Czym jest R, czyli jak uwolnić się od Excela

Spis treści:

• Co kryje się pod maską
• Co można zrobić za pomocą R
• Porównanie R z innymi narzędziami do analizy danych
• Czy R ma jakieś wady?

Język programowania R jest jednym z głównych konkurentów Pythona w dziedzinie statystyki i analizy danych. Jest szeroko stosowany w naukach społecznych i ekonomicznych do identyfikacji związków przyczynowo-skutkowych, porównywania próbek oraz tworzenia wizualnych raportów i wykresów. Dzięki bogatemu ekosystemowi pakietów i bibliotek, R umożliwia wydajne przetwarzanie i wizualizację danych, co czyni go niezbędnym narzędziem dla specjalistów w tej dziedzinie.

Język programowania został stworzony przez naukowców z Wydziału Statystyki Uniwersytetu w Auckland. Początkowo używany jako narzędzie wewnętrzne, stał się później dostępny dla szerszej publiczności ze względu na wysoką wydajność i funkcjonalność. Język ten szybko zyskał popularność wśród programistów i badaczy, co dowodzi jego sukcesu i użyteczności w wielu dziedzinach.

R to potężny język programowania stworzony przez statystyków dla statystyków. Zawiera szeroką gamę popularnych testów statystycznych i metod analizy danych oraz oferuje wygodne narzędzia do wizualizacji danych za pomocą wykresów. Te cechy czynią R wyjątkowym narzędziem, które nie zawsze jest dostępne w innych językach ogólnego przeznaczenia. Skupienie się na statystyce i analizie danych sprawia, że ​​R jest niezastąpiony w projektach badawczych i analitycznych, zapewniając dokładność i wydajność przetwarzania i interpretacji danych.

Specjalistyczny język programowania R konsekwentnie zajmuje swoją niszę w świecie programowania: z 18. miejsca w rankingu TIOBE w 2016 roku awansował na 8. miejsce w styczniu 2021 roku. Interpreter można zainstalować i skonfigurować środowisko pracy w dowolnym nowoczesnym systemie operacyjnym, w tym macOS, Linux i Windows. Dzięki temu R jest przystępnym narzędziem dla analityków, statystyków i naukowców zajmujących się danymi na całym świecie.

Co kryje się pod maską

R to interpretowany, obiektowy język programowania. Oznacza to, że funkcje i tabele w R są traktowane jako obiekty należące do określonych klas (typów danych). Programy w tym języku są wykonywane bezpośrednio, wiersz po wierszu, bez konieczności wstępnej kompilacji do pliku wykonywalnego. Takie podejście upraszcza proces tworzenia i debugowania kodu, umożliwiając użytkownikom szybkie testowanie i modyfikowanie programów w czasie rzeczywistym. R jest szeroko stosowany w analizie statystycznej, wizualizacji danych i obliczeniach naukowych, co czyni go popularnym wyborem wśród analityków i badaczy.

Składnia R jest prosta i obejmuje podstawowe prymitywne typy danych, takie jak znaki, liczby, dane logiczne i złożone. Te prymitywne typy można łączyć w bardziej złożone struktury. Na przykład wektor to lista zawierająca wiele obiektów, takich jak liczby, ciągi znaków i inne elementy. Zmienne numeryczne w R mogą również przyjmować wartości specjalne, takie jak NaN (nie liczba), Inf (nieskończoność) i NA (niedostępne). Zrozumienie tych typów danych i ich właściwości jest kluczem do efektywnego wykorzystania języka R w analizie danych i statystyce.

Odczyt plików to jedno z najczęściej używanych poleceń w R, ponieważ jest to niezbędny krok w analizie danych i pracy z zestawami danych. Aby pomyślnie otworzyć i eksplorować dane, użyj następującego polecenia:

Zmienna data służy do przechowywania danych z pliku, a operator przypisania określa, że ​​wartość zwrócona przez funkcję read.csv zostanie zapisana w tej zmiennej. Funkcja read.csv została zaprojektowana do odczytywania plików w formacie .csv, a parametr sep określa typ separatora używanego w pliku źródłowym (w tym przypadku przecinek). Prawidłowe ustawienie tego parametru jest ważne dla poprawnego wyświetlania danych w tabeli.

Oprócz interfejsu wiersza poleceń, dla języka programowania R dostępne są graficzne interfejsy użytkownika i narzędzia interaktywne. Narzędzia te znacznie upraszczają pracę z R i czynią ją przyjemniejszą. Są one dostępne bezpłatnie i rozpowszechniane na licencji GNU GPL. Przyjrzyjmy się najpopularniejszym z nich.

• Środowisko programistyczne RStudio. Można go zainstalować w systemach Windows, Linux i MacOS. RStudio oferuje wizualne podświetlanie kodu R, łatwą nawigację po tekście programu, historię edycji, sortowanie danych tabeli według kolumn, wyświetlanie wykresów w osobnym oknie — krótko mówiąc, wszystko, co powinno mieć normalne środowisko programistyczne.

• Interfejs sieciowy Jupyter Notebook. Jest to aplikacja notatnikowa do tworzenia i udostępniania programów w R i wielu innych językach, które umożliwiają pracę z danymi. Otwiera się w przeglądarce, wyświetlając jednocześnie kod i elementy graficzne — obrazy, równania.

• Dystrybucja Anaconda to cała kolekcja popularnych bibliotek i programów do wygodnej pracy z danymi w języku R. Nawiasem mówiąc, istnieje również wersja dla Pythona, którą wygodnie instaluje się z jednego pliku i która zawiera RStudio, interfejs sieciowy Jupyter Notebook i wiele innych aplikacji.

Co można zrobić za pomocą R

• Przetwarzaj, czyść i przekształcaj dane do celów badawczych. Na przykład, chcesz zobaczyć, ilu użytkowników średnio pobrało Twoją aplikację mobilną w każdym miesiącu letnim i jesiennym. R pozwala wykluczyć zimę i jesień z wykresu i pogrupować je według miesięcy w celu dalszych obliczeń.
• Uruchom testy statystyczne. Załóżmy, że chcesz dowiedzieć się, czy średnia długość życia różni się między mężczyznami i kobietami. Aby to zrobić, możesz uruchomić test t — jego wyniki pokażą, czy istnieją statystycznie istotne różnice między danymi.

• Uruchom analizę eksploracyjną. Dane muszą zostać sprawdzone pod kątem normalności, ponieważ wiele metod statystycznych (na przykład test t) wymaga rozkładu normalnego w danych źródłowych. Rozkład normalny zakłada, że ​​większość danych jest zgrupowana wokół wartości średniej, a pozostałe wartości są znacznie mniejsze. Ten rozkład często spotyka się w życiu: osoby o średnim wzroście są najpowszechniejsze na świecie, podczas gdy wysocy i niscy ludzie są rzadkością. R oferuje narzędzia do sprawdzania normalności rozkładu za pomocą wykresów i testów.

• Praca z tabele w różnych formatach. Ta funkcja będzie przydatna dla analityków: na przykład do łączenia danych z kilku tabel .csv i .xlsx i przetwarzania ich jako jednego pliku.
• Narysuj interaktywny wykres i dostosuj jego parametry – wartości osi itd.
• Utwórz interaktywną aplikację. Rezultatem będzie ładnie wyglądająca strona internetowa z wykresem, filtrami i sortowaniem danych. Można ją wysłać współpracownikom lub opublikować jako część artykułu. W ten sposób śledzi się przypadki koronawirusa na całym świecie (kod jest otwarty i dostępny na GitHubie).

• Analiza modeli regresji. Analiza regresji to metoda, która pozwala zidentyfikować związek między zmiennymi zależnymi i niezależnymi. Na przykład analityk chce zrozumieć, dlaczego sprzedaż jest wyższa w niektórych sklepach niż w innych. Zmienną zależną będzie wolumen sprzedaży, a istnieje kilka zmiennych niezależnych – dochody i wiek mieszkańców w okolicy, odległość od sklepu do przystanków autobusowych. Dzięki temu możliwe jest określenie, który z tych czynników ma największy wpływ na przychody sklepu.

Liczne funkcje w R są dostępne za pośrednictwem bibliotek. Standardowy pakiet zawiera około 20 bibliotek, takich jak stat do przeprowadzania testów statystycznych i graphics do podstawowej wizualizacji danych. Dodatkowe biblioteki można pobrać z serwera CRAN, który w 2020 roku zawierał ponad 16 000 pakietów. Wśród nich na uwagę zasługują plotly, przeznaczony do tworzenia interaktywnych wykresów, oraz tidyr, który upraszcza proces oczyszczania danych, umożliwiając uzupełnianie brakujących wartości i upewnienie się, że każda kolumna odpowiada pojedynczej zmiennej. Narzędzia te znacznie rozszerzają funkcjonalność R i czynią go potężnym narzędziem do analizy danych.

Porównanie R z innymi narzędziami do analizy danych

Głównymi konkurentami języka programowania R są narzędzia do analizy danych bez kodu, takie jak Excel, Arkusze Google, SPSS, Tableau i Power BI. R konkuruje również z innymi językami programowania, takimi jak Python i Julia. Te alternatywy oferują różne podejścia do analizy i wizualizacji danych, co sprawia, że ​​wybór między nimi jest ważny dla analityków.

Python to język programowania ogólnego przeznaczenia, który umożliwia tworzenie różnorodnych aplikacji. Jednocześnie R wyróżnia się potężnymi narzędziami do analizy statystycznej, co czyni go preferowanym wyborem w środowisku akademickim. Analitycy biznesowi cenią oba języki, ale Python jest obecnie bardziej popularny, ponieważ wymaga mniej wysiłku w nauce dla początkujących. Python oferuje szeroką gamę bibliotek i frameworków, dzięki czemu idealnie nadaje się do rozwiązywania różnych problemów, w tym przetwarzania danych i uczenia maszynowego. Z drugiej strony, R pozostaje niezastąpiony w projektach badawczych wymagających dogłębnej analizy danych i wizualizacji wyników.

Zwolennicy języka programowania Julia przewidują jego status konkurenta dla Pythona. Jednak Julia jest wciąż stosunkowo nowym językiem, co wpływa na wielkość jego społeczności. W rezultacie użytkownicy borykają się z brakiem gotowych rozwiązań, bibliotek i dokumentacji, zwłaszcza w języku rosyjskim.

Na Reddicie można znaleźć ciekawy wątek poświęcony wyborowi języka programowania do analiz. W naszym artykule szczegółowo omawiamy, jak wybrać odpowiedni język programowania, który będzie najskuteczniejszy w zadaniach analitycznych. Analizujemy różne języki, ich zalety i wady oraz ich zastosowanie w analityce. Pomoże Ci to dokonać świadomego wyboru, w zależności od Twoich celów i wymagań.

Siła R i innych języków programowania tkwi w ich dużej elastyczności. W przeciwieństwie do programów takich jak Excel i Tableau, które mają swoje ograniczenia, R umożliwia szybkie tworzenie niestandardowych raportów i wykresów, a także porównywanie niezbędnych danych. Jest to szczególnie ważne, gdy standardowe funkcje są niewystarczające. Język programowania R umożliwia również efektywną pracę z dużymi zbiorami danych i tworzenie modeli uczenia maszynowego, co czyni go niezastąpionym narzędziem dla analityków i naukowców zajmujących się danymi.

• Nieograniczona funkcjonalność analizy danych dzięki integracji z bibliotekami.
• Pracuj z ogromnymi tabelami i bazami danych, których programy nie potrafią obsłużyć.
• Zaawansowane opcje interfejsu: graficzny interfejs użytkownika lub interfejs wiersza poleceń.
• Całkowicie darmowy ekosystem – komponenty są dystrybuowane bezpłatnie na licencji GNU. Excel kosztuje 69,99 USD rocznie, SPSS – 3200 USD za licencję wieczystą, Tableau dla przedsiębiorstw – od 70 USD za użytkownika miesięcznie.
• Dostępny dla większości systemów operacyjnych: Windows, macOS, FreeBSD, Solaris, różnych wersji systemów Unix i Linux.
• Bogate możliwości wizualizacji: możesz tworzyć aplikacje, budować różne typy wykresów, w tym interaktywne, i edytować ich elementy. Na przykład wykres oparty na znanym zestawie danych dotyczących irysów, pokazujący gęstość płatków i działek kielicha w zależności od rodzaju irysa.

• Mnóstwo informacji i aktywna społeczność: blog, dyskusja na temat R i RStudio, lekcje, konferencje.
• Obszerna i przejrzysta dokumentacja: Zawiera opisy wszystkich bibliotek i przykłady użycia. Na przykład, tutaj znajdują się materiały dotyczące biblioteki dplyr, która służy do przetwarzania i grupowania danych.

Czy R ma jakieś wady?

Wady korzystania z języka programowania R są względne i zależą od konkretnych zadań i kontekstu. Chociaż R oferuje potężne narzędzia do analizy statystycznej i wizualizacji danych, ma również swoje wady. Po pierwsze, wydajność R może być niższa w porównaniu z innymi językami, takimi jak Python czy C++, zwłaszcza podczas pracy z dużymi ilościami danych. Po drugie, ekosystem pakietów R może być czasami mniej zróżnicowany i zaktualizowany niż w innych językach. Ponadto, język może być trudniejszy do opanowania dla początkujących, ponieważ składnia i koncepcje mogą różnić się od bardziej popularnych języków programowania. Wreszcie, R jest mniej powszechnie używany w przemyśle niż inne języki, co może ograniczać możliwości kariery dla osób posługujących się tylko nim.

• Dokumentacja i większość zasobów są dostępne wyłącznie w języku angielskim. Pojawia się jednak coraz więcej zasobów w języku rosyjskim — istnieje już dedykowana sekcja poświęcona Habr, a odpowiedzi na często zadawane pytania można znaleźć na Stack Overflow.
• Będzie to trudne dla kogoś bez doświadczenia w programowaniu i podstawowej wiedzy statystycznej. Wystarczy jednak opanowanie podstawowych pojęć: średniej, mody, mediany, próby i rozkładu normalnego. Na przykład z książki „Statistics and Cats” V. Sawielijewa.
• Ma wąski zakres zastosowań: idealnie nadaje się do analizy danych, ale nie nadaje się do tworzenia oprogramowania. Ale to również jego zaleta. Prawdziwy UNIX-owy sposób i dar niebios dla naukowców, dziennikarzy, analityków danych, a także dla każdego, kto chce pracować z danymi.