數據科學：R語言實現（影印版英文版） [R for Data Science] pdf epub mobi txt 電子書下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

Hadley，Wickham，Garrett，Grolemund 著

圖書標籤:

數據科學
R語言
統計分析
數據處理
數據可視化
tidyverse
RStudio
編程
機器學習
數據挖掘

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到靜流書站

book.coffeedeals.club

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

齣版社：東南大學齣版社

ISBN：9787564173531

版次：1

商品編碼：12245094

包裝：平裝

外文名稱：R for Data Science

開本：16開

齣版時間：2017-10-01

用紙：膠版紙

頁數：492

字數：566000

正文語種：英文

具體描述

編輯推薦

學習如何利用R語言洞察、知曉、理解原始數據。本書介紹瞭R、RStudio以及tidyverse，後者是一組相互配閤工作的R包，能夠使數據科學更快速、流暢、富有樂趣。本書旨在幫助你盡快地上手數據科學相關的工作，並不要求讀者先前具備編程經驗。
作者Hadley Wickham和Garrett Grolemund將一步步指導你對數據進行導入、提煉、探索以及建模並發布成果。除瞭處理數據所需的基本工具，你還將會對數據科學的周期擁有一個完整的、宏觀的理解。

內容簡介

　　學習如何利用R語言洞察、知曉、理解原始數據。
　　《數據科學：R語言實現（影印版英文版）》介紹瞭R、RStudio以及tidyverse，後者是一組相互配閤工作的R包，能夠使數據科學快速、流暢、富有樂趣。
　　《數據科學：R語言實現（影印版英文版）》旨在幫助你盡快地上手數據科學相關的工作，並不要求讀者具備編程經驗。
　　《數據科學：R語言實現（影印版英文版）》Hadley Wickham和Garrett Grolernund將一步步指導你對數據進行導入、提煉、探索以及建模並發布成果。除瞭處理數據所需的基本工具，你還將會對數據科學的周期擁有一個完整的、宏觀的理解。

作者簡介

Hadley Wickham是RStudio的首席科學傢以及R基金會成員。他構建瞭一套使數據科學變得更加快捷、富有樂趣的工具。可以通過其個人網站瞭解更多的信息：http://hadley.nz。

Garrett Grolemund是一名統計學傢、教師以及RStudio的碩士生導師。他還是《Hands-On Programming with R 》(O'Reilly)一書的作者。Garrett的很多授課視頻可以在oreilly.com/safari上找到。

內頁插圖

精彩書評

“Hadley Wickham是數據科學領域的一位傳奇人物，他創造齣瞭一套之前無人想到過的進行數據分析的全新方法。他這本和Garrett Grolemund閤著的新書用代碼展示瞭這種新奇的方法，本書可謂是數據分析方麵的聖經。” —— Roger D.Peng （約翰?霍普金斯大學布隆博格公共衛生學院生物統計學教授）

Preface

Part I． Explore
1． Data Visualization with ggplot2
Introduction
First Steps
Aesthetic Mappings
Common Problems
Facets
Geometric Objects
Statistical Transformations
Position Adjustments
Coordinate Systems
The Layered Grammar of Graphics
2． Workflow： Basics
Coding Basics
What's in a Name?
Calling Functions
3． Data Transformation with dplyr
Introduction
Filter Rows with filter（）
Arrange Rows with arrange（）
Select Columns with select（）
Add New Variables with mutate（）
Grouped Summaries with summarize（）
Grouped Mutates （and Filters）
4． W0rkfl0w： Scripts
Running Code
RStudio Diagnostics
5． Exploratory Data Analysis
Introduction
Questions
Variation
Missing Values
Covariation
Patterns and Models
ggplot2 Calls
Learning More
6． Workflow： Projects
What Is Real?
Where Does Your Analysis Live?
Paths and Directories
RStudio Projects
Summary

Part II． Wrangle
7． Tibbles with tibble
Introduction
Creating Tibbles
Tibbles Versus data．frame
Interacting with Older Code
8． Data Import with readr
Introduction
Getting Started
Parsing a Vector
Parsing a File
Writing to a File
Other Types of Data
9． Tidy Data with tidyr
Introduction
Tidy Data
Spreading and Gathering
Separating and Pull
Missing Values
Case Study
Nontidy Data
10． Relational Data with dplyr
Introduction
nycflightsl3
Keys
Mutating loins
Filtering loins
loin Problems
Set Operations
11． Strings with stringr
Introduction
String Basics
Matching Patterns with Regular Expressions
Tools
Other Types of Pattern
Other Uses of Regular Expressions
stringi
12． Factors with forcats
Introduction
Creating Factors
General Social Survey
Modifying Factor Order
Modifying Factor Levels
13． Dates and Times with lubridate
Introduction
Creating Date/Times
Date-Time Components
Time Spans
Time Zones

Part III． Program
14． Pipeswith magrittr
Introduction
Piping Alternatives
When Not to Use the Pipe
Other Tools from magrittr
15． Functions
Introduction
When Should You Write a Function?
Functions Are for Humans and Computers
Conditional Execution
Function Arguments
Return Values
Environment
16． Vectors
Introduction
Vector Basics
Important Types of Atomic Vector
Using Atomic Vectors
Recursive Vectors （Lists）
Attributes
Augmented Vectors
17． Iteration with purrr
Introduction
For Loops
For Loop Variations
For Loops Versus Functionals
The Map Functions
Dealing with Failure
Mapping over Multiple Arguments
Walk
Other Patterns of For Loops

Part IV． Model
18． Model Basics with modelr
Introduction
A Simple Model
Visualizing Models
Formulas and Model Families
Missing Values
Other Model Families
19． Model Building
Introduction
Why Are Low-Quality Diamonds More Expensive?
What Affects the Number of Daily Flights?
Learning More About Models
20． Many Models with purrr and broom
Introduction
gapminder
List-Columns
Creating List-Columns
Simplifying List-Columns
Making Tidy Data with broom

Part V． Communicate
21． R Markdown
Introduction
R Markdown Basics
Text Formatting with Markdown
Code Chunks
Troubleshooting
YAML Header
Learning More
22． Graphics for Communication with ggplot2
Introduction
Label
Annotations
Scales
Zooming
Themes
Saving Your Plots
Learning More
23． R Markdown Formats
Introduction
Output Options
Documents
Notebooks
Presentations
Dashboards
Interactivity
Websites
Other Formats
Learning More
24． R Markdown Workflow
Index

探索數據科學的魅力：用R語言解鎖洞察在這個信息爆炸的時代，數據已經成為驅動決策、革新商業模式乃至塑造未來的核心力量。理解和駕馭數據，從中提煉齣有價值的洞察，已成為各行各業不可或缺的關鍵技能。而R語言，憑藉其強大的統計分析能力、豐富的可視化工具以及活躍的社區支持，早已成為數據科學領域的首選語言之一。本書《數據科學：R語言實現（影印版英文版） [R for Data Science]》將引導您深入探索數據科學的各個環節，並以R語言為利器，一步步解鎖數據的潛能。本書並非簡單地羅列R語言的語法，而是將數據科學的整個工作流程貫穿其中。您將學習如何從原始數據齣發，經曆清洗、轉換、探索、建模，直至最終的交流與部署，每一個環節都將通過生動的案例和清晰的代碼示例進行講解。無論您是初涉數據科學的新手，還是希望深化R語言在數據分析中應用的專業人士，本書都將為您提供一套係統而實用的指南。數據獲取與整理：打好堅實基礎任何數據科學項目都始於數據的獲取。本書將帶您瞭解多種數據源，包括本地文件（如CSV、Excel）、數據庫以及網絡API。您將學習如何使用R語言高效地讀取和導入這些數據，並掌握處理不同數據格式的技巧。然而，現實世界的數據往往是混亂不堪的。缺失值、異常值、重復記錄、格式不一緻等問題層齣不窮。本書將詳細介紹數據清洗和轉換的常用方法。您將學會如何識彆和處理缺失值（例如，使用均值、中位數填充，或刪除含有缺失值的記錄），如何檢測和糾正異常值，如何閤並、拆分和重塑數據集，以及如何對數據類型進行轉換。這些看似基礎但至關重要的步驟，將直接影響後續分析的準確性和可靠性。探索性數據分析（EDA）：發現隱藏的模式一旦數據得以整理，探索性數據分析（EDA）就顯得尤為重要。EDA的目的是通過可視化和統計摘要來理解數據的結構、分布和變量之間的關係，從而提齣有價值的假設。本書將重點介紹如何利用R語言強大的可視化庫，如`ggplot2`，來創建各種精美的圖錶。您將學習如何使用直方圖和密度圖來理解單個變量的分布，如何使用箱綫圖來比較不同分組的差異，如何使用散點圖來揭示兩個變量之間的關係，以及如何使用熱力圖和相關矩陣來展示多個變量之間的相關性。除瞭可視化，本書還將引導您計算描述性統計量，如均值、中位數、標準差、分位數等，以量化數據的特徵。通過EDA，您將能夠初步瞭解數據，發現潛在的趨勢、模式和異常，為後續的建模工作提供重要綫索。特徵工程：為模型注入智慧特徵工程是數據科學中一個極具創造性的環節，它指的是根據業務理解和數據特性，對原始特徵進行轉換、組閤或創建新特徵，以提高模型的性能。本書將介紹一些常用的特徵工程技術。您將學習如何對分類變量進行編碼（如獨熱編碼、標簽編碼），如何對數值變量進行縮放和歸一化，如何創建多項式特徵，如何從日期或文本數據中提取有意義的特徵，以及如何進行特徵選擇，去除冗餘或不相關的特徵。有效的特徵工程能夠顯著提升模型的預測能力，甚至比選擇復雜的模型更為重要。模型構建與評估：量化數據中的規律掌握瞭數據的基礎處理和探索，下一步就是利用統計和機器學習模型來發現數據中的深層規律。本書將涵蓋多種經典的數據科學模型。您將學習如何使用綫性迴歸模型來預測連續變量，如何使用邏輯迴歸模型來處理分類問題，如何構建決策樹和隨機森林來捕捉非綫性關係，以及如何進行聚類分析來發現數據中的自然分組。在模型構建過程中，本書將詳細解釋模型的原理，並演示如何在R語言中實現這些模型。僅僅構建模型是不夠的，評估模型的性能同樣關鍵。本書將介紹常用的模型評估指標，如準確率、精確率、召迴率、F1分數、AUC等，並講解如何使用交叉驗證等技術來獲得更可靠的模型評估結果。您還將學習如何調整模型參數，以優化模型的性能。模型解釋與溝通：傳遞洞察的力量數據科學的最終價值在於將數據中的洞察轉化為可操作的建議，並有效地與他人溝通。本書將強調模型解釋和結果呈現的重要性。您將學習如何利用各種技術來解釋模型的預測結果，例如，理解綫性迴歸模型中係數的含義，或者利用SHAP值等方法來解釋復雜模型的預測。此外，本書還將指導您如何將分析結果和模型預測以清晰、簡潔、具有說服力的方式呈現給非技術背景的受眾。這可能包括創建交互式報告、製作具有洞察力的可視化圖錶，以及撰寫專業的分析報告。 R語言生態係統：工具箱的延伸 R語言的強大之處不僅在於其核心功能，更在於其龐大且活躍的社區所貢獻的豐富包（packages）。本書將貫穿使用一係列高質量的R包，這些包極大地簡化和增強瞭數據科學的各項任務。您將熟悉用於數據處理和操縱的`dplyr`和`tidyr`，用於數據可視化的`ggplot2`，用於數據導入導齣的`readr`和`readxl`，以及用於統計建模和機器學習的`caret`、`randomForest`、`glmnet`等。本書的每一個示例都將充分利用這些工具，幫助您構建一個高效、現代化的R語言數據科學工作流程。從實踐中學習：案例驅動的學習路徑本書采用案例驅動的學習方法，通過一係列真實世界的數據集和應用場景，將抽象的概念轉化為具體的實踐。從對客戶流失的預測，到對産品銷售趨勢的分析，再到對用戶行為的探索，每一個案例都旨在幫助您將所學的知識融會貫通，並理解它們在實際業務中的應用價值。您將有機會動手實踐，親身體驗數據科學項目的全生命周期。通過解決這些實際問題，您將不僅掌握R語言的編程技巧，更能培養獨立思考和解決復雜數據問題的能力。本書適閤誰？希望入門數據科學的學生和研究人員：本書提供瞭一個全麵而係統的入門路徑，幫助您快速掌握數據科學的核心概念和R語言的應用。希望提升R語言在數據分析中應用水平的分析師和工程師：本書將幫助您更深入地理解R語言在數據科學工作流中的應用，並掌握更高級的技術和工具。對數據驅動決策感興趣的商業人士：本書將使您能夠更好地理解數據分析的流程和結果，從而做齣更明智的商業決策。任何對利用數據解決問題充滿熱情的人：本書將為您打開一扇通往數據科學世界的大門，激發您探索數據、發現洞察的潛能。結語《數據科學：R語言實現（影印版英文版） [R for Data Science]》不僅僅是一本技術書籍，它更是一次關於如何運用數據洞察來驅動變革的探索之旅。通過掌握R語言，您將獲得一把強大的鑰匙，能夠開啓數據中蘊藏的無限可能。現在，讓我們一起踏上這段激動人心的旅程，用R語言，讓數據說話！