安利一下R for Data Science這本書审胸，作為R數(shù)據(jù)處理的神器梭纹。
全文思想就是獲得整潔數(shù)據(jù)（tidydata）捺僻，并進(jìn)行后續(xù)分析和可視化恋技。
學(xué)習(xí)流程
tidydata：每一列都是變量拇舀，每一行都是觀察值
整潔的數(shù)據(jù)非常重要，因?yàn)橐恢碌慕Y(jié)構(gòu)使您可以將精力集中在有關(guān)數(shù)據(jù)的問(wèn)題上蜻底，而不是為了使數(shù)據(jù)以正確的形式針對(duì)不同的功能而奮斗骄崩。
ready
運(yùn)行本書中的代碼，需要四件事：R薄辅，RStudio要拂，稱為tidyverse的R軟件包的集合，以及少數(shù)其他軟件包站楚。包是可復(fù)制R代碼的基本單位脱惰。它們包括可重用的功能，描述如何使用它們的文檔以及示例數(shù)據(jù)窿春。
install.packages("tidyverse")
除非您使用加載軟件包拉一，否則將無(wú)法使用軟件包中的函數(shù)，對(duì)象和幫助文件library()旧乞。安裝軟件包后蔚润，可以使用以下library()功能加載該軟件包：
library(tidyverse)
#> ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.0 ──
#> ? ggplot2 3.3.2 ? purrr 0.3.4
#> ? tibble 3.0.3 ? dplyr 1.0.2
#> ? tidyr 1.1.2 ? stringr 1.4.0
#> ? readr 1.4.0 ? forcats 0.5.0
#> ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
#> ? dplyr::filter() masks stats::filter()
#> ? dplyr::lag() masks stats::lag()
這告訴您tidyverse正在加載ggplot2，tibble尺栖，tidyr嫡纠，readr，purrr和dplyr軟件包延赌。這些被認(rèn)為是tidyverse的核心除盏，因?yàn)槟鷮⒃趲缀跛蟹治鲋卸际褂盟鼈儭?/p>
在本書中，我們將從tidyverse外部使用三個(gè)數(shù)據(jù)包：
install.packages(c("nycflights13", "gapminder", "Lahman"))
這些軟件包提供了有關(guān)航班皮胡，世界發(fā)展和棒球的數(shù)據(jù)痴颊，我們將用它們來(lái)說(shuō)明關(guān)鍵的數(shù)據(jù)科學(xué)思想。
在整本書中屡贺，我們使用一致的約定集來(lái)引用代碼：
函數(shù)采用代碼字體蠢棱，后跟括號(hào)锌杀，如
sum()或mean()。其他R對(duì)象（如數(shù)據(jù)或函數(shù)參數(shù)）采用代碼字體泻仙，不帶括號(hào)糕再，如
flights或x。如果要弄清楚對(duì)象來(lái)自哪個(gè)包玉转，我們將使用包名稱突想，后跟兩個(gè)冒號(hào)，例如
dplyr::mutate()或nycflights13::flights究抓。這也是有效的R代碼猾担。
1.6獲得幫助并了解更多信息
這本書不是一本孤島。沒(méi)有任何一種資源可以使您掌握R刺下。在您開(kāi)始將本書中介紹的技術(shù)應(yīng)用于您自己的數(shù)據(jù)時(shí)绑嘹，您很快就會(huì)發(fā)現(xiàn)我們無(wú)法回答的問(wèn)題。本節(jié)介紹了有關(guān)如何獲取幫助以及幫助您繼續(xù)學(xué)習(xí)的一些技巧橘茉。
如果您遇到困難工腋，請(qǐng)從Google開(kāi)始。通常畅卓，在查詢中添加“ R”足以將其限制在相關(guān)結(jié)果中：如果搜索沒(méi)有用擅腰，則通常意味著沒(méi)有任何特定于R的結(jié)果可用。Google對(duì)于出現(xiàn)錯(cuò)誤消息特別有用翁潘。如果收到錯(cuò)誤消息趁冈，但不知道它是什么意思，請(qǐng)嘗試使用Google搜索唐础。過(guò)去可能有人對(duì)此感到困惑箱歧，并且網(wǎng)絡(luò)上的某些地方會(huì)有所幫助。（如果錯(cuò)誤消息不是英語(yǔ)的一膨，請(qǐng)運(yùn)行Sys.setenv(LANGUAGE = "en")并重新運(yùn)行代碼呀邢；您更有可能找到英語(yǔ)錯(cuò)誤消息的幫助。）
如果Google沒(méi)有幫助豹绪，請(qǐng)嘗試stackoverflow价淌。首先花一點(diǎn)時(shí)間搜索現(xiàn)有的答案，包括[R]將搜索范圍限制在使用R的問(wèn)題和答案上瞒津。如果找不到有用的東西蝉衣，請(qǐng)準(zhǔn)備一個(gè)最小的可復(fù)制示例或reprex。好的代表可以使其他人更輕松地為您提供幫助巷蚪，而且通常您會(huì)在解決問(wèn)題的過(guò)程中自己解決問(wèn)題病毡。
為了使示例可重現(xiàn)，需要包括三件事：所需的程序包屁柏，數(shù)據(jù)和代碼啦膜。
程序包應(yīng)加載到腳本的頂部有送，因此很容易看到示例所需的程序包。現(xiàn)在是檢查每個(gè)軟件包是否使用最新版本的好時(shí)機(jī)僧家。自安裝軟件包以來(lái)雀摘，您可能已經(jīng)發(fā)現(xiàn)了已修復(fù)的錯(cuò)誤。對(duì)于tidyverse中的軟件包八拱，最簡(jiǎn)單的檢查方法是運(yùn)行
tidyverse_update()阵赠。-
在問(wèn)題中包含數(shù)據(jù)的最簡(jiǎn)單方法是使用
dput()生成R代碼來(lái)重新創(chuàng)建它。例如肌稻，要mtcars在R中重新創(chuàng)建數(shù)據(jù)集清蚀，我將執(zhí)行以下步驟：dput(mtcars)在R中運(yùn)行復(fù)制輸出
在我的可復(fù)制腳本中，鍵入
mtcars <-然后粘貼灯萍。
嘗試找到仍能揭示問(wèn)題的最小數(shù)據(jù)子集轧铁。
-
花一點(diǎn)時(shí)間來(lái)確保您的代碼易于他人閱讀：
確保您使用了空格，并且變量名簡(jiǎn)潔明了旦棉，但內(nèi)容豐富。
使用注釋來(lái)指示您的問(wèn)題所在药薯。
盡力刪除與該問(wèn)題無(wú)關(guān)的所有內(nèi)容绑洛。 您的代碼越短，越容易理解童本，也越容易修復(fù)真屯。
通過(guò)開(kāi)始一個(gè)新的R會(huì)話并復(fù)制并粘貼腳本來(lái)檢查您是否確實(shí)制作了一個(gè)可復(fù)制的示例。
您還應(yīng)該花一些時(shí)間為解決問(wèn)題做準(zhǔn)備穷娱。從長(zhǎng)遠(yuǎn)來(lái)看徘铝，每天花一點(diǎn)時(shí)間學(xué)習(xí)R將會(huì)獲得豐厚的回報(bào)磁浇。一種方法是在RStudio博客上關(guān)注Hadley，Garrett和RStudio其他所有人的行為。我們?cè)谶@里發(fā)布有關(guān)新軟件包兆蕉，新IDE功能和現(xiàn)場(chǎng)課程的公告。您可能還希望在Twitter上關(guān)注Hadley（@hadleywickham）或Garrett（@statgarrett）创泄，或者關(guān)注@rstudiotips以跟上IDE中的新功能沪蓬。
為了更廣泛地與R社區(qū)保持聯(lián)系，我們建議閱讀http://www.r-bloggers.com：它匯集了來(lái)自世界各地的500多個(gè)有關(guān)R的博客羞秤。如果您是活躍的Twitter用戶缸托，請(qǐng)遵循（#rstats）標(biāo)簽。Twitter是Hadley用來(lái)跟上社區(qū)的新發(fā)展的主要工具之一瘾蛋。
數(shù)據(jù)可視化
使用ggplot2俐镐，您可以使用函數(shù)開(kāi)始繪圖ggplot()。ggplot()創(chuàng)建一個(gè)可以添加圖層的坐標(biāo)系哺哼。的第一個(gè)參數(shù)ggplot()是要在圖形中使用的數(shù)據(jù)集佩抹。因此叼风，ggplot(data = mpg)創(chuàng)建一個(gè)空?qǐng)D，但這不是很有趣匹摇，因此我將不在這里顯示咬扇。
您可以通過(guò)向中添加一層或多層來(lái)完成圖形ggplot()。該函數(shù)geom_point()在您的繪圖上添加了一層點(diǎn)廊勃，從而創(chuàng)建了一個(gè)散點(diǎn)圖懈贺。ggplot2附帶了許多geom函數(shù)，每個(gè)函數(shù)都會(huì)在繪圖中添加不同類型的圖層坡垫。在本章中梭灿，您將學(xué)到很多。
ggplot2中的每個(gè)geom函數(shù)都有一個(gè)mapping參數(shù)冰悠。這定義了數(shù)據(jù)集中的變量如何映射到視覺(jué)屬性堡妒。的mapping參數(shù)總是與配對(duì)aes()，以及x和y的參數(shù)aes()指定要映射哪些變量的x和y軸溉卓。ggplot2在自data變量（在本例中為）中查找映射的變量mpg皮迟。
3.2.3圖形模板
讓我們將此代碼轉(zhuǎn)換為可重復(fù)使用的模板，以使用ggplot2制作圖形桑寨。要制作圖表伏尼，請(qǐng)將下面代碼中的方括號(hào)部分替換為數(shù)據(jù)集，geom函數(shù)或一組映射尉尾。
ggplot(data = <DATA>) +
<GEOM_FUNCTION>(mapping = aes(<MAPPINGS>))
3.3 增加變量
美學(xué)映射爆阶，第三個(gè)變量
您可以class通過(guò)將其映射到美感來(lái)向二維散點(diǎn)圖添加第三個(gè)變量，例如沙咏。美觀是情節(jié)中對(duì)象的視覺(jué)屬性辨图。美學(xué)包括點(diǎn)的大小，形狀或顏色之類的東西肢藐。您可以通過(guò)更改其美學(xué)屬性的值故河，以不同方式顯示一個(gè)點(diǎn)（如下所示）。由于我們已經(jīng)使用“值”一詞來(lái)描述數(shù)據(jù)窖壕，所以讓我們使用“水平”一詞來(lái)描述美學(xué)特性忧勿。在這里，我們更改點(diǎn)的大小瞻讽，形狀和顏色的級(jí)別鸳吸，以使該點(diǎn)變小，呈三角形或呈藍(lán)色：
gplot2一次只能使用六個(gè)形狀速勇。默認(rèn)情況下晌砾，使用形狀美學(xué)時(shí)，其他組將不作圖烦磁。
對(duì)于每種美學(xué)养匈，您都aes()可以將美學(xué)名稱與要顯示的變量相關(guān)聯(lián)哼勇。該aes()函數(shù)將圖層使用的每個(gè)美學(xué)映射收集在一起，并將其傳遞給圖層的映射參數(shù)呕乎。語(yǔ)法突出顯示了有關(guān)x和的有用見(jiàn)解y：點(diǎn)的x和y本身就是美觀积担，可視化的屬性，您可以將其映射到變量以顯示有關(guān)數(shù)據(jù)的信息猬仁。
一旦繪制了美學(xué)圖帝璧，ggplot2就會(huì)處理其余的工作。它選擇了一個(gè)合理的比例以配合美學(xué)湿刽，并構(gòu)造了一個(gè)圖例來(lái)解釋級(jí)別和值之間的映射的烁。對(duì)于x和y美學(xué)，ggplot2不會(huì)創(chuàng)建圖例诈闺，但會(huì)創(chuàng)建帶有刻度線和標(biāo)簽的軸線渴庆。軸線充當(dāng)圖例；它說(shuō)明了位置和值之間的映射雅镊。
手動(dòng)更改圖形的美學(xué)屬性
還可以手動(dòng)設(shè)置幾何圖形的美學(xué)屬性襟雷。例如，我們可以將圖中的所有點(diǎn)設(shè)為藍(lán)色：
ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy), color = "blue")
在這里仁烹，顏色不會(huì)傳達(dá)有關(guān)變量的信息嗤军，而只會(huì)改變圖形的外觀。要手動(dòng)設(shè)置美學(xué)晃危，請(qǐng)按名稱將美學(xué)設(shè)置為geom函數(shù)的參數(shù)；即它去外面的aes()老客。您需要選擇一種對(duì)于這種美學(xué)有意義的水平：
顏色的名稱僚饭，作為字符串。
點(diǎn)的大小胧砰，以毫米為單位鳍鸵。
點(diǎn)的形狀為數(shù)字，如圖3.1所示尉间。
R具有25個(gè)內(nèi)置的形狀偿乖，這些形狀由數(shù)字標(biāo)識(shí)。 有一些看似重復(fù)的對(duì)象：例如哲嘲，0贪薪，15和22都是正方形。 區(qū)別來(lái)自“顏色”和“填充”美學(xué)的相互作用眠副。 空心形狀（0--14）的邊界由“ colour”確定画切； 實(shí)心形狀（15--20）填充有“顏色”； 填充的形狀（21--24）的邊界為“顏色”囱怕，并填充為“填充”霍弹。
3.4常見(jiàn)問(wèn)題
當(dāng)您開(kāi)始運(yùn)行R代碼時(shí)毫别，您可能會(huì)遇到問(wèn)題。
首先典格，將您正在運(yùn)行的代碼與本書中的代碼進(jìn)行仔細(xì)比較岛宦。R非常挑剔，并且放錯(cuò)位置的字符可能會(huì)有所不同耍缴。確保每個(gè)(都與匹配砾肺，)每個(gè)"都與另一個(gè)配對(duì)"。有時(shí)私恬，您將運(yùn)行代碼债沮，但沒(méi)有任何反應(yīng)。檢查控制臺(tái)的左側(cè)：如果是a +本鸣，則表示R認(rèn)為您沒(méi)有鍵入完整的表達(dá)式疫衩，它正在等待您完成它。在這種情況下荣德，按ESCAPE中止當(dāng)前命令的處理通常很容易從頭開(kāi)始闷煤。
創(chuàng)建ggplot2圖形時(shí)，一個(gè)常見(jiàn)的問(wèn)題是將放在+錯(cuò)誤的位置：它必須出現(xiàn)在行的末尾涮瞻，而不是開(kāi)始鲤拿。換句話說(shuō)，請(qǐng)確保您沒(méi)有意外地編寫如下代碼：
ggplot(data = mpg)
+ geom_point(mapping = aes(x = displ, y = hwy))
如果仍然遇到問(wèn)題署咽，請(qǐng)嘗試幫助近顷。通過(guò)?function_name在控制臺(tái)中運(yùn)行，或選擇函數(shù)名稱并在RStudio中按F1宁否，可以獲得有關(guān)任何R函數(shù)的幫助窒升。如果幫助看起來(lái)沒(méi)有幫助，請(qǐng)不要擔(dān)心-而是跳到示例并查找與您要執(zhí)行的操作匹配的代碼慕匠。
如果這樣做沒(méi)有幫助饱须，請(qǐng)仔細(xì)閱讀錯(cuò)誤消息。當(dāng)然台谊，搜索引擎更是一大利器蓉媳，多搜索，會(huì)得到想要的答案锅铅。
3.5子圖
添加其他變量的一種方法是圖形美學(xué)酪呻。另一種對(duì)分類變量特別有用的方法是將繪圖劃分為構(gòu)面（子圖），每個(gè)子圖顯示數(shù)據(jù)的一個(gè)子集狠角。
要通過(guò)單個(gè)變量對(duì)圖進(jìn)行分面号杠，請(qǐng)使用facet_wrap()。的第一個(gè)參數(shù)facet_wrap()應(yīng)該是公式，在公式中創(chuàng)建~后跟一個(gè)變量名（此處的“公式”是R中數(shù)據(jù)結(jié)構(gòu)的名稱姨蟋，而不是“等式”的同義詞）屉凯。您傳遞給的變量facet_wrap()應(yīng)該是離散的。
ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy)) +
facet_wrap(~ class, nrow = 2)
要在兩個(gè)變量的組合上顯示眼溶，請(qǐng)?zhí)砑?code>facet_grid()到情節(jié)調(diào)用中悠砚。的第一個(gè)參數(shù)facet_grid()也是一個(gè)公式。這次堂飞，公式應(yīng)包含兩個(gè)變量名灌旧，并用a分隔~。
ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy)) +
facet_grid(drv ~ cyl)
如果您不希望在行或列維中不使用構(gòu)面绰筛，請(qǐng)使用a.代替變量名枢泰，例如 + facet_grid(. ~ cyl)。
3.6幾何對(duì)象
兩個(gè)圖都包含相同的x變量铝噩，相同的y變量衡蚂，并且都描述相同的數(shù)據(jù)。但是情節(jié)并不相同骏庸。每個(gè)圖都使用不同的視覺(jué)對(duì)象來(lái)表示數(shù)據(jù)毛甲。用ggplot2語(yǔ)法，我們說(shuō)它們使用不同的geoms具被。
geom是繪圖中用來(lái)表示數(shù)據(jù)的幾何對(duì)象玻募。人們通常根據(jù)地塊使用的幾何類型來(lái)描述地塊。例如一姿，bar charts use bar geoms, line charts use line geoms, boxplots use boxplot geoms, and so on.散點(diǎn)圖打破了趨勢(shì)七咧。他們使用點(diǎn)幾何。如上所述叮叹，您可以使用不同的幾何圖形來(lái)繪制相同的數(shù)據(jù)坑雅。上側(cè)的圖使用點(diǎn)幾何，而下側(cè)的圖使用平滑幾何衬横，即擬合數(shù)據(jù)的平滑線。
要更改繪圖中的幾何圖形终蒂，請(qǐng)更改添加到的幾何圖形功能ggplot()蜂林。例如，要繪制上面的圖拇泣，可以使用以下代碼：
# up
ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy))
# down
ggplot(data = mpg) +
geom_smooth(mapping = aes(x = displ, y = hwy))
要在同一圖中顯示多個(gè)幾何圖形噪叙，請(qǐng)將多個(gè)幾何圖形功能添加到ggplot()：
ggplot(data = mpg) +
geom_point(mapping = aes(x = displ, y = hwy)) +
geom_smooth(mapping = aes(x = displ, y = hwy))
進(jìn)階：但是，這在我們的代碼中引入了一些重復(fù)霉翔。想象一下睁蕾，如果您想將y軸更改為cty而不是hwy。您需要在兩個(gè)地方更改變量，而您可能忘記更新一個(gè)子眶。您可以通過(guò)將一組映射傳遞到來(lái)避免這種重復(fù)ggplot()瀑凝。ggplot2會(huì)將這些映射視為適用于圖中每個(gè)geom的全局映射。換句話說(shuō)臭杰，此代碼將產(chǎn)生與先前代碼相同的圖：
ggplot(data = mpg) +
geom_point() +
geom_smooth()
如果將映射放置在geom函數(shù)中粤咪，則ggplot2會(huì)將其視為該圖層的本地映射。它將僅使用這些映射來(lái)擴(kuò)展或覆蓋該層的全局映射渴杆。這使得可以在不同的層中顯示不同的圖形寥枝。
geom_point(mapping = aes(color = class)) +
geom_smooth()
??geom
練習(xí)
#在腦海中運(yùn)行這段代碼，并預(yù)測(cè)輸出結(jié)果磁奖。然后囊拜，在R中運(yùn)行代碼并檢查您的預(yù)測(cè)。
ggplot(data = mpg, mapping = aes(x = displ, y = hwy, color = drv)) +
geom_point() +
geom_smooth(se = FALSE)
ggplot(data = mpg) +
geom_smooth(
mapping = aes(x = displ, y = hwy, color = drv),
show.legend = FALSE #不添加標(biāo)簽 )
#這兩圖是否一致
ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
geom_point() +
geom_smooth()
ggplot() +
geom_point(data = mpg, mapping = aes(x = displ, y = hwy)) +
geom_smooth(data = mpg, mapping = aes(x = displ, y = hwy))
重新創(chuàng)建生成以下圖形所需的R代碼比搭。
3.7統(tǒng)計(jì)轉(zhuǎn)換
接下來(lái)冠跷，讓我們看一下條形圖。條形圖看起來(lái)很簡(jiǎn)單敢辩，但是它們很有趣蔽莱，因?yàn)樗鼈兘沂玖艘恍╆P(guān)于圖的細(xì)微之處∑莩ぃ考慮使用繪制的基本條形圖geom_bar()盗冷。下圖顯示了diamonds數(shù)據(jù)集中的鉆石總數(shù)，按分組cut同廉。該diamonds數(shù)據(jù)集進(jìn)來(lái)GGPLOT2仪糖，并包含?54000顆鉆石，其中包括信息price迫肖，carat锅劝，color，clarity蟆湖，和cut每顆鉆石的故爵。圖表顯示，高質(zhì)量切割的鉆石比低質(zhì)量切割的鉆石更多隅津。
ggplot(data = diamonds) +
geom_bar(mapping = aes(x = cut))
