten solid bakgrunn i statistikk fungerer sjelden. Dataforskere er ikke primært programmerere – jobben deres er å forstå dataene, manipulere dem og avdekke den beste tilnærmingen.

Hovedmålgruppen for datavitenskap er forretningsfolk, så kommunikasjon er viktig: en rapport, en webapp, et dashbord. Du trenger ett verktøy som gjør alt dette, og det er der R og dets rapporteringsstabel holde stand.

Er R vanskelig?

For mange år siden var R et vanskelig språk å mestre: forvirrende og ikke like strukturert som andre programmeringsverktøy. For å overvinne dette utviklet Hadley Wickham en samling pakker kalt tidyverse. Spillereglene endret seg til det bedre – datamanipulering ble intuitivt, og det var ikke lenger vanskelig å lage en graf.

De beste algoritmene for maskinlæring kan implementeres med R. Pakker som Keras og TensorFlow bygger avanserte modeller, og R har også en pakke for XGBoost, en av de beste algoritmene for Kaggle-konkurranser.

R kan kommunisere med andre språk: det er mulig å ringe Python, Java og C++ fra R. Stordata er også tilgjengelig, siden R kobler seg til plattformer som Spark eller Hadoop.

Til slutt har R utviklet seg for å parallellisere operasjoner og øke hastigheten på beregninger. R ble en gang kritisert for å bare bruke én CPU om gangen; parallellpakken kjører nå oppgaver på forskjellige kjerner i maskinen.

Spørsmål og svar