数据分析与可视化（一）
 
1.1 数据分析
1.1.1 数据、信息与数据分析
1.1.2数据分析与数据挖掘的区别
1.1.3数据分析的流程
  
1.2 数据可视化
1.3 数据分析与可视化常用工具
1.4 Python数据分析与可视化常用类库
 

 
1.1 数据分析
 
1.1.1 数据、信息与数据分析
 
数据： 数据是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。它是可识别的、抽象的符号。是信息的表现形式和载体，可以是符号、文字、数字、语音、图像、视频等。
 
信息：信息是数据的内涵，信息是加载于数据之上，对数据作具有含义的解释。（用来消除不确定性）
 
数据和信息是不可分离的，信息依赖数据来表达，数据则生动具体表达出信息。
 
数据是符号，是物理性的，信息是对数据进行加工处理之后得到并对决策产生影响的数据，是逻辑性和观念性的；
数据是信息的表现形式，信息是数据有意义的表示。数据是信息的表达、载体，信息是数据的内涵，是形与质的关系。
数据本身没有意义，数据只有对实体行为产生影响时才成为信息。
 
数据分析：数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，为提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。数据分析有狭义和广义之分。狭义的数据分析是指根据分析目的，采用对比分析、分组分析、交叉分析和回归分析等分析方法对搜集来的数据进行处理与分析提取有价值的信息，发挥数据的作用，并得到一个统计量结果的过程。广义的数据分析是指针对搜集来的数据运用基础探索、统计分析、深层挖掘等方法，发现数据中有用的信息和未知的规律与模式，进而为下一步的业务决策提供理论与实践依据。广义的数据分析就包含了数据挖掘。
 
 
1.1.2数据分析与数据挖掘的区别
 
数据挖掘：数据挖掘是指从大量的、不完全的、有噪声的、模糊的和随机的实际应用数据中，通过应用聚类、分类、回归和关联规则等技术，挖掘潜在价值的过程。
 
差异角度
数据分析
数据挖掘
定义
描述和探索性分析，评估现状和修正不足技术
技术性的“采矿”过程，发现未知的模式和规律
侧重点
实际的业务知识
实际的业务知识
技能
统计学、数据库、Excel、可视化等
过硬的数学功底和编程技术
结果
需结合业务知识解读统计结果
模型或规则
数据分析和数据挖掘都是基于搜集来的数据，应用数学、统计和计算机等技术抽取出数据中的有用信息，进而为决策提供依据和指导方向。
 
1.1.3数据分析的流程
 
需求分析：数据分析中的需求分析也是数据分析环节的第一步和最重要的步骤之一，决定了后续的分析的方向、方法。
数据获取：数据是数据分析工作的基础，是指根据需求分析的结果提取，收集数据。
数据预处理：数据预处理是指对数据进行数据合并，数据清洗，数据变换和数据标准化，数据变换后使得整体数据变得干净整齐，可以直接用于分析建模这一过程的总称。
分析与建模：分析与建模是指通过对比分析、分组分析、交叉分析、回归分析等分析方法和聚类、分类、关联规则、智能推荐等模型与算法发现数据中的有价值信息，并得出结论的过程。
模型评价与优化：模型评价是指对已经建立的一个或多个模型，根据其模型的类别，使用不同的指标评价其性能优劣的过程。
部署：部署是指通过了正式应用数据分析结果与结论应用至实际生产系统的过程。
 
1.2 数据可视化
 
数据可视化：数据可视化是关于数据视觉表现形式（即一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量）的科学技术研究。它主要是借助图形化手段，清晰有效地传达与沟通信息（即数据的可视化展示），有助于确定需要进一步调查的异常值、差距、趋势和有趣的数据点。有效的可视化可显著减少受众处理信息和获取有价值见解所需的时间，是一个化繁为简的过程。（表达观点、发现联系）
 
数据分析是一个探索性的过程，通常从特定的问题开始，而数据分析和数据可视化这两个术语密不可分。在实际处理数据时，数据分析先于可视化输出，而可视化分析又是呈现有效分析结果的一种好方法。
 
 数据：聚焦于解决数据的采集、清理、预处理、分析和挖掘
 图形：聚焦于解决对光学图象进行接收、提取信息、加工变换、模式识别及存储显示
 可视化：聚焦于解决将数据转换成图形，并进行交互处理
 
1.3 数据分析与可视化常用工具
 
1. Microsoft Excel
 Excel是大家熟悉的电子表格软件，已被广泛使用了很多年，如今甚至有很多的数据只能以Excel表格的形式获取到，但是它的局限在于它一次性所能处理的数据量，而且除非通晓VBA这个Excel内置的编程语言，否则针对不同数据集来绘制一张图表将是一件极其繁琐的事。
 2. R语言
 R语言是集统计分析与图形显示于一体的用于分析、绘图的语言和操作环境的软件，是属于GNU系统的一个自由、免费、源代码开放的软件，是一个用于统计计算和统计制图的优秀工具。
 3. Python语言
 Python是一种动态的、面向对象的、解释型脚本语言，起初被用于编写自动化脚本，后随着版本迭代及功能升级，目前也可以用于单独开发，是一门跨平台的脚本语言（Python规定了一个Python语法规则，实现了Python语法的解释程序就成为了Python的解释器。）Python代码具有简洁性、易读性和易维护性等优点。
 4. JavaScript
 JavaScript（缩写为JS）是一种高级的、多范式、解释型的编程语言，是一门基于原型、函数先行的语言，它支持面向对象编程、命令式编程以及函数式编程。它提供语法来操控文本、数组、日期以及正则表达式，不支持I/O（比如网络、存储和图形等），但可以由它的宿主环境提供支持，是一种基于对象和事件驱动并具有相对安全性的客户端脚本语言。
 5. PHP
 PHP（“超文本预处理器”）是一种通用开源脚本语言。语法吸收了C语言、Java和Perl的特点，利于学习，使用广泛，主要适用于Web开发领域，但它其中丰富的图形库意味着它可以应用于数据的可视化。
 
1.4 Python数据分析与可视化常用类库
 
1. Numpy
 Numpy软件包是Python生态系统中数据分析，机器学习和科学计算的主力军。 它极大地简化了向量和矩阵的操作处理方式，它提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。
 
2. SciPy
 SciPy库依赖于NumPy，它提供了便捷且快速的N维数组操作。 SciPy库的构建与NumPy数组一起工作，并提供了许多用户友好和高效的数字实践，可便捷地解决科学计算中的一些标准问题。
 3. Pandas
 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。它纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具，提供了大量能使我们快速便捷地处理数据的函数和方法。
 
4. Matplotlib
 Matplotlib 是一个 Python 的 2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。它可与Numpy一起使用，提供一种有效的MATLAB开源替代方案；它也可以和图形工具包一起使用，让用户很轻松地将数据图形化；同时它还提供多样的输出格式。
 
5. Seaborn
 Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。
 
6. Scikit-learn
 基于SciPy，开发者们针对不同的应用领域发展出的众多的分支版本被统一称为Scikits，即SciPy工具包的意思。而在这些分支版本中，最有名，也是专门面向机器学习的一个就是Scikit-learn。Scikit-learn是Python语言中专门针对机器学习应用而发展起来的一款开源框架。作为专门面向机器学习的Python开源框架，内部实现了各种各样成熟的算法，容易安装和使用，样例丰富，而且教程和文档也非常详细，但它不支持深度学习和强化学习，也不支持图模型和序列预测，不支持Python之外的语言，不支持PyPy，也不支持GPU加速。Scikit-learn的基本功能主要被分为六大部分：分类，回归，聚类，数据降维，模型选择和数据预处理。
 
本文部分内容来自清华大学出版社《Python数据分析与可视化》作者：魏伟一 李晓红
 很棒的书哦，感兴趣的同学可以购买本书来学习哟~

数据分析与可视化概述
 
一、数据、信息与数据分析
 
数据：是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。它是可识别的、抽象的符号。
数据是信息的表现形式和载体，可以是符号、文字、数字、语音、图像、视频等
数据聚焦于数据的采集、清理、预处理、分析和挖掘，图形聚焦于解决对光学图像进行接收、提取信息、加工变换、模式识别及存储显示，可视化聚焦于解决将数据转换成图形，并进行交互处理。
信息：是数据的内涵，信息是加载于数据之上，对数据作具有含义的解释。
数据和信息是不可分离的，信息依赖数据来表达，数据则生动具体表达出信息。 
  
数据是符号，是物理性的，信息是对数据进行加工处理之后得到、并对决策产生影响的数据，是逻辑性和观念性的；
数据是信息的表现形式，信息是数据有意义的表示。数据是信息的表达、载体，信息是数据的内涵，是形与质的关系。
数据本身没有意义，数据只有对实体行为产生影响时才成为信息。
 
数据分析：是指用适当的统计分析方法对收集来的大量数据进行分析，为提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
数据分析就是针对搜集来的数据运用基础探索、统计分析、深层挖掘等方法，发现数据中有用的信息和未知的规律与模式，进而为下一步的业务决策提供理论与实践依据。所以广义的数据分析就包含 了数据挖掘的部分
 
数据挖掘与数据分析：
 
数据分析是指根据分析目的，采用对比分析、分组分析、交叉分析和回归分析等分析方法，对收集来的数据进行处理与分析，提取有价值的信息，发挥数据的作用，得到一个特征统计量结果的过程。
数据挖掘则是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，通过应用聚类、分类、回归和关联规则等技术，挖掘潜在价值的过程。
 

 二者区别
 
 数据分析的流程：
 
 
需求分析：数据分析中的需求分析也是数据分析环节的第一步和最重要的步骤之一，决定了后续的分析的方向、方法。
数据获取：数据是数据分析工作的基础，是指根据需求分析的结果提取，收集数据。
数据预处理：数据预处理是指对数据进行数据合并，数据清洗，数据变换和数据标准化，数据变换后使得整体数据变为干净整齐，可以直接用于分析建模这一过程的总称。
分析与建模：分析与建模是指通过对比分析、分组分析、交叉分析、回归分析等分析方法和聚类、分类、关联规则、智能推荐等模型与算法发现数据中的有价值信息，并得出结论的过程。
模型评价与优化：模型评价是指对已经建立的一个或多个模型，根据其模型的类别，使用不同的指标评价其性能优劣的过程。
部署：部署是指将通过了正式应用数据分析结果与结论应用至实际生产系统的过程。
 
二、数据可视化
 
数据可视化：是关于数据视觉表现形式的科学技术研究。其中，这种数据的视觉表现形式被定义为“一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量”。
数据可视化主要是借助于图形化手段，清晰有效地传达与沟通信息。
 
数据：聚焦于解决数据的采集、清理、预处理、分析和挖掘
 
图形：聚焦于解决对光学图像进行接收、提取信息、加工变换、模式识别及存储显示
 
可视化：聚焦于解决将数据转换成图形，并进行交互处理
 
数据可视化方法：
 
面积&尺寸可视化
颜色可视化
图形可视化
概念可视化
 
注意：
 
做数据可视化时，几种方法经常是混合用的，尤其是做一些复杂图形和多维度数据的展示时。
做出的可视化图表一定要易于理解，在显性化的基础上越美观越好，切忌华而不实。
数据可视化要根据数据的特性，如时间和空间信息等，找到合适的可视化方式，将数据用直观地展现出来，以帮助人们理解数据，同时找出包含在海量数据中的规律或者信息。
 
三、数据分析与可视化常用工具
 
1．Microsoft Excel
 2．R语言
 3．Python语言
 4．JavaScript
 5．PHP
 
四、为何选用Python
 
Python语言是一种解释型、面向对象、动态数据类型的高级程序设计语言
 Python语言是数据分析师的首选数据分析语言，也是智能硬件的首选语言
 
 优点：
 
1.简单易学
 Python是一种代表简单主义思想的语言，它有极简单的语法，极易上手。
 
2.集解释性与编译性于一体
 Python语言写的程序不需要编译成二进制代码，可以直接从源代码运行程序，但是需要解释器，它也具有编译执行的特性。
 
3.面向对象编程
 Python 即支持面向过程的编程也支持面向对象的编程。与其他主要的语言如C++ 、Java相比，Python以一种非常强大又简单的方式实现面向对象编程。
 
4.可扩展性和可嵌入性
 可以把部分程序用C或C++编写，然后在Python程序中使用它们，也可以把Python嵌入到C/C++ 程序中，提供脚本功能。
 
5.程序的可移植性
 绝大多数的的Python程序不做任何改变即可在主流计算机平台上运行。
 
6.免费、开源
 可以自由地发布这个软件的拷贝、阅读它的源代码、对它做改动、把它的一部分用于新的自由软件中。
 
 
缺点：
 Python的唯一缺点是与C和C++相比执行的效率还不够快，因为Python没有将代码编译成底层的二进制代码；
 
应用举例：
 使用turtle画一只乌龟：
 
#!python 
 
"""画一个小乌龟"""
 
import turtle as t;
 
t.pensize(2)
t.hideturtle()
t.colormode(255)
t.color((0,0,0),"Green")
t.setup(500,500)
t.speed(5)
 
t.penup()
t.goto(0,-100)
t.pendown()
t.circle(100)
 
t.penup()
t.goto(-20,35)
t.pendown()
t.begin_fill()
t.forward(40)
t.seth(-60)
t.forward(40)
t.seth(-120)
t.forward(40)
t.seth(-180)
t.forward(40)
t.seth(120)
t.forward(40)
t.seth(60)
t.forward(40)
t.end_fill()
 
t.seth(120)
t.color((0,0,0),(29,184,130))
 
for i in range(6):
    t.begin_fill()
    t.forward(60)
    t.right(90)
    t.circle(-100,60)
    t.right(90)
    t.forward(60)
    t.right(180)
    t.end_fill()
 
t.penup()
t.goto(-15,100)
t.seth(90)
t.pendown()
t.forward(15)
t.circle(-15,180)
t.forward(15)
 
for i in range(4):
    t.penup()
    t.goto(0,0)
    if i==0:
        t.seth(35);
    if i==1:
        t.seth(-25)
    if i==2:
        t.seth(-145)
    if i==3:
        t.seth(-205)
    t.forward(100)
    t.right(5)
    t.pendown()
    t.forward(10)
    t.circle(-10,180)
    t.forward(10)
 
t.penup()
t.goto(10,-100)
t.seth(-90)
t.pendown()
t.forward(10)
t.circle(-30,60)
t.right(150)
t.circle(30,60)
t.goto(-10,-100)

 
 
五、Python常用类库
 
1. Numpy
 NumPy软件包是Python生态系统中数据分析、机器学习和科学计算的主力军。它极大地简化了向量和矩阵的操作处理。
 除了能对数值数据进行切片（slice）和切块（dice）外，使用NumPy还能为处理和调试上述库中的高级实例带来极大便利。
 一般被很多大型金融公司使用，以及核心的科学计算组织如Lawrence Livermore、NASA用其处理一些本来使用C++、Fortran或Matlab等所做的任务。
 
2. SciPy
 SciPy（http://scipy.org）是基于NumPy开发的高级模块，依赖于NumPy，提供了许多数学算法和函数的实现，可便捷快速地解决科学计算中的一些标准问题，例如数值积分和微分方程求解、最优化、甚至包括信号处理等。
 
作为标准科学计算程序库， SciPy它是Python科学计算程序的核心包，包含了科学计算中常见问题的各个功能模块，不同子模块适用于不同的应用。
 
3. Pandas
 Pandas提供了大量快速便捷处理数据的函数和方法。它是使Python成为强大而高效的数据分析环境的重要因素之一。
 Pandas中主要的数据结构有Series、DataFrame和Panel。其中Series是一维数组，与NumPy中的一维array以及Python基本的数据结构List类似；DataFrame是二维的表格型数据结构，可以将DataFrame理解为Series的容器； Panel是三维的数组，可看作为DataFrame的容器。
 
4. Matplotlib
 Matplotlib是Python 的绘图库，是用于生成出版质量级别图形的桌面绘图包，让用户很轻松地将数据图形化，同时还提供多样化的输出格式。
 
5. Seaborn
 Seaborn在Matplotlib基础上提供了一个绘制统计图形的高级接口，为数据的可视化分析工作提供了极大的方便，使得绘图更加容易。
 用Matplotlib最大的困难是其默认的各种参数，而Seaborn则完全避免了这一问题。一般来说，Seaborn能满足数据分析90%的绘图需求。
 
6. Scikit-learn
 Scikit-learn是专门面向机器学习的Python开源框架，它实现了各种成熟的算法，容易安装和使用。
 Scikit-learn的基本功能有分类、回归、聚类、数据降维、模型选择和数据预处理六大部分。
 
六、 数据科学计算平台—Anaconda
 
Anaconda是一个集成的Python数据科学环境，简单的说，Anaconda除了有Python外，还安装了180多个用于数据分析的第三方库，而且可以使用conda命令安装第三方库和创建多个环境。相对于只安装Python而言，避免了安装第三方库的麻烦。
 网站：
 https://mirror.tuna.tsinghua.edu.cn/help/anaconda/
 
Jupyter Notebook的使用：
 Jupyter Notebook（Julia+Python+R = Jupyter）基于Web技术的交互式计算文档格式，支持Markdown和Latex语法，支持代码运行、文本输入、数学公式编辑、内嵌式画图和其他如图片文件的插入，是一个对代码友好的交互式笔记本。
 
 
Files 基本上列出了所有的文件，
Running 显示了当前已经打开的终端和Notebooks，
Clusters 由 IPython parallel 包提供，用于并行计算。
若要创建新的Notebook，只需单击页面右上角的New按钮，在下拉选项中选择python3，即可得到一个空的notebook界面
 
在编辑区可以看到一个个单元（cell）。如图所示，每个cell以“In[ ]”开头，可以输入正确的Python代码并执行。
例如，输入"python " + “program”，然后按“Shift+Enter”，代码将被运行后，编辑状态切换到新的cell
 
Jupyter notebook中的常用快捷方式：
 

 
作为一名商业数据分析师，应该如何成长，学习哪些技能。我的回答是，除了数据分析技能的学习之外，你要比产品经理更懂产品，比业务更懂业务，甚至还需要对整个行业有一定的思考。如果你做到了，那么你可能成为一个非常炙手可热的数据分析师，或者说数据专家了。
 
目前，大数据时代正在变革着我们的生活、工作和思维，如何让大数据更有意义，使之更贴近于大多数人，最重要的手段之一就是数据可视化，数据可视化是关于数据视觉表现形式的技术，这种数据的视觉表现形式被定义为：一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量。
 
截至2019年3月份，Tableau Desktop的最新版本是2019.1，该版本的功能有较大幅度的提升，新功能包括Ask Data、Tableau Mobile应用、导出到PowerPoint等，大大提高了Tableau的数据处理能力和分析能力。本书正是基于Tableau 2019.1编写的，全面而详细介绍了Tableau Desktop在商业数据分析过程中的主要应用。
 
第一部分介绍了商业数据分析的主要思维和技巧，常见的数据可视化软件，商业数据分析的重要模型，商业数据分析师的必备技能等；第二部分介绍了Tableau Desktop的基础知识，包括数据类型、运算符及优先级、连接到文件和数据库、表计算等高级数据操作和14种重要的可视化视图；第三部分详细介绍了Tableau Desktop的仪表板、地图可视化和故事等；第四部分介绍了Tableau Desktop连接大数据平台，包括Cloudera Hadoop Hive、Hortonworks Hadoop Hive、MapR Hadoop Hive,详细说明了连接Hive和Spark的具体步骤；第五部分以案例的形式介绍了Tableau Desktop与R和Python的集成开发环境，如何对模型结果进行可视化分析；第六部分详细介绍了Tableau的服务器技术，包括Tableau Online和Tableau Server的安装和配置等内容。
 
本书的内容
 
第1章介绍商业数据分析的思维：结构化、公式化、业务化，商业数据分析的七种技巧：象限法、多维法、假设法、指数法、二八法、对比法、漏斗法，以及商业数据分析的典型方法：推荐引擎、购物篮分析、情感分析、生命价值预测和留存分析等方法。
 
第2章介绍商业数据分析的常用模型：包括KANO分析模型、5W2H分析模型、战略钟分析模型、RFM客户价值模型、用户行为分析模型、关联分析模型、鱼骨图分析模型和营销漏斗模型等。
 
第3章介绍商业数据分析师的前世今生、商业数据分析的步骤与阶段、商业数据分析师的必备技能、如何成为一名合格的商业数据分析师等内容。
 
第4章介绍Tableau Desktop概况、数据类型、文件类型、运算符及其优先级，以及Tableau系列包含的7种工具：Tableau Desktop、Tableau Prep、Tableau Online、Tableau Server、Tableau Public、Tableau Mobile、Tableau Reader。
 
第5章介绍Tableau连接到文件：包括Microsoft Excel、Microsoft Access、文本文件、JSON文件、PDF文件、空间文件、统计文件，连接到数据库：Microsoft SQL Server、MySQL、Oracle、Amazon Redshift，如何连接到MongoDB数据库及具体步骤。
 
第6章介绍Tableau的基础操作：包括维度和度量及其转换，连续和离散及其转换，工作区的操作、工作表的基本操作、创建“上下文筛选器”等内容。
 
第7章介绍一些Tableau常用的高级操作，如表计算、创建字段、创建参数、聚合计算、缺失值的处理等，使用的数据源是“门店销售数据.xls”。
 
第8章介绍通过实例详细介绍如何使用Tableau生成一些可视化视图，如饼形图、折线图、散点图、甘特图、漏斗图、环形图等14类图形，使用的数据源是“超市运营数据.xls”。
 
第9章介绍如何使用Tableau创建地图，包括设置角色、添加字段信息、设置地图选项、创建分布图和自定义地图等内容，使用的数据源是“网站流量数据.xlsx”。
 
第10章详细介绍创建高效仪表板的基本原则、如何创建美观的仪表板、如何进一步完善与改进仪表板等内容，并通过实际案例介绍如何创建高效的仪表板。
 
第11章介绍如何使用Tableau创建故事及注意事项，通过设置标题、页面、格式等完善故事使其更加生动，使用的数据源是“话务中心运营数据.xlsx”。
 
第12章介绍Hadoop分布式计算框架的特点，Tableau如何连接Cloudera Hive、MapR Hive、Hortonworks Hive等Hadoop集群及注意事项。
 
第13章介绍Apache Spark计算框架的特点，以及Tableau如何使用SparkSQL途径连接Apache Spark及其注意事项。
 
第14章介绍通过技术手段可以改进可视化、依据Hadoop集群存储文件的特点提升数据抽取效率，大数据引擎的优化方法等。
 
第15章介绍基于Tabpy的运行环境，包括Tabpy Server和Tabpy client，并且使用实际案例，探讨了如何使用Python 3.6，将机器学习结果集成到Tableau的视图中。
 
第16章介绍基于R语言的Rserve运行环境，它是一个远程服务器，并且使用实际案例，将R语言的机器学习结果集成到Tableau的视图中。
 
第17章详细介绍如何使用Tableau Prep对数据源进行清洗，步骤包括添加步骤、添加聚合、添加行列转置、添加关联、添加并集、添加输出等6个步。。
 
第18章介绍Tableau Online，包括如何注册试用，如何导入已有数据源、快速搜索内容和设置账户，如何设置用户的角色、添加用户和创建所在的组等。
 
第19章介绍Tableau Server，包括如何下载和安装及其注意事项，如何配置各选项及注意事项等，以及在Linux环境下如何安装和配置。

数据科学家被认为是21世纪最性感也是最具发展前景的职业，目前有75%左右的数据科学家使用R语言，有35%左右的数据科学家将R语言作为首选统计分析工具。今天，我们来了解一下R语言的前世今生。
 
R的诞生
 
1992年，肉丝（Ross Ihaka）和萝卜特（Robert Gentleman）两个人在S语言（贝尔实验室开发的一种统计用编程语言）的基础上开始构思一种新的用于统计学分析的开源语言，直到1995年第一个版本正式发布。因为他们名字的第一个字母都是R，所以这门语言就被叫做R。这两个人都是统计学教授出身，再加上R语言的生父S语言，所以R语言在统计学方面有着纯正的血统！
 
如果你平时的工作会涉及到统计学，那么接触R语言实在是太正常不过了。
 
R的发展
 
作为开源软件的R能够迅速发展，很大程度上取决于其活跃的社区。学习R，很大程度上也是学习各种R包的使用。截止目前（2017年3月，CRAN(Comprehensive R Archive Network)上已经有10762个可以获取的R扩展包，内容涉及各行各业，可以适用于各种复杂的统计。各地的CRAN镜像都是R网站的备份文件，内容完全一样，你可以选择离自己最近的去访问。
 
 
 
1.因为R语言本身为统计而生，所以你能想到的所有统计相关的工作，R都可以非常简洁的用几行命令（甚至1行命令）帮你完成。
 
 
 
2.R高度的可扩展性正是体现在它那1万多个包上，你想做的几乎所有事情都可以用现有的R包来辅助完成。
 
 
 
3.R另一个杀手锏就是其强大的绘图功能，正如上面的英文介绍所言，R可以画图，画各种各样的图，画各种各样高逼格的图，画各种各样高逼格可以直接出版的图。
 
 
 
4.完善的统计学功能再加上强大的绘图功能，就是你学习的最大理由。
 
 
 
如何尝试入门R语言
 
大致了解一下R语言是什么，能干什么用
 
1.学习如何在R的官网下载R，如何在自己的电脑安装R并成功运行。
 
2.学习如何安装Rstudio，并且了解其基本的用法（这步可省略）。
 
3.学习如何查看R帮助文档（这步很重要）。
 
4.学习如何将外部的数据（作业中通常是txt或者csv格式）正确地导入R。
 
5.学习R语言一些最基本的命令，如安装包、调用包、读入写入文件、构造矩阵和基础绘图等。
 
6.了解R语言语法入门知识（数据类型、数据结构、函数与包）
 
 
 
入门的标准是什么呢？
 
我想是给你一份数据让你处理，你脑子里的第一反应是可不可用R做；如果给你一个任务，你能上手尝试用R去解决。
 
 
 
柳棉子最近整理了一批高质量的R语言学习教程，今天免费赠与大家
 
 
 
 
 
 
 
 
由于篇幅有限，仅展示部分内容.........
 
更多资源，更新中..........
 
资源下载链接【R语言数据分析资料包】，
 
更多资源，关注微信公众号【柳棉子】，免费领取。