目錄

• R 簡介
• R 的傳統用途
• 來自R 社群的貢獻
• 近代R 的演變與功能
• 安裝R 與Rstudio
• R 的開發環境簡介
• R 的套件系統
• 利用swirl 快速學習R 語言
  • 00: 利用R 抓取公開資料做視覺化與數據建模
  • 02: 作業示範

和其他工具相比，R 的特色

• R 有非常先進的數據視覺化系統
• R 有很多的進階數據分析工具

範例 - 探索數據的分佈

• 統計很多理論都需要常態分佈
• 但是一組數據真的是常態分佈嗎？

範例 - 探索數據的分佈

• R 可以很快的告訴你

shapiro.test(x)

    Shapiro-Wilk normality test

data:  x
W = 0.94356, p-value = 0.0003198

範例 - 探索數據的分佈

• R 也可以比較兩個數據是不是來自相同的分佈

x1 <- rnorm(50)
x2 <- rt(50, df = 2)
plot(density(x1), xlim = range(c(x1, x2)), main = "Sample PDF")
lines(density(x2), col = 2)
legend("topright", c("x1", "x2"), lty = 1, col = 1:2)

範例 - 探索數據的分佈

• 檢定？沒問題

ks.test(x1, x2)

    Two-sample Kolmogorov-Smirnov test

data:  x1 and x2
D = 0.24, p-value = 0.1124
alternative hypothesis: two-sided

範例 - 數據間的比較

• 我們使用有兩套方法做推薦，要比較推薦的成果
• 方法A：在10000點擊有10個購買
• 方法B：在5000 點擊有3 個購買
• 我怎麼知道這兩種方法的轉換率（購買/點擊）是不是明顯不同？

範例 - 數據間的比較

• 我不懂檢定，但是簡單的跑模擬就可以告訴我們答案。

# 假設方法A 真正的轉換率和就是 3 / 5000
p <- 3/5000
# 我們可以模擬1000次在10000個點擊下，方法A 的轉換數
plot(density(x <- rbinom(1000, 10000, p)))

範例 - 數據間的比較

• 利用模擬結果做比較

# 估計超過我們觀測值的機率
mean(x > 10)

[1] 0.042

範例 - 數據間的比較

• 我大致上懂檢定，但是我不想自己寫程式算信賴區間。

library(binom)
binom.confint(c(10, 3), c(10000, 5000), methods = "exact")

  method  x     n  mean        lower       upper
1  exact 10 10000 1e-03 0.0004796397 0.001838264
2  exact  3  5000 6e-04 0.0001237515 0.001752444

範例 - 數據間的比較

• 太棒了，但是我想用某篇paper的方法。你可以找找看有沒有你要的方法：

範例 - 相關性

• R 擁有許多你想像不到的方式來探索數據
  • 他們都來自於世界各地的貢獻者

範例 - 相關性

• 許多機器學習的方法，會假設數據彼此之間是獨立的
  • R 可以迅速幫你檢驗數據是否是獨立的

範例 - 相關性

範例 - 經濟學人風格的視覺化

R 不只有傳統的資料分析

• 收集數據
• 特定領域的資料分析
  • 股票分析
  • 棒球分析
  • 文字探勘
• 收集數據、建造模型之餘，還要展現結果
  • 互動式網頁服務
  • API 伺服器
• 大規模數據分析

收集數據

• ChihChengLiang: R Crawler（資料科學愛好者年會2015）

收集數據 – Google Spreadsheet

• 任何和資料相關的服務，有很大的機會可以和R 串接
  • Google Sheets R API
  • Google Map
  • Excel
  • Minitab, S, SAS, SPSS, Stata, Systat and Weka…
  • DBI

特定領域 – 股票分析

library(quantmod)
getSymbols("^TWII")

    As of 0.4-0, 'getSymbols' uses env=parent.frame() and
 auto.assign=TRUE by default.

 This  behavior  will be  phased out in 0.5-0  when the call  will
 default to use auto.assign=FALSE. getOption("getSymbols.env") and 
 getOptions("getSymbols.auto.assign") are now checked for alternate defaults

 This message is shown once per session and may be disabled by setting 
 options("getSymbols.warning4.0"=FALSE). See ?getSymbols for more details.

[1] "TWII"

head(TWII)

           TWII.Open TWII.High TWII.Low TWII.Close TWII.Volume
2007-01-02   7871.41   7937.26  7843.60    7920.80     5710600
2007-01-03   7954.96   7999.42  7917.30    7917.30     5951400
2007-01-04   7929.89   7955.90  7901.24    7934.51     5717400
2007-01-05   7940.20   7942.23  7821.71    7835.57     5181400
2007-01-08   7778.57   7797.57  7736.11    7736.71     4292400
2007-01-09   7778.38   7827.93  7778.38    7790.01     4516000
           TWII.Adjusted
2007-01-02       7920.80
2007-01-03       7917.30
2007-01-04       7934.51
2007-01-05       7835.57
2007-01-08       7736.71
2007-01-09       7790.01

特定領域 - 股票分析

chartSeries(TWII, subset = "last 4 months", TA = c(addVo(), addBBands()))

特定領域 - 棒球分析

library(Lahman)
head(Teams[,c("yearID", "name", "Rank", "W", "L", "R", "RA")])

  yearID                    name Rank  W  L   R  RA
1   1871    Boston Red Stockings    3 20 10 401 303
2   1871 Chicago White Stockings    2 19  9 302 241
3   1871  Cleveland Forest Citys    8 10 19 249 341
4   1871    Fort Wayne Kekiongas    7  7 12 137 243
5   1871        New York Mutuals    5 16 17 302 313
6   1871  Philadelphia Athletics    1 21  7 376 266

特定領域 - 棒球分析

totalRS <- Teams %>% select(yearID, R, G) %>% 
  mutate(AvgRperG = R/G) %>% group_by(yearID) %>% summarise(sum(AvgRperG))
names(totalRS) <- c("yearID", "RUN")
ggplot(data = totalRS, aes(x = yearID, y = RUN)) + stat_smooth() + geom_line()

geom_smooth: method="auto" and size of largest group is <1000, so using loess. Use 'method = x' to change the smoothing method.

特定領域 - 棒球分析

head(filter(Pitching, playerID == "wangch01") %>% select(playerID, yearID, W, L, ERA))

  playerID yearID  W L  ERA
1 wangch01   2005  8 5 4.02
2 wangch01   2006 19 6 3.63
3 wangch01   2007 19 7 3.70
4 wangch01   2008  8 2 4.07
5 wangch01   2009  1 6 9.64
6 wangch01   2011  4 3 4.04

特定領域 - 文字探勘

suppressPackageStartupMessages({
  library(jiebaR)      # 斷詞利器
  library(tm)          # 文字詞彙矩陣運算
  library(slam)        # 稀疏矩陣運算
  library(wordcloud)   # 文字雲
  library(topicmodels) # 主題模型
  library(igraph)      # 主題模型關聯
})

特定領域 - 資料科學愛好者年會講者資料分析

[1] 27

Warning in split.default(., rep(1:15, each = 30)): data length is not a
multiple of split variable

陳昇瑋 Sheng-Wei Chen 年會總召, 中央研究院
資訊科學研究所/ 研究員 陳昇瑋博士目前為中央研究院資訊科學
研究所研究員，同時是多媒體網路與系統實驗室主持人。他的研究焦
點著重在使用者滿意度、多媒體系統、社群計算及計算社會學等領域
，在多媒體系統及使用者經驗的量測及管理方面持續有代表性的研究
創見。  陳博士堅信資料及資料分析的價值，長期推廣資料科學及
其在各領域的應用，除本身研究皆基於資料來解決實際生活中的問題
，2014 年開始主辦「台灣資料科學愛好者年會」，期能將對於
資料科學的熱情傳達給大眾，一起來探索資料科學的潛力，將資料科
學引入每個人的專業領域之中。他十分期待能夠讓資料分析在台灣不
再是口號，而是大家手邊隨時可用來解決問題及創造價值的工具。 
 欲瞭解陳博士的研究及心得分享，請至他的個人網頁一探究竟。 
 

特定領域 - 資料科學愛好者年會講者資料分析

Warning in split.default(., rep(1:15, each = 30)): data length is not a
multiple of split variable

陳 昇 瑋 Sheng Wei Chen 年會 總召 中央研
究院 資訊 科學 研究所 研究員 陳 昇 瑋 博士 目前 為
 中央研究院 資訊 科學 研究所 研究員 同時 多媒體 網路
 系統 實驗室 主持人 他 研究 焦點 著重 使用者 滿意度
 多媒體系統 社群 計算 計算 社會學 領域 多媒體系統 使
用者 經驗 量 測及 管理方面 持續 有 代表性 研究 創見
 陳博士 堅信 資料 資料 分析 價值 長期 推廣 資料 科
學 及其 各 領域 應用 除 本身 研究 皆 基於 資料 來
 解決 實際 生活 中 問題 2014 年 開始 主辦 台 
灣 資料 科學 愛好者 年會 期能將 對於 資料 科學 熱情
 傳達 給大眾 一 起來 探索 資料 科學 潛力 將 資料 
科學 引入 每個 人 專業 領域 之中 他 十分 期待 能夠
 讓 資料 分析 台灣 不再 口號 而是 大家 手邊 隨時 
可 用來 解決問題 創造 價值 工具 欲瞭解 陳博士 研究 
心得 分享 請 至 他 個人 網頁 一探 究竟

特定領域 - 資料科學愛好者年會講者資料分析

特定領域：互動式網頁服務

• Shiny
• Gallery:
  • K-means Example

特定領域：API Server

• OpenCPU
• APP:
  • Stocks

大規模的數據分析

• SparkR
• RHadoop
• MPI
  • Rmpi
  • pbdMPI

R 的Community

• R 的套件開發非常簡單。五分鐘學會「如何使用Rstudio建立R套件 」
  • Hadley Wickham：一个改变了R的人
• R 的Community 甚至創造了一個學R 的套件：swirl

Hadley近年來對R 的影響

• 前十名的R 套件有一半是Hadley寫的

台灣的本土R 社群

• 台灣的社群有：
  • Taiwan R User Group
  • ptt R_Language
  • 台灣R 使用者論壇

R 的環境設定

• 安裝R
• 安裝Rstudio

安裝R

• Windows: 請至 CRAN 上下載 R3.2 以上的安裝程式。
  • 可參考
  • 影片中的範例是 3.0.2 的版本，請使用者記得安裝 3.2 以上的版本喔！

安裝R

• Mac: 請至 CRAN 上下載 R3.2 以上的安裝程式。
  • 可參考
  • 此影片由中華R 軟體學會的李明昌老師提供

安裝R

• Ubuntu: Ubuntu 14.04 的使用者可以在 bash 執行以下指令來安裝學習環境。如果是其他版本的使用者，請修改上述 trusty 的部份。

sudo sh -c 'echo "deb http://cran.csie.ntu.edu.tw/bin/linux/ubuntu trusty/" >> /etc/apt/sources.list'
sudo apt-key adv --keyserver keyserver.ubuntu.com --recv-keys E084DAB9
sudo apt-get update && apt-get install -y r-base libcurl4-openssl-dev libxml2-dev

安裝Rstudio

• 請到Rstudio 官方網站下載社群版
  • Rstudio 具備「自動完成」功能，同學不用背指令
  • Windows 下具備編輯UTF-8 檔案的功能，我們作業會用到

Rstudio 環境說明

• 程式碼編輯區
• 命令列區
• 其他資訊區
• 檔案系統區

熟悉RStudio的 命令列 界面

• 注意最左下腳的符號是 >
• 輸入 "hello world" 後按下Enter，檢查螢幕輸出（記得加上引號）
• 輸入 1 + 1 後按下Enter，檢查螢幕輸出，注意有無引號
• 輸入 1 + 後按下Enter，檢查螢幕輸出，注意最左下角的開頭變成+
• 按下Ctrl + C或ESC，檢查哪一個按鈕會讓左下角回復成>開頭
• 在新的一行命令列區輸入 me 之後按下Enter
• 在新的一行命令列區輸入 me 之後按下tab

熟悉RStudio的 程式碼編輯 界面

• 請建立再編輯界面寫程式的習慣
• 開啟新的R Script檔案
• 在第一行輸入 me 隻後按下Ctrl + Enter後，觀察命令列區
• 利用滑鼠點選 me 後的位置，確認游標閃爍的位置在 me 之後，按下tab

R 的套件系統

安裝R 的套件

• 使用Rstudio 安裝套件
• 使用命令列安裝套件
• 使用套件的第一步：library(套件名稱)

安裝swirl

• swirl 官方套件目前在windows上無法顯示中文
  • 請安裝Taiwan R User Group上的版本

# 在命令列輸入：
install.packages('swirl', repos = 'http://taiwanrusergroup.github.io/R')

載入swirl

library(swirl)

進入swirl 界面

swirl() # 括號很重要

• 執行動作（呼叫函數），需要在後面加上括號
• 不加括號，R 會印出swirl 這個函數的定義

手動安裝swirl 課程

• 進入swirl 之後會跳出安裝課程的提示
• 這次的作業就是一系列swirl 的課程
• 請離開swirl 環境之後，執行：

install_course_github("wush978", "DataScienceAndR", "course")

• 細節請參考上課示範

再次進入swirl，並進入DataScienceAndR

• 請見現場示範

swirl 疑難排解

• 選錯課程
• 錯誤的接關
• Windows 下可能有編碼錯誤

作業說明

• 建立環境
  • 安裝最新版本的R
  • 安裝Rstudio(非必要，但是要有自行解決其他問題的能力)
  • 安裝Taiwan R User Group 社群版的套件
  • 安裝DataScienceAndR 系列課程
• 完成作業：
  1. RBasic-01-Introduction
  2. RBasic-02-Data-Structure-Vectors
  3. RBasic-03-Data-Structure-Object
  4. RBasic-04-Factors
  5. RBasic-05-Arrays-Matrices
  6. RBasic-06-List-DataFrame
  7. RBasic-07-Loading-Dataset

繳交作業的格式

• 除了RBasic-01-Introduction之外，每個作業最後都要編輯一個檔案。
  • RBasic-02-HW.R
  • RBasic-03-HW.R
  • RBasic-04-HW.R
  • RBasic-05-HW.R
  • RBasic-06-HW.R
  • RBasic-07-HW.R
• 請在期限內完成作業之後，將<學號>.zip的檔案上傳到ceiba。該壓縮檔的內容應該為：

d01921016/
d01921016/RBasic-02-HW.R
d01921016/RBasic-03-HW.R
d01921016/RBasic-04-HW.R
d01921016/RBasic-05-HW.R
d01921016/RBasic-06-HW.R
d01921016/RBasic-07-HW.R

• 寫作業時，可以用submit()檢查是否有錯

這份教材是最近寫出來的…

• 有bug 的機會很高，所以請統一回報至：https://github.com/wush978/DataScienceAndR/issues
  • 看不懂的敘述、有錯字、程式卡住、讓你不爽的體驗…
  • 請附上sessionInfo()的輸出結果
• 對使用windows 的同學，我先說聲抱歉：你們的教材會比較不穩定

Q&A

R vs Python

• Choosing R or Python for data analysis? An infographic
• Pros and Cons of R vs Python Sci-kit learn
• Which is better for data analysis: R or Python?
• How to Choose Between Learning Python or R First