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。

　　一个通用数据挖掘系统——R的简介

　　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）；

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

　　向量运算：1/x；v <- 2*x + y + 1；sum((x-mean(x))^2)/(length(x)-1)

　　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：

　　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)

　　spacer.gif

　　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。

　　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。