R语言编程艺术（高清PDF 下载）

c#小王子 2021-05-20 3206 软件,编程,R语言

R语言编程艺术（高清PDF 下载）

译者序

R是一种用于统计计算与做图的开源软件，同时也是一种编程语言，它广泛应用于企业和学术界的数据分析领域，正在成为最通用的语言之一。由于近几年数据挖掘、大数据等概念的走红，R也越来越多地被人关注。截至本文完成之日，CRAN上共有4383个包，涉及统计、化学、经济、生物、医学、心理、社会学等各个学科。不同类型的公司，比如Google、辉瑞、默克、美国银行、洲际酒店集团和壳牌公司都在使用它，同时以S语言环境为基础的R语言由于其鲜明的特色，一出现就受到了统计专业人士的青睐，成为国外大学里相当标准的统计软件。

一直以来，国内外关于R语言的著作都是以统计学专业的视角来介绍R语言的，对R语言本身的特性讲解得并不详尽，而软件自带的官方文档又显得过于技术，不那么亲民。另一方面，很多接触R的朋友都来自非计算机专业，没有接受过编程训练，他们使用R的时候，编写出来的代码通常只能算是一条条命令的集合，面对更复杂的间题，常常束手无策。记得在某届R语言大会上，有位SAS阵营的朋友说，他看到演讲者所展示的代码里只有函数调用，没有编程的东西，所以他觉得R不能算一种编程语言。其实，他错了，此时你手里这本书，覆盖了其他大部分R语言图书没有涉及的编程主题。这本书就如同R语言的九阳神功秘籍，当神功练成，任督二脉一旦打通，再学习针对某一领域应用的函数或包就如庖工解牛—般。顺便提一下，据微博上的小道消息，前面提到的那位朋友最近也开始学R了。

本书的特点表现在以下几个方面∶

第一，对读者的统计学知识和编程水平要求并不高。与很多R语言书籍不同，这本书并不需要很深的统计学功底，它从纯语言的角度入手来讲解R。对于有一定编程经验却没什么统计学背景的人来说，读这本书会比较顺畅，读者就可以重点关注R语言的特性在数据分析方面的应用。在有的地方，作者也会提醒那些有其他语言编程经验的人应该注意R语言有什么不同之处。而对于没有编程经验又想使用R做数据分析的人来说，这本书也是学习编程的绝佳教材。

第二，专注于R语言编程。作者没有把这本书定位为莱谱式的手册，也不像有些R语言图书那样介绍完统计学某方面应用之后简单地把R语言代码摆出来。

翻开这本书的目录，你几乎看不到统计学的术语。本书系统介绍了R语言的各种数据结构和编程结构、面向对象编程方法、socket网络编程、并行计算、代码调试、程序性能提升以及R语言与其他语言的接口等主题。书中也提到了不少编程的小技巧，这都是作者多年编程经验的总结。

第三，丰富的案例分析。作者Matloff教授是位计算机科学家，同时也是位统计学家，有多年的教学经验，也做过统计学方法论的顾问。除了正文中的例子之外，本书还有44个扩展案例，很多案例源自作者亲身参与过的咨询项目。虽然本书没有讲解任何统计模型，但是扩展案例都是和数据分析相关的，比如对鲍鱼数据的重新编码（第2章）、寻找异常值（第 3章）、文本词汇索引（第4章）、学习中文方言的辅助工具（第5章）等。通过学习这些案例，读者不仅能学到R语言的每种概念如何运作，也会学到如何把这些概念组合到一起成为有用的程序。比如第10章介绍了socket网络编程之后，就用一个扩展案例讲解如何用socket实现并行计算，这为第16章详细讲解并行计算做好了铺垫。在很多案例里，作者讨论了好几种设计方案，并比较了这几种方案的不同之处，以回答"为什么这样做"，这对于缺少编程经验的人来说，是非常好的安排。

本书第1章简要介绍了R语言的几种数据结构和编程基础，其余章节可分为三大部分。第一部分（第2～6章）详细介绍R的几种主要的数据结构∶向量、矩阵、列表、数据框和因子等。对很多人来说，R复杂多变的数据结构真的是一只拦路虎。而本书从最简单的向量开始，一步一步引导读者认识并掌握各种数据结构。

第二部分（第7～13章）涉及编程方面∶编程结构和面向对象特性、输入/输出、字符串处理以及绘图。值得一提的是第13章，这章主要讲解的是R语言的调试。很多朋友在实际工作中有这样的经历，你可能用了一个小时就写好代码，却用了一天的时间来调试。可是到目前为止还没有在其他图书上看到与R语言调试相关的内容，甚至也很少见到关于其他编程语言调试的图书。本书刚好填补了这方面的空白。如果读者仔细读完第13章，并实践其中的调试技巧，一定能事半功倍，也就能少熬点儿夜，有延长寿命的功效。本书的作者同时也著有《调试的艺术》（The Art of Debugging），相信他在R语言调试方面的功力也是相当深厚的。

第三部分（第14～16章）介绍的是更高级的内容，比如执行速度和性能的提升（第14章）、R语言与C/C++或Python混合编程（第15章）以及R语言并行计算（第16章）。虽然最后一部分属于编程的高级内容，但如果读者从前往后一直学下来，随着能力的提高，也是可以读懂的。

本人从2007年开始接触R语言，那时候市面上几乎没有R语言方面的书籍。当时我关于 R语言的所有信息几乎都是来自统计之都和谢益辉的博客。2008年冬天，统计之都成功举办了"第一届中国R语言会议"，来自各地的R语言用户们齐聚一堂，交流心得。从那以后，每年的R语言会议都会在北京和上海举办。这几，年来，统计之都的队伍也逐渐壮大，比如本书的其他三位主要译者;邱怡轩、潘岚锋和能喜，当年他们参加R语言会议的时候还是人大统计学院大一、大二的学生，后来也成为R语言社区的领军人物。去年我们接到本书的翻译任务时，他们三人分别收到了美国普度大学、爱荷华州立大学以及明尼苏达大学的录取通知，现在已经在美国留学深造。希望有越来越多的人加入统计之都的大家庭，和大家一起成长，为中国统计事业的发展尽自己的一份力。

前言

R是一种用于数据处理和统计分析的脚本语言，它受到由AT&T实验室开发的统计语言S的启发，且基本上兼容于S语言。S语言的名称代表统计学（statistics），用来纪念AT&T开发的另一门以一个字母命名的编程语言，这就是著名的C语言。后来一家小公司买下了S，给它添加了图形用户界面并命名为S-Plus。

由于R是免费的，而且有更多的人责献自已的代码，R语言密得比S和S-Plus事更受欢迎。R有时亦称为GNU S，以反映它的开源属性。（GNU项目是开源软件的一个重要集合。）

为什么在统计工作中用R

粤语有个词"又便又靓"，意思是"物美价廉"，R语言就是这样一种工具，为什么还要用别的呢?

R语言有许多优点∶

·它是广受关注的统计语言S在公众领域的实现，而且R/S已经是专业统计学家的实际标准语言。

·在绝大多数情况下，它的功能不亚于甚至优于商业软件，比如它有大量的函数、良好的可编程性、强大的绘图功能，等等。

·在Windows、Mac、Linux等操作系统上都有相应的版本。

·除了提供统计操作以外，R还是门通用编程语言，所以你可以用它做自动分析、创建新的函数来拓展语言的现有功能。

·它结合了面向对象语言和函数式编程语言的特性。

·系统在两次会话之间可以保存数据集，所以不需要每次重新加载数据集。R还可以保存历史命令。

·因为R是开源软件，所以很容易从用户社区获得帮助。另外，用户们贡献了大量的新函数，其中很多用户都是杰出的统计学家。

我必须事先提醒你，最好直接在终端窗口输入命令并提交给R，而不是在GUI里用鼠标点击菜单，并且大多数R用户都不用GUI。这并不是说R不能图形化操作。相反，它有很多工具可以生成实用、美观的图形，不过这些工具是用在系统输出方面，比如画图，而不是用在输入方面。

如果你离不开GUI，则可以选用一种免费的GUI，它们是为R开发的，比如下面几种开源的或免费的工具∶

· RStudio

·StatET

· ESS (Emacs Speaks Statistics)

· R Commander: John Fox,"The R Commander; A Basic-Statistics Graphical Interface to R," Journal of Statistical Software 14, no. 9 (2005):1-42.

· JGR (Java GUI for R)

前三种软件，RStudio、StatET和 ESS属于集成开发环境（Integrated Development Environments，IDE），更多地是为编程设计的。StatET和ESS则为R程序员分别提供了针对著名的Eclipse 和Emacs环境的IDE。

在商业软件中，另一种IDE出自Revolution Analytics公司，一家提供R语言服务的公司。

因为R是一种编程语言而不是各种不相关联的命令汇总，你可以把几个命令组合起来使用，每条命令用前一条命令的输出作为输入。（Linux用户可能会认出∶这类似于用管道将 shell命令串联起来。）这种组合R函数的能力带来了巨大的灵活性，如果使用恰当，功能会非常强大。

下面是个简单的例子，请看这条命令∶

 nrow(3ubset (x03, z == 1))

首先，subset（）函数针对数据框x03提取出变量z（取值为1）的所有记录，得到一个新的数据框，再把这个新数据框代人nrow（）函数。这个函数计算数据框的行数。这行命令的最终效果是给出原数据框中z=1的记录的个数。

之前提到过面向对象编程和函数式编程这两个术语。这两个主题会激起计算机科学家的兴趣，尽管它们对大多数读者来说可能有点陌生，但是它们跟任何使用R做统计编程的人都有关。下面概述这两个主题。

面向对象编程

面向对象的优点可以用例子来解释，例如回归模型。当你用SAS、SPSS等其他统计软件做回归分析时，你会在屏幕上看到一大堆的输出结果。与之相反，如果在R里调用回归函数lm（），函数会返回一个包含所有结果的对象，对象里含有回归系数的估计、估计值的标准差、残差等。接下来你可以用编程的方式挑选对象里需要的部分并提取出来。

你会看到通过R的方式可使编程变得更容易，部分因为它提供了访问数据的一致性。这种一致性源于R是多态的，即一个函数可以应用于不同类型的输入，函数在运行过程中会选择适当的方式来处理。这样的函数称为泛型函数。（如果你是C++程序员，肯定见过类似的概念虚函数。）

例如plot（）函数，如果你把它应用到—列数上，会得到一幅简单的图。但是如果把它应用到某个回归分析的输出结果中，会得到关于回归分析多个方面的一整套图形。当然，你只能在R生成的对象上使用plot（）函数。这样也好，这意味着用户需要记的命令更少了!

函数式编程

避免显式迭代是R语言的—个常见话题，这对于函数式编程语言来说是很典型的问题。你可以利用R的函数特性把迭代行为表达成隐式的，而不是用循环语句。这可以让代码执行起来更有效率，当R运行在大数据集上时运行时间会相差很大。正如你看到的，R语言函数式编程的属性有许多优点;·更清晰，更紧凑的代码。

●有潜力达到更快的执行速度。

●减少了调试的工作量，因为代码更简单。

●容易转化为并行编程。

本书的读者对象

许多人以特定的方式使用R——直方图、回归分析或者其他涉及统计运算的任务。不过本书针对的是那些希望用R开发软件的读者。本书的目标读者从专业软件开发人员，到只在大学修过编程课、为了完成特定任务而写R代码的人。（统计学知识一般不是必需的。）

以下几类人可能会从本书受益∶

·受雇于某个需要定期制作统计报告的机构，比如医院、政府机关等，为此需要开发专用程序。

·开发统计学方法论的学术研究人员，所研究的方法论要么是全新的，要么就是结合了现有的方法并将其整合到一起，这些需要编程来实现，让学术界里更多的人能够使用。

·在市场营销、诉讼支持、新闻、出版等领域工作，需要通过编码来制作复杂图形以实现数据可视化的专家。

·有软件开发经验，参与的项目涉及统计分析的专业程序员。

·学习统计计算课程的学生。

因此，本书不是R包中各种统计方法的纲要，其实本书更侧重于编程，覆盖了大部分R语言图书没有涉及的与编程相关的主题，我甚至是围绕编程主题展开论述的。下面是一些具体的例子∶

·"扩展案例"展示完整的、特定用途的函数，而不是针对某个数据集的独立代码片段。你可能发现其中有些函数对你平常用R语言进行工作很有帮助。通过学习这些案例，你不仅能学到R语言的基本功能如何运作，也会学到如何把它们组合成有用的程序。在很多案例里，我讨论了其他设计方案，以回答"为什么我们这样做?"。·内容上符合程序员的思维习惯。例如，在讨论数据框的时候，我不仅表明数据框是一种R的列表，也指出这一事实对编程的潜在影响。我在适当的时候加人R语言与其他语言的比较，为那些刚好了解其他语言的人提供参考。

·在任何语言里，调试对于编程都非常关键，而在其他大多数R语言书籍中却鲜有涉及。本书用了一章的篇幅来介绍调试技巧，用"扩展案例"方法真刀真枪地展示如何调试实际工作中的程序。

·如今，多核计算机甚至普及到普通家庭，图形处理单元（GPU）已经悄然在科学计算界引发了一场革命。越来越多的R应用涉及非常大量的计算，并行处理已经成为R程序员面临的主要课题。所以本书用一章的篇幅讨论这个主题，同样给出技术细节和扩展案例。

·本书单独用一章介绍如何利用R内部行为以及其他工具的优势来加速R代码。

·用一章来讨论R语言与其他语言（如C和Python）的接口，用扩展案例展示了应用方法，同时也介绍了调试的技巧。

第1章快速入门

如前言所述，R是一种针对统计分析和数据科学的功能全面的开源统计语言。它在商业、工业、政府部门、医药和科研等涉及数据分析的领域都有广泛的应用。

本章将给出R的简单介绍——如何调用、能做什么以及使用什么文件。这里只介绍你在理解后面几章的例子时所需的基础知识，具体的细节将会在后面的章节中加以介绍。

如果你的公司或大学允许，R可能已经安装在你的系统中。如果还没安装，请参考附录A中的安装指南。

1.1 怎样运行R

R可以在两种模式下运行∶ 交互模式和批处理模式。常用的是交互模式。在这种模式下，你键入命令，R将显示结果，然后你再键入新的命令，如此反复进行操作。而批处理模式不需要与用户进行互动。这对于生产工作是非常有帮助的，比如—个程序必须定期重复运行，如每天运行一次，用批处理模式则可以让处理过程自动运行。

1.1.1 交互模式

在Linux或Mac的系统中，只需在终端窗口的命令行中键入R，就可以开始一个R会话。在Windows系统下，点击R图标来启动R。

启动后显示的是欢迎语，以及R提示符，也就是>符号。屏幕的显示内容如下∶

R version 2.10.0(2009-10-26)
Copyright(C)2009 The R Foundation for Statistical Computing ISBIN 3-900051-07-0
Type'demo()'for some demos,'help()' for on-line help,or'help.start()'for an HTML bronser interface to help. Type 'q()' to quit R.

现在就可以开始执行R命令了。这时候显示的窗口叫做R控制台。

举个简单例子，考虑一个标准正态分布，其均值为0且方差为1。如果随机变量X服从这个标准正态分布，那么它的取值将以0为中心，或正或负，平均值为0。现在要生成一个新的随机变量Y=【X】。因为我们已经取了绝对值，Y的值将不会以0为中心，并且Y的均值也将是正值。

下面来计算Y的均值。我们的方法基于模拟N（0，1）分布随机变量的取值∶

> mean(abs(rnorm(100)))[1] 0.7194236

这行代码将会生成100个随机变量，计算它们的绝对值，然后计算它们绝对值的均值。标签【1】表示这行的第一项是输出结果的第一项。在这个例子中，输出结果只有一行（且只有一项），所以标签【1】显得有点多余。但是当输出结果有很多项会占据很多行时，这种标签会很有帮助。例如，输出结果有两行，且每行最多有6项，则第二行将会以标签【7】开头。

>rnorm(10)
[1]-0.6427784-1.046696 -1.4020476 -0.6718250 -0.9590894-0.8684650[7]-0.5974668 0.6877001 1.3577618-2.2794378

在这里，输出结果有10个数值，举例来说，第二行的标签【7】可以让你快速判断出 0.687701是输出结果的第8项。

也可以把R的命令保存在文件里。通常，R代码文件都会有后缀.R或者.r。如果你创建一个名为z.R的文档，可以键入下面的命令来执行该文件中的代码∶

>source("Z.R")

1.1.2 批处理模式

有时候自动处理R会话能带来便利。例如，你可能希望运行一个用来绘图的R脚本，而不需要你亲自启动R来执行脚本，这时就要用批处理模式运行R。

举个例子，文件z.R中是绘图的代码，内容如下∶

 pdf("xh.pdf")# set graphical output file
hist(rnorm(100))# generate 100 N(0,1)variates and plot their histogram dev.off()# close the graphical output file

以#标记的部分是注释，它们会被R解释器忽略掉。注释的作用是以更易读的形式来提示代码的用途。

下面一步步讲解前面代码的作用∶

·调用pdf（）函数告诉R我们想把创建的图形保存在PDF文件xh.pdf中。

·调用morm（）函数（rnorm代表random normal）生成100个服从N（0，1）分布的随机变量。··'对这些随机变量调用hist（）函数生成直方图。

·调用dev.off（）函数关闭正在使用的图形"设备"，也就是本例中的xh.pdf文件。这就是实际上把文件写入磁盘的机制。

我们可以自动运行上面的代码，而不用进入R的交互模式，只需要调用一条操作系统shell命令（例如通常在Linux系统中使用的$命令提示符）来调用R∶