作者：（新西兰）哈德利·威克姆（Hadley Wickham）,（美）加勒特·格罗勒芒德（Garrett Grolemund）
出版社：人民邮电出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
R数据科学试读：
前言
数据科学是一门激动人心的学科，它可以将原始数据转化为认识、见解和知识。本书的目标是帮助你学习使用 R 语言中最重要的数据科学工具。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。你将学到什么
数据科学是一个极其广阔的领域，仅靠一本书是不可能登堂入室的。本书的目标是教会你使用最重要的数据科学工具。在一个典型的数据科学项目中，需要的工具模型大体如下图所示。
首先，你必须将数据导入 R。这实际上就是读取保存在文件、数据库或 Web API 中的数据，再加载到 R 的数据框中。如果不能将数据导入 R，那么数据科学就根本无从谈起。
导入数据后，就应该对数据进行整理。数据整理就是将数据保存为一致的形式，以满足其所在数据集在语义上的要求。简而言之，如果数据是整洁的，那么每列都是一个变量，每行都是一个观测。整洁的数据非常重要，因为一致的数据结构可以让你将工作重点放在与数据有关的问题上，而不用再费尽心思地将数据转换为各种形式以适应不同的函数。
一旦拥有了整洁的数据，通常下一步就是对数据进行转换。数据转换包括选取出感兴趣的观测（如居住在某个城市里的所有人，或者去年的所有数据）、使用现有变量创建新变量（如根据距离和时间计算出速度），以及计算一些摘要统计量（如计数或均值）。数据整理和数据转换统称为数据处理。
一旦使用需要的变量完成了数据整理，那么生成知识的方式主要有两种：可视化与建模。这两种方式各有利弊，相辅相成。因此，所有实际的数据分析过程都要在这两种方式间多次重复。
可视化本质上是人类活动。良好的可视化会让你发现意料之外的现象，或对数据提出新的问题。你还可以从良好的可视化中意识到自己提出了错误的问题，或者需要收集不同的数据。可视化能够带给你惊喜，但不要期望过高，因为毕竟还是需要人来对其进行解释。
模型是弥补可视化缺点的一种工具。如果已经将问题定义得足够清晰，那么你就可以使用一个模型来回答问题。因为模型本质上是一种数学工具或计算工具，所以它们的扩展性一般非常好。即使扩展性出现问题，购买更多计算机也比雇用更多聪明的人便宜！但是每个模型都有前提假设，而且模型本身不会对自己的前提假设提出疑问，这就意味着模型本质上不能给你带来惊喜。
数据科学的最后一个步骤就是沟通。对于任何数据分析项目来说，沟通绝对是一个极其重要的环节。如果不能与他人交流分析结果，那么不管模型和可视化让你对数据理解得多么透彻，这都是没有任何实际意义的。
围绕在这些技能之外的是编程。编程是贯穿数据科学项目各个环节的一项技能。数据科学家不一定是编程专家，但掌握更多的编程技能总是有好处的，因为这样你就能够对日常任务进行自动处理，并且非常轻松地解决新的问题。
你将在所有的数据科学项目中用到这些工具，但对于多数项目来说，这些工具还不够。这大致符合 80/20 定律：你可以使用从本书中学到的工具来解决每个项目中 80% 的问题，但你还需要其他工具来解决其余 20% 的问题。我们将在本书中为你提供资源，让你能够学到更多的技能。本书的组织结构
前面对数据科学工具的描述大致是按照我们在分析中使用它们的顺序来组织的（尽管你肯定会多次使用它们）。然而，根据我们的经验，这并不是学习它们的最佳方式，具体原因如下。● 从数据导入和数据整理开始学习并不是最佳方式，因为对于导入
和整理数据来说，80% 的时间是乏味和无聊的，其余 20% 的时
间则是诡异和令人沮丧的。在学习一项新技术时，这绝对是一个
糟糕的开始！相反，我们将从数据可视化和数据转换开始，此时
的数据已经导入并且是整理完毕的。这样一来，当导入和整理自
己的数据时，你就会始终保持高昂的斗志，因为你知道这种痛苦
终有回报。● 有些主题最好结合其他工具来解释。例如，如果你已经了解可视
化、数据整理和编程，那么我们认为你会更容易理解模型是如何
工作的。● 编程工具本身不一定很有趣，但它们确实可以帮助你解决更多非
常困难的问题。在本书的中间部分，我们会介绍一些编程工具，
它们可以与数据科学工具结合起来以解决非常有趣的建模问题。
我们尽量在每一章中使用同一种模式：先给出一些引人入胜的示例，以便你大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。虽然跳过这些习题是个非常有诱惑力的想法，但使用真实问题进行练习绝对是最好的学习方式。本书未包含的内容
本书并未涉及一些重要主题。我们深信，重要的是将注意力坚定地集中在最基本的内容上，这样你就可以尽快入门并开展实际工作。这也就是说，本书不会涵盖每一个重要主题。大数据
本书主要讨论那些小规模的、能够驻留在内存中的数据集。这是开始学习数据科学的正确方式，因为只有处理过小数据集，你才能处理大数据集。你从本书中学到的工具可以轻松地处理几百兆字节的数据，处理 1~2 GB 的数据也不会有什么大问题。如果你的日常工作是处理更大的数据（如 10~100 GB），那么你应该更多地学习一下 data.table（https://github.com/Rdatatable/data.table）。本书不会介绍 data.table，因为它的界面太过简洁，几乎没有语言提示，这使得学习起来很困难。但是如果你需要处理大数据，为了获得性能上的回报，多付出一些努力来学习它还是值得的。
如果你的数据比这还大，那么就需要仔细思考一下了，这个大数据问题是否其实就是一个小数据问题。虽然整体数据非常大，但回答特定问题所需要的数据通常较小。你可以找出一个子集、子样本或者摘要数据，该数据既适合在内存中处理，又可以回答你感兴趣的问题。此时的挑战就是如何找到合适的小数据，这通常需要多次迭代。
另外一种可能是，你的大数据问题实际上就是大量的小数据问题。每一个问题都可以在内存中处理，但你有数百万个这样的问题。举例来说，假设你想为数据集中的每个人都拟合一个模型。如果只有 10 人或 100 人，那这是小菜一碟，但如果有 100 万人，情况就完全不同了。好在每个问题都是独立于其他问题的（这种情况有时称为高度并行，embarrassingly parallel），因此你只需要一个可以将不同数据集发送到不同计算机上进行处理的系统（如 Hadoop 或 Spark）即可。如果已经知道如何使用本书中介绍的工具来解决独立子集的问题，那么你就可以学习一下新的工具（比如 sparklyr、rhipe 和 ddr）来解决整个数据集的问题。Python、Julia以及类似的语言
在本书中，你不会学到有关 Python、Julia 以及其他用于数据科学的编程语言的任何内容。这并不是因为我们认为这些工具不好，它们都很不错！实际上，多数数据科学团队都会使用多种语言，至少会同时使用 R 和 Python。
但是，我们认为最好每次只学习并精通一种工具。如果你潜心研究一种工具，那么会比同时泛泛地学习多个工具掌握得更快。这并不是说你只应该精通一种工具，而是说每次专注于一件事情时，通常你会进步得更快。在整个职业生涯中，你都应该努力学习新事物，但是一定要在充分理解原有知识后，再去学习感兴趣的新知识。
我们认为 R 是你开始数据科学旅程的一个非常好的起点，因为它从根本上说就是一种用来支持数据科学的环境。R 不仅仅是一门编程语言，它还是进行数据科学工作的一种交互式环境。为了支持交互性，R 比多数同类语言灵活得多。虽然会导致一些缺点，但这种灵活性的一大好处是，可以非常容易地为数据科学过程中的某些环节量身定制语法。这些微型语言有助于你从数据科学家的角度来思考问题，还可以在你的大脑和计算机之间建立流畅的交流方式。非矩形数据
本书仅关注矩形数据。矩形数据是值的集合，集合中的每个值都与一个变量和一个观测相关。很多数据集天然地不符合这种规范，比如图像、声音、树结构和文本。但是矩形数据框架在科技与工业领域是非常普遍的。我们认为它是开始数据科学旅途的一个非常好的起点。假设验证
数据分析可以分为两类：假设生成和假设验证（有时称为验证性分析）。无须掩饰，本书的重点就在于假设生成，或者说是数据探索。我们将对数据进行深入研究，并结合专业知识生成多种有趣的假设来帮助你对数据的行为方式作出解释。你可以对这些假设进行非正式的评估，凭借自己的怀疑精神从多个方面向数据发起挑战。
假设验证与假设生成是互补的。假设验证比较困难，原因如下。● 你需要一个精确的数学模型来生成可证伪的预测，这通常需要深
厚的统计学修养。● 为了验证假设，每个观测只能使用一次。一旦使用观测的次数超
过了一次，那么就回到了探索性分析。这意味着，若要进行假设
验证，你需要“预先注册”（事先拟定好）自己的分析计划，而
且看到数据后也不能改变计划。在本书的第四部分中，我们将讨
论一些相关的策略，你可以使用它们让假设验证变得更容易。
经常有人认为建模是用来进行假设验证的工具，而可视化是用来进行假设生成的工具。这种简单的二分法是错误的：模型经常用于数据探索；只需稍作处理，可视化也可以用来进行假设验证。核心区别在于你使用每个观测的频率：如果只用一次，那么就是假设验证；如果多于一次，那么就是数据探索。准备工作
为了最有效地利用本书，我们对你的知识结构做了一些假设。你应该具有一定的数学基础，如果有一些编程经验也会有所帮助。如果从来没有编写过程序，那么你应该学习一下 Garrett 所著的《R 语言入门与实践》，它可以作为本书的有益补充。
为了运行本书中的代码，你需要 4 个工具：R、RStudio、一个称为 tidyverse 的 R 包集合，以及另外几个 R 包。包是可重用 R 代码的基本单位，它们包括可重用的函数、描述函数使用方法的文档以及示例数据。R
可以在 CRAN（comprehensive R archive network）下载 R。CRAN 由分布在世界各地的很多镜像服务器组成，用于分发 R 和 R 包。不要尝试选择离你近的服务器，而应该使用云镜像：https://cloud.r-project.org，它会自动找出离你最近的服务器。
R 的主版本一年发布一次，每年也会发布两三个次版本，因此你应该定期更新。更新 R 有一点麻烦，特别是更新主版本会要求你重新安装所有的 R 包，但是如果不更新的话，麻烦会更多。RStudio
RStudio 是用于 R 编程的一种集成开发环境（integrated development environment，IDE）。你可以从 http://www.rstudio.com/download 下载并安装。RStudio 每年会更新多次。当有新版本时，RStudio 会进行通知。应该定期更新，这样你就可以使用其最新、最强大的功能。为了运行本书中的代码，请确认安装了 RStudio 1.0.0。
启动 RStudio 后，你会看到界面有以下两个关键区域。
现在，你只要知道可以在控制台窗格中输入 R 代码，然后按回车键运行就够了。在学习本书的过程中，你会学到 RStudio 的更多使用方法。tidyverse
你还需要安装一些 R 包。R 包是函数、数据和文档的集合，是对 R 基础功能的扩展。只有学会如何使用 R 包，才能真正掌握 R 语言的精华。你在本书中学习的大多数 R 包都是 tidyverse 的一部分。tidyverse 中的 R 包有着同样的数据处理与编程理念，它们的设计从根本上就是为了协同工作。
你可以用一行代码完整地安装 tidyverse：nstall.packages("tidyverse")
在计算机上启动 RStudio 并在控制台中输入这行代码，然后按回车键来运行。R 会从 CRAN 下载这个包并将其安装在你的计算机上。如果安装有问题，请先确认你连接了互联网，再确认 https://cloud.r-project.org 没有被你的防火墙或代理服务器阻拦。
如果没有使用 library() 函数加载 R 包，那么你就不能使用其中的函数、对象和帮助文件。一旦 R 包安装完成，你就可以使用 library() 函数进行加载：library(tidyverse)#> Loading tidyverse: ggplot2#> Loading tidyverse: tibble#> Loading tidyverse: readr#> Loading tidyverse: purrr#> Loading tidyverse: dplyr#> Conflicts with tidy packages --------------------------------#> filter(): dplyr, stats#> lag(): dplyr, stats
以上结果表明，tidyverse 正在加载 R 包 ggplot2、tibble、readr、purrr 和 dplyr。这些包被视为 tidyverse 的核心，因为几乎在所有的分析中都会用到它们。
tidyverse 中的包修改得相当频繁。你可以通过运行 tidyverse_update() 函数来检查是否有更新，并选择是否进行更新。其他包
还有很多优秀的 R 包没有包含在 tidyverse 中，这是因为它们解决的是其他领域中的问题，或者它们遵循的是另外一套基本设计原则。它们不分优劣，只是不同而已。换句话说，与 tidyverse 互补的不是 messyverse，而是其他所有相互关联的 R 包。在使用 R 完成越来越多的数据科学项目的过程中，你会不断发现新的包，也会不断更新对数据的认识。运行R代码
前面展示了运行 R 代码的几个示例。本书以如下方式展示 R 代码：1 + 2#> [1] 3
如果在本地控制台中运行同样的代码，将得到如下结果：> 1 + 2[1] 3
这里有两处主要区别。在控制台中，需要在 >（提示符）后面输入代码，但本书不显示提示符。书中的输出结果被 #> 注释掉了，但是控制台中的输出结果则直接显示在代码后面。这样一来，如果你阅读的是本书电子版，你就可以轻松地将代码从书中复制到控制台。
全书使用一致的规则来表示代码。● 函数与代码的字体相同，并且其后有圆括号，如 sum() 或
mean()。● 其他 R 对象（比如数据或函数参数）也使用代码字体，但其后
没有圆括号，如 flights 或 x。● 如果想要明确指出对象来自于哪个 R 包，那么我们会在包的名
称后面加两个冒号，如 dplyr::mutate() 或 nycflights13::flights；R
代码也支持这种形式。获取帮助及更多学习资源
本书并非知识孤岛，单单利用一种资源是无法精通 R 语言的。当开始将本书介绍的技术应用于自己的数据时，你很快就会发现本书并未解答所有问题。本节将介绍几个获取帮助的小技巧，以帮助你持续地学习。
如果遇到问题，首先应该求助于 Google。通常来说，在查询内容时加上一个“R”，就足以得到与 R 相关的结果。如果查不到有用的结果，这意味着目前还没有特定的 R 解决方案。Google 特别适合查询错误消息。如果收到一条错误消息，但根本不知道其含义，那就用 Google 搜索一下吧！很可能有人遇到过这种错误，而答案就在网上。（如果错误消息不是英文，可以运行 Sys.setenv(LANGUAGE = "en")，接着重新运行代码；使用英文错误消息进行查询更可能获得帮助。）
如果 Google 没有奏效，那么可以试试 Stack Overflow。先花点时间搜索一下现成的答案；使用 [R] 可以将搜索范围限定在与 R 相关的问题和答案中。如果没有发现任何有用的内容，那么就准备一个最简单的可重现实例，即 reprex。良好的 reprex 让你更容易从他人那里获得帮助，而且在准备 reprex 时，你往往自己就能发现问题所在。
reprex 的准备工作应该包括 3 项内容：所需 R 包、数据和代码。● 应该在脚本开头就加载 R 包，这样就会很容易知道 reprex 都需
要哪些 R 包。应该趁机检查自己是否使用了每个 R 包的最新版
本；你可能会发现，当安装了某个 R 包的最新版本后，问题就
解决了。对于 tidyverse 中的 R 包来说，检查版本的最简单方式
是运行 tidyverse_update() 函数。● 在 reprex 中包含数据的最简单方法是使用 dput() 函数生成重建
数据的 R 代码。例如，要想在 R 中重建 mtcars 数据集，可以遵
循以下步骤：(1) 在 R 中运行 dput(mtcars)；(2) 复制输出结果；
(3) 在可重现脚本中输入 mtcars <-，然后粘贴输出结果。应该努
力找出依然能够反映问题的数据最小子集。● 花一点时间确保别人可以轻松理解你的代码：● 确保使用了空格，并且变量名简明扼要；● 用注释来说明你的问题所在；● 尽最大努力去除所有与问题不相关的内容。
代码越短，越容易理解，问题也就越容易解决。
启动一个新的 R 会话，将你的脚本复制并粘贴进去，检查 reprex 是否已经准备完毕。
你还应该花些时间来防患于未然。每天花一点时间学习 R，长远来看你将获得丰厚的回报。可以在 RStudio 博客上关注 Hadley、Garrett 和其他 RStudio 开发人员的动态。我们会在博客上发布有关新 R 包、新 IDE 功能和面授课程的一些公告。你还可以在 Twitter 上关注 Hadley（@hadleywickham）和 Garrett（@statgarrett），也可以关注 @rstudiotips 来了解 RStudio 的新功能。
为了更好地掌握 R 社区的最新动态，我们建议你关注 R-bloggers 这个网站，该网站汇集了世界各地 500 多个关于 R 的博客。如果你是活跃的 Twitter 用户，可以关注 #rstats 这个主题标签。Twitter 是 Hadley 跟踪 R 社区最新发展的一个关键工具。致谢
本书不仅是 Hadley 和 Garrett 的作品，还是我们与 R 社区很多用户（面对面和线上）对话的结果。我们要特别感谢一些人，因为他们花费了很多时间来回答我们的问题，并帮助我们更加深刻地理解了数据科学。● 感谢 Jenny Bryan 和 Lionel Henry 就列表和列表列的使用与我们
进行了多次有益的讨论。● 感谢 Jenny Bryan 允许我们改编其文章“R basics, workspace
and working directory, RStudio projects”，进而形成了本书关于工
作流的 3 章内容。● 感谢 Genevera Allen 与我们讨论模型、建模、统计学习前景以
及假设生成和假设验证的区别。● 感谢谢益辉为 R 包 bookdown 所做的工作，同时还要感谢他不
断满足我们的功能需求。● 感谢 Bill Behrman 仔细通读了全书，并在其斯坦福数据科学课堂
中试用了本书。● 感谢使用 #rstats 主题标签的所有 Twitter 用户，他们审阅了本书
全部章节的草稿，并提供了大量有用的反馈。● 感谢 Tal Galili 扩展了其 R 包 dendextend 以支持与聚类相关的一
节，虽然最终稿中并未包含这项内容。
本书是以开源方式写成的，很多人提出了修改意见并帮助改正了各种小问题。特别感谢所有通过 GitHub 为本书做出贡献的人们（按字母顺序排列）：adi pradhan、Ahmed ElGabbas、Ajay Deonarine、@Alex、Andrew Landgraf、@batpigandme、@behrman、Ben Marwick、Bill Behrman、Brandon Greenwell、Brett Klamer、Christian G. Warden、Christian Mongeau、Colin Gillespie、Cooper Morris、Curtis Alexander、Daniel Gromer、David Clark、Derwin McGeary、Devin Pastoor、Dylan Cashman、Earl Brown、Eric Watt、Etienne B. Racine、Flemming Villalona、Gregory Jefferis、@harrismcgehee、Hengni Cai、Ian Lyttle、Ian Sealy、Jakub Nowosad、Jennifer (Jenny) Bryan、@jennybc、Jeroen Janssens、Jim Hester、@jjchern、Joanne Jang、John Sears、Jon Calder、Jonathan Page、@jonathanflint、Julia Stewart Lowndes、Julian During、Justinas Petuchovas、Kara Woo、@kdpsingh、Kenny Darrell、Kirill Sevastyanenko、@koalabearski、@KyleHumphrey、Lawrence Wu、Matthew Sedaghatfar、Mine Cetinkaya-Rundel、@MJMarshall、Mustafa Ascha、@nate-d-olson、Nelson Areal、Nick Clark、@nickelas、@nwaff、@OaCantona、Patrick Kennedy、Peter Hurford、Rademeyer Vermaak、Radu Grosu、@rlzijdeman、Robert Schuessler、@robinlovelace、@robinsones、S'busiso Mkhondwane、@seamus-mckinsey、@seanpwilliams、Shannon Ellis、@shoili、@sibusiso16、@spirgel、Steve Mortimer、@svenski、Terence Teo、Thomas Klebel、TJ Mahr、Tom Prior、Will Beasley，以及谢益辉。生成环境
本书的生成环境如下所示。devtools::session_info(c("tidyverse"))#> Session info ------------------------------------------------#> setting value#> version R version 3.3.1 (2016-06-21)#> system x86_64, darwin13.4.0#> ui X11#> language (EN)#> collate en_US.UTF-8#> tz America/Los_Angeles#> date 2016-10-10#> Packages ----------------------------------------------------#> package * version date source#> assertthat 0.1 2013-12-06 CRAN (R 3.3.0)#> BH 1.60.0-2 2016-05-07 CRAN (R 3.3.0)#> broom 0.4.1 2016-06-24 CRAN (R 3.3.0)#> colorspace 1.2-6 2015-03-11 CRAN (R 3.3.0)#> curl 2.1 2016-09-22 CRAN (R 3.3.0)#> DBI 0.5-1 2016-09-10 CRAN (R 3.3.0)#> dichromat 2.0-0 2013-01-24 CRAN (R 3.3.0)#> digest 0.6.10 2016-08-02 CRAN (R 3.3.0)#> dplyr * 0.5.0 2016-06-24 CRAN (R 3.3.0)#> forcats 0.1.1 2016-09-16 CRAN (R 3.3.0)#> foreign 0.8-67 2016-09-13 CRAN (R 3.3.0)#> ggplot2 * 2.1.0.9001 2016-10-06 local#> gtable 0.2.0 2016-02-26 CRAN (R 3.3.0)#> haven 1.0.0 2016-09-30 local#> hms 0.2-1 2016-07-28 CRAN (R 3.3.1)#> httr 1.2.1 2016-07-03 cran (@1.2.1)#> jsonlite 1.1 2016-09-14 CRAN (R 3.3.0)#> labeling 0.3 2014-08-23 CRAN (R 3.3.0)#> lattice 0.20-34 2016-09-06 CRAN (R 3.3.0)#> lazyeval 0.2.0 2016-06-12 CRAN (R 3.3.0)#> lubridate 1.6.0 2016-09-13 CRAN (R 3.3.0)#> magrittr 1.5 2014-11-22 CRAN (R 3.3.0)#> MASS 7.3-45 2016-04-21 CRAN (R 3.3.1)#> mime 0.5 2016-07-07 cran (@0.5)#> mnormt 1.5-4 2016-03-09 CRAN (R 3.3.0)#> modelr 0.1.0 2016-08-31 CRAN (R 3.3.0)#> munsell 0.4.3 2016-02-13 CRAN (R 3.3.0)#> nlme 3.1-128 2016-05-10 CRAN (R 3.3.1)#> openssl 0.9.4 2016-05-25 cran (@0.9.4)#> plyr 1.8.4 2016-06-08 cran (@1.8.4)#> psych 1.6.9 2016-09-17 CRAN (R 3.3.0)#> purr r * 0.2.2 2016-06-18 CRAN (R 3.3.0)#> R6 2.1.3 2016-08-19 CRAN (R 3.3.0)#> RColorBrewer 1.1-2 2014-12-07 CRAN (R 3.3.0)#> Rcpp 0.12.7 2016-09-05 CRAN (R 3.3.0)#> readr * 1.0.0 2016-08-03 CRAN (R 3.3.0)#> readxl 0.1.1 2016-03-28 CRAN (R 3.3.0)#> reshape2 1.4.1 2014-12-06 CRAN (R 3.3.0)#> rvest 0.3.2 2016-06-17 CRAN (R 3.3.0)#> scales 0.4.0.9003 2016-10-06 local#> selectr 0.3-0 2016-08-30 CRAN (R 3.3.0)#> stringi 1.1.2 2016-10-01 CRAN (R 3.3.1)#> stringr 1.1.0 2016-08-19 cran (@1.1.0)#> tibble * 1.2 2016-08-26 CRAN (R 3.3.0)#> tidyverse * 1.0.0 2016-09-09 CRAN (R 3.3.0)#> xml2 1.0.0.9001 2016-09-30 local排版约定
本书使用了下列排版约定。● 黑体表示新术语和重点强调的内容。● 等宽字体（constant width）表示程序片段，以及正文中出现的
变量、函数名、数据库、数据类型、环境变量、语句和关键字等。● 加粗等宽字体（constant width bold）表示应该由用户输入的命
令或其他文本。● 等宽斜体（constant width italic）表示应该由用户输入的值或根
据上下文确定的值替换的文本。 该图标表示提示或建议。使用代码示例
本书源代码可以从图灵社区本书页面免费下载：http://www.ituring.com.cn/book/2113。
本书是要帮你完成工作的。一般来说，如果本书提供了示例代码，你可以把它用在你的程序或文档中。除非你使用了很大一部分代码，否则无须联系我们获得许可。比如，用本书的几个代码片段写一个程序就无须获得许可，销售或分发 O'Reilly 图书的示例光盘则需要获得许可；引用本书中的示例代码回答问题无须获得许可，将书中大量的代码放到你的产品文档中则需要获得许可。
我们很希望但并不强制要求你在引用本书内容时加上引用说明。引用说明一般包括书名、作者、出版社和 ISBN。比如：“R for Data Science by Hadley Wickham and Garrett Grolemund (O'Reilly). Copyright 2017 Garrett Grolemund, Hadley Wickham, 978-1-491-91039-9.”
如果你觉得自己对示例代码的用法超出了上述许可的范围，欢迎你通过 permissions@oreilly.com 与我们联系。O'Reilly Safari
Safari（原来叫 Safari Books Online）是一个会员制的培训和参考咨询平台，面向企业、政府、教育从业者和个人。
会员可以访问几千种书籍、培训视频、学习路径、互动式教程和精选播放列表，提供这些资源的出版商超过 250 家，包括 O'Reilly Media、Harvard Business Review、Prentice Hall Professional、Addison-Wesley Professional、Microsoft Press、Sams、Que、Peachpit Press、Adobe、Focal Press、Cisco Press、John Wiley & Sons、Syngress、Morgan Kaufmann、IBM Redbooks、Packt、Adobe Press、FT Press、Apress、Manning、New Riders、McGraw-Hill、Jones & Bartlett、Course Technology，等等。
要获得更多信息，请访问 http://oreilly.com/safari。联系我们
请把对本书的评价和问题发给出版社。
美国：
O'Reilly Media, Inc.
1005 Gravenstein Highway North
Sebastopol, CA 95472
中国：
北京市西城区西直门南大街 2 号成铭大厦 C 座 807 室（100035）
奥莱利技术咨询（北京）有限公司
O'Reilly 的每一本书都有专属网页，你在上面可以找到图书的相关信息，包括勘误表、示例代码以及其他信息。
对于本书的评论和技术性问题，请发送电子邮件到：
bookquestions@oreilly.com
要了解更多 O'Reilly 图书、培训课程、会议和新闻的信息，请访问以下网站：http://www.oreilly.com
我们在 Facebook 的地址如下：http://facebook.com/oreilly
请关注我们的 Twitter 动态：http://twitter.com/oreillymedia
我们的 YouTube 视频地址如下：http://www.youtube.com/oreillymedia第一部分探索
本书第一部分的目的是让你尽快掌握数据探索的基本工具。数据探索是一门艺术，它可以审视数据，快速生成假设并进行检验，接着重复、重复、再重复。数据探索的目的是生成多个有分析价值的线索，以供后续进行更深入的研究。
你将在本部分中学习一些非常有用的工具，它们的效果立竿见影。● 可视化是开始 R 编程的一个非常好的起点，因为其回报非常明
确：你可以做出样式优雅且信息丰富的图形来帮助自己理解数
据。在第 1 章中，你将深入钻研数据可视化，学习 ggplot2 图形
的基本结构以及将数据转换为图形的强大技术。● 只进行可视化通常是不够的，因此你将在第 3 章中学习一些非
常重要的操作，其中包括选取重要变量、筛选关键观测、创建新
变量，以及计算摘要统计量。● 最后，在第 5 章中，你将利用数据可视化技术和数据转换技
术，结合你的好奇心和怀疑精神，对数据提出有趣的问题并试图
找到答案。
建模是数据探索过程中非常重要的环节，但你现在还没有掌握有效学习和应用模型的技能。一旦你掌握了更多的数据处理工具和编程工具，我们将在第四部分继续讨论建模技术。
在讲授数据探索工具的 3 章间，我们穿插了介绍 R 工作流的 3 章内容。在第 2 章、第 4 章和第 6 章中，你将学习编写和组织 R 代码的最佳实践。从长远来看，这会为你的成功打下坚实的基础，因为这几章介绍的工具可以让你井井有条地处理实际项目。第1章使用ggplot2进行数据可视化1.1 简介简单的图形对数据分析者的启示比任何其他方法都要多。——John Tukey
本章将教你如何使用 ggplot2 进行数据可视化。R 有好几种绘图工具，但 ggplot2 是其中最优雅、功能最全面的一个。ggplot2 实现了图形语法，这是一套用来描述和构建图形的连贯性语法规则。掌握 ggplot2 后，你便可以在多个场景中使用，从而显著提高工作效率。
在开始学习之前，如果想要了解 ggplot2 背后的更多理论基础，推荐你读一读“A Layered Grammar of Graphics”。准备工作
本章重点讨论 tidyverse 的一个核心 R 包——ggplot2。为了访问本章用到的数据集、帮助页面和函数，需要先运行以下代码来加载 tidyverse：library(tidyverse)#> Loading tidyverse: ggplot2#> Loading tidyverse: tibble#> Loading tidyverse: readr#> Loading tidyverse: purrr#> Loading tidyverse: dplyr#> Conflicts with tidy packages --------------------------------#> filter(): dplyr, stats#> lag(): dplyr, stats
这一行代码加载了 tidyverse 的核心 R 包。在几乎所有的数据分析任务中，你都会用到这些 R 包。这行代码还会告诉你 tidyverse 中的哪些函数与基础 R 包（或者已加载的其他 R 包）中的函数有冲突。
如果运行这行代码时出现错误消息“there is no package called‘tidyverse’”，那么你需要先安装 tidyverse，然后再运行 library() 函数：install.packages("tidyverse")library(tidyverse)
R 包只需安装一次，但每次开始新会话时都要重新加载。
如果想要明确指出某个函数（或数据集）的来源，那么可以使用特殊语法形式 package::function()。例如，ggplot2::ggplot() 明确指出了我们使用的是 ggplot2 包中的 ggplot() 函数。1.2 第一步
我们使用第一张图来回答问题：大引擎汽车比小引擎汽车更耗油吗？你可能已经有了答案，但应该努力让答案更精确一些。引擎大小与燃油效率之间是什么关系？是正相关，还是负相关？是线性关系，还是非线性关系？1.2.1 mpg数据框
你可以使用 ggplot2 包中的 mpg 数据框（即 ggplot2::mpg）来检验自己的答案。数据框是变量（列）和观测（行）的矩形集合。mpg 包含了由美国环境保护协会收集的 38 种车型的观测数据。mpg#> # A tibble: 234 × 11#> manufacturer model displ year cyl trans drv#>
mpg 中包括如下变量。● displ：引擎大小，单位为升。● hwy：汽车在高速公路上行驶时的燃油效率，单位为英里 / 加仑（mpg）。与燃油效率高的汽车相比，燃油效率低的汽车在行驶
相同距离时要消耗更多燃油。
要想了解更多关于 mpg 的信息，可以使用 ?mpg 命令打开其帮助页面。1.2.2 创建ggplot图形
为了绘制 mpg 的图形，运行以下代码将 displ 放在 x 轴，hwy 放在 y 轴：ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy))
上图显示出引擎大小（displ）和燃油效率（hwy）之间是负相关关系。换句话说，大引擎汽车更耗油。这张图是证实了你对燃油效率和引擎大小之间关系的假设，还是推翻了它？
在 ggplot2 中，你可以使用 ggplot() 函数开始绘图。ggplot() 创建了一个坐标系，你可以在它上面添加图层。ggplot() 的第一个参数是要在图中使用的数据集。ggplot(data = mpg) 会创建一张空白图，因为这张图没什么意思，所以就不在这里展示了。
向 ggplot() 中添加一个或多个图层就可以完成这张图。函数 geom_point() 向图中添加一个点层，这样就可以创建一张散点图。ggplot2 中包含了多种几何对象函数，每种函数都可以向图中添加不同类型的图层。你将在本章中学到大量的几何对象函数。
ggplot2 中的每个几何对象函数都有一个 mapping 参数。这个参数定义了如何将数据集中的变量映射为图形属性。mapping 参数总是与 aes() 函数成对出现，aes() 函数的 x 参数和 y 参数分别指定了映射到 x 轴的变量与映射到 y 轴的变量。ggplot2 在 data 参数中寻找映射变量，本例中就是 mpg。1.2.3 绘图模板
我们将上面的代码转换为一个可重用的 ggplot2 绘图模板。要想生成一张图，将以下代码中的尖括号部分替换为数据集、几何对象函数或映射集合即可：ggplot(data = ) +
本章其余内容将向你展示如何完成并扩展这个模板，以制作出各种类型的图。我们将从
(1) 运行 ggplot(data = mpg)，你会看到什么？
(2) 数据集 mpg 中有多少行？多少列？
(3) 变量 drv 的意义是什么？使用 ?mpg 命令阅读帮助文件以找出答案。
(4) 使用 hwy 和 cyl 绘制一张散点图。
(5) 如果使用 class 和 drv 绘制散点图，会发生什么情况？为什么这张图没什么用处？1.3 图形属性映射图片的最大价值在于促使我们发现从未预料到的事情。——John Tukey
下图中有一组点（显示为红色）似乎位于线性趋势之外。这些汽车比预期具有更高的里程数。如何解释这种现象呢？
我们可以假设这些汽车是混合动力车。检验这种假设的一个方法是查看每辆汽车的 class 值。mpg 数据集中的 class 变量对汽车进行了分类，比如小型、中型和 SUV。如果那些离群点是混合动力车，那么它们应该分类为小型车，也可能是微型车（注意，这份数据是在混合动力车和 SUV 流行前收集的）。
可以向二维散点图中添加第三个变量，比如 class，方式是将它映射为图形属性。图形属性是图中对象的可视化属性，其中包括数据点的大小、形状和颜色。通过改变图形属性的值，可以用不同的方式来显示数据点（如下图所示）。因为已经使用“value”这个词来表示数据的值，所以下面使用“level”（水平）这个词来表示图形属性的值。我们来改变一个点的大小、形状和颜色的水平，分别让它变小、变为三角形和变为蓝色，如下所示。
通过将图中的图形属性映射为数据集中的变量，可以传达出数据的相关信息。例如，可以将点的颜色映射为变量 class，从而揭示每辆汽车的类型：ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, color = class))（如果你更喜欢英式英语，就像 Hadley 一样，那么可以使用 colour 代替 color。）
要想将图形属性映射为变量，需要在函数 aes() 中将图形属性名称和变量名称关联起来。ggplot2 会自动为每个变量值分配唯一的图形属性水平（本例中是唯一的颜色），这个过程称为标度变换。ggplot2 还会添加一个图例，以表示图形属性水平和变量值之间的对应关系。
颜色揭示出的信息是，那些离群点多数是双座汽车。这些汽车不像是混合动力车；实际上，它们是跑车！跑车像 SUV 和皮卡一样配有大引擎，但车身却类似于中型车和小型车，这样就提高了它的里程数。现在想来，这些车不会是混合动力的，因为它们具有大引擎。
在上例中，我们将 class 映射为颜色，但也可以用同样的方式将其映射为点的大小。在下面的示例中，每个点的实际大小表示其所属的类别。这里我们收到一条警告信息，因为将无序变量（class）映射为有序图形属性（size）可不是好主意。ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, size = class))#> Warning: Using size for a discrete variable is not advised.
或者我们也可以将 class 映射为控制数据点透明度的 alpha 图形属性，还可以将其映射为点的形状。# 上图ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, alpha = class))# 下图ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy, shape = class))
SUV 怎么了？ ggplot2 只能同时使用 6 种形状。默认情况下，当使用这种图形属性时，多出的变量值将不会出现在图中。
对你所使用的每个图形属性来说，函数 aes() 都可以将其名称与一个待显示变量关联起来。aes() 将图层中使用的每个图形属性映射集合在一起，然后传递给该图层的映射参数。这一语法强调了关于 x 和 y 的重要信息：数据点的 x 轴位置和 y 轴位置本身就是图形属性，即可以映射为变量来表示数据信息的可视化属性。
一旦映射了图形属性，ggplot2 会处理好其余的事情。它会为图形属性选择一个合适的标度，并创建图例来表示图形属性水平和变量值之间的映射关系。ggplot2 不会为 x 和 y 这两个图形属性创建图例，而会创建带有刻度标记和标签的坐标轴。坐标轴就相当于图例，可以体现出位置和变量值之间的映射关系。
还可以手动为几何对象设置图形属性。例如，我们可以让图中的所有点都为蓝色：ggplot(data = mpg) + geom_point(mapping = aes(x = displ, y = hwy), color = "blue")
此时颜色不会传达关于变量的信息，只是改变图的外观。要想手动设置图形属性，需要按名称进行设置，将其作为几何对象函数的一个参数。这也就是说，需要在函数 aes() 的外部进行设置。此外，还需要为这个图形属性选择一个有意义的值。● 颜色名称是一个字符串。● 点的大小用毫米表示。● 点的形状是一个数值，如图 1-1 所示。有些形状相同，比如 0、
15 和 22 都是正方形。形状之间的区别在于 color 和 fill 这两个图
形属性。空心形状（0~14）的边界颜色由 color 决定；实心形状（15~20）的填充颜色由 color 决定；填充形状（21~24）的边界
颜色由 color 决定，填充颜色由 fill 决定。图 1-1：用数值进行标识的 R 的 25 种内置形状练习
(1) 以下这段代码有什么错误？为什么点不是蓝色的？ggplot(data = mpg) + geom_point( mapping = aes(x = displ, y = hwy, color = "blue") )
(2) mpg 中的哪些变量是分类变量？哪些变量是连续变量？（提示：输入 ?mpg 来阅读这个数据集的文档。）当调用 mpg 时，如何才能看到这些信息？
(3) 将一个连续变量映射为 color、size 和 shape。对分类变量和连续变量来说，这些图形属性的表现有什么不同？
(4) 如果将同一个变量映射为多个图形属性，会发生什么情况？
(5) stroke 这个图形属性的作用是什么？它适用于哪些形状？（提示：使用 ?geom_point 命令。）
(6) 如果将图形属性映射为非变量名对象，比如 aes(color = displ < 5)，会发生什么情况？1.4 常见问题
当开始运行 R 代码时，你很可能会遇到问题。不用担心，每个人都会遇到问题。我已经编写 R 代码多年了，但还是每天都会写出不能正常运行的代码。
首先，将你需要运行的代码与书中的代码进行仔细对比。R 极其挑剔，即使一个字母放错了位置，也可能会造成问题。确保每个 ( 都有一个 ) 与之匹配，并且每个 " 后面都跟着另一个 "。有时运行了代码却什么也没有发生。检查一下控制台左侧：如果有一个 + 号，那么说明 R 认为你没有输入完整的表达式，正在等待你完成输入。这种情况下，按 Esc 键中止当前执行的命令就可以重新开始。
创建 ggplot2 图形时的一个常见问题是将 + 号放错了位置：+ 必须放在一行代码的末尾，而不是开头。换句话说，请确保你没有粗心地写出以下这样的代码：ggplot(data = mpg)+ geom_point(mapping = aes(x = displ, y = hwy))
如果还是有问题，那么可以看看帮助页面。通过在控制台中运行 ? 函数名，或者在 RStudio 中选定函数名称后按 F1 键，你可以获得任何 R 函数的帮助信息。如果帮助页面看上去没什么用，也不要着急，你可以跳过这些帮助信息，向下找到示例部分，并查看与你的需求相匹配的代码。
如果还是没什么用，那么再仔细阅读一下错误消息。有时答案就
试读结束[说明：试读内容隐藏了图片]