Руководство для начинающих по изучению языка статистического программирования R
Пару лет назад я создал мини-курс по R и решил включить основные идеи в блог, чтобы охватить больше людей, изучающих R. Хотя большую часть своей работы я делаю на Python, статистические пакеты R не превзойдут и визуализации через ggplot2 (подробнее об этом позже).
Что такое Р?
R — это программная среда с открытым исходным кодом (бесплатная!) для статистических вычислений и графики. Он компилируется и работает на самых разных платформах UNIX, Windows и MacOS, что делает его идеальной платформой для всех ваших потребностей в статистических вычислениях. R часто используется учеными, статистиками и исследователями.
Почему я должен изучать R?
После Python, R является самым популярным языком в науке о данных, и R стал стандартным языком для статистических вычислений. У R есть кривая обучения, но как только вы изучите основы, его невероятно легко использовать для различных проектов. В R есть ряд библиотек, которые упрощают выполнение сложных статистических расчетов и впечатляющих визуализаций. Вы также можете использовать R для создания веб-приложений с пакетом R Shiny! R невероятно универсален, и в сочетании с R Studio он становится идеальной средой для изучения данных и науки о данных. В R есть все, от байесовской статистики до машинного обучения. Для получения более подробной информации о том, что делает R отличным языком для изучения науки о данных, ознакомьтесь с этой статьей о R-блогерах (я упоминал, что существует большое поддерживающее R-сообщество?)
Изучите R за 1 неделю Расписание курсов:
1 день
- Скачать бесплатную версию R Studio
2. Посмотрите и следуйте видеоролику «Введение в основы R»:
Для изучения основ R я настоятельно рекомендую swirl tutorials (если вы посмотрите видео выше, я покажу вам, как получить к ним доступ!)
3. Пройдите учебные пособия по завихрениям (Программирование на R: 1–11).
День 2
- Полное руководство по закручиванию (Программирование на R: 12–15)
2. Пройдите учебник по ggplot2
День 3
- Выполнить мини-проект по анализу данных по набору данных mtcars (ответы + код доступны здесь)
День 4–6
Лучший способ выучить R (или любой другой язык!) — это сделать интересующий вас проект. Используя основы, которые обсуждались в предыдущие несколько дней, создайте свой собственный проект!
Документация является важным компонентом этого проекта. Я рекомендую создать репозиторий GitHub и README для вашего проекта.
Вот — это пример проекта, который я делал при изучении R, где я использовал данные из Стравы и Google Maps для создания базовых графиков моих беговых данных со смарт-часов!
День 7
Теперь, когда вы знакомы с основами использования R, начните учиться дальше!
Here — это блог с коллекцией бесплатных ресурсов для изучения R для обработки данных, машинного обучения и статистики.
Здесь — потрясающая статья о 10 крутых R-библиотеках.
Вот — это R-блогеры — невероятный сайт со всевозможными статьями о R.
Хотите создать веб-приложение? Здесь — руководство по созданию веб-приложения с помощью R Shiny!
Советы и рекомендации по изучению R
Используйте встроенные наборы данных
R имеет встроенные наборы данных обо всем, от уровня преступности до температуры тела бобра. При запуске эти наборы данных невероятно полезны, потому что они уже встроены! Здесь — полный список наборов данных.
Поищите в Интернете инструкции
У R невероятное интернет-сообщество. Если вы пытаетесь решить проблему, скорее всего, кто-то уже решил ее. Google (или выбранная вами поисковая система) станет вашим лучшим другом при изучении R (или любого другого языка программирования!)
Используйте среду!
Medium — отличное место для изучения R, и здесь есть много отличных руководств и ресурсов!
Хотите знать, как сделать что-то конкретное в R? Дай мне знать в комментариях!
Если вы программист на Python, вам могут понравиться некоторые из моих руководств по машинному обучению и данным, а именно по Python:
Серия «Восхитительные рисунки в Python: круговая диаграмма
С помощью этого руководства вы легко соберете красивую кольцевую диаграмму в Python!medium.com»
А если вы изучаете машинное обучение, обязательно ознакомьтесь с моими недавними статьями о концепциях машинного обучения: