具体描述
本书旨在为已有一定基础的R用户提供现成的方法来实现重要的数据分析任务。全书共分为11章。第1章涵盖了进行真正的数据分析任务之前的准备工作。第2章讨论了数据分析师在实施特定的分析手段之前常用的理解数据的做法。第3章涵盖了运用分类技术肚饿方法。第4章是关于回归技术的方法。第5章介绍数据简化。第6章介绍时间序列分析。第7章讨论了社交网络分析。第8章介绍制作文档和呈现分析的方法。第9章解决了面对大型数据如何书写高效且简洁的R代码的问题。第10章讨论了R在处理空间数据上的强大功能。第11章介绍了R与其他系统的连接。
作者简介
Viswa Viswanathan是西顿霍尔大学斯蒂尔曼商学院计算和决策科学系的一名副教授。在获得人工智能领域的博士学位之后，Viswa先从事了十多年学术工作，接下来的十几年在软件行业高就。在这段时间中，他曾就职于Infosys、Igate和Starbase公司。他于2011年重新回归学术界。
Viswa在非常广泛的领域中开展教学，包括运筹学、计算机科学、软件工程、管理信息系统，以及企业系统。除了在大学中教学之外，Viswa还负责专业人士的培训项目。他有多篇同行评议的研究论文发表在《Operations Research》《IEEE Software》《Computers and Industrial Engineering》以及《International Journal of Artificial Intelligence in Education》等期刊上。他也编写了《Data Analytics with R: A hands-on approach》一书。
Viswa非常享受亲自动手开发软件的过程，并且独立构思、搭建、开发、部署了几个基于网络的应用程序。
除了对数据分析、人工智能、计算机科学、软件工程等技术领域有深厚的兴趣之外，Viswa也对教育有浓厚的兴趣，特别关注学习的根源和培养更深入学习的方法。他已经在这个领域做了不少研究并希望在未来继续研究这一学科。
Viswa想对Amitava Bagchi 和 Anup Sen教授表示由衷的感激，他们在Viswa的早期研究生涯中鼓舞了他。同时，他也很感激几个非常聪明的同事，比如Rajesh Venkatesh、Dan Richner和Sriram Bala，他们极大地影响了他的思想。他的婶婶Analdavalli，他的姐妹Sankari，以及他的妻子Shanthi，在辛勤工作上教会了他很多，即便他只吸收了一点皮毛也觉得受益匪浅。他的儿子Nitin 和 Siddarth也在很多主题上给出了不计其数的深刻评论。
Shanthi Viswanathan是一位经验丰富的技术专家，她为许多企业客户提供技术管理和企业结构咨询。她曾工作于Infosys、Oracle和Accenture公司。作为一名顾问，Shanthi为一些大型机构，比如Canon、Cisco、Celgene、Amway、Time Warner Cable 和 GE等，在数据架构和分析，高级数据管理，面向服务的架构，商业流程管理，以及建模等方面提供帮助。当她空闲时，Shanthi会在纽约州和新泽西州的郊外徒步旅行，摆弄园艺，以及教授瑜伽。
Shanthi想要感谢她的丈夫Viswa，在他们一起徒步旅行时关于各种主题展开的深入讨论；以及将她带入R和Java的世界。她也要感谢她的儿子Nitin 和 Siddarth使她进入了数据分析领域。
目录信息
译者序
作者简介
审校者简介
前言
第1章 获取并准备好材料—数据 1
1.1 引言 1
1.2 从csv文件中读取数据 1
1.3 读取XML数据 4
1.4 读取JSON数据 6
1.5 从定宽格式文件中读取数据 7
1.6 从R数据文件和R库中读取数据 8
1.7 删除带有缺失值的样本 10
1.8 用均值填充缺失值 11
1.9 删除重复样本 13
1.10 将变量缩放至[0,1]区间 14
1.11 对数据框中的数据做正则化或标准化 15
1.12 为数值数据分箱 17
1.13 为分类变量创建哑变量 18
第2章 那里面有什么——探索性数据分析 21
2.1 引言 21
2.2 创建标准化数据概览 21
2.3 抽取数据集的子集 23
2.4 分割数据集 25
2.5 创建随机数据分块 26
2.6 创建直方图、箱线图、散点图等标准化图像 29
2.7 在网格窗口上创建多个图像 37
2.8 选择图形设备 38
2.9 用lattice包绘图 39
2.10 用ggplot2包绘图 42
2.11 创建便于比较的图表 47
2.12 创建有助于发现因果关系的图表 51
2.13 创建多元图像 53
第3章 它属于哪儿——分类技术 55
3.1 引言 55
3.2 创建误差/分类–混淆矩阵 55
3.3 创建ROC图 58
3.4 构建、绘制和评估—分类树 61
3.5 用随机森林模型分类 66
3.6 用支持向量机分类 69
3.7 用朴素贝叶斯分类 72
3.8 用K近邻分类 74
3.9 用神经网络分类 77
3.10 用线性判别函数分类 79
3.11 用逻辑回归分类 80
3.12 用AdaBoost来整合分类树模型 83
第4章 给我一个数——回归分析 86
4.1 引言 86
4.2 计算均方根误差 86
4.3 建立用于回归的KNN模型 88
4.4 运用线性回归 94
4.5 在线性回归中运用变量选择 99
4.6 建立回归树 102
4.7 建立用于回归的随机森林模型 108
4.8 用神经网络做回归 112
4.9 运用K-折交叉验证 114
4.10 运用留一交叉验证来限制过度拟合 116
第5章 你能化简它吗——数据简化技术 118
5.1 引言 118
5.2 用K-均值聚类法实现聚类分析 118
5.3 用系统聚类法实现聚类分析 124
5.4 用主成分分析降低维度 127
第6章 从历史中学习——时间序列分析 134
6.1 引言 134
6.2 创建并检查日期对象 134
6.3 对日期对象进行操作 138
6.4 对时间序列数据做初步分析 140
6.5 使用时间序列对象 143
6.6 分解时间序列 149
6.7 对时间序列数据做滤波 151
6.8 用HoltWinters 方法实现平滑和预测 152
6.9 创建自动的ARIMA模型 155
第7章 这都是你的关系——社交网络分析 157
7.1 引言 157
7.2 通过公共API下载社交网络数据 157
7.3 创建邻接矩阵和连边列表 161
7.4 绘制社交网络数据 164
7.5 计算重要的网络度量指标 176
第8章 展现你好的一面——制作文档和呈现分析报告 182
8.1 引言 182
8.2 用R Markdown 和 knitR创建数据分析报告 182
8.3 用shiny创建交互式Web应用 191
8.4 用R Presentation为分析报告创建PDF幻灯片 196
第9章 事半功倍——高效且简洁的R代码 201
9.1 引言 201
9.2 利用向量化操作 201
9.3 用apply函数操作整行或整列 203
9.4 用lapply和sapply将函数应用于整组元素 206
9.5 在向量的一个子集上应用函数 208
9.6 用plyr完成分割–应用–组合策略 210
9.7 用数据表对数据进行切片、切块和组合 213
第10章 在哪儿——地理空间信息数据分析 219
10.1 引言 219
10.2 下载并绘制一个地区的谷歌地图 219
10.3 在已下载的谷歌地图上叠加数据 222
10.4 将ESRI形状文件导入到R中 224
10.5 使用sp包绘制地理数据 226
10.6 从maps包中获取地图 228
10.7 从包含空间及其他数据的普通数据框中创建空间数据框 229
10.8 通过合并普通数据框和空间对象生成空间数据框 230
10.9 为已有的空间数据框添加变量 234
第11章 友好协作——连接到其他系统 237
11.1 引言 237
11.2 在R中使用Java对象 237
11.3 从Java中用JRI调用R函数 243
11.4 从Java中用Rserve调用R函数 245
11.5 从Java中执行R脚本 248
11.6 使用xlsx包连接到Excel 249
11.7 从关系型数据库—MySQL中读取数据 252
11.8 从非关系型数据库—MongoDB中读取数据 256
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
坦白讲，我带着一丝怀疑开始阅读这本书，因为很多号称“秘笈”的书籍最后都沦为了简单功能的罗列。然而，这本书彻底颠覆了我的预期。它的叙事风格非常具有个人色彩和感染力，仿佛作者是一位充满激情的实践者，而不是一个冷冰冰的理论家。在讲解数据可视化方面，它没有仅仅停留在`ggplot2`的基础语法上，而是深入探讨了如何运用“图形的智慧”来有效传达分析结论，比如如何选择正确的图表类型来避免误导，如何进行高效的色彩搭配以适应不同受众的需求。书中提供的许多自定义函数和宏定义，极大地提升了我日常工作流的效率。我可以直接将书中的代码片段整合进我的项目模板中，节省了大量重复劳动的时间。这本书更像是一本“效率手册”，而不是一本“参考字典”。
评分我得说，这本书的排版和内容组织方式，简直是一股清流。市面上很多技术书籍要么过于学术化，让人望而却步，要么过于基础，缺乏深入探讨。而这本宝典成功地找到了一个黄金分割点。它没有采用那种枯燥的教科书式的叙述，而是将复杂的概念融入到贴近实际业务场景的案例中。例如，在处理时间序列数据时，书中展示了如何利用R处理金融市场波动性预测的真实数据集，其中的数据预处理步骤极其详尽，每一个筛选和转换操作都有明确的动机阐述。我特别喜欢它对“坏数据”的处理哲学——不是简单地删除异常值，而是探讨其产生原因并进行合理的转化或插补。对于那些经常在处理“脏数据”时感到束手无策的同行来说，这本书提供了极其宝贵的实战智慧，读起来毫不费力，但收获却非常扎实。
评分这本书的精妙之处在于其对高级统计方法的讲解采用了“由浅入深，层层递进”的策略。对于那些对机器学习算法有所耳闻，但苦于无法在R环境中实现高效部署的读者来说，这本书无疑是及时雨。它对诸如梯度提升树（GBM）和随机森林等算法的内部机制进行了深入浅出的剖析，并重点展示了如何利用R生态系统中的关键包（如`caret`或`tidymodels`系列）进行模型训练、交叉验证和性能评估。更值得称赞的是，书中不仅仅关注于模型构建，还花了大篇幅讲解了模型的可解释性（XAI）——如何利用SHAP值或LIME等工具来理解模型的决策过程，这在如今强调透明度和公平性的数据应用领域至关重要。这种前瞻性的内容覆盖，让这本书的价值远超一本单纯的“操作指南”。
评分这本书简直是数据分析领域的“瑞士军刀”，无论你是刚接触R语言的新手，还是寻求精进的资深玩家，都能从中找到自己的价值所在。我尤其欣赏它在理论深度与实战应用之间的平衡。作者没有仅仅停留在代码层面的堆砌，而是深入剖析了背后的统计学原理和数据思维。比如，在讲解回归模型时，它不仅仅是教你如何使用`lm()`函数，更细致地阐述了多重共线性、异方差性等潜在问题的诊断方法和修正策略，配以清晰的图表和可复现的代码示例。阅读体验非常流畅，章节间的逻辑衔接自然，仿佛有一位经验丰富的导师在你身边娓娓道来，引导你一步步揭开复杂模型的神秘面纱。读完后，我感觉自己对数据清洗、探索性分析以及结果解释的能力都有了质的飞跃，不再是盲目套用函数，而是真正理解了数据背后的故事。那种豁然开朗的感觉，是许多其他教程无法给予的。
评分我购买了很多R语言相关的书籍，但这本书在系统性和前沿性上做到了一个令人印象深刻的平衡。它不仅仅是一个工具箱，更像是一张构建数据分析“大厦”的蓝图。最让我眼前一亮的是它对“管道操作符”（Piping）哲学在整个数据处理流程中的应用。作者非常强调代码的清晰度和可读性，通过大量的实例展示了如何使用管道将复杂的、多步骤的数据转换过程写成易于追踪的逻辑链条。此外，书中对R Markdown和Shiny应用的介绍也极其到位，清晰地指出了如何将分析过程标准化、自动化，并最终以交互式的报告形式交付给非技术背景的利益相关者。这种从数据获取到最终报告交付的“端到端”的视角，是许多其他侧重单一环节的书籍所不具备的深度。
评分很实用的操作手册
评分内容很实用，针对需要解决的问题，有针对性的阅读，可以大大提高效率，不会迷失在知识的大海之中。
评分内容很实用，针对需要解决的问题，有针对性的阅读，可以大大提高效率，不会迷失在知识的大海之中。
评分极简……
评分内容很实用，针对需要解决的问题，有针对性的阅读，可以大大提高效率，不会迷失在知识的大海之中。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈图书下载中心 版权所有