Изучите R за 10 минут
R — это мощный язык программирования и среда для статистических вычислений, анализа данных и визуализации. Это руководство охватывает основные концепции, которые помогут вам начать программировать на R.
1. Начало работы с R
Начнем с простой программы. Откройте R или RStudio и введите следующий код:
print("Hello, World!")
Вы также можете запустить это в консоли R. Результат будет:
[1] "Hello, World!"
Эта простая программа демонстрирует базовую функциональность вывода в R. Функция print() отображает текстовую информацию в консоли.
2. Базовый синтаксис и переменные
Синтаксис R разработан для статистических вычислений и анализа данных. Давайте рассмотрим базовое присваивание переменных и операции.
# Это комментарий
x <- 5 # Присваивание с помощью оператора <-
y = 10 # Присваивание с помощью оператора = (менее распространено)
print(x + y)
Основные правила синтаксиса в R:
- Присваивание: Используйте
<-для присваивания переменных (предпочтительно) или= - Комментарии: Однострочные комментарии начинаются с
# - Функции: Используйте круглые скобки
()для вызова функций - Векторы: R векторизован — операции работают со всеми векторами целиком
3. Типы данных и структуры
R имеет несколько фундаментальных типов данных и структур для статистических вычислений.
3.1 Базовые типы данных
# Числовой (double)
num <- 3.14
print(class(num))
# Целочисленный
int <- 42L
print(class(int))
# Символьный (строка)
text <- "Hello R"
print(class(text))
# Логический (булев)
flag <- TRUE
print(class(flag))
3.2 Векторы
Векторы — это фундаментальная структура данных в R. Это одномерные массивы, которые могут содержать числовые, символьные или логические данные.
# Создание векторов
numeric_vector <- c(1, 2, 3, 4, 5)
character_vector <- c("яблоко", "банан", "вишня")
logical_vector <- c(TRUE, FALSE, TRUE)
# Операции с векторами
print(numeric_vector * 2) # Умножить каждый элемент на 2
print(numeric_vector + 1) # Добавить 1 к каждому элементу
print(length(numeric_vector)) # Получить длину вектора
3.3 Списки
Списки — это гибкие контейнеры, которые могут содержать элементы разных типов.
# Создание списка
my_list <- list(
name = "Иван",
age = 30,
scores = c(85, 92, 78),
active = TRUE
)
# Доступ к элементам списка
print(my_list$name)
print(my_list[["age"]])
print(my_list[[3]])
3.4 Фреймы данных
Фреймы данных — это самая важная структура данных для анализа данных в R. Они похожи на таблицы со строками и столбцами.
# Создание фрейма данных
df <- data.frame(
name = c("Анна", "Борис", "Владимир"),
age = c(25, 30, 35),
score = c(88, 92, 85)
)
# Просмотр фрейма данных
print(df)
print(str(df)) # Структура фрейма данных
print(summary(df)) # Сводная статистика
4. Базовые операции
R предоставляет богатый набор операторов для математических и логических операций.
# Арифметические операции
a <- 10
b <- 3
print(a + b) # Сложение
print(a - b) # Вычитание
print(a * b) # Умножение
print(a / b) # Деление
print(a ^ b) # Возведение в степень
print(a %% b) # Остаток от деления
print(a %/% b) # Целочисленное деление
# Операции сравнения
print(a > b) # Больше
print(a == b) # Равно
print(a != b) # Не равно
print(a <= b) # Меньше или равно
# Логические операции
print(TRUE & FALSE) # И
print(TRUE | FALSE) # ИЛИ
print(!TRUE) # НЕ
5. Структуры управления
R предоставляет стандартные структуры управления для управления потоком программы.
5.1 Условные операторы if
age <- 20
if (age >= 18) {
print("Взрослый")
} else if (age >= 13) {
print("Подросток")
} else {
print("Ребенок")
}
5.2 Циклы for
# Итерация по вектору
fruits <- c("яблоко", "банан", "вишня")
for (fruit in fruits) {
print(fruit)
}
# Использование последовательности
for (i in 1:5) {
print(paste("Число:", i))
}
5.3 Циклы while
count <- 1
while (count <= 5) {
print(count)
count <- count + 1
}
6. Функции
Функции в R — это переиспользуемые блоки кода для конкретных задач.
# Базовое определение функции
calculate_area <- function(length, width) {
area <- length * width
return(area)
}
# Вызов функции
result <- calculate_area(5, 3)
print(result)
# Функция с параметрами по умолчанию
greet <- function(name = "Гость") {
return(paste("Привет,", name))
}
print(greet("Анна"))
print(greet()) # Использует параметр по умолчанию
7. Манипуляция данными
R превосходно справляется с манипуляцией данными. Давайте рассмотрим некоторые базовые операции.
# Пример фрейма данных
students <- data.frame(
name = c("Анна", "Борис", "Владимир", "Дарья"),
math_score = c(85, 92, 78, 95),
science_score = c(88, 90, 82, 96),
grade = c("A", "A", "B", "A")
)
# Выборка данных
print(students[students$math_score > 85, ]) # Строки, где math_score > 85
print(students[, c("name", "math_score")]) # Определенные столбцы
# Добавление новых столбцов
students$total_score <- students$math_score + students$science_score
students$average_score <- students$total_score / 2
print(students)
8. Визуализация данных
R имеет мощные возможности визуализации, особенно с ggplot2.
# Базовое построение графиков (базовый R)
# Создаем пример данных
x <- 1:10
y <- x^2
# Точечная диаграмма
plot(x, y, main = "Точечная диаграмма", xlab = "X", ylab = "Y", col = "blue", pch = 16)
# Линейный график
plot(x, y, type = "l", main = "Линейный график", xlab = "X", ylab = "Y", col = "red")
# Гистограмма
hist(rnorm(100), main = "Гистограмма", xlab = "Значения", col = "lightblue")
8.1 Использование ggplot2 (если установлен)
# Установите и загрузите ggplot2, если еще не установлен
# install.packages("ggplot2")
library(ggplot2)
# Создаем пример фрейма данных
plot_data <- data.frame(
category = c("A", "B", "C", "D"),
value = c(25, 40, 30, 35)
)
# Создаем столбчатую диаграмму
ggplot(plot_data, aes(x = category, y = value)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(title = "Пример столбчатой диаграммы", x = "Категория", y = "Значение") +
theme_minimal()
9. Статистический анализ
R разработан для статистических вычислений. Вот некоторые базовые статистические функции.
# Пример данных
data <- c(23, 45, 67, 34, 56, 78, 89, 12, 45, 67)
# Базовая статистика
print(mean(data)) # Среднее значение
print(median(data)) # Медиана
print(sd(data)) # Стандартное отклонение
print(var(data)) # Дисперсия
print(min(data)) # Минимальное значение
print(max(data)) # Максимальное значение
print(summary(data)) # Пятичисловая сводка
# Корреляция
x <- 1:10
y <- x + rnorm(10) # Добавляем шум
print(cor(x, y)) # Коэффициент корреляции
# Линейная регрессия
model <- lm(y ~ x)
print(summary(model))
10. Работа с файлами
R предоставляет функции для чтения и записи файлов.
# Запись в файл
write.csv(students, "students.csv", row.names = FALSE)
# Чтение из файла
# read_data <- read.csv("students.csv")
# print(read_data)
# Работа с текстовыми файлами
# writeLines(c("Строка 1", "Строка 2", "Строка 3"), "example.txt")
# text_content <- readLines("example.txt")
# print(text_content)
11. Пакеты и библиотеки
Мощь R заключается в его обширной экосистеме пакетов.
# Установка пакетов
# install.packages("dplyr") # Для манипуляции данными
# install.packages("ggplot2") # Для визуализации
# Загрузка пакетов
library(dplyr)
library(ggplot2)
# Использование dplyr для манипуляции данными
# students %>%
# filter(math_score > 85) %>%
# select(name, math_score) %>%
# arrange(desc(math_score))
12. Обработка ошибок
R предоставляет механизмы для обработки ошибок.
# Базовая обработка ошибок
tryCatch({
result <- 10 / 0
print(result)
}, error = function(e) {
print(paste("Произошла ошибка:", e$message))
}, finally = {
print("Это всегда выполняется")
})
# Использование try()
result <- try(10 / 0, silent = TRUE)
if (inherits(result, "try-error")) {
print("Деление не удалось")
}
13. Продвинутые темы
13.1 Функции семейства Apply
Функции семейства apply мощны для векторизованных операций.
# Создание матрицы
mat <- matrix(1:12, nrow = 3, ncol = 4)
print(mat)
# Применение функций
print(apply(mat, 1, mean)) # Средние по строкам
print(apply(mat, 2, sum)) # Суммы по столбцам
# lapply для списков
my_list <- list(a = 1:5, b = 6:10, c = 11:15)
print(lapply(my_list, mean)) # Среднее каждого элемента списка
# sapply (упрощенная версия)
print(sapply(my_list, mean))
13.2 Манипуляция строками
text <- "Hello R Programming"
print(toupper(text)) # Преобразовать в верхний регистр
print(tolower(text)) # Преобразовать в нижний регистр
print(nchar(text)) # Подсчитать символы
print(substr(text, 1, 5)) # Извлечь подстроку
# Использование пакета stringr (если установлен)
# library(stringr)
# str_split(text, " ") # Разделить строку
13.3 Дата и время
# Текущая дата и время
current_time <- Sys.time()
print(current_time)
# Форматирование дат
formatted_date <- format(current_time, "%Y-%m-%d")
print(formatted_date)
# Арифметика с датами
today <- Sys.Date()
future_date <- today + 30
print(future_date)
14. Лучшие практики
Вот несколько советов для написания лучшего кода на R:
- Используйте осмысленные имена переменных
- Комментируйте свой код соответствующим образом
- Используйте векторизованные операции вместо циклов, когда это возможно
- Загружайте пакеты в начале вашего скрипта
- Используйте последовательные отступы (рекомендуется 2 пробела)
- Тестируйте свой код с примерными данными
- Используйте систему контроля версий для ваших проектов
15. Следующие шаги
Чтобы продолжить изучение R:
- Практика: Работайте над небольшими проектами анализа данных
- Изучение пакетов: Изучите dplyr, ggplot2, tidyr и другие важные пакеты
- Онлайн-ресурсы: Используйте документацию R, Stack Overflow и R-bloggers
- Книги: “R for Data Science” от Hadley Wickham
- Курсы: Пройдите онлайн-курсы по анализу данных с R
R — это мощный инструмент для статистических вычислений и анализа данных. С практикой вы сможете выполнять сложные манипуляции с данными, создавать красивые визуализации и проводить сложные статистические анализы.