具体描述
基本信息
书名：R语言实用教程
：53.00元
作者：薛毅,陈立萍著
出版社：清华大学出版社
出版日期：2014-10-01
ISBN：9787302371175
字数：
页码：
版次：1
装帧：平装
开本：16开
商品重量：0.4kg
编辑推荐
R即是统计软件，又是一种计算软件，为使读者尽快地了解R软件的使用，本书以R语言为重点，主要向读者介绍R语言基本内容；学习R语言程序的编写，使用R语言完成矩阵代数和数值分析的计算。学会使用R语言完成各种图形（包括统计图形）的绘制，以及用R语言完成基本的统计计算。
内容提要
R语言，一种自由软件编程语言与操作环境，主要用于统计分析、绘图、数据挖掘. 虽然 R是一款统计软件，但也可用于数值分析和矩阵计算. 本书是 R语言的一本入门教材，讲授学习 R必备的内容. 仅使用基本的统计知识，介绍 R函数的使用方法，以及如何使用 R的内置函数去解决统计中的问题. 介绍 R中与数值分析相关的内容，并利用相应算法来学习 R语言的编程. 介绍 R的绘图功能，及相关的绘图函数. 本书的每一章是针对一类问题设计的，讨论的内容由浅入深、循序渐进. 并在后一章介绍扩展 R的方法，读者可以根据自己的需求扩展 R的相关功能. 本书适合于理工、经管和生物等专业的本科生、研究生，或者相关专业的技术人员学习 R使用，可以作为“统计计算”课程的教材或教学参考书，也可作为数学建模竞赛培训的辅导教材。
目录
第1章 R语言入门
1.1 R语言简介
1.1.1 R软件的下载与安装
1.1.2 初识R
1.1.3 下拉式菜单与快捷方式
1.2 向量
1.2.1 基本运算
1.2.2 数据对象
1.2.3 向量赋值
1.2.4 产生有规律的向量
1.2.5 逻辑向量
1.2.6 向量中的缺失数据
1.2.7 字符型向量
1.2.8 用vector函数生成向量
1.2.9 复数向量
1.2.10 向量的下标运算
1.2.11 与数值向量有关的函数
1.3 因子
1.3.1 factor函数
1.3.2 gl函数
1.3.3 与因子有关的函数
1.4 矩阵
1.4.1 矩阵的生成
1.4.2 与矩阵运算有关的函数
1.4.3 矩阵下标
1.5 数组
1.5.1 数组的生成
1.5.2 数组下标
1.5.3 apply函数
1.6 对象和它的模式与属性
1.6.1 固有属性：mode和length
1.6.2 修改对象的长度
1.6.3 attributes和attr函数
1.6.4 对象的class属性
1.7 列表
1.7.1 列表的构造
1.7.2 列表的修改
1.7.3 返回值为列表的函数
1.8 数据框
1.8.1 数据框的生成
1.8.2 数据框的引用
1.8.3 attach函数
1.8.4 with函数
1.8.5 列表与数据框的编辑
1.8.6 lapply函数和sapply函数
1.9 读、写数据文件
1.9.1 读纯文本文件
1.9.2 读取其他软件格式的数据文件
1.9.3 读取 Excel表格数据
1.9.4 数据集的读取
1.9.5 写数据文件
1.10 控制流
1.10.1 分支函数
1.10.2 中止语句与空语句
1.10.3 循环函数
1.11 R程序设计
1.11.1 函数定义
1.11.2 定义新的二元运算
1.11.3 有名参数与默认参数
1.11.4 递归函数
1.11.5 程序运行
1.11.6 程序调试
习题
第2章 数值计算
2.1 向量与矩阵的运算
2.1.1 向量的四则运算
2.1.2 向量的内积与外积
2.1.3 矩阵的四则运算
2.1.4 矩阵的函数运算
2.1.5 求解线性方程组
2.1.6 矩阵分解
2.2 非线性方程 （组）求根
2.2.1 非线性方程求根
2.2.2 求解非线性方程组
2.3 求函数极值
2.3.1 一元函数极值
2.3.2 多元函数极值
2.4 插值
2.4.1 多项式插值
2.4.2 分段线性插值
2.4.3 分段 Hermite插值
2.4.4 三次样条函数
2.5 数据拟合
2.5.1 小二乘原理
2.5.2 求解超定线性方程组的QR分解方法
2.5.3 多项式拟合
2.6 数值积分
2.6.1 梯形求积公式
2.6.2 Simpson求积公式
……
第3章 R语言绘图
第4章 概率、分布与随机模拟
第5章 假设检验
第6章 回归分析
第7章 多元统计分析
第8章 多元分布
索引
参考文献
作者介绍
文摘
序言
R语言实用教程：精通数据分析与可视化 前言 在当今数据驱动的世界里，掌握强大的数据分析工具至关重要。R语言，作为一款开源、免费且功能强大的统计计算和图形生成语言，已成为数据科学领域的事实标准。从学术研究到商业决策，从生物信息学到金融分析，R语言的身影无处不在。 本书《R语言实用教程》旨在为广大R语言初学者和有一定基础的用户提供一份系统、全面且极具实践性的学习指南。我们力求将复杂的R语言概念和技巧以清晰易懂的方式呈现，并通过丰富的实例和练习，帮助读者真正掌握R语言在数据处理、统计分析、模型构建和可视化等方面的核心能力。 第一章：R语言的初识与环境搭建 本章将带领读者迈出R语言学习的第一步。我们将深入探讨R语言的独特魅力及其广泛的应用场景，帮助读者建立学习的信心和动力。随后，我们将详细讲解如何在不同的操作系统（Windows, macOS, Linux）上安装R语言以及集成开发环境（IDE）RStudio。RStudio以其友好的用户界面、强大的代码编辑和调试功能，极大地提升了R语言的学习和开发效率。我们将指导读者熟悉RStudio的工作空间，包括源代码编辑器、控制台、环境面板、文件/绘图/包/帮助面板等，并讲解基本的RStudio操作，如创建和保存R脚本，执行代码，查看变量等。 第二章：R语言基础数据类型与结构 掌握R语言的基本数据类型是后续学习的基石。本章将系统介绍R语言中常用的数据类型，包括逻辑型（logical）、数值型（numeric）、整型（integer）、复数型（complex）、字符型（character）和原始型（raw）。我们将通过生动的例子，让读者理解每种数据类型的特性和用途。 在此基础上，我们将深入讲解R语言的核心数据结构，它们是组织和管理数据的关键。我们将详细介绍： 向量（Vector）: R语言中最基本的数据结构，可以包含同一种数据类型的元素。我们将学习如何创建向量、访问向量元素、进行向量运算，以及向量化的概念，理解其在提高计算效率方面的优势。 矩阵（Matrix）: 由行和列组成的二维数据结构，所有元素必须是同一种数据类型。我们将学习如何创建矩阵、访问矩阵元素、进行矩阵运算，以及理解矩阵在处理表格数据时的应用。 数组（Array）: 推广到多维的矩阵，可以包含任意维度的数据，所有元素必须是同一种数据类型。我们将学习其创建和操作方法。 列表（List）: 可以包含不同数据类型和不同长度元素的集合。列表的灵活性使其成为存储异构数据的强大工具。我们将学习如何创建列表、访问列表元素，以及列表的嵌套应用。 数据框（Data Frame）: R语言中最常用的数据结构之一，可以看作是具有相同长度的向量组成的列表，每一列可以包含不同数据类型。数据框是处理表格型数据的核心，广泛应用于数据分析和统计建模。我们将详细讲解如何创建数据框、导入外部数据（如CSV文件）到数据框、访问和修改数据框的列和行，以及进行基本的数据框操作。 第三章：数据对象的管理与操作 高效的数据管理是数据分析过程中的关键环节。本章将聚焦于R语言中数据对象的管理和操作技巧。我们将学习如何查看和检查R对象（如`str()`, `summary()`, `head()`, `tail()`, `names()`, `colnames()`, `rownames()`等函数），理解它们在数据探索中的作用。 我们将深入讲解R语言的变量赋值机制，以及如何进行对象的重命名和删除。更重要的是，我们将介绍R语言强大的子集提取（subsetting）能力，这是从数据中提取所需信息的关键。我们将学习如何使用下标（索引）来提取向量、矩阵、列表和数据框的元素、行和列，包括使用逻辑索引、名称索引和位置索引。 此外，本章还将涵盖数据对象的类型转换，以及如何使用`as.numeric()`, `as.character()`, `as.factor()`等函数来改变数据的类型，以适应不同的分析需求。 第四章：数据导入与导出 真实世界的数据往往存储在各种外部文件中。本章将教授读者如何灵活地在R语言中导入和导出数据，实现数据在R环境与其他应用之间的无缝切换。 我们将重点介绍如何导入常见数据格式的文件，包括： CSV文件: 使用`read.csv()`和`read.csv2()`函数，并讲解参数设置，如分隔符、小数点符号、文件编码等。 Excel文件: 介绍常用的`readxl`包，学习使用`read_excel()`函数读取`.xls`和`.xlsx`文件，并演示如何指定工作表。 文本文件: 使用`read.table()`函数读取通用文本文件，并讲解其丰富参数的应用。 R数据格式: 学习使用`save()`和`load()`函数保存和加载R对象，方便项目数据的管理。 同时，我们将讲解如何将R对象导出为各种格式的文件，如使用`write.csv()`, `write.table()`, `write.csv2()`函数将数据框写入CSV或文本文件。 第五章：数据预处理与清洗 原始数据往往存在缺失值、异常值、格式不一致等问题，直接进行分析可能会导致错误的结果。本章将重点讲解R语言中数据预处理和清洗的关键技术，帮助读者构建可靠的数据基础。 我们将学习如何识别和处理缺失值： 使用`is.na()`函数检测缺失值。 使用`na.omit()`函数删除含有缺失值的行。 使用`complete.cases()`函数判断行是否存在缺失值。 学习常用的缺失值填充策略，如均值填充、中位数填充、众数填充，以及使用插值法进行填充。 我们将探讨如何处理异常值： 利用可视化方法（如箱线图）识别异常值。 介绍基于统计学方法的异常值检测技术。 讲解如何删除或转换异常值。 本章还将介绍数据格式的规范化，如日期时间格式的转换、文本数据的大小写转换、去除多余空格等。此外，我们还将学习如何合并和连接（merge, rbind, cbind）不同的数据集，以及如何进行数据的变形（reshape），如宽表与长表的相互转换。 第六章：数据可视化基础——使用ggplot2 “一张图胜过千言万语”。数据可视化是理解数据、展示分析结果的强大工具。本章将重点介绍R语言中最流行、最强大的可视化包——`ggplot2`。 我们将深入讲解`ggplot2`的“图形语法”（Grammar of Graphics）的核心理念，包括： 数据（Data）: 需要可视化的数据集。 映射（Mapping）: 将数据中的变量映射到图形的视觉属性上（如x轴、y轴、颜色、大小、形状等）。 几何对象（Geom）: 用于在图形上绘制数据点的几何形状，如点（point）、线（line）、条形（bar）、面积（area）等。 统计变换（Stat）: 对数据进行汇总、计算等统计变换，如计数（count）、密度（density）等。 坐标系（Coord）: 定义图形的坐标系统。 分面（Facet）: 将图形分解成多个子图，分别展示不同子集的图形。 主题（Theme）: 控制图形的整体美学风格，如字体、颜色、背景等。 我们将通过大量示例，演示如何使用`ggplot2`创建各种类型的基本图表： 散点图（Scatter Plot）: 用于展示两个数值变量之间的关系。 折线图（Line Plot）: 用于展示数据随时间或其他连续变量的变化趋势。 条形图（Bar Chart）: 用于展示离散型变量的频数或比例。 直方图（Histogram）: 用于展示单个数值变量的分布情况。 箱线图（Box Plot）: 用于展示数据的分布、中位数、四分位数和异常值。 密度图（Density Plot）: 用于展示数据的概率密度分布。 我们将学习如何自定义图表的颜色、形状、大小，添加标题、轴标签、图例，以及进行图表的组合和叠加，让读者能够创建出信息丰富且美观的统计图形。 第七章：描述性统计分析 在深入进行推断性统计之前，对数据进行描述性统计是理解数据特征的必要步骤。本章将详细介绍R语言中用于描述性统计的常用函数和方法。 我们将学习如何计算： 集中趋势度量: 均值（mean）、中位数（median）、众数（mode）。 离散程度度量: 方差（variance）、标准差（standard deviation）、极差（range）、四分位距（interquartile range, IQR）。 分布形态度量: 偏度（skewness）、峰度（kurtosis）。 我们将使用`summary()`函数快速获取数据的基本统计摘要。同时，我们将学习如何针对不同的数据类型（数值型、因子型）使用相应的函数进行统计描述。 第八章：概率分布与统计推断基础 概率分布是统计推断的理论基础。本章将介绍R语言中常见的概率分布及其应用。 我们将学习R语言中用于概率分布的四大函数族： `d`函数: 计算概率密度函数（PDF）或概率质量函数（PMF）的值。 `p`函数: 计算累积分布函数（CDF）的值（左侧尾部概率）。 `q`函数: 计算分位数函数（Inverse CDF）的值。 `r`函数: 生成服从该分布的随机数。 我们将重点介绍以下重要分布： 正态分布（Normal Distribution）: 及其在数据分析中的重要性。 二项分布（Binomial Distribution）: 适用于离散的成功/失败试验。 泊松分布（Poisson Distribution）: 适用于计数型数据。 t分布（t-Distribution）: 在小样本统计推断中应用广泛。 卡方分布（Chi-squared Distribution）: 在假设检验中常用。 F分布（F-Distribution）: 在方差分析（ANOVA）中应用。 在此基础上，本章将引入统计推断的基本概念，包括点估计和区间估计。我们将学习如何使用R语言计算置信区间，例如均值的置信区间，并理解置信区间的含义。 第九章：假设检验 假设检验是用于判断样本数据是否支持某个统计假设的方法。本章将详细讲解R语言中常见的假设检验方法。 我们将学习： 单样本t检验（One-sample t-test）: 检验单个样本均值是否等于某个已知值。 独立样本t检验（Independent samples t-test）: 检验两组独立样本均值是否存在显著差异。 配对样本t检验（Paired samples t-test）: 检验配对观测值均值是否存在显著差异。 卡方检验（Chi-squared test）: 检验分类变量之间的独立性或拟合优度。 方差分析（ANOVA）: 检验多组样本均值是否存在显著差异。 非参数检验: 如Wilcoxon秩和检验（Wilcoxon rank-sum test）和Kruskal-Wallis检验（Kruskal-Wallis test），适用于不满足正态性假设的情况。 我们将深入讲解假设检验的步骤、p值的含义、统计显著性水平的选择，以及如何解释检验结果。 第十章：线性回归模型 线性回归是用于探索因变量与一个或多个自变量之间线性关系的最基础、最常用的建模技术之一。本章将系统介绍R语言中线性回归模型的构建与解释。 我们将学习： 简单线性回归（Simple Linear Regression）: 探索单个自变量与因变量之间的线性关系。 多元线性回归（Multiple Linear Regression）: 探索多个自变量与因变量之间的线性关系。 我们将详细讲解如何使用R语言的`lm()`函数构建线性回归模型，并解释模型的输出结果，包括： 回归系数（Regression Coefficients）: 解释自变量对因变量的影响方向和大小。 截距（Intercept）: 当所有自变量取值为零时，因变量的预测值。 p值（p-value）: 判断回归系数是否统计显著。 R方（R-squared）: 度量模型解释因变量变异的比例。 调整R方（Adjusted R-squared）: 考虑模型中自变量数量的R方。 本章还将涉及线性回归模型的诊断，如残差分析（residual analysis）、共线性诊断（multicollinearity diagnosis），以及如何进行模型的选择和改进。 第十一章：分类与预测模型入门 在许多实际应用中，我们需要对数据进行分类或预测离散型结果。本章将介绍R语言中一些基本的分类和预测模型。 我们将初步接触： 逻辑回归（Logistic Regression）: 用于二分类问题的建模，预测事件发生的概率。 决策树（Decision Trees）: 一种直观的分类和回归模型，通过一系列规则将数据分割。 K近邻算法（K-Nearest Neighbors, KNN）: 一种简单的非参数分类算法，基于实例的学习。 我们将学习如何使用R语言的相应函数和包来构建这些模型，并理解它们的基本原理和应用场景。 第十二章：R语言高级数据处理与操作（dplyr与tidyr） 为了更高效、更便捷地进行数据处理和转换，R语言社区开发了许多优秀的包。本章将重点介绍`tidyverse`生态系统中两个核心的包——`dplyr`和`tidyr`。 `dplyr`: 提供了一系列简洁、强大的数据操作函数，使得数据处理过程更加直观和易读。我们将学习： `select()`: 选择列。 `filter()`: 过滤行。 `mutate()`: 创建新列或修改现有列。 `arrange()`: 对行进行排序。 `summarize()`: 对数据进行汇总。 `group_by()`: 对数据进行分组。 `%>%`（管道操作符）: 连接一系列操作，提高代码的可读性和流畅性。 `tidyr`: 专注于数据“整洁”（tidy）化，帮助我们轻松地处理数据结构不规范的问题。我们将学习： `gather()` / `pivot_longer()`: 将宽表转换为长表。 `spread()` / `pivot_wider()`: 将长表转换为宽表。 `separate()`: 将一个列拆分成多个列。 `unite()`: 将多个列合并成一个列。 通过掌握`dplyr`和`tidyr`，读者将极大地提升数据处理的效率和代码的可维护性。 第十三章：R语言与数据挖掘初步 本章将引导读者初步探索数据挖掘领域，了解R语言在其中的应用。我们将介绍一些基础的数据挖掘概念和技术。 关联规则挖掘: 如Apriori算法，用于发现数据项之间的有趣关联（例如，在购物篮分析中发现哪些商品经常被一起购买）。 聚类分析（Clustering）: 如K-means聚类，用于将数据分成若干个相似的组。 降维技术: 如主成分分析（Principal Component Analysis, PCA），用于减少数据的维度，同时保留尽可能多的信息。 我们将使用R语言相应的包（如`arules`, `cluster`, `stats`等）来实现这些技术，并简要讨论其应用场景。 第十四章：R语言脚本编写、函数定义与包的使用 为了更好地组织和复用代码，掌握脚本编写、函数定义和包的使用至关重要。本章将深入讲解这些R语言开发的进阶技能。 R脚本的组织与管理: 如何编写结构清晰、易于维护的R脚本，以及如何使用注释提高代码的可读性。 函数定义: 学习如何定义自己的函数，封装重复性的任务，提高代码的模块化和可复用性。我们将讲解函数的参数、返回值、作用域等概念。 R包的安装与加载: 学习如何使用`install.packages()`安装外部R包，以及如何使用`library()`加载已安装的包，从而扩展R语言的功能。我们将介绍一些常用且重要的R包，如`readxl`, `ggplot2`, `dplyr`, `tidyr`, `caret`等。 包的开发简介: 简要介绍如何创建自己的R包，以便更好地分享自己的代码和函数。 第十五章：R语言实战案例分析 理论学习最终需要通过实践来巩固。本章将通过几个贴近实际应用场景的案例，展示如何综合运用本书所学知识解决实际数据分析问题。 我们将选择具有代表性的案例，例如： 市场营销数据分析: 如客户购买行为分析、广告效果评估。 生物医学数据分析: 如基因表达数据分析、临床试验数据统计。 经济金融数据分析: 如股票价格趋势分析、风险评估。 在每个案例中，我们将遵循数据分析的完整流程：数据导入与预处理、探索性数据分析（EDA）、可视化展示、统计建模与推断，并最终给出数据驱动的结论和建议。 附录 R语言常用快捷键 R语言常用函数速查表 进一步学习资源推荐 结语 通过《R语言实用教程》，我们希望读者不仅能够掌握R语言的基础语法和核心功能，更能够培养独立解决数据分析问题的能力。R语言的学习是一个持续进步的过程，鼓励读者在阅读本书后，继续深入探索，拥抱数据科学的无限可能。 本书特色 系统性强: 从基础概念到高级应用，循序渐进，构建完整的知识体系。 实践性突出: 大量真实数据集和代码示例，注重动手实践。 语言通俗易懂: 避免过于晦涩的专业术语，力求清晰易懂。 紧跟时代发展: 引入`tidyverse`等现代R语言开发工具，提升开发效率。 案例丰富: 涵盖多个领域，帮助读者理解R语言的实际应用价值。 无论您是即将踏入数据科学领域的研究生，还是希望提升数据分析技能的职场人士，亦或是对数据充满好奇的爱好者，《R语言实用教程》都将是您不可多得的学习伙伴。让我们一起，用R语言开启数据分析的新篇章！
