LearningR-学习资源

• 通过阅读来学习，包括了阅读经典的教材、代码、论文、学习公开课。
• 通过牛人来学习，包括同行的聚会、讨论、大牛的博客、微博、twitter、RSS。
• 通过练习来学习，包括代码练习题、参加kaggle比赛、解决实际工作中的难题。
• 通过分享来学习，包括自己写笔记、写博客、写书、翻译书，和同伴分享交流、培训新人。

本文用于收集各类R语言的学习资源，用于学习、练习和分享。

1. 图书参考

1.1 初学入门

• 《R语言实战》R in Action
  从统计角度入手，分高中低三部分由浅入深的讲解了如何用R来实现统计分析。
• 《R语言编程艺术》The Art of R Programming
  从程序编写的角度入手，对R的本身特点进行了清晰的介绍。
• 《learning R》
  这本书没有单纯的讲语法，而是和的流程结合了起来，从数据获取到数据整理再到分析和报告，有一气呵成的感觉，此外最后两章讲如何写稳健的R代码以及写包都是非常精彩的。
• 《153分钟学会R》
  主要是R常见问题解答。

1.2 参考手册

本节主要介绍R语言快捷参考手册和各种功能强大的R语言包的介绍。

• 《R语言参考手册》
• 《R语言基础包函数中文帮助文档（中英文对照v1.0）》
• 《R Cookbook》
• 《R in a Nutshell》
  以上两本为词典式的案头参考手册，以便随时查阅。
• 各类包的参考手册
  如：gglpot2、rcharts、quantmod

1.3 统计进阶

本节主要学习统计计量知识，和通过R语言的实现。

• 《A Handbook of Statistical Analyses Using R》
• 《Modern Applied Statistics With S》
  这两本书基本上涵盖了统计的一些高阶内容，例如多元分析、多层回归模型、荟萃分析、生存分析等内容。案例丰富，公式不多，值得反复学习参考。

1.4 数据绘图

ggplot2，是R中最优秀的绘图包。

• 《ggplot2 Elegant Graphics for Data Analysis》
• 《R Graphics Cookbook》
  这本书也是RStudio公司的人出的，似乎是Hadley的学生吧，主要是各种ggplot2包的例子，也包括了用其它包来画图，建议通读一遍。
  除了ggplot2外，R还可以通过rcharts和RStudio公司的shiny来实现可交互式的数据展示。
• rcharts包

1.5 经济投资

1.6 数据挖掘

• 《Practical Data Science with R》
  以R本身的扩展包和函数入手，很有体系的介绍了数据科学的各个方面。
• 《An Introduction to Statistical Learning》
  这本书可以说是另一本数据挖掘大作《The Elements of Statistical Learning》的R实现手册，体系结构基本一致，更强调用R来实现，更难得的地方是提供了很好的习题。
• 《Data Mining with R Learning with Case Studies》
• 《Machine Learning for Hackers》
  两本侧重于数据挖掘的R书，全是以案例为线索，示范的代码量很大。跟一遍下来会有很大的收获。
• 《Data Mining explain using R》
  用基本函数来实现各种机器学习算法，对理解算法底层很有帮助。
• 《Data Science in R》
  以案例为主的书，需要一定的数据挖掘基础。

1.7 科学计算

• 《Introduction to Scientific Programming and Simulation Using R》
• 《Mastering Scientific Computing with R》
  除了统计分析外，独特之处在于使用R来做数值分析，如求根，最优化，数值积分。还包括了一些常见的模拟技术。书后的习题和最后的案例非常有用。

1.8 高级编程：

• 《R Programming for Bioinformatics》
• 《software for data analysis programming with R》
  如果你是初学者，不要去看上面两本书。如果你想进阶为专家级R用户，那你需要精读它们。前者讲解了R少为人知的一面，例如字符处理、正则表达和XML，还有报错处理以及与其它语言的交互。后者更是编写生产级代码的圣经指南。
• 《Advanced R programming》
  Hadley的力作，清楚的讲解了R的函数式编程思想和写R包的各种细节，要迈入R高手，不得不读。
• 《数据科学中的R语言》
  李舰和肖凯的作品

2. 网络资源

• R语言官方站
  http://www.r-project.org/
• R-blogger 丰富的R博客资源
  http://www.r-bloggers.com/
• R语言资源汇总
  https://github.com/qinwf/awesome-R
• R语言搜索引擎
  
• R函数在线帮助
  http://www.rdocumentation.org/
• stackoverflow关于R的问答
  http://stackoverflow.com/questions/tagged/r
• 一个入门级的R在线教程
  http://tryr.codeschool.com/
• 交互式的R在线教程
  https://www.datacamp.com
• 统计之都
  http://cos.name/
• Hadley Wickham大神
  http://hadley.nz
• 肖凯的个人博客
  http://xccds1977.blogspot.com
  https://www.zhihu.com/people/xiao-kai-93
• 谢益辉的个人博客
  http://yihui.name
• 尾巴AR的个人博客
  http://www.cnblogs.com/weibaar/
• 美国计算机世界杂志提供的Ｒ语言初学者入门资料
  http://www.computerworld.com/s/article/9239625/Beginner_s_guide_to_R_Introduction
• R and Data Mining
  http://www.rdatamining.com
• 各种cheatsheet
  http://cran.r-project.org/doc/contrib/Short-refcard.pdf http://www.rstudio.com/resources/cheatsheets/
• spatial.ly
  spatial.ly is written by James Cheshire. James is a lecturer at the UCL Department of Geography where he researches, teaches and maps.
• Oliver Uberti博客
  https://oliveruberti.com
  James Cheshire and Oliver Uberti are the author of 《LONDON: The Information Capital》

3 视频资源

• Google Developers' Intro to R
• Twotorials
• Coursera

Coursera上约翰.霍普金大学的数据科学系列课程该系列课程包含如下几门课。
1.《数据科学家的工具箱》
该课程主要介绍了数据科学家常用的一些工具。包括R、 RStudio、 Git 、Github ，这里强烈推荐RStudio，作为R的一个集成开发环境（IDE）， 它可以在Latex、 PDF、 markdown、 html 中游刃有余，并且是个强大的Literate Programming 工具。除了以上提及的强大工具之外，还介绍了数据的类型、数据分析的方法过程、以及数据科学的一些知识点。
2.《R语言程序开发》
主要内容包括：1）R概述，R的数据类型和对象，数据的读写操作；2）R中的控制流，函数式编程，作用域，时间数据类型；3）循环函数，检查代码漏洞的方法；4）数据模拟实现，代码风格规范。
3.《获取和整理数据》
完成这门课程将获得技能：1）从各种资源获取数据；2）数据清洗的原则；3）数据整理的工具与技巧。
4.《探索性数据分析》

完成这门课程将收获：1）运用R中的base，lattice，ggplot2等绘图系统进行数据的可视化展示；2）对不用类型的数据运用基本的数据展示原则创造丰富多样的分析图；3）基于特定问题出发，运用探索高维数据的统计技巧，创造多维度数据的可视化方式。
5.《可重复性研究》
通过这门课程，你将学会：1）使用Rmarkdown撰写文档；2）在分析报告中嵌入R代码；3）用knitr等相关工具编译Rmarkdown文档；4）进行可重复性的数据分析研究。
6.《统计推断》
这门课主要介绍统计推断的基础。可以收获：1）统计推断的概览；2）进行统计推断的模型假设；3）复杂统计推断的技巧。
7.《回归模型》
这门课教会学生：1）如何进行拟合线性模型，如何进行残差分析；2）进一步探索如何引入哑变量解决特殊的模型设定问题；3）介绍广义线性模型，特别是Poisson回归和Logistic回归。
8.《实用机器学习》
完成这门课将收获：1）经典机器学习算法；2）如何应用多种机器学习工具；3）如何对真实数据进行模型评估和预测。
9.《数据产品开发》
内容涵盖：1）如何创造统计产品以进行交互式探究；2）重点学习如何探究不确定性的统计结果；3）如何创造Shiny应用，以及数据产品相关的R扩展包。
作者：黄耀鹏
链接：https://www.zhihu.com/question/21654166/answer/64127931
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

4. 练习资源

• Euler Project
• kaggle