0.2 R语言与数据科学

0.2.1　什么是数据科学

数据科学是综合了统计学、计算机科学和领域知识的交叉学科，其基本内容就是用数据的方法研究科学，用科学的方法研究数据。数据科学与当前热门的人工智能、数据挖掘、机器学习、深度学习、大数据之间的关系，如图0.3所示。

图0.3　数据科学的位置

Hadley Wickham定义了数据科学的工作流程，如图0.4所示，即数据导入、数据清洗、数据变换、数据可视化、数据建模以及文档沟通，整个分析和探索过程，我们应当训练这样的数据思维。

图0.4　数据科学的工作流程

0.2.2　什么是R语言

1992年，新西兰奥克兰大学统计学教授Ross Ihaka和Robert Gentleman，为了便于给学生教授统计学课程，设计并开发了R语言（他们名字的首字母都是R）。

● R语言发展过程中的重要事件：

❏ 2000年，R 1.0.0发布；

❏ 2005年，ggplot2包（2018.8—2019.8下载量超过1.3亿次）；

❏ 2016年，Rstudio公司推出tidyverse包（数据科学当前最新R包）；

❏ 2022年，R 4.1.2发布，目前CRAN上的R包数量为18985，近两年增速明显加快。

TIOBE是世界级的编程语言排行榜，能够反映编程语言的火热程度。这几年Python排名一路飙升，甚至冲到了第一。R语言属于统计分析语言，近年一直在10至20名之间徘徊，曾经短暂地冲到过第8名（2020年8月）。2022年12月，排名第11位，如图0.5所示。

图0.5　TIOBE最新编程语言排名

IEEE Spectrum发布的2021年度编程语言排行榜，从涵盖社交网站、开源代码网站和求职网站的8个信息源：CareerBuilder、GitHub、Google、Hacker News、IEEE、Reddit、Stack Overflow和Twitter，按照11个指标收集数据，最终得到了数十种编程语言流行度的整体排名，如图0.6所示。

图0.6　IEEE Spectrum 2021年度编程语言排行榜

2019年权威机构KDnuggets做过调研，调研结果显示数据科学领域最受欢迎的编程语言包括Python和R：

● Python更全能，适合将来做程序员或在企业工作；

● R语言更侧重数据统计分析，适合将来做科研学术。

R语言是用于统计分析、图形表示和报告的编程语言：

● R语言是统计学家开发的，为统计计算、数据分析和可视化而设计；

● R语言适合做数据处理和数据建模（数据预处理、数据探索性分析、识别数据隐含的模式、数据可视化）。

R语言的优势如下：

● 免费且开源，软件体量小，可以根据需要安装扩展包，兼容各种常见操作系统，有强大且活跃的社区；

● 专门为统计和数据分析开发的语言，有丰富的扩展包；

● 拥有顶尖水准的制图功能；

● 面向对象和函数，比Python简单易学。

● 在热门的机器学习领域，有足以媲美Python的sklearn机器学习库的R机器学习包mlr3verse或tidymodels（参见附录F）。

0.2.3　改变了R的人

Hadley Wickham博士是为统计应用领域做出过突出贡献的统计学家，被称为改变了R的人，图0.7所示的是著名的R语言专家—Hadley Wickham。

图0.7　R语言专家—Hadley Wickham

2019年，在国际统计学年会上，Hadley被授予COPSS奖，该奖项是国际统计学领域的最高奖项，被誉为“统计学界的诺贝尔奖”。他现在是Rstudio首席科学家，同时也是奥克兰大学、斯坦福大学和赖斯大学的统计系兼职教授。为了使数据科学更简洁、高效、有趣，他编写了大量知名的R包，主要包括下面这些。

● 数据科学相关的包tidyverse

❏ ggplot2用于数据可视化。

❏ dplyr用于数据操作。

❏ tidyr用于数据清洗。

❏ stringr用于处理字符串。

❏ lubridate用于处理日期时间。

● 数据导入相关的包

❏ readr用于读入.csv/fwf文件。

❏ readxl用于读入.xls/.xlsx文件。

❏ haven用于读入SAS/SPSS/Stata文件。

❏ httr用于与Web交互的APIs。

❏ rvest用于网页爬虫。

❏ xml2用于读入XML文件。

● R开发工具

❏ devtools用于开发R包。

❏ roxygen2用于生成内联（in-line）文档。

❏ testthat用于单元测试。

❏ pkgdown用于创建美观的包网页。

Hadley还出版过一系列图书，包括：

● 《R数据科学》（R for Data Science）介绍用R做数据科学的关键工具。

● 《ggplot2：数据分析与图形艺术》（ggplot2: Elegant Graphics for Data Analysis）展示如何使用ggplot2创建有助于理解数据的图形。

● 《高级R语言编程指南》（Advanced R）帮助你掌握R语言，以及使用R语言的深层技巧。

● 《R包开发》（R Packages）讲授良好的R软件项目实践，科学地创建R包：打包文件、生成文档、测试代码。