一个通用数据挖掘系统——R的简介

简介

R (http://www.r-project.org) 系统是用于统计分析和图形化的计算机语言及分析工具，为了保证性能，其核心计算模块是用C、C++和Fortran编写的。同时为了便于使用，它提供了一种脚本语言，即R语言。R语言和贝尔实验室开发的S语言类似。R支持一系列分析技术，包括统计检验、预测建模、数据可视化等等。在CRAN(http://cran.r-project.org) 上可以找到众多开源的扩展包。
   R软件的首选界面是命令行界面，通过编写脚本来调用分析功能。如果缺乏编程技能，也可使用图形界面，比如使用RCommander(http://socserv.mcmaster.ca/jfox/Misc/Rcmdr/)或Rattle(http://rattle.togaware.com)。[2]

另外，由于R系统是本文研究的重点，所以会花费较大篇幅对其各种特性、优势及不足进行较为细致的分析。

主要功能

如前所述，R系统是一种脚本语言，它主要以命令方式提供了对各种数据的处理和统计分析过程，主要能力或功能描述如下：

1.数据导入和导出：可以从文件中获取数据，将处理结果存放到数据文件中；如HousePrice <- read.table("houses.data")；data(Puromycin, package="datasets")；attach(“faithful”)

2.向量数据处理能力：它可以处理向量数据（包括数值、逻辑和字符串），也可以按一定规则生成向量数据；支持向量运算（+、-、*、/、幂运算）；

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

n向量运算：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.复杂数据处理能力：支持矩阵、支持列表数据类型（元素不同）、数据帧（类似矩阵，但元素类型可不同）；

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数组或矩阵：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数据帧：accountants <- data.frame(home=statef, loot=incomes, shot=incomef)

4.支持函数：包括系统内置函数和用户定义函数；自定义函数举例如下：

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：支持多种概率分布模型，如下：

nBeta：贝塔分布

nBinomial：二项分布

nCauchy：柯西分布

nchi-squared：卡方分布

nexponential：指数分布

nF：F分布

nGamma：伽马分布

nGeometric：几何分布

nHypergeometric：超集合分布

nlog-normal：对数正态分布

nlogistic：对数分布

nnegativebinomial：负二项分布

nnormal：正态分布

nPoisson：泊松分布

nsignedrank：符号秩次分布

nStudent：学生氏分布

nUniform：单一分布

nWeibull：Weibull分布

nWilcoxon：威尔考克斯分布

以下为分布的举例：

n正态分布：

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)

上述命令生成的图如下：

n指数分布：

x <- seq(1, 5, 0.01)

plot(pexp(x,3))

生成的统计图如下：

6.支持条件语句和循环语句

条件语句：if (expr_1) expr_2 else expr_3

循环语句：

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.支持多种图型化的数据表达方式，举例如下（直方图）：

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

hist(x)

优势

R系统具有如下优势：

1.因其为单行命令模式，所以对于一般有开发经验的用户，简便易学，容易上手；

2.数据类型支持丰富；

3.支持的概率分布模型较全面，一般能满足日常使用；而且支持通用的假设检验方法；

4.支持流程控制和自定义函数。

不足

但R系统也有如下缺点：

1.虽然简便易学，和纯粹基于图型的挖掘工具相较，使用起来仍不够直观、方便；

2.对使用人员而言，仍有一定的要求；

3.一般只能从文件中获取数据，无法和数据库系统相结合。