如何自学 占星术 占星教程网盘 塔罗牌教程百度网盘

数据科学之编程技术 使用R进行数据清理、分析与可视化＝PROGRAMMING SKILLS FOR DATA SCIENCE START WRITING CODE TO WRANGPDF电子书下载

其他书籍

• 作 者：ANALYZE
• 出 版 社：AND VISUALIZE DATA WITH R
• 出版年份：（美）迈
• ISBN：2020
• 页数：0 页

图书介绍： 查看图书目录点击购买PDF全本电子书 上一篇：群莺乱飞下一篇：茅盾研究八十年书系·第51册 二十世纪茅盾研究目录汇编 《数据科学之编程技术 使用R进行数据清理、分析与可视化＝PROGRAMMING SKILLS FOR DATA SCIENCE START WRITING CODE TO WRANG》目录 标签：数据 可视化 清理 编程 进行

第一部分 开始2

第1章 设置计算机2

1.1 设置命令行工具3

1.1.1 Mac上的命令行3

1.1.2 Windows上的命令行3

1.1.3 Linux上的命令行3

1.2 安装git3

1.3 创建GitHub账户4

1.4 选择一个文本编辑器4

1.4.1 Atom4

1.4.2 Visual Studio Code5

1.4.3 Sublime Text5

1.5 下载R语言5

1.6 下载RStudio5

第2章 使用命令行7

2.1 访问命令行7

2.2 浏览文件系统8

2.2.1 改变目录9

2.2.2 列出文件10

2.2.3 路径10

2.3 管理文件12

2.3.1 学习新命令12

2.3.2 通配符13

2.4 错误处理14

2.5 重定向输出15

2.6 网络命令16

第二部分 项目管理20

第3章 使用git和GitHub进行版本控制20

3.1 什么是git20

3.1.1 git的核心概念21

3.1.2 什么是GitHub21

3.2 配置和项目设置22

3.2.1 生成一个仓库22

3.2.2 检查状态23

3.3 跟踪项目变更24

3.3.1 添加文件24

3.3.2 提交25

3.3.3 审核本地git流程26

3.4 在GitHub中存储项目26

3.4.1 分支和克隆27

3.4.2 推送和拉取28

3.5 访问项目历史30

3.5.1 提交历史30

3.5.2 恢复早期版本30

3.6 忽略项目中的文件31

第4章 使用Markdown制作文档34

4.1 编写Markdown34

4.1.1 文本格式34

4.1.2 文本块34

4.1.3 超链接35

4.1.4 图像36

4.1.5 表格36

4.2 渲染Markdown36

第三部分 R的基本技能40

第5章 R语言40

5.1 用R编程40

5.2 运行R代码40

5.2.1 使用RStudio41

5.2.2 从命令行运行R42

5.3 注释44

5.4 变量定义44

5.4.1 基本数据类型45

5.5 获取帮助48

5.5.1 如何学习R49

第6章 函数52

6.1 什么是函数52

6.1.1 R函数语法53

6.2 内置R函数53

6.2.1 命名参数54

6.3 加载函数55

6.4 编写函数56

6.4.1 调试函数58

6.5 使用条件语句59

第7章 向量61

7.1 什么是向量61

7.1.1 创建向量61

7.2 向量化操作62

7.2.1 循环63

7.2.2 多数为向量64

7.2.3 向量化函数65

7.3 向量索引66

7.3.1 多索引67

7.4 向量过滤68

7.5 向量修改69

第8章 列表71

8.1 什么是列表71

8.2 创建列表71

8.3 访问列表元素72

8.4 修改列表75

8.4.1 单双括号75

8.5 lapply()函数76

第四部分 数据清理80

第9章 理解数据80

9.1 数据生成过程80

9.2 查找数据81

9.3 数据类型82

9.3.1 测量尺度82

9.3.2 数据结构83

9.4 解释数据84

9.4.1 获取领域知识84

9.4.2 了解数据模式86

9.5 用数据回答问题87

第10章 数据框89

10.1 什么是数据框89

10.2 使用数据框89

10.2.1 创建数据框90

10.2.2 数据帧的结构90

10.2.3 访问数据框91

10.3 使用CSV数据92

10.3.1 工作目录93

10.3.2 因子变量95

第11章 使用dplyr操作数据98

11.1 操作数据语法98

11.2 核心dplyr函数98

11.2.1 选择99

11.2.2 过滤101

11.2.3 修改102

11.2.4 排序102

11.2.5 汇总103

11.3 执行顺序操作104

11.3.1 管道操作105

11.4 按组分析数据框106

11.5 连接数据框108

11.6 dplyr实战：分析飞行数据111

第12章 使用tidyr重塑数据116

12.1 什么是“整洁”数据116

12.2 从列到行：gather()117

12.3 从行到列：spread()119

12.4 tidyr实战：探索教育统计120

第13章 访问数据库125

13.1 关系数据库概述125

13.1.1 什么是关系数据库125

13.1.2 建立关系数据库127

13.2 体验SQL128

13.3 从R访问数据库131

第14章 访问Web API135

14.1 什么是Web API135

14.2 RESTful请求136

14.2.1 URI（统一资源标识符）136

14.2.2 HTTP动词140

14.3 从R访问Web API141

14.4 处理JSON数据142

14.4.1 解析JSON144

14.4.2 展平数据145

14.5 API实战：在西雅图寻找古巴食品147

第五部分 数据可视化154

第15章 设计数据可视化154

15.1 可视化的目的154

15.2 选择可视化布局156

15.2.1 可视化单个变量156

15.2.2 可视化多个变量159

15.2.3 可视化分层数据162

15.3 选择有效的图形编码162

15.3.1 有效颜色165

15.3.2 利用前注意属性167

15.4 数据显示的表达力168

15.5 强化美学170

第16章 使用ggplot2创建可视化171

16.1 图形语法171

16.2 使用ggplot2进行基本绘图172

16.2.1 指定几何图形174

16.2.2 美学映射176

16.3 复杂的布局及定制176

16.3.1 位置调整176

16.3.2 标度样式178

16.3.3 坐标系180

16.3.4 分面181

16.3.5 标签和注释182

16.4 构建地图184

16.4.1 分级统计（Choropleth）地图184

16.4.2 点分布地图186

16.5 ggplot2实战：绘制旧金山驱逐地图187

第17章 R中的交互式可视化191

17.1 plotly包192

17.2 rbokeh包194

17.3 leaflet包196

17.4 交互式可视化实战：展示西雅图的变化198

第六部分 构建和共享应用程序204

第18章 使用R Markdown创建动态报告204

18.1 设置报告204

18.1.1 新建.Rmd文件204

18.1.2 编织（Knit）文档206

18.2 集成Markdown与R代码207

18.2.1 R代码块207

18.2.2 内联代码208

18.3 在报告中渲染数据与可视化208

18.3.1 渲染字符串208

18.3.2 渲染Markdown列表209

18.3.3 渲染表格210

18.3.4 渲染绘图211

18.4 以网站形式共享报告212

18.5 R Markdown实战：寿命预测报告213

第19章 使用Shiny构建交互式Web应用程序217

19.1 Shiny框架217

19.1.1 Shiny核心概念218

19.1.2 程序结构218

19.2 设计用户界面221

19.2.1 静态内容222

19.2.2 动态输入223

19.2.3 动态输出224

19.2.4 布局225

19.3 开发应用程序服务器227

19.4 发布Shiny应用程序229

19.5 Shiny实战：可视化警察致命射击230

第20章 协同工作237

20.1 使用分支跟踪代码的不同版本237

20.1.1 不同分支238

20.1.2 合并分支241

20.1.3 合并冲突242

20.1.4 GitHub的合并243

20.2 使用特性分支开发项目244

20.3 使用集中工作流协作246

20.3.1 新建一个集中仓库246

20.3.2 在集中工作流中使用特性分支247

20.4 使用分叉工作流协作249

第21章 继续学习252

21.1 统计学习252

21.1.1 评估关系252

21.1.2 预测252

21.2 其他编程语言253

21.3 道德准则253

相关图书

• 《SQL与关系数据库理论》（美）戴特（C.J.Date） 2019
• 《数据库技术与应用 Access 2010 微课版 第2版》刘卫国主编 2020
• 《程序逻辑及C语言编程》卢卫中，杨丽芳主编 2019
• 《大数据Hadoop 3.X分布式处理实战》吴章勇，杨强 2020
• 《Power BI数据清洗与可视化交互式分析》陈剑 2020
• 《数据失控》（美）约翰·切尼-利波尔德（John Cheney-Lippold）着 2019
• 《中国生态系统定位观测与研究数据集 森林生态系统卷 云南西双版纳》邓晓保·唐建维 2010
• 《穿越数据的迷宫 数据管理执行指南》Laura Sebastian-Coleman 2020
• 《大数据环境下的信息管理方法技术与服务创新丛书 俄罗斯档案事业改革与发展研究》徐胡乡责编；肖秋会 2019
• 《全国职业院校工业机器人技术专业规划教材 工业机器人现场编程》（中国）项万明 2019

作者其它书籍

• 《数据科学之编程技术 使用R进行数据清理、分析与可视化＝PROGRAMMING SKILLS FOR DATA SCIENCE START WRITING CODE TO WRANG》ANALYZE （美）迈

出版社其它书籍

• 《安德鲁·路米斯的素描课 1 轻松入门的三个步骤=ANDREW LOOMIS FUN WITH A PENCIL》卫俊译 2019
• 《燃料电池汽车动力系统分布式测试数据传输研究＝DATA TRANSMISSION ANALYSIS OF DISTRIBUTED TEST PLATFORM FOR FUEL CELL》牛文旭着 2020
• 《魅力英文演讲 智慧的声音 改变的力量＝ENGLISH SPEECHES WITH GREAT CHARM》谢晓晟主编 2019
• 《数据科学之编程技术 使用R进行数据清理、分析与可视化＝PROGRAMMING SKILLS FOR DATA SCIENCE START WRITING CODE TO WRANG》ANALYZE （美）迈
• 《R语言机器学习 原书第2版＝MACHINE LEARNING USING R WITH TIME SERIES AND INDUSTRY-BASED USE CASES IN R》SECOND EDITION
• 《地震约束的海洋可控源电磁法反演＝MARINE CONTROLLED-SOURCE ELECTROMAGNETIC DATA INVERSION CONSTRAINED BY SEISMI》郭振威 2019
• 《基于数据科学的恶意软件分析＝MALWARE DATA SCIENCE ATTACK DETECTION AND ATTRIBUTION》（美）约书亚·萨克斯 2020
• 《RXJAVA反应式编程＝REACTIVE PROGRAMMING WITH RXJAVA》（波兰）托马什·努尔凯维茨 2019
• 《空间数据不一致性探测处理理论与方法＝THEORY AND METHODOLOGY OF SPATIAL DATA INCONSISTENCY DETECTING AND PROCES》赵彬彬着 2020
• 《ATLAS ECLIPTICALIS CLARINET 2 CHANGING KEY AND WITH BASS AND CONTRABASS CLARINET AD LIB SEE GENERAL 》JOHN CAGE 1961

本类热门

• 1变通 受用一生的学问
• 2额尔古纳河右岸
• 3易经真的很容易
• 4海蒂怀孕大百科 全新第4版
• 5八次危机 中国的真实经验1949-2009
• 6法治的细节
• 7你是你吃出来的
• 8蛤蟆先生的希望
• 9杀死一只知更鸟
• 10天幕红尘

摘要：本文以《数据科学之编程技术 使用R进行数据清理、分析与可视化》电子书版文档下载为中心，详细阐述了数据科学编程技术的重要性，以及如何利用R语言进行数据清理、分析和可视化。文章从数据清洗、数据分析、数据可视化和编程技巧四个方面展开，旨在帮助读者全面了解数据科学编程技术，提高数据科学实践能力。

1、数据清洗

数据清洗是数据科学过程中的重要环节，它涉及到数据的预处理、异常值处理、缺失值处理等。在《数据科学之编程技术 使用R进行数据清理、分析与可视化》中，作者详细介绍了R语言在数据清洗方面的应用。通过R语言，可以方便地对数据进行清洗，提高数据质量。例如，使用R中的dplyr包进行数据筛选和整理，使用tidyr包进行数据转换，使用ggplot2包进行数据可视化等。

在实际应用中，数据清洗是一个反复迭代的过程。通过对数据的深入分析，可以发现数据中的潜在问题，从而提高数据质量。例如，在处理金融数据时，可能需要清洗掉异常交易数据，以保证数据的准确性。

此外，R语言还提供了丰富的数据清洗工具，如data.table、Hadoop等，可以帮助处理大规模数据清洗任务。这些工具的应用，使得数据清洗变得更加高效和便捷。

2、数据分析

数据分析是数据科学的核心环节，它涉及到数据的统计、建模、预测等。在《数据科学之编程技术 使用R进行数据清理、分析与可视化》中，作者详细介绍了R语言在数据分析方面的应用。通过R语言，可以方便地对数据进行统计分析、机器学习、深度学习等。

例如，使用R中的base包进行基础统计计算，使用stats包进行更复杂的统计分析，使用caret包进行机器学习建模，使用tensorflow包进行深度学习等。这些工具的应用，使得数据分析变得更加灵活和高效。

在实际应用中，数据分析需要结合具体业务场景进行。例如，在分析客户消费行为时，可以通过分析客户购买历史数据，预测客户的未来消费趋势。

3、数据可视化

数据可视化是数据科学的重要手段，它可以将复杂的数据转化为直观的图表，帮助人们更好地理解数据。在《数据科学之编程技术 使用R进行数据清理、分析与可视化》中，作者详细介绍了R语言在数据可视化方面的应用。通过R语言，可以方便地创建各种类型的图表，如散点图、柱状图、折线图等。

例如，使用R中的ggplot2包进行高级数据可视化，使用plotly包进行交互式可视化，使用highcharter包进行高性能数据可视化等。这些工具的应用，使得数据可视化变得更加丰富和生动。

在实际应用中，数据可视化可以帮助人们发现数据中的规律和趋势。例如，在分析市场趋势时，可以通过可视化图表展示市场变化，为决策提供依据。

4、编程技巧

编程技巧是数据科学中不可或缺的一部分，它涉及到代码的可读性、可维护性和效率。在《数据科学之编程技术 使用R进行数据清理、分析与可视化》中，作者详细介绍了R语言编程技巧。通过掌握这些技巧，可以提高代码质量，提高工作效率。

例如，使用R中的向量化操作提高代码执行效率，使用函数封装提高代码可读性，使用RMarkdown进行报告生成等。这些技巧的应用，使得R语言编程变得更加高效和便捷。

在实际应用中，编程技巧可以帮助开发者更好地应对复杂的数据科学任务。例如，在处理大规模数据时，可以通过优化代码结构，提高数据处理速度。

总结：

《数据科学之编程技术 使用R进行数据清理、分析与可视化》电子书版文档下载为读者提供了全面的数据科学编程技术指导。通过学习本书，读者可以掌握R语言在数据清洗、数据分析、数据可视化和编程技巧等方面的应用，提高数据科学实践能力。

本文由nayona.cn整理

点击联系需要东西方神秘学学习资料，专业的咨询