一個通用數據挖掘系統——R的簡介

簡介

R (http://www.r-project.org) 系統是用于統計分析和圖形化的計算機語言及分析工具，為了保證性能，其核心計算模塊是用C、C++和Fortran編寫的。同時為了便于使用，它提供了一種腳本語言，即R語言。R語言和貝爾實驗室開發的S語言類似。R支持一系列分析技術，包括統計檢驗、預測建模、數據可視化等等。在CRAN(http://cran.r-project.org) 上可以找到眾多開源的擴展包。
   R軟件的首選界面是命令行界面，通過編寫腳本來調用分析功能。如果缺乏編程技能，也可使用圖形界面，比如使用RCommander(http://socserv.mcmaster.ca/jfox/Misc/Rcmdr/)或Rattle(http://rattle.togaware.com)。[2]

另外，由于R系統是本文研究的重點，所以會花費較大篇幅對其各種特性、優勢及不足進行較為細致的分析。

主要功能

如前所述，R系統是一種腳本語言，它主要以命令方式提供了對各種數據的處理和統計分析過程，主要能力或功能描述如下：

1.數據導入和導出：可以從文件中獲取數據，將處理結果存放到數據文件中；如HousePrice <- read.table("houses.data")；data(Puromycin, package="datasets")；attach(“faithful”)

2.向量數據處理能力：它可以處理向量數據（包括數值、邏輯和字符串），也可以按一定規則生成向量數據；支持向量運算（+、-、*、/、冪運算）；

n向量賦值：x <- c(10.4, 5.6, 3.1, 6.4, 21.7)；y <- c(x, 0, x)

n向量運算：1/x；v <- 2*x + y + 1；sum((x-mean(x))^2)/(length(x)-1)

n向量生成：z <- 0:9；s4 <- seq(length=51,from=-5, by=.2)

3.復雜數據處理能力：支持矩陣、支持列表數據類型（元素不同）、數據幀（類似矩陣，但元素類型可不同）；

因子（集合）：

state <- c("tas", "sa", "qld","nsw", "nsw", "nt", "wa","wa","qld", "vic", "nsw","vic", "qld", "qld", "sa","tas","sa", "nt", "wa","vic", "qld", "nsw", "nsw","wa","sa", "act", "nsw","vic", "vic", "act")；statef<- factor(state)

n數組或矩陣：dim(z) <- c(3,5,100)；x <- array(1:20, dim=c(4,5))

n列表：Lst <- list(name="Fred", wife="Mary",no.children=3,child.ages=c(4,7,9))

n數據幀：accountants <- data.frame(home=statef, loot=incomes, shot=incomef)

4.支持函數：包括系統內置函數和用戶定義函數；自定義函數舉例如下：

twosam <- function(y1, y2) {

n1 <- length(y1); n2 <- length(y2)

yb1 <- mean(y1); yb2 <- mean(y2)

s1 <- var(y1); s2 <- var(y2)

s <- ((n1-1)*s1 + (n2-1)*s2)/(n1+n2-2)

tst <- (yb1 - yb2)/sqrt(s*(1/n1 + 1/n2))

tst

}

5.概率分布：支持多種概率分布模型，如下：

nBeta：貝塔分布

nBinomial：二項分布

nCauchy：柯西分布

nchi-squared：卡方分布

nexponential：指數分布

nF：F分布

nGamma：伽馬分布

nGeometric：幾何分布

nHypergeometric：超集合分布

nlog-normal：對數正態分布

nlogistic：對數分布

nnegativebinomial：負二項分布

nnormal：正態分布

nPoisson：泊松分布

nsignedrank：符號秩次分布

nStudent：學生氏分布

nUniform：單一分布

nWeibull：Weibull分布

nWilcoxon：威爾考克斯分布

以下為分布的舉例：

n正態分布：

attach(faithful)

long <-eruptions[eruptions > 3]

plot(ecdf(long),do.points=FALSE, verticals=TRUE)

x <- seq(3, 5.4,0.01)

lines(x, pnorm(x, mean=mean(long),sd=sqrt(var(long))), lty=3)

上述命令生成的圖如下：

n指數分布：

x <- seq(1, 5, 0.01)

plot(pexp(x,3))

生成的統計圖如下：

6.支持條件語句和循環語句

條件語句：if (expr_1) expr_2 else expr_3

循環語句：

xc <- split(x, ind)

yc <- split(y, ind)

for (i in 1:length(yc)) {

plot(xc`i`, yc`i`)

abline(lsfit(xc`i`, yc`i`))

}

7.支持多種圖型化的數據表達方式，舉例如下（直方圖）：

x <- c(10.4, 5.6, 3.1, 6.4, 21.7)

hist(x)

優勢

R系統具有如下優勢：

1.因其為單行命令模式，所以對于一般有開發經驗的用戶，簡便易學，容易上手；

2.數據類型支持豐富；

3.支持的概率分布模型較全面，一般能滿足日常使用；而且支持通用的假設檢驗方法；

4.支持流程控制和自定義函數。

不足

但R系統也有如下缺點：

1.雖然簡便易學，和純粹基于圖型的挖掘工具相較，使用起來仍不夠直觀、方便；

2.對使用人員而言，仍有一定的要求；

3.一般只能從文件中獲取數據，無法和數據庫系統相結合。