R数据科学

适读人群 ：R数据科学家

R社区领军人物作品，从典型数据科学项目所需工具模型着手，带领读者掌握R语言精华，学会熟练使用多种工具解决各种数据科学难题。

·探索——以可视化作为R编程起点，再进行重要变量选取、筛选关键观测等重要数据操作，并对数据提出问题且找到答案。

·处理——导入、整理并转换数据。

·编程——管道操作的工作原理和替代方式，函数使用规则，如何实现迭代。

·模型——深刻理解模型背后的数学理论和数据，直观认识统计模型工作原理。

·沟通——学会R Markdown，让人们快速轻松理解你的工作。

本书的目标是教会读者使用重要的数据科学工具，从而为实施数据科学奠定坚实的基础。 读完本书后，你将掌握R语言的精华，并能够熟练使用多种工具来解决各种数据科学难题。每一章都按照这样的顺序组织内容：先给出一些引人入胜的示例，以便你可以整体了解这一章的内容，然后再深入细节。本书的每一节都配有习题，以帮助你实践所学到的知识。

本书适合R数据科学家阅读

哈德利·威克姆（Hadley Wickham）， RStudio首席科学家，统计学家，斯坦福大学、奥克兰大学、莱斯大学兼职统计学教授。已被下载数百万次的ggplot2等多款知名R包的开发者，一直致力于让普罗大众更容易上手数据分析，被R社区誉为“改变了R的人”。另著有《R包开发》等书。

加勒特·格罗勒芒德（Garrett Grolemund），RStudio数据科学家，知名R培训师，曾受邀在Google、eBay等诸多公司讲授R语言和数据科学，在DataCamp开授的R相关课程备受R开发者喜爱。另著有《R语言入门与实践》。

译者简介

陈光欣，毕业于清华大学并留校工作，主要兴趣为数据分析与数据挖掘。

前言XV

第一部分探索

第1章使用ggplot2进行数据可视化3

1.1简介3

1.2第一步4

1.2.1mpg数据框4

1.2.2创建ggplot图形5

1.2.3绘图模板5

1.2.4练习6

1.3图形属性映射6

1.4常见问题10

1.5分面11

1.6几何对象13

1.7统计变换18

1.8位置调整21

1.9坐标系25

1.10图形分层语法27

第2章工作流：基础29

2.1代码基础29

2.2对象名称30

2.3函数调用30

第3章使用dplyr进行数据转换33

3.1简介33

3.1.1准备工作33

3.1.2nycflights1333

3.1.3dplyr基础34

3.2使用filter()筛选行35

3.2.1比较运算符36

3.2.2逻辑运算符36

3.2.3缺失值37

3.2.4练习38

3.3使用arrange()排列行39

3.4使用select()选择列40

3.5使用mutate()添加新变量42

3.5.1常用创建函数43

3.5.2练习45

3.6使用summarize()进行分组摘要46

3.6.1使用管道组合多种操作46

3.6.2缺失值48

3.6.3计数49

3.6.4常用的摘要函数52

3.6.5按多个变量分组56

3.6.6取消分组57

3.6.7练习57

3.7分组新变量（和筛选器）58

第4章工作流：脚本60

4.1运行代码61

4.2RStudio自动诊断61

第5章探索性数据分析63

5.1简介63

5.2问题64

5.3变动64

5.3.1对分布进行可视化表示65

5.3.2典型值67

5.3.3异常值69

5.3.4练习70

5.4缺失值71

5.5相关变动72

5.5.1分类变量与连续变量72

5.5.2两个分类变量77

5.5.3两个连续变量79

5.6模式和模型82

5.7ggplot2调用84

5.8更多学习资源85

第6章工作流：项目86

6.1什么是真实的86

6.2你的分析位于哪里87

6.3路径与目录88

6.4RStudio项目88

6.5小结90

第二部分数据处理

第7章使用tibble实现简单数据框93

7.1简介93

7.2创建tibble93

7.3对比tibble与data.frame95

7.3.1打印95

7.3.2取子集96

7.4与旧代码进行交互96

第8章使用readr进行数据导入98

8.1简介98

8.2入门98

8.2.1与R基础包进行比较100

8.2.2练习101

8.3解析向量101

8.3.1数值102

8.3.2字符串103

8.3.3因子105

8.3.4日期、日期时间与时间105

8.3.5练习107

8.4解析文件107

8.4.1策略107

8.4.2问题108

8.4.3其他策略110

8.5写入文件112

8.6其他类型的数据113

第9章使用dplyr处理关系数据114

9.1简介114

9.2nycflights13115

9.3键117

9.4合并连接119

9.4.1理解连接120

9.4.2内连接121

9.4.3外连接121

9.4.4重复键122

9.4.5定义键列124

9.4.6练习125

9.4.7其他实现方式126

9.5筛选连接127

9.6连接中的问题129

9.7集合操作130

第10章使用stringr处理字符串131

10.1简介131

10.2字符串基础131

10.2.1字符串长度132

10.2.2字符串组合133

10.2.3字符串取子集133

10.2.4区域设置134

10.2.5练习134

10.3使用正则表达式进行模式匹配135

10.3.1基础匹配135

10.3.2练习136

10.3.3锚点136

10.3.4练习137

10.3.5字符类与字符选项137

10.3.6练习138

10.3.7重复138

10.3.8练习139

10.3.9分组与回溯引用140

10.3.10练习140

10.4工具140

10.4.1匹配检测142

10.4.2练习143

10.4.3提取匹配内容144

10.4.4练习145

10.4.5分组匹配145

10.4.6练习147

10.4.7替换匹配内容147

10.4.8练习147

10.4.9拆分147

10.4.10练习149

10.4.11定位匹配内容149

10.5其他类型的模式149

10.6正则表达式的其他应用152

10.7stringi152

第11章使用forcats处理因子154

11.1简介154

11.2创建因子154

11.3综合社会调查156

11.4修改因子水平157

第12章使用lubridate处理日期和时间160

12.1简介160

12.2创建日期或时间161

12.2.1通过字符串创建161

12.2.2通过各个成分创建162

12.2.3通过其他类型数据创建164

12.2.4练习165

12.3日期时间成分165

12.3.1获取成分165

12.3.2舍入168

12.3.3设置成分168

12.3.4练习170

12.4时间间隔170

12.4.1时期170

12.4.2阶段171

12.4.3区间173

12.4.4小结173

12.4.5练习174

12.5时区174

第三部分编程

第13章使用magrittr进行管道操作179

13.1简介179

13.2管道的替代方式179

13.2.1中间步骤180

13.2.2重写初始对象181

13.2.3函数组合181

13.2.4使用管道182

13.3不适合使用管道的情形183

13.4magrittr中的其他工具183

第14章函数185

14.1简介185

14.2什么时候应该使用函数186

14.3人与计算机的函数188

14.4条件执行190

14.4.1条件191

14.4.2多重条件192

14.4.3代码风格192

14.4.4练习193

14.5函数参数194

14.5.1选择参数名称195

14.5.2检查参数值195

14.5.3点点点（...）197

14.5.4惰性求值197

14.5.5练习198

14.6返回值198

14.6.1显式返回语句198

14.6.2使得函数支持管道199

14.7环境200

第15章向量201

15.1简介201

15.2向量基础202

15.3重要的原子向量203

15.3.1逻辑型203

15.3.2数值型203

15.3.3字符型204

15.3.4缺失值204

15.3.5练习204

15.4使用原子向量205

15.4.1强制转换205

15.4.2检验函数206

15.4.3标量与循环规则206

15.4.4向量命名208

15.4.5向量取子集208

15.4.6练习209

15.5递归向量（列表）210

15.5.1列表可视化211

15.5.2列表取子集211

15.5.3调料列表212

15.5.4练习214

15.6特性214

15.7扩展向量216

15.7.1因子216

15.7.2日期和日期时间216

15.7.3tibble217

15.7.4练习218

第16章使用purrr实现迭代219

16.1简介219

16.2for循环220

16.3for循环的变体222

16.3.1修改现有对象222

16.3.2循环模式223

16.3.3未知的输出长度223

16.3.4未知的序列长度224

16.3.5练习225

16.4for循环与函数式编程226

16.5映射函数228

16.5.1快捷方式229

16.5.2R基础包230

16.5.3练习231

16.6对操作失败的处理231

16.7多参数映射233

16.8游走函数236

16.9for循环的其他模式237

16.9.1预测函数237

16.9.2归约与累计238

16.9.3练习239

第四部分模型

第17章使用modelr实现基础模型243

17.1简介243

17.2一个简单模型244

17.3模型可视化250

17.3.1预测250

17.3.2残差252

17.3.3练习253

17.4公式和模型族254

17.4.1分类变量255

17.4.2交互项（连续变量与分类变量）256

17.4.3交互项（两个连续变量）259

17.4.4变量转换261

17.4.5练习264

17.5缺失值264

17.6其他模型族265

第18章模型构建266

18.1简介266

18.2为什么质量差的钻石更贵267

18.2.1价格与重量268

18.2.2一个更复杂的模型271

18.2.3练习273

18.3哪些因素影响了每日航班数量273

18.3.1一周中的每一天274

18.3.2季节性星期六效应277

18.3.3计算出的变量280

18.3.4年度时间：另一种方法281

18.3.5练习282

18.4学习更多模型知识282

第19章使用purrr和broom处理多个模型284

19.1简介284

19.2列表列285

19.3创建列表列286

19.3.1使用嵌套286

19.3.2使用向量化函数287

19.3.3使用多值摘要288

19.3.4使用命名列表288

19.3.5练习289

19.4简化列表列290

19.4.1列表转换为向量290

19.4.2嵌套还原291

19.4.3练习292

19.5使用broom生成整洁数据292

第五部分沟通

第20章RMarkdown295

20.1简介295

20.2RMarkdown基础295

20.3使用Markdown格式化文本298

20.4代码段299

20.4.1代码段名称300

20.4.2代码段选项300

20.4.3表格301

20.4.4缓存301

20.4.5全局选项302

20.4.6内联代码303

20.4.7练习303

20.5排错304

20.6YAML文件头304

20.6.1文档参数304

20.6.2参考文献与引用306

20.7更多学习资源307

第21章使用ggplot2进行图形化沟通308

21.1简介308

21.2标签309

21.3注释311

21.4标度316

21.4.1坐标轴刻度与图例项目316

21.4.2图例布局318

21.4.3标度替换320

21.4.4练习324

21.5缩放325

21.6主题326

21.7保存图形328

21.7.1图形大小328

21.7.2其他重要选项330

21.8更多学习资源330

第22章RMarkdown输出类型331

22.1简介331

22.2输出选项332

22.3文档332

22.4笔记本333

22.5演示文稿333

22.6仪表盘334

22.7交互元素335

22.7.1htmlwidgets335

22.7.2Shiny336

22.8网站337

22.9其他类型338

22.10更多学习资源338

第23章RMarkdown工作流339

作者简介341

封面简介341

“Hadley Wickham是数据科学领域内的传奇人物，发明了一套全新的数据分析方法。他与Garrett Grolemund合著的这本书详细阐明了这种新方法，被数据分析者奉为圣经。”

——Roger D. Peng，约翰霍普金斯大学教授

“建议初次接触R的人都看看这本书中的R代码。作者详细说明了在R中处理数据的基本原则。”

——J.J.Allaire，RStudio创始人、CEO