书名：大数据时代的R语言·数据挖掘：R语言实战pdf/doc/txt格式电子书下载

推荐语：决胜大数据时代的利器，本书繁体版已授权到中国台湾地区

作者：黄文,王正林

出版社：电子工业出版社

出版时间：2014-06-01

书籍编号：30467821

ISBN：9787121231223

正文语种：中文

字数：102320

版次：1

所属分类：互联网+-大数据

版权信息

书名：大数据时代的R语言·数据挖掘：R语言实战

作者：黄文　王正林

ISBN：9787121231223

版权所有 · 侵权必究

前言

在大数据时代，数据挖掘无疑将是最炙手可热的技术。数据挖掘的理论和方法正日新月异地发展，数据挖掘的技术及工具，已经渗透到互联网、金融、电商、管理、生产、决策等各个领域，数据挖掘的软件也是层出不穷，其中R是最引人关注的软件。

R是一个免费的开源软件，它提供了首屈一指的统计计算和绘图功能，尤其是大量的数据挖掘方面的算法包，使得它成为一款优秀的、不可多得的数据挖掘工具软件。

本书的主要目的是向读者介绍如何用R进行数据挖掘，通过大量的精选实例，循序渐进、全面系统地讲述R在数据挖掘领域的应用。

全书分为14章，以数据预处理、基本算法及应用和高级算法及应用这三篇展开。

（1）上篇：数据预处理

由第1～5章组成，首先简要介绍数据挖掘流程、算法和工具，然后介绍R中数据分类和数据集，以及R获取数据的多种灵活的方法。最后讲述对数据进行探索性分析和预处理的方法。这些内容是使用R进行数据挖掘的最基础内容。

（2）中篇：基本算法及应用

由第6～9章组成，主要讲述数据挖掘的基本算法及应用，包括关联分析、聚类分析、判别分析和决策树，这些算法也是数据挖掘使用最多最普遍的算法。R中提供了丰富的、功能强大的算法包和实现函数，数据挖掘的初级和中级用户务必掌握。

（3）下篇：高级算法及应用

由第10～14章组成，主要讲述数据挖掘的高级算法及应用，包括集成学习、随机森林、支持向量机和神经网络，以及使用R中的工具对数据挖掘的模型进行评估与选择。对于中高级的用户，可以深入学习一下本篇的内容。

R的特点是入门非常容易，使用也非常简单，因此本书不需要读者具备R和数据挖掘的基础知识。不管是R初学者，还是熟练的R用户都能从书中找到对自己有用的内容，快速入门和提高。读者既可以把本书作为学习如何应用R的一本优秀的教材，也可以作为数据挖掘的工具书。

全书以实际问题、解决方案和对解决方案的讨论为主线来组织内容，脉络清晰，并且各章自成体系。读者可以从头至尾逐章学习，也可以根据自己的需要进行学习，根据自己在实际中遇到的问题寻找解决方案。

本书所编写的源程序，都通过了反复调试，读者可在www.broadview.com.cn网站下载，方便读者使用。

本书主要由黄文、王正林编写，其他参与编写的人员有付东旭、王思琪、钟太平、刘拥军、陈菜枚、李灿辉、钟事沅、王晓丽、王龙跃、夏路生、钟颂飞、钟杜清、王殿祜等。在此对所有参与编写的人员表示感谢！对关心、支持我们的读者表示感谢！

由于时间仓促，作者水平和经验有限，书中错漏之处在所难免，敬请读者指正，我们的电子邮箱是：wa_2003＠126.com。

编 者

2014年4月18日于北京

第0章 致敬，R！

此时，你一定想知道，书的封面上停着一只什么鸟?

那我告诉你，那是Robin鸟，中文名叫知更鸟，它可大有来头，是英国的国鸟，以羽毛颜色漂亮招人喜爱著称。

我把它放在封面，首先是借用其名字首字母R，来表示R语言。最重要的是，我想到了股神巴菲特的一句关于知更鸟的名言，我想双关暗示一下——如果你还不学一些R，大数据对你来说就快结束了。

如果你想等到知更鸟报春，那春天就快结束了。——巴菲特

So if you wait for the robins，spring will be over.——Warren Edward Buffett

如果你想快速成功

你最好站在一个高的肩膀上

如果你想驾驭大数据时代

你最好懂点数据挖掘

如果你想玩转数据挖掘

你最好先玩转R！

致敬，肩膀！

可能当我们还是三好小学生的时候，我们就知道，牛顿是站在巨人的肩膀上的，现如今，我们都知道，中国所有的“二代”，不是站在老爹的肩膀上，就是踩在老丈人的肩膀上的。不得不承认，脚下的肩膀有时候是很牛的。

当你走进数据挖掘，当你走进R的世界，你会发现，R的脚下也有一个肩膀，有肩膀的R也是很牛的！

R的肩膀，是谷歌首席经济学家范里安先生发现的，先生说了好几句活，我只记住了这句“使用R，你已经站在了巨人的肩膀上”。

在此，我只想致敬一下肩膀，与“二代”无关！

我之所以能取得现在的成就，是因为我站在巨人的肩膀上。——牛顿

If I have seen further it is by standing on the shoulders of giants.——Isaac Newton

艾萨克·牛顿爵士（Isaac Newton，1643.12.25—1727.3.20），英国数学家、物理学家、天文学家和经典力学体系奠基人。

R的最美之处在于，你能够通过修改很多牛人预先编写好的包的代码，解决你想解决的各种问题，因此，事实上，使用R，你已经站在了巨人的肩膀上。——哈尔·罗纳德·范里安

The great beauty of R is that you can modify it to do all sorts of things.And you have a lot of prepackaged stuff that\'s already available，so you\'re standing on the shoulders of giants.

——Hal Ronald Varian

哈尔·罗纳德·范里安（Hal Ronald Varian），谷歌首席经济学家，美国著名研究微观经济学和信息经济学学者。

致敬，时代！

“大数据”一词，最早是全球知名咨询公司麦肯锡提出来的，“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。”

我们，已经身处大数据时代了，对于做数据挖掘、用R的我们来说，好时代来了！

“大数据”时代已经降临，在商业、经济及其他领域中，决策将日益基于数据和分析而做出，而并非基于经验和直觉。

——摘自《纽约时报》，2012年2月的一篇专栏

摘自《纽约时报》，How Big Data Became So Big 一文

“在美国具备高度分析技能的人才（大学及研究生院中学习统计和机器学习专业的学生）供给量，2008年为15万人，预计到2018年将翻一番，达到30万人。然而，预计届时对这类人才的需求将超过供给，达到44万～49万人的规模，这意味着将产生14万～19万的人才缺口。仅仅四五年前，对数据科学家的需求还仅限于Google、Amazon等互联网企业中。然而在最近，重视数据分析的企业，无论是哪个行业，都在积极招募数据科学家，这也令人手不足的状况雪上加霜。”

——摘自麦肯锡全球研究院的报告Big data：The next frontier for innovation，competition and productivity（大数据：未来创新、竞争、生产力的指向标），2011.5

……2017年大数据技术和服务市场将增至324亿美元，实现27%的年复合增长率。……大数据不仅是新兴行业，也是市场的主要驱动力，它正在酿成一个主要的市场。

——摘自国际数据公司IDC的预测报告Worldwide Big Data Technology and Services 2013-2017 Forecast，2013.12

致敬，人才！

Google首席经济学家范里安先生，在2008年10月与麦肯锡总监James Manyika先生的对话中，曾经讲过下面一段话：“我总是说，在未来10年里，从事最有意思的工作的人将是统计学家。人们都认为我在开玩笑。但是，过去谁能想到电脑工程师会成为20世纪90年代从事最有趣的工作的人?在未来10年里，获取数据——以便能理解它、处理它、从中提取价值、使其形象化、传送它——的能力将成为一种极其重要的技能，不仅在专业层面上是这样，而且在教育层面（包括对中小学生、高中生和大学生的教育）也是如此。由于如今我们已真正拥有实质上免费的和无所不在的数据，因此，与此互补的稀缺要素是理解这些数据并从中提取价值的能力。”

范里安教授在当初的对话中使用的是statisticians（统计学家）一词，虽然当时他没有使用数据科学家这个词，但这里所指的，正是现在我们普遍所指的数据科学家。

对数据科学家的关注，源于大家逐步认识到，Google、Amazon、Facebook等公司成功的背后，存在着这样一批专业人才。这些互联网公司对于大量数据不是仅进行存储而已，而是将其变为有价值的金矿——例如，搜索结果、定向广告、准确的商品推荐、可能认识的好友列表等。

仅仅在几年前，数据科学家还不是一个正式确定的职业，然而一眨眼的工夫，这个职业就已经被誉为“今后10年IT行业最重要的人才”了。

摘自The Emerging Role of the Analyst一文

在国外，据统计，目前世界500强企业中，有90%以上都建立了数据分析部门。IBM、微软、Intel等公司也积极投资数据业务，建立大数据部门，培养数据分析团队。

美国的小伙伴们，在数据挖掘、数据科学等方面比我们下手早。2011年，美国的加州大学伯克利分校开始开设《数据科学导论》课程；伊利诺伊大学香槟分校从2011年起举办“数据科学暑期研究班”；哥伦比亚大学从2013年起开设《应用数据科学》课程，并从2013年起开设相关培训项目，还计划从2014年起设立硕士学位，2015年设立博士学位；纽约大学从2013年秋季起设立“数据科学”硕士学位；在英国，邓迪大学从2013年起设立“数据科学”硕士学位……

怎么办，那就自学吧，从R开始，站上那个肩膀，做今后10年最重要的人才吧！

致敬，R瑟！

1976年，John Chambers在贝尔实验室开发的S语言是为了替代昂贵的SPSS和SAS工具。如果说S是VAX和UNIX小型机时代的产物，那么R则是PC和Linux时代的产物，R语言大量借用了S语言的方法。

1992年，新西兰奥克兰大学的两位统计学教授，两位“R姓”先生（R Sir，“R瑟”）Ross Ihaka和Robert Gentleman成为了同事，为了方便教授初等统计课程，这哥儿俩开发了一种语言，而恰巧他们名字的首字母都是R，于是R便成为这门语言的名称。

这两位R教授也是R开发团队的核心成员，值得注意的是，S语言的发明者John Cambers也是R开发团队的成员，因此不难理解R语言的一些数据处理路径与S语言相同。

R可以看作S的一种实现，Insightful公司开发的S-PLUS也是S的实现版本，2004年Insightful把S-PLUS授权给了朗讯科技，后来又被Tibco软件于2008年收购。

R语言的发明者Ross Ihaka 和Robert Gentleman

与S和S-PLUS不同的是，R并不是象牙塔里炮制出的代码，而是一个由分析师和程序员构成的社区的产物，这个社区为处理各种数据集创建了超过5000个函数包和2500个插件。

今天，根据Revolution Analytics的统计，R被全球超过200万个量化分析师采用。Revolution Analytics成立于2007年，并开发出了R的并行实现，该公司采用了开放内核的方式开发R，为开源软件包推广商业支持，同时扩展R环境，提升其在计算机集群上的表现，并将其与Hadoop集群对接。

在2013年中，数据挖掘专业网站KDnuggets做了一个关于“什么样的程序或者统计语言是你在做分析、挖掘、科学计算的时候所需要的?”的调查。

调查结果是：最受欢迎的是R语言（61%的调研会员在用），然后是Python（39%）、SQL（37%）等，每个调研对象平均使用2～3种语言。

2013年KDnuggets的调查结果

R位列最受欢迎的数据挖掘软件，其实不足为奇，因为它已经三连冠了！

2012年KDnuggets的调查结果

2011年KDnuggets的调查结果

上篇 数据预处理

第1章 数据挖掘导引

数据挖掘这一学科已成为统计学、机器学习等诸多领域的研究热点，数据挖掘技术已成为大数据时代最热门的技术。

数据挖掘近年来发展异常迅猛，不仅产生了大量不同类型、功能强大的挖掘算法

....