10个令人相见恨晚的R语言包-36大数据

作者：yhat

摘要： 这篇文章是我喜欢和每天使用的10个包，并且我希望自己能早些知道他们。

和其他语言（比如Python和Java）相比，R可以更模糊和麻烦。好消息是，有大量的包可以在R基础库上提供简单和熟悉的界面。这篇文章是我喜欢和每天使用的10个包，并且我希望自己能早些知道他们。

1 sqldf

R语言学习曲线中最陡峭的一部分就是语法，我花了一段时间才习惯使用<-代替=。我听到很多人问 如何实现 VLOOKUP?!?R 对于一般的数据粗加工任务非常有用，但需要一段时间才能掌握。可以认为sqldf是我的R”辅助轮子”。

sqldf让你在R数据框上执行SQL查询。来自SAS的人会发现它非常熟悉，任何具有基本SQL技能的人都可以轻松的使用它—sqldf使用SQLite语法 。

				install.packages("sqldf")
				library(sqldf)
				sqldf("SELECT
				day
				, avg(temp) as avg_temp
				FROM beaver2
				GROUP BY
				day;")
				#   day avg_temp
				#1 307 37.57931
				#2 308 37.71308
				#beavers1 和 beavers2 是R base 自带的两个数据集，记录了两种海狸的体温序列
				beavers <- sqldf("select * from beaver1
				union all
				select * from beaver2;")
				#head(beavers)
				#  day time  temp activ
				#1 346  840 36.33     0
				#2 346  850 36.34     0
				#3 346  900 36.35     0
				#4 346  910 36.42     0
				#5 346  920 36.55     0
				#6 346  930 36.69     0
				movies <- data.frame(
				title=c("The Great Outdoors", "Caddyshack", "Fletch", "Days of Thunder", "Crazy Heart"),
				year=c(1988, 1980, 1985, 1990, 2009)
				)
				boxoffice <- data.frame(
				title=c("The Great Outdoors", "Caddyshack", "Fletch", "Days of Thunder","Top Gun"),
				revenue=c(43455230, 39846344, 59600000, 157920733, 353816701)
				)
				sqldf("SELECT
				m.*
				, b.revenue
				FROM
				movies m
				INNER JOIN
				boxoffice b
				ON m.title = b.title;")
				#               title year   revenue
				#1 The Great Outdoors 1988  43455230
				#2         Caddyshack 1980  39846344
				#3             Fletch 1985  59600000
				#4    Days of Thunder 1990 157920733
			

如果你喜欢sqldf，可以使用pandasql 包来查询pandas 中的DataFrame，通过SQL。

2 forecast

我不经常做时间序列分析，但是当我做的时候forecast包是我的选择。forecast对ARIMA，ARMA，AR，指数平滑等时间序列模型的预测简单的令人难以置信。

				install.packages("forecast")
				library(forecast)
				# mdeaths: 英国每月死于肺病的人数
				fit <- auto.arima(mdeaths)
				#定制你的置信区间
				forecast(fit, level=c(80, 95, 99), h=3)
				#         Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95    Lo 99    Hi 99
				#Jan 1980       1822.863 1564.192 2081.534 1427.259 2218.467 1302.952 2342.774
				#Feb 1980       1923.190 1635.530 2210.851 1483.251 2363.130 1345.012 2501.368
				#Mar 1980       1789.153 1495.048 2083.258 1339.359 2238.947 1198.023 2380.283
				plot(forecast(fit), shadecols="oldstyle")
			

我最喜欢的特性是产生预测的时序图。

3 plyr

当我第一次使用R时，我用基本的控制运算来操纵数据(for, if, while, etc.)。我很快知道这是一个业余的做法，并且有更好的方法去实现。

在R中，apply函数族 是在对列表或者向量每个元素调用函数的首选方法。虽然R基础库中有这些函数，但它们的使用可能难以掌握。我发现plyr包  是一个对R基础库中诸如split, apply, combine的泛函的更好用的替代。

plyr 给予你一些函数 (ddply, daply, dlply, adply, ldply)按照常见的蓝图：将数据结构分组拆分，对每个组应用一个函数，将结果返回到数据结构中。

ddply 拆分一个数据框(data frame)并且返回一个数据框 (所以是 dd)。 daply 拆分一个数据框并且返回一个数组(array) (所以是 da)。希望你明白这个想法。

				install.packages("plyr")
				library(plyr)
				# 按照 Species 拆分数据库，汇总一下，然后转换结果
				# 到数据框
				ddply(iris, .(Species), summarise,
				mean_petal_length=mean(Petal.Length)
				)
				#     Species mean_petal_length
				#1     setosa             1.462
				#2 versicolor             4.260
				#3  virginica             5.552
				# 按照 Species 拆分数据库，汇总一下，然后转换结果
				# 到数组
				unlist(daply(iris[,4:5], .(Species), colwise(mean)))
				#    setosa.Petal.Width versicolor.Petal.Width  virginica.Petal.Width
				#                 0.246                  1.326                  2.026
			

4 stringr

我发现R基础库的字符串功能使用起来非常困难和麻烦。Hadley Wickham 编写的另一个包， stringr，提供了一些非常需要的字符串运算符。很多函数使用那些做基础分析时不常用的数据结构。

stringr 非常易于使用。几乎所有的（和所有的重要功能）都以”str”为前缀，所以很容易记住。

				install.packages("stringr")
				library(stringr)
				names(iris)
				#[1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"  "Species"
				names(iris) <- str_replace_all(names(iris), "[.]", "_")
				names(iris)
				#[1] "Sepal_Length" "Sepal_Width"  "Petal_Length" "Petal_Width"  "Species"
				s <- c("Go to Heaven for the climate, Hell for the company.")
				str_extract_all(s, "[H][a-z]+ ")
				#[[1]]
				#[1] "Heaven " "Hell "
			

5 数据库驱动的包

				install.packages("RPostgreSQL")
				install.packages("RMySQL")
				install.packages("RMongo")
				install.packages("RODBC")
				install.packages("RSQLite")
			

每个人（包括我自己）开始的时候都会这样做。你刚在首选的SQL编辑器中写了一个很棒的查询。一切都是完美的—列名都是snake case （译者注：表示单词之间用下划线连接。单词要么全部大写，要么全部小写。），日期有正确的数据类型，最后调试出了”must appear in the GROUP BY clause or be used in an aggregate function”的问题。你现在准备在R中进行一些分析，因此你可以在SQL编辑器中运行查询，将结果复制到csv（或者……xlsx）并读入R， 你并不需要这样做！

R对于几乎每一个可以想到的数据库都有好的驱动。当你在偶尔使用不具有独立驱动程序的数据库（SQL Server）时，你可以随时使用RODBC。

				library(RPostgreSQL)
				drv <- dbDriver("PostgreSQL")
				db <- dbConnect(drv, dbname="ncaa",
				user="YOUR USER NAME", password="YOUR PASSWORD")
				q <- "SELECT
				*
				FROM
				game_scores;"
				data <- dbGetQuery(db, q)
				head(data)
				#id         school  game_date spread school_score   opponent opp_score was_home
				#1 45111 Boston College 1985-11-16    6.0           21   Syracuse        41    False
				#2 45112 Boston College 1985-11-02   13.5           12 Penn State        16    False
				#3 45113 Boston College 1985-10-26  -11.0           17 Cincinnati        24    False
				#4 45114 Boston College 1985-10-12   -2.0           14       Army        45    False
				#5 45115 Boston College 1985-09-28    5.0           10      Miami        45     True
				#6 45116 Boston College 1985-09-21    6.5           29 Pittsburgh        22    False
				nrow(data)
				#[1] 30932
				ncol(data)
				#[1] 8
			

下次你完成了完美的查询后，只需要粘贴到R里面，即可使用 RPostgreSQL , RMySQL , RMongo , SQLite , 或 RODBC执行。不仅可以避免生成数以百计的CSV文件，在R中运行查询还可以节省I/O和转换数据类型的时间。日期，时间等会自动设置为R中的等价表示。它还使你的R脚本可重复，因此你或你团队中的其他人可以轻松获得相同的结果。

6 lubridate

在R中处理日期我从来没有幸运过。我从来没有完全掌握用POSIXs 和R内建日期类型合作的方法。请用 lubridate 。

lubridate 是那些似乎完全按照你期望的神包之一。这些函数都有易懂的名字如 year, month, ymd, 和 ymd_hms。对于熟悉javascript的人来说，它类似于Moment.js  。

				install.packages("lubridate")
				library(lubridate)
				year("2012-12-12")
				#[1] 2012
				day("2012-12-12")
				#[1] 12
				ymd("2012-12-12")
				#1 按照 %Y-%m-%d 的方式解析
				#[1] "2012-12-12 UTC"
			

这是我在一篇 文章 发现的非常方便的参考卡片。它涵盖了你处理日期时可能想要做的一切事情。 我还发现了这个 日期速查表 也可以作为一个方便的参考。

7 ggplot2

另一个Hadley Wickham的包，也许是他最知名的一个。 ggplot2在每个人“喜爱的R包”的列表中排名很高。 它很容易使用，并且产生一些很好看的图像。 这是介绍你的工作的好方法，有很多资源可以帮助你开始使用。

ggplot2：数据分析与图形艺术 by Hadley Wickham (Amazon)
从Excel到ggplot的罗塞塔石碑 (Yaksis Blog)
Hadley Wickham在Google的ggplot2演讲 (youtube)
R数据可视化手册 by Winston Chang (Amazon)

8 qcc

				install.packages("qcc")
				library(qcc)
				# 均值为10的序列，加上白噪声
				x <- rep(10, 100) + rnorm(100)
				# 测试序列，均值为11
				new.x <- rep(11, 15) + rnorm(15)
				# qcc 会标记出新的点
				qcc(x, newdata=new.x, type="xbar.one")
			

qcc 是用于 统计质量控制 的库。 早在上世纪五十年代，现已不复存在的西方电气公司 正在寻找一种更好检测电话线和电线问题的方法。他们提出了一系列 规则  来帮助识别有问题的线。规则观察一系列数据点的历史平均值，并且基于标准差的偏差，该规则有助于判断一组新的点是否经历均值漂移。

典型的例子是监控生产 螺母 的机器。假设机器应该生产2.5英寸长的螺母。我们测量一系列的螺母： 2.48, 2.47, 2.51, 2.52, 2.54, 2.42, 2.52, 2.58, 2.51。机器出故障了吗？很难说，但上述规则可以帮助描述。

虽然你可能不会监控电话线，qcc可帮你监控你网站的交易量，数据库的访问者或者登录名，以及其他许多流程。

9 reshape2

我经常发现，任何分析中最难的部分是把数据转化成正确的格式。 reshape2 正是Hadley Wickham的另一个软件包，专门用于 “宽”数据表  和“窄”数据表  的转换。我一般会和 ggplot2 及 plyr一起使用它。

				install.packages("reshape2")
				library(reshape2)
				# 为每一行生成唯一的ID; 这样我们可以稍后转回到宽格式
				iris$id <- 1:nrow(iris)
				iris.lng <- melt(iris, id=c("id", "Species"))
				head(iris.lng)
				#  id Species     variable value
				#1  1  setosa Sepal.Length   5.1
				#2  2  setosa Sepal.Length   4.9
				#3  3  setosa Sepal.Length   4.7
				#4  4  setosa Sepal.Length   4.6
				#5  5  setosa Sepal.Length   5.0
				#6  6  setosa Sepal.Length   5.4
				iris.wide <- dcast(iris.lng, id + Species ~ variable)
				head(iris.wide)
				#  id Species Sepal.Length Sepal.Width Petal.Length Petal.Width
				#1  1  setosa          5.1         3.5          1.4         0.2
				#2  2  setosa          4.9         3.0          1.4         0.2
				#3  3  setosa          4.7         3.2          1.3         0.2
				#4  4  setosa          4.6         3.1          1.5         0.2
				#5  5  setosa          5.0         3.6          1.4         0.2
				#6  6  setosa          5.4         3.9          1.7         0.4
				library(ggplot2)
				# 为数据集中每个数值列绘制直方图
				p <- ggplot(aes(x=value, fill=Species), data=iris.lng)
				p + geom_histogram() +
				facet_wrap(~variable, scales="free")
			

这是一个快速查看数据集并且获得转接的方法。你可以使用 melt 函数将宽数据转换为窄数据， 使用 dcast 将窄数据转换为宽数据。

10 randomForest

如果这个列表不包括至少一个能让你的朋友震惊 的机器学习包就不会完整。随机森林  是一个很好的算法。它很容易使用，可以进行监督学习或者无监督学习，它可以与许多不同类型的数据集一起使用，但最重要的是 它的高效率！ 这是它在R中的使用方法。

				install.packages("randomForest")
				library(randomForest)
				# 下载泰坦尼克号幸存者数据集
				data <- read.table("http://math.ucdenver.edu/RTutorial/titanic.txt", h=T, sep="\t")
				# 将Survived列转为yes/no因子
				data$Survived <- as.factor(ifelse(data$Survived==1, "yes", "no"))
				# 拆分为训练集和测试集
				idx <- runif(nrow(data)) <= .75
				data.train <- data[idx,]
				data.test <- data[-idx,]
				# 训练一个随机森林
				rf <- randomForest(Survived ~ PClass + Age + Sex,
				data=data.train, importance=TRUE, na.action=na.omit)
				# 模型中每个变量的重要程度
				imp <- importance(rf)
				o <- order(imp[,3], decreasing=T)
				imp[o,]
				#             no      yes MeanDecreaseAccuracy MeanDecreaseGini
				#Sex    51.49855 53.30255             55.13458         63.46861
				#PClass 25.48715 24.12522             28.43298         22.31789
				#Age    20.08571 14.07954             24.64607         19.57423
				# 混淆矩阵 [[真反例, 假正例], [假反例, 正正例]]
				table(data.test$Survived, predict(rf, data.test), dnn=list("actual", "predicted"))
				#      predicted
				#actual  no yes
				#   no  427  16
				#   yes 117 195
			

End.

转载请注明来自36大数据（36dsj.com)： 36大数据 » 10个令人相见恨晚的R语言包