具体描述
数据时代已经到来，但数据分析、数据挖掘人才却十分短缺。由于“大数据”对每个领域的决定性影响， 相对于经验和直觉，在商业、经济及其他领域中基于数据和分析去发现问题并作出科学、客观的决策越来越重要。开源软件R是世界上最流行的数据分析、统计计算及制图语言，几乎能够完成任何数据处理任务，可安装并运行于所有主流平台，为我们提供了成千上万的专业模块和实用工具，是从大数据中获取有用信息的绝佳工具。 本书从解决实际问题入手，尽量跳脱统计学的理论阐述来讨论R语言及其应用，讲解清晰透澈，极具实用性。作者不仅高度概括了R语言的强大功能、展示了各种实用的统计示例，而且对于难以用传统方法分析的凌乱、不完整和非正态的数据也给出了完备的处理方法。通读本书，你将全面掌握使用R语言进行数据分析、数据挖掘的技巧，并领略大量探索和展示数据的图形功能，从而更加高效地进行分析与沟通。想要成为倍受高科技企业追捧的、炙手可热的数据分析师吗？想要科学分析数据并正确决策吗？不妨从本书开始，挑战大数据，用R开始炫酷的数据统计与分析吧！ 本书内容： R安装与操作
数据导入/导出及格式化双变量关系的描述性分析回归分析
模型适用性的评价方法以及结果的可视化
用图形实现变量关系的可视化
在给定置信度的前提下确定样本量
高级统计分析方法和高级绘图
作者简介
Robert I. Kabacoff R语言社区著名学习网站Quick-Rhttp://www.statmethods.net/）的幕后维护者，现为全球化开发与咨询公司Management研究集团研发副总裁。此前，Kabacoff博士是佛罗里达诺瓦东南大学的教授，讲授定量方法和统计编程的研究生课程。Kabacoff还是临床心理学博士、统计顾问，擅长数据分析，在健康、金融服务、制造业、行为科学、政府和学术界有20余年的研究和统计咨询经验。
目录信息
第一部分 入 门
第1章 R语言介绍 3
1.1 为何要使用R？ 4
1.2 R的获取和安装 6
1.3 R的使用 7
1.3.1 新手上路 7
1.3.2 获取帮助 10
1.3.3 工作空间 10
1.3.4 输入和输出 12
1.4 包 14
1.4.1 什么是包 14
1.4.2 包的安装 14
1.4.3 包的载入 14
1.4.4 包的使用方法 15
1.5 批处理 15
1.6 将输出用为输入——结果的重用 16
1.7 处理大数据集 16
1.8 示例实践 17
1.9 小结 18
第2章 创建数据集 19
2.1 数据集的概念 19
2.2 数据结构 20
2.2.1 向量 21
2.2.2 矩阵 22
2.2.3 数组 23
2.2.4 数据框 24
2.2.5 因子 27
2.2.6 列表 29
2.3 数据的输入 30
2.3.1 使用键盘输入数据 31
2.3.2 从带分隔符的文本文件导入数据 32
2.3.3 导入Excel数据 33
2.3.4 导入XML数据 34
2.3.5 从网页抓取数据 34
2.3.6 导入SPSS数据 34
2.3.7 导入SAS数据 34
2.3.8 导入Stata数据 35
2.3.9 导入netCDF数据 35
2.3.10 导入HDF5数据 35
2.3.11 访问数据库管理系统 36
2.3.12 通过Stat/Transfer导入数据 37
2.4 数据集的标注 37
2.4.1 变量标签 38
2.4.2 值标签 38
2.5 处理数据对象的实用函数 38
2.6 小结 39
第3章 图形初阶 40
3.1 使用图形 40
3.2 一个简单的例子 42
3.3 图形参数 43
3.3.1 符号和线条 45
3.3.2 颜色 46
3.3.3 文本属性 47
3.3.4 图形尺寸与边界尺寸 49
3.4 添加文本、自定义坐标轴和图例 50
3.4.1 标题 51
3.4.2 坐标轴 52
3.4.3 参考线 54
3.4.4 图例 54
3.4.5 文本标注 56
3.5 图形的组合 58
3.6 小结 64
第4章 基本数据管理 65
4.1 一个示例 65
4.2 创建新变量 67
4.3 变量的重编码 68
4.4 变量的重命名 69
4.5 缺失值 70
4.5.1 重编码某些值为缺失值 71
4.5.2 在分析中排除缺失值 72
4.6 日期值 73
4.6.1 将日期转换为字符型变量 74
4.6.2 更进一步 74
4.7 类型转换 74
4.8 数据排序 75
4.9 数据集的合并 76
4.9.1 添加列 76
4.9.2 添加行 76
4.10 数据集取子集 77
4.10.1 选入（保留）变量 77
4.10.2 剔除（丢弃）变量 77
4.10.3 选入观测 78
4.10.4 subset()函数 79
4.10.5 随机抽样 79
4.11 使用SQL语句操作数据框 80
4.12 小结 81
第5章 高级数据管理 82
5.1 一个数据处理难题 82
5.2 数值和字符处理函数 83
5.2.1 数学函数 83
5.2.2 统计函数 84
5.2.3 概率函数 86
5.2.4 字符处理函数 89
5.2.5 其他实用函数 90
5.2.6 将函数应用于矩阵和数据框 91
5.3 数据处理难题的一套解决方案 93
5.4 控制流 96
5.4.1 重复和循环 97
5.4.2 条件执行 97
5.5 用户自编函数 99
5.6 整合与重构 101
5.6.1 转置 101
5.6.2 整合数据 101
5.6.3 reshape包 102
5.7 小结 105
第二部分 基本方法
第6章 基本图形 108
6.1 条形图 108
6.1.1 简单的条形图 109
6.1.2 堆砌条形图和分组条形图 110
6.1.3 均值条形图 111
6.1.4 条形图的微调 112
6.1.5 棘状图 113
6.2 饼图 114
6.3 直方图 116
6.4 核密度图 118
6.5 箱线图 120
6.5.1 使用并列箱线图进行跨组比较 121
6.5.2 小提琴图 124
6.6 点图 125
6.7 小结 128
第7章 基本统计分析 129
7.1 描述性统计分析 130
7.1.1 方法云集 130
7.1.2 分组计算描述性统计量 133
7.1.3 结果的可视化 136
7.2 频数表和列联表 136
7.2.1 生成频数表 137
7.2.2 独立性检验 142
7.2.3 相关性的度量 144
7.2.4 结果的可视化 144
7.2.5 将表转换为扁平格式 144
7.3 相关 146
7.3.1 相关的类型 146
7.3.2 相关性的显著性检验 148
7.3.3 相关关系的可视化 150
7.4 t检验 150
7.4.1 独立样本的t检验 150
7.4.2 非独立样本的t检验 151
7.4.3 多于两组的情况 152
7.5 组间差异的非参数检验 152
7.5.1 两组的比较 152
7.5.2 多于两组的比较 153
7.6 组间差异的可视化 155
7.7 小结 155
第三部分 中级方法
第8章 回归 158
8.1 回归的多面性 159
8.1.1 OLS回归的适用情境 159
8.1.2 基础回顾 160
8.2 OLS回归 160
8.2.1 用lm()拟合回归模型 161
8.2.2 简单线性回归 162
8.2.3 多项式回归 164
8.2.4 多元线性回归 167
8.2.5 有交互项的多元线性回归 169
8.3 回归诊断 171
8.3.1 标准方法 171
8.3.2 改进的方法 175
8.3.3 线性模型假设的综合验证 180
8.3.4 多重共线性 181
8.4 异常观测值 181
8.4.1 离群点 182
8.4.2 高杠杆值点 182
8.4.3 强影响点 183
8.5 改进措施 186
8.5.1 删除观测点 186
8.5.2 变量变换 186
8.5.3 增删变量 187
8.5.4 尝试其他方法 188
8.6 选择“最佳”的回归模型 188
8.6.1 模型比较 188
8.6.2 变量选择 189
8.7 深层次分析 193
8.7.1 交叉验证 193
8.7.2 相对重要性 194
8.8 小结 197
第9章 方差分析 198
9.1 术语速成 198
9.2 ANOVA模型拟合 201
9.2.1 aov()函数 201
9.2.2 表达式中各项的顺序 201
9.3 单因素方差分析 202
9.3.1 多重比较 204
9.3.2 评估检验的假设条件 206
9.4 单因素协方差分析 208
9.4.1 评估检验的假设条件 209
9.4.2 结果可视化 210
9.5 双因素方差分析 211
9.6 重复测量方差分析 214
9.7 多元方差分析 216
9.7.1 评估假设检验 217
9.7.2 稳健多元方差分析 219
9.8 用回归来做ANOVA 219
9.9 小结 221
第10章 功效分析 222
10.1 假设检验速览 222
10.2 用pwr包做功效分析 225
10.2.1 t检验 225
10.2.2 方差分析 227
10.2.3 相关性 227
10.2.4 线性模型 228
10.2.5 比例检验 229
10.2.6 卡方检验 229
10.2.7 在新情况中选择合适的效应值 230
10.3 绘制功效分析图形 232
10.4 其他软件包 234
10.5 小结 235
第11章 中级绘图 236
11.1 散点图 237
11.1.1 散点图矩阵 239
11.1.2 高密度散点图 244
11.1.3 三维散点图 247
11.1.4 气泡图 250
11.2 折线图 252
11.3 相关图 255
11.4 马赛克图 259
11.5 小结 261
第12章 重抽样与自助法 263
12.1 置换检验 263
12.2 用coin包做置换检验 265
12.2.1 独立两样本和K样本检验 266
12.2.2 列联表中的独立性 267
12.2.3 数值变量间的独立性 268
12.2.4 两样本和K样本相关性检验 268
12.2.5 深入探究 269
12.3 lmPerm包的置换检验 269
12.3.1 简单回归和多项式回归 269
12.3.2 多元回归 271
12.3.3 单因素方差分析和协方差分析 271
12.3.4 双因素方差分析 272
12.4 置换检验点评 273
12.5 自助法 273
12.6 boot包中的自助法 274
12.6.1 对单个统计量使用自助法 275
12.6.2 多个统计量的自助法 277
12.7 小结 279
第四部分 高级方法
第13章 广义线性模型 282
13.1 广义线性模型和glm()函数 282
13.1.1 glm()函数 283
13.1.2 连用的函数 284
13.1.3 模型拟合和回归诊断 285
13.2 Logistic回归 285
13.2.1 解释模型参数 288
13.2.2 评价预测变量对结果概率的影响 289
13.2.3 过度离势 290
13.2.4 扩展 291
13.3 泊松回归 291
13.3.1 解释模型参数 293
13.3.2 过度离势 294
13.3.3 扩展 295
13.4 小结 297
第14章 主成分和因子分析 298
14.1 R中的主成分和因子分析 299
14.2 主成分分析 300
14.2.1 判断主成分的个数 300
14.2.2 提取主成分 302
14.2.3 主成分旋转 305
14.2.4 获取主成分得分 306
14.3 探索性因子分析 307
14.3.1 判断需提取的公共因子数 308
14.3.2 提取公共因子 309
14.3.3 因子旋转 310
14.3.4 因子得分 313
14.3.5 其他与EFA相关的包 313
14.4 其他潜变量模型 314
14.5 小结 314
第15章 处理缺失数据的高级方法 316
15.1 处理缺失值的步骤 317
15.2 识别缺失值 318
15.3 探索缺失值模式 319
15.3.1 列表显示缺失值 319
15.3.2 图形探究缺失数据 320
15.3.3 用相关性探索缺失值 322
15.4 理解缺失数据的来由和影响 324
15.5 理性处理不完整数据 325
15.6 完整实例分析（行删除） 326
15.7 多重插补 327
15.8 处理缺失值的其他方法 331
15.8.1 成对删除 331
15.8.2 简单（非随机）插补 332
15.9 小结 332
第16章 高级图形进阶 333
16.1 R中的四种图形系统 333
16.2 lattice包 334
16.2.1 条件变量 338
16.2.2 面板函数 339
16.2.3 分组变量 342
16.2.4 图形参数 345
16.2.5 页面摆放 346
16.3 ggplot2包 347
16.4 交互式图形 351
16.4.1 与图形交互：鉴别点 351
16.4.2 playwith 352
16.4.3 latticist 353
16.4.4 iplots包的交互图形 354
16.4.5 rggobi 355
16.5 小结 356
后记：探索R的世界 357
附录A 图形用户界面 359
附录B 自定义启动环境 362
附录C 从R中导出数据 364
附录D 制作出版级品质的输出 366
附录E R中的矩阵运算 374
附录F 本书中用到的扩展包 376
附录G 处理大数据 381
附录H 更新R 383
参考文献 385
· · · · · · (收起)
读后感
我喜欢这本书，喜欢R语言，相比较其他数据处理方式,R语言对数据导入方式之多，和网络抓取配合之好，是它最大的优势。对数据处理的高效也特别棒，按照作者的说法，4G的内存处理上亿条数据也不在话下，这真是很棒的利器。 manning系列的图书，强调实战，这本书也是...
评分我是2014年买的第一版，断断续续看了一些。这次刚好遇到图灵出了第二版，遂买来收藏一番。考虑到《R语言实战（第2版）》比第一版贵了20RMB，厚了近200页，想搞个大新闻，故拿两本书比较一番。 优点 1、第二版在前14章与第一版相差无异。主要是基本的R安装、数据导入、初级数据...
评分重在实战！十五大案例，开启R语言实战之门金钥匙 重在实战！十五大案例，开启R语言实战之门金钥匙视频教程 重在实战！十五大案例，开启R语言实战之门金钥匙课程 重在实战！十五大案例，开启R语言实战之门金钥匙下载 重在实战！十五大案例，开启R语言实战之门金钥匙 重在实战！...
评分决定学R语言，是因为自己对数据分析很感兴趣，又在工作中偶然认识了某咨询公司合作方妹子，所以请教了她。那时候我的Excel算很熟练了，Access也有一点基础。但公司电脑太慢、分析太粗糙。妹子说公司的人用R、Python、SPSS频率最高。 知乎对R的评价也很不错，于是先在广州图书馆...
评分对R的基本概念，基本操作进行了大概的介绍，同时也大致介绍了R中统计学的基本操作，但是没有涉及太多统计学的原理，是初学R的必备书。书中代码不算多，并且网上有源代码，也有电子书，但是对于工具书，个人觉得还是买纸质书吧，可以多翻翻。在亚马逊上买的，书的质量也还不错。
用户评价
坦率地说，这本书的内容深度远远超出了我的预期，它绝不仅仅是停留在基础的语法介绍上，而是直击了数据建模和高级统计分析的核心。我特别欣赏作者在讲解回归分析时的那种层层递进的思路。它不是简单地教你如何运行`lm()`函数，而是花了大篇幅去讨论模型诊断、残差分析、多重共线性处理这些至关重要的环节。书中通过几个经典的案例，生动地展示了“模型拟合得好”和“模型解释力强”之间的巨大差异。最让我感到震撼的是，作者竟然将时间序列分析的ARIMA模型与机器学习中的随机森林算法进行了跨领域的对比讲解，这极大地拓宽了我的分析视野，让我明白了在面对不同业务问题时，应该如何权衡和选择最合适的分析工具。这种宏观的视野和微观的操作指导相结合的方式，让这本书的价值瞬间飙升，真正体现了“实战”二字的重量。
评分我对比过市面上好几本同类书籍，这本书在讲解可视化部分的处理上，无疑是独树一帜的。它没有仅仅停留在`ggplot2`的基本语法上，而是将数据故事讲述（Data Storytelling）的理念融入到了每一个图形的构建过程中。作者详细解析了如何通过色彩的心理学效应、坐标轴的合理缩放，以及添加恰当的注释和标签，将一组冰冷的数据转化为富有洞察力的视觉叙事。我尤其喜欢它关于交互式可视化的章节，书中介绍了如何结合`Shiny`包创建动态报告，这对于我后续向管理层汇报工作时，提供了极大的便利和专业度。这本书的这部分内容，教会我的不仅仅是如何画图，更重要的是如何通过图形去“说服”和“引导”观众的注意力，将统计结果有效地转化为商业决策支持，这是一种更高层次的技能。
评分这本书的作者似乎是一位身经百战的行业专家，他的语言风格非常接地气，没有传统学术写作的架子，读起来就像是有一位经验丰富的导师在你旁边亲自指导。他总是能准确地把握初学者最容易混淆的概念，并在讲解复杂算法时，总能用最简单、最贴近生活的比喻来解释其底层逻辑，比如用“猜谜游戏”来类比决策树的构建过程。这种“去神化”的处理方式，极大地降低了学习门槛，让我不再对那些听起来高大上的统计模型感到畏惧。整本书的学习路径设计得非常科学，知识点由浅入深，环环相扣，让你感觉每学完一个章节，自己的能力树就点亮了一大截。对于想要系统、扎实地掌握这门工具并将其应用于实际工作中的人来说，这本书绝对是值得反复翻阅的案头宝典，其知识的密度和实用性，在同类书籍中堪称翘楚。
评分这本书的排版和配套资源做得非常到位，这对于一门技术书籍来说，是决定用户体验的关键。内页的字体和图表设计都非常清晰易读，关键的代码块和输出结果用不同的背景色区分开来，阅读起来毫不费力，长时间盯着屏幕也不会感到眼睛疲劳。更值得称赞的是，作者似乎预料到了读者在学习过程中可能遇到的所有“坑”。随书附带的在线资源库中，提供了所有章节所使用的原始数据集，这确保了我的复现结果与书本上完全一致，极大地避免了因数据版本或格式不匹配而产生的挫败感。此外，很多关键概念，比如贝叶斯方法的直观理解，作者都配上了非常巧妙的图示辅助说明，这些图示比起枯燥的文字描述，效果立竿见影。这本书的细节处理，处处体现了作者对读者的尊重和对教学质量的极致追求。
评分这本书简直是数据分析领域的“瑞士军刀”，我拿到手的时候，光是翻阅目录就被深深吸引了。它不像那种枯燥的教科书，上来就是一大堆晦涩难懂的理论公式，而是非常注重实操和应用场景的结合。比如，书中对于数据清洗和预处理的讲解，细致到令人发指，手把手教你如何应对真实世界中那些“脏乱差”的数据集。我印象最深的是它讲解缺失值处理那一部分，作者没有简单地告诉你用均值填充，而是深入剖析了不同类型缺失值背后的业务逻辑，并提供了好几种高级的插补方法，每一种都配有清晰的代码示例和结果对比。这对于我这种刚从Excel转向专业统计软件的新手来说，简直是救命稻草。而且，书里的代码组织得非常有条理，注释详尽，即便我遇到不明白的地方，也能顺着代码逻辑自己摸索出来，极大地提升了我的学习效率和解决实际问题的能力。可以说，这本书是硬核技术与实用教程的完美融合体，让你在不知不觉中就掌握了数据处理的精髓。
评分很清晰详细的好书！零基础，先按作者的建议，把介绍、数据管理、简单统计、逻辑回归和聚类部分看完，然后又调头学习绘图部分的内容（包括ggplot2和lattice绘图系统）。因为没有专业背景，最难的是统计部分，其他部分撸两遍代码会清晰很多。 如果也是自学，建议结合慕课网《R语言基础》《R语言数据可视化》两个免费网课学习，讲得不错。 最后，一切都要回归实践！强迫自己接了一个工作报告，数据处理的三章反复看了三四次，加了两个星期的班，算是有眉目了，接下来继续磨画图--2018年第十五本
评分不错的R入门读物，侧重于解决实际问题，与而不是纯粹语法和函数使用方法的堆砌。适合用作第一本入门的书。
评分入门！
评分入门！
评分问题的关键在于作者是做统计咨询的
