1.6　R語言的劣勢以及如何克服這些劣勢

在與經(jīng)驗豐富的技術(shù)人員討論R語言時，技術(shù)人員通常會指出該語言存在的兩大劣勢。

● 陡峭的學(xué)習(xí)曲線。

● 難以處理大型數(shù)據(jù)集。

上述兩個劣勢確實是這門語言的兩大缺點。本書作者不會刻意地美化R語言，而是給出克服這些劣勢的方法。事實上，可以認(rèn)為第一大劣勢是暫時性的，至少針對不同個體是這樣的。因為讀者一旦邁過了R語言學(xué)習(xí)的“絕望谷”，就再也不會被這一劣勢所困擾。什么是絕望谷呢？此處用圖1-11來進(jìn)行說明。

眾所周知，個體在學(xué)習(xí)全新且足夠復(fù)雜的事物的過程中，都會經(jīng)歷3個階段。

● 蜜月期：在這個階段，學(xué)習(xí)者會喜歡上這樣的新事物，并且非常有信心能夠掌握它。

● 絕望谷：在這個階段，所有事情都變得困難重重，讓人陷入絕望。

● 接下來的階段：學(xué)習(xí)者開始對新事物有更深入的理解，對它的掌控能力提高，自信心也越來越強(qiáng)。

在談到第二大劣勢時，不得不說，R語言在處理大型數(shù)據(jù)集方面存在的困難實際上是這門語言本身具有的結(jié)構(gòu)性問題。因此需要在結(jié)構(gòu)上對其做出一些改變，需要將其與其他工具進(jìn)行戰(zhàn)略性合作。在1.6.1節(jié)和1.6.2節(jié)中，將針對這兩大劣勢進(jìn)行更加詳細(xì)的討論。

1.6.1　高效學(xué)習(xí)R語言，最小化精力投入

首先，R語言為什么會被視為一門很難學(xué)的語言呢？對于這個問題，沒有一個普遍統(tǒng)一的答案，不過可以嘗試推理一下其中的原因。R語言通常是進(jìn)行數(shù)據(jù)分析的首選語言，它是從事數(shù)據(jù)統(tǒng)計的人員為他們自己，尤其是學(xué)習(xí)數(shù)據(jù)統(tǒng)計的學(xué)生創(chuàng)建的一門語言。這就決定了這門語言的兩大特點。

● R語言沒有很好地考慮編程體驗。

● R語言具有其他語言所沒有的統(tǒng)計技術(shù)，并且具有前所未有的創(chuàng)新的交互方式。

大家可以找到R語言學(xué)習(xí)曲線陡峭的原因，具體歸納如下。首先，相較于Julia和Swift這樣的語言，R語言并不是一個對程序員友好的語言。正如1.2節(jié)所提到的，R語言是誕生于學(xué)術(shù)領(lǐng)域的一種工具。其創(chuàng)造者可能也沒有想到，如今R語言可以被用于開發(fā)網(wǎng)站（更多內(nèi)容請見第13章，看一看這個令人眼前一亮的應(yīng)用）。

其次，學(xué)習(xí)過其他統(tǒng)計語言的人學(xué)習(xí)R語言時，會有一種暈頭轉(zhuǎn)向的感覺。在R語言中應(yīng)用數(shù)據(jù)模型時，會體驗到一種令人驚艷的交互過程：讀者將數(shù)據(jù)輸入模型，得到結(jié)果，并對結(jié)果進(jìn)行分析判斷；然后迭代執(zhí)行上述過程，或者進(jìn)行交叉驗證。在該過程中，所有的操作都具有非常高的靈活性。這完全不是統(tǒng)計分析系統(tǒng)（SAS）和統(tǒng)計分析軟件（SPSS）的用戶所能夠體驗到的。在SAS及SPSS中，用戶只能將數(shù)據(jù)提交給執(zhí)行函數(shù)，然后得到一個大而全的結(jié)果集。

這就是最終結(jié)論了？難道只能被動接受歷史原因所導(dǎo)致的陡峭的R語言學(xué)習(xí)曲線嗎？當(dāng)然不是。實際上，R語言社區(qū)一直在積極地參與平緩這條曲線的工作，主要的工作內(nèi)容有以下兩點。

● 改善R語言的編程體驗。

● 編寫高質(zhì)量的學(xué)習(xí)資料。

1．tidyverse程序包

現(xiàn)如今在談?wù)揜語言的時候，一定會提到tidyverse程序包，因為tidyverse程序包在R社區(qū)中非常流行。tidyverse是由哈德利·威克姆開發(fā)的一個框架，該框架包含很多概念和函數(shù)。由于tidyverse程序包的存在，使用R語言的編程體驗更加貼近現(xiàn)代的編程體驗。有關(guān)tidyverse程序包的介紹已經(jīng)超出了本書的范圍，但是本書作者還是想簡單地介紹一下這個框架的組成部分，它通常至少包含以下4個程序包。

● reader：用于數(shù)據(jù)導(dǎo)入。

● dplyr：用于數(shù)據(jù)操作。

● tidyr：用于數(shù)據(jù)清洗。

● ggplot2：用于數(shù)據(jù)可視化。

tidyverse取得了很大的成功，因此出現(xiàn)了很多關(guān)于tidyverse主題的學(xué)習(xí)資料。在后文中，將介紹這些學(xué)習(xí)資料。

2．利用R語言社區(qū)來學(xué)習(xí)R語言

R語言最令人欣賞的特點之一就是它擁有一個生機(jī)勃勃的社區(qū)。起初，R語言社區(qū)主要由在其研究過程中偶遇R語言這一強(qiáng)大工具的統(tǒng)計人員和學(xué)術(shù)研究人員組成。如今，除了統(tǒng)計人員和學(xué)術(shù)研究人員，其他領(lǐng)域的專業(yè)人士也紛紛加入了R語言社區(qū)，包括金融學(xué)、化學(xué)及遺傳學(xué)等領(lǐng)域。對于每個初學(xué)者來說，R語言社區(qū)都是一筆巨大的“財富”，社區(qū)中的人都非常友好且樂于幫助初學(xué)者邁出學(xué)習(xí)這門語言的第一步。但是讀者可能會感到疑惑，要如何利用R語言社區(qū)呢？答案是，首先要找到這個社區(qū)并體驗它；接下來要做的就是，看看如何利用社區(qū)主導(dǎo)的內(nèi)容來切實可行地學(xué)習(xí)R語言。

（1）如何找到R語言社區(qū)

R語言社區(qū)存在很多種交流方式（包括各種線上和線下方式），要與R語言社區(qū)進(jìn)行交流，可以通過其中的任意一種方式。下面列出的是部分線上和線下方式。

線上方式：

● R-bloggers。

● Twitter主題標(biāo)簽#rstats。

● Google+社區(qū)。

● Stack Overflow上被標(biāo)記了R的問題。

● R-help郵件列表。

線下方式：

● R語言年度研討會。

● RStudio開發(fā)者大會。

● R線下聚會。

（2）通過與R語言社區(qū)互動來學(xué)習(xí)R語言

既然已經(jīng)知道如何找到R語言社區(qū)，那么接下來就看看如何利用社區(qū)進(jìn)行學(xué)習(xí)。通常有3種可選的方式（非單選）。

● 查閱社區(qū)主導(dǎo)的學(xué)習(xí)資料。

● 向社區(qū)尋求幫助。

● 及時跟進(jìn)R語言的最新進(jìn)展。

查閱社區(qū)主導(dǎo)的學(xué)習(xí)資料：學(xué)習(xí)資料主要有以下兩種。

● 論文、手冊和圖書。

● 在線交互式課程。

論文、手冊和圖書：雖然這種學(xué)習(xí)資料是比較傳統(tǒng)的，但讀者不應(yīng)因此而忽視它們，因為這些學(xué)習(xí)資料總是能夠讓讀者對所探討的問題獲得更加結(jié)構(gòu)性而且系統(tǒng)性的理解。讀者也可以在網(wǎng)絡(luò)上找到論文、手冊和圖書形式的資料。

向讀者推薦以下比較有幫助的期刊和圖書。

● Advanced R。

● R for Data Science。

● An Introduction to Statistical Learning。

● OpenIntro Statistics。

● The R Journal。

在線交互式課程：這類課程應(yīng)該是當(dāng)前非常常見的學(xué)習(xí)資料了。在很多不同的平臺上都能找到非常不錯的R語言學(xué)習(xí)資料，其中知名的可能是DataCamp、Udemy和Packt。這些平臺上分享的是一種實用的交互方式，讀者可以通過練習(xí)和實踐，直接掌握相關(guān)的主題知識，而不是被動地看著別人解釋復(fù)雜的理論。

向社區(qū)尋求幫助：當(dāng)開始編寫第一行R語言代碼時（甚至在編寫代碼之前），讀者可能會遇到一些與編碼工作相關(guān)的問題。在這種情況下，最好的方法就是向社區(qū)求助，在社區(qū)的幫助下解決這些問題。讀者很可能并不是第一個提出相關(guān)問題的人。所以，在提出問題之前，可以先在網(wǎng)上尋找一下之前是否有人提出過類似的問題，并查看問題答案。

應(yīng)該在哪里尋找答案呢？在大部分情況下，讀者可以通過以下幾處找到答案（按可能找到答案的概率先后列出）。

● Stack Overflow。

● R-help郵件列表。

● R程序包的文檔。

但是，不建議讀者在社交網(wǎng)絡(luò)或者其他類似網(wǎng)站上尋找答案，因為它們并不是專注于處理這類問題的網(wǎng)站。在這些網(wǎng)站上，答案沒有經(jīng)過任何專業(yè)的審核，因此，在這類網(wǎng)站上查找到的答案可能是過時的，或者根本就是不正確的。

如果讀者提出的是一個從未有人問到過的新問題，那么讀者可以在前面尋找問題答案的地方進(jìn)行提問。

及時跟進(jìn)R語言的最新進(jìn)展：由于存在很多熱心用戶的貢獻(xiàn)，R語言的世界才得以不斷更新、不斷進(jìn)步。如何緊跟這些變化呢？社交網(wǎng)絡(luò)可以派上用場。通過關(guān)注社交網(wǎng)絡(luò)或者類似網(wǎng)站的#rstats主題標(biāo)簽，讀者就可以不斷地了解R語言的動態(tài)。另外，還可以在R-bloggers上訂閱每日新聞，這些新聞是由前一天發(fā)布的與R語言相關(guān)的博客文章組成的，都很實用。最后，讀者可以通過R語言年度研討會或者類似會議接觸到著名的R專家，聽取他們的獨(dú)特見解，以及他們關(guān)于R語言未來發(fā)展的演講。

1.6.2　使用R語言操作大型數(shù)據(jù)集

前面提到，R語言的第二大劣勢與大型數(shù)據(jù)集的處理有關(guān)。那么，這個劣勢來自哪里呢？實際上，這個劣勢與R語言的核心機(jī)制有關(guān)，R語言是一個內(nèi)存軟件。也就是說，在R語言腳本中創(chuàng)建和管理的每一個對象都存儲在計算機(jī)的RAM中。這意味著數(shù)據(jù)的總大小不能超過RAM的總大?。ㄇ疤崾瞧渌浖]有占用RAM，但這是不切實際的）。那么，如何克服這個劣勢呢？答案實際上超出了本書所要講解的范圍。盡管如此，作者在此簡單地總結(jié)出3種應(yīng)對策略。

● 優(yōu)化代碼，使用profvis等程序包對代碼進(jìn)行分析，并遵循R語言編程最佳實踐。

● 使用外部數(shù)據(jù)存儲和整理工具，如Spark、MongoDB和Hadoop。在后文中，會對此做進(jìn)一步介紹。

● 使用ff、filehash、R.huge或者bigmemory等程序包來改變R語言內(nèi)存處理行為，以盡量避免內(nèi)存過載。

作為作者，我想要強(qiáng)調(diào)的是，這個劣勢實際上是可以克服的。對于剛剛開始R語言學(xué)習(xí)之旅的初學(xué)者，在遇到這個劣勢時不必?fù)?dān)心。

最后補(bǔ)充說明：隨著獲取計算能力的成本越來越低，與大型數(shù)據(jù)集處理相關(guān)的問題就會顯得越來越微不足道。