【推荐】R for Data Science 新书抢先看

编辑推荐

本书是由Garrett Grolemund与Hadley Wickham合著的一本R语言新书，预计在今年年底正式出版。提到Hadley，接触过R语言的童鞋应该都听过他开发的R包：图形可视化软件包ggplot2、数据加工处理包plyr、reshape2等等。为什么推荐这本书？一是大牛出品必属精品，详见大牛另一本书《Advanced R》；二是本书系统介绍最新和最流行的R知识，可以少走学习弯路。好，那我们就来看下本书的主要内容吧。

1、 概述

本书目的：主要使读者能够掌握数据科学分析中重要的R语言工具。主要包括下面这些部分：数据导入、数据整理、数据转化、数据可视化、数据模型以及数据交互。如下图：

本书所涉及的R语言包：

pkgs <- c(  "broom", "dplyr", "ggplot2", "jpeg", "jsonlite", 
  "knitr", "Lahman", "microbenchmark", "png", "pryr", "purrr", 
  "rcorpora", "readr", "stringr", "tibble", "tidyr")
install.packages(pkgs)

比较有意思的是，书中强烈推荐修改Rstudio的两个默认设置。从之前使用经验看，这两个修改很有必要，这样每次新打开Rstudio都是全新环境，而不是上次会话的环境避免每次手动调整。当然，如果你需要保存的话，可以在程序最后加上save.image('*.RData')实现。

2、 数据探索

探索性数据分析（EDA）：通过对原数据的图像化展示和数据转换，从而能够更加直观理解数据信息。

数据可视化：详细介绍 ggplot2 包，区别于基础画图的图层设计很有意思。

数据转换：详细介绍 dplyr 包，5个核心函数：

• 行排序 (arrange()),

• 刷选行 (filter()),

• 刷选列(select()),

• 增加新列 (mutate()),

• 汇总 (summarise()).

3、 数据整理加工

数据导入：readr包中read_csv、read_fwf函数对基础函数速度和性能的提升（~时间减少10倍），同时提到data.table::fread()函数对超大csv数据极速读取（但性能没有readr包稳定）。

数据整理：tidyr包中spread() 和 gather()长表宽表转化；separate()和unite()列变量分割合并。

关系型数据：各种data相互联结操作。

string字符型数据：详细介绍 stringr 包 和 stringi 包；stringr 包可以处理90%的字符数据问题，而剩余10%的问题可以通过stringi 包解决。

日期和时间：主要介绍 lubridate 包。

4、 R语言编程

如何使你的代码变得更加简便，更加易懂？这章主要介绍一下重要的编程技巧：

• 使用 pipe（管道操作）, %>%, 抛除冗余的代码；

• 使用functions函数， 避免代码重复；

• 使用iteration迭代 让代码做相同的事；

• 熟练掌握4种常见向量类型和3种重要的S3类，理解list和data frame关系区别；

• 使用purrr 包处理模型结果list问题等等。

5、 模型

基础模型：线性模型、非线性模型、多元模型、分类变量、使用模型结果等等；

模型可视化：Gap Minder 未完成；

模型评估：P值、Bootstrap方法、Cross-Validation等等。

6、 交互

R Markdown：可重复性研究；后续我转载一篇其应用文章；

动态交互：未完成，可能会包括像Slidify、shiny等很火的交互技术；

图形交互：介绍ggplot2的label、zooming和Themes等更清晰明了展示图片。

整本书还没有完成，但都是最新最流行的R工具，希望对大家有所帮助！
条件允许也可以和大家一起翻译~

参考

1、大牛Hadley的github：https://github.com/hadley
所有开发包源码和书籍源码，可以学习大牛如何编写R语言程序；

2、本书网络版地址：http://r4ds.had.co.nz/