R Studio has many basic functions die so dazu kommen. r studio gleichzeitig darauf ausgelegt flexibel mit neuen Funktionen erweitert zu werden. Dies geschieht mit sogenannten package. auf dieser webseite werden wir immer wieder installieren.
Pakete lassen sich in R Studio mit folgendem Befehl installieren. Installierte Pakete bleiben dauerhaft in deiner R Studio Software.
install.packages(„name“)
Nach der Installation müssen Pakete aktiviert werden. Für jedes geschriebene Skript, müssen die entprechenden Pakete aktiviert werden. Dies geschieht durch den „library“-Befehl, der wie folgt aussieht:
library(„name“)
Es empfiehlt sich, zu Beginn des Skriptes alle erforderlichen Pakete zu aktivieren. Das könnte so aussehen:
library(„ggplot“)
library(„lme4“)
library(„ggmap“)
Wie ein Paket funktioniert oder sich im Detail bedienen lässt, hängt immer vom Paket selbst ab. Die Statistiksoftware R hat eine große und lebhafte Community, die immer wieder neue und sehr nützliche neue Funktionen entwickelt.
Hilfe Funktion
In der Regel enthält jedes Paket eine Gebrauchsanleitung in Form einer Hilfefunktion. Um diese aufzurufen, genügt die Eingabe
help(function)
oder diese Eingabe
?function
Natürlich können alternativ bestimmte Informationen über eine Suchmaschine im Internet gefunden werden. Der Umgang mit der Hilfefunktion ist wesentlich schneller.
Nützliche R Pakete
- ggplot2 (Diagramme zeichnen)
- plotly (Plots, Histogramme darstellen)
- reeinstallr (Hält Pakete aktuell)
- data.table (Tabellen)
Die beliebtesten R Pakete:
- Rcpp Seamless R and C++ Integration
- ggplot2 An Implementation of the Grammar of Graphics
- stringr Simple, Consistent Wrappers for Common String Operations.
- plyr Tools for Splitting, Applying and Combining Data
- digest Create Cryptographic Hash Digests of R Objects
- reshape2 Flexibly Reshape Data: A Reboot of the Reshape Package
- colorspace Color Space Manipulation
- RColorBrewer ColorBrewer Palettes
- manipulate Interactive Plots for RStudio.
- scales Scale Functions for Visualization
- labeling Axis Labeling
- proto Prototype object-based programming.
- munsell Munsell colour system.
- gtable Arrange grobs in tables
- dichromat Color Schemes for Dichromats
- mime Map Filenames to MIME Types.
- RCurl General network client interface for R
- bitops Bitwise Operations
- zoo S3 Infrastructure for Regular and Irregular Time Series
- knitr A General-Purpose Package for Dynamic Report Generation in R.
Eine Übersicht nützlicher R Pakete gibt es hier:
Speziell für Data Science:
Alter artikel
Ein Grund für den Erfolg des Statistik Programms R liegt an der großen und aktiven Community, die viele nützliche Erweiterungen erstellt. Die kostenlosen Erweiterungen werden Pakete genannt, werden ganz unkompliziert eingefügt und geben euch neue Befehle und Funktionen. Fast jeder Nutzer, der sich ernsthaft mit R beschäftigt, macht gebrauch von speziellen Packeten um schnellere und bessere Ergebnisse zu erzielen. In diesem Tutorial lernst du, wie Packete Installiert werden und erhälst eine Übersicht der beliebtesten Pakete der Community.
Inhalt
Pakete in R installieren
Die nützlichsten R Pakete
Pakete in R installieren
Das installieren von Pakete könnte nicht einfacher sein. Tippe einfach diesen Befehl in die Commandozeile:
install.packages("NAME")Solange dein Computer mit dem Internet verbunden ist, lädt R das Paket von CRAN herunter. Warte solange, bis der Installationsprozess abgeschlossen ist.
Jetzt ist das Paket mit unserer Version von R installiert. Bei neuen Berechnungen müssen die Pakete nicht immer wieder heruntergeladen werden. Jedoch fordert die Statistiksoftware bei jeder Software das aktivieren des Paketes. Aus diesem Grund öffnen wir in einer Session mit diesem Befehl das Paket:
library("NAME")
Nachdem das Paket in der aktuellen Session geladen wurde, können wir die neuen Funktionalitäten nutzen.
Die nützlichsten R Pakete
Die open Source statistiksoftware R hat eine große und aktive Community mit vielen talentierten Programmierern, die immer neue und bessere Pakete für R schreiben. Auf dieser Webseite haben wir eine kurze Übersicht der nützlichsten Pakete zusammengestellt – ohne einen Anspruch auf Vollständigkeit. Falls du der Meinung bist, dass ein wichtiges Paket hier fehlt, kannst du uns gerne eine Nachricht senden (Kontaktformular).
sessioninfo() | Überblick der geladenen Pakete
library(packagename) | Pakete laden mit funktion
install.packages(„packagename“) |Pakete installieren
Hinweis für die Tutorials in auf dieser Webseite: Falls in einem Tutorial auf ein bestimmtes Paket zurückgegriffen wird, dann steht das auch immer im jeweiligen Kapitel dazu.
Daten importieren
foreign SAS Daten in R importieren
XLConnect Excel Dateien laden und schreiben mit R. Ansonsten versteht R nur .csv Dateien.
RMySQL, Informationen direkt aus einer Datenbank ziehen.
haven – Improved methods to import SPSS, Stata and SAS files in R.
Daten berechnen
lme4 – Mixed-effects models
data.table – ist eine erweiterung von data.frame. Mit diesen Funktionen lassen schnell Zeilen und Spalten eines dataframes bearbeiten.
Visualisierungen
ggplot2 – Eines der beliebtesten Pakete in R. ggplot2 hilft dir bei der Gestalung von individuellen Plots.
rgl – Interactive 3D visualizations with R
scales – Hilft bei der Visualisierung von Skalierungen bei Diagrammen.
corrplot – Erzeugt hübsche Korrelationstabellen
Daten Modellierungen
car – car’s Anova function is popular for making type II and type III Anova tables.
mgcv – Generalized Additive Models
stats – erweitert R mit tollen Statistikfunktionen
simr / pwr– – Berechet die statistische PowerStatistische Power
Statistische Power ist die Wahrscheinlichkeit, dass ein statistisches Testverfahren einen wirklich vorhandenen Unterschied zwischen zwei Gruppen oder Bedingungen erkennen wird. Eine hohe statistische Power bedeutet, dass das Testverfahren empfindlich genug ist, um kleine Unterschiede zu erkennen, während eine niedrige statistische Power dazu führen kann, dass wichtige Unterschiede übersehen werden. Es ist wichtig, dass die statistische Power bei der Planung einer Studie berücksichtigt wird, um sicherzustellen, dass das Testverfahren ausreichend empfindlich ist, um wichtige Unterschiede zu erkennen.
eeines Modells.
lme4/nlme – Linear and Non-linear mixed effects models
randomForest – Random forest methods from machine learning
multcomp – Tools for multiple comparison testing
vcd – Visualization tools and tests for categorical data
glmnet – Lasso and elastic-net regression methods with cross validation
caret – Tools for training regression and classification models
Daten berichten
shiny – Easily make interactive, web apps with R. A perfect way to explore data and share findings with non-programmers.
R Markdown – The perfect workflow for reproducible reporting. Write R code in your markdown reports. When you run render, R Markdown will replace the code with its results and then export your report as an HTML, pdf, or MS Word document, or a HTML or pdf slideshow. The result? Automated reporting. R Markdown is integrated straight into RStudio.
xtable – The xtable function takes an R object (like a data frame) and returns the latex or HTML code you need to paste a pretty version of the object into your documents. Copy and paste, or pair up with R Markdown.
knitr – Easy dynamic report generation in R.
xtable – Export tables to LaTeX or HTML.
Clusteranalyse
Weitere Webseiten und Informationen für R
- R Cookbook – A problem-oriented website that supports the R Graphics Cookbook.
- R for SAS and SPSS users – An excelllent resource for users already familiar with SAS or SPSS.
- An Introduction to R – A very good introductory text on R, also covers some advanced topics.
