为什么选择R语言

在互联网、大数据快速发展的大时代背景下，很多小白(包括本人)都希望能够掌握数据分析、图形处理、数据挖掘等方面的技能，然而在学习之前却艰难万分，甚至难于学习本身。下面是常见的几个问题：

• 我是XX专业，应该选择哪门语言呢？
• 编程零基础，选择哪个比较好呢？
• 学习什么语言将来会吃香呢？
• 我以后想从事数据挖掘工作，该学些什么呢？
• …

Emmm，算了吧，既然有这么多种选择，再加上我还有选择困难症，还是不学了吧。及时行乐，保护头发。

然而如此多的问题归根结底就是应该选择什么工具、应用什么软件的问题。正所谓的：“工欲善其事，必先利其器”。今天就给陷于水深火热抉择中的大家推荐一个数理统计、绘制图形方面的好帮手：R语言。

1、R语言的前生今世

R语言，一种自由软件编程语言与操作环境，主要用于统计分析、绘图、数据挖掘等方面。R本来是由来自新西兰奥克兰大学的罗斯·伊哈卡(Ross Ihaka)和罗伯特·杰特曼(Robert Gentleman)开发（名字首字母都是R，也因此称为R语言），现在由“R开发核心团队”负责开发。R语言是基于S语言的一个GNU计划项目，所以也可以当作S语言的一种实现，通常用S语言编写的代码都可以不作修改的在R环境下运行，其中R的语法是来自Scheme。

2、R语言的优势

• 免费。这个优势想必不需过多解释，多数的统计软件价格不菲，而R是完全免费的，不需要任何授权费用，且功能又不输于付费软件，对于个人和企业来说在成本方面都有一定的吸引力。
• 开源。源代码的开放性保证了使用者可以知道所有的细节，对于开发者和企业级应用是有价值的。由于各种包和函数的透明性极好，这使得对函数的调整和改良变得非常便利，只需要把源代码调出来，自己稍微修改一下就可以满足自己的需求，而简简单单的这种事情放在任何其他统计软件里都近乎奢望。
• 资源丰富。对于使用者而言，R的开放性使得其社区巨大，接近6000个扩展包涵盖了各种相关领域的方方面面，并且涉及的博客、文章等也数不胜数。
• 时代前沿。 R囊括了在其他软件中尚不可用的、先进的统计计算例程。事实上，R语言中新方法的更新速度是以周来计算的。不少统计、计量等等新工具在学术界发表，作者本人或者团队会在第一时间、甚至文章发表前就发布基于这个文章的R扩展包，使得其几乎总是走在学术界前沿，正是基于开源免费的特性，用户可以第一时间获取资源。
• 简单易学。R语言中的数据结构非常简洁，主要包括向量(一维)、数组(二维时为矩阵)、列表(非结构化数据)、数据框(结构化数据)，适合新手快速操作，并且向量化编程大大减少了循环语句的应用。除此之外，对于大多数的各类模型和复杂公式，都可以找到对应的包(package)，从而几行代码解决问题。
• 绝佳的可视化。字不如表，表不如图，R语言和可视化可谓是绝配，具有

  ggplot2, ploty, shiny, ggmap

  等多个可视化软件包。可以毫不夸张的说，基本所有能够想到的图，都提供了解决方案。例如：

  ggplot2

  画静态图，

  plotly

  画交互图、

  shiny

  可以用网页交互，

  ggmap

  画地图类可视化。
• 便捷获取数据源。R语言可以从多处获取数据源，并将其转化为可用的形式，包括文本文件、数据库管理系统、统计软件，乃至专门的数据仓库，R甚至也可以直接从网页、社交媒体网站和各种类型的在线数据服务中获取数据。
• 兼容性好。 R可运行于多种平台之上，包括Windows、UNIX和Mac OS X，这基本上意味着它可以运行于你所能拥有的任何计算机上。

3、R语言的缺点

虽然个人比较推荐R语言，但是也不能因此对其缺点避而不谈，以下是其相对缺点：

• 需要写代码。相对于Excel、SPSS等统计软件，R语言需要与代码打交道，但是相对于鼠标操作，代码可以大大提升效率(前提是熟悉语言之后)。类似于拼音打字和五笔打字，一个学习曲线陡峭但是掌握之后效率更高，一个容易入门但是后期爆发力并不是那么强。
• 占用内存。R语言是统计学家编写的软件，正所谓：“成也萧何败也萧何”，该软件在提供数据处理便利的同时，所有的数据处理都在内存中进行，从而不太适合超大规模数据。解决的方法之一是可以用相应的包(如groupby)对数据进行处理后再导入R语言，或者和其他大数据处理工具结合起来使用
• 运行速度慢。即时编译，约相当于C语言的1/20，但是对于非超大型数据而言，在可接受范围之内。

综上所述，R语言是一门优秀的数据处理、数据可视化、数据挖掘软件，且具备开源免费、简单易学等优点，依托数据爆发的时代背景，必将进一步激发R语言的学习浪潮。