隨著信息技術的普及和應用，各行各業(yè)產生了大量的數(shù)據，人們持續(xù)不斷地探索處理這些數(shù)據的方法，以期大

限度地從中挖掘有用信息。面對如潮水般不斷增加的數(shù)據，人們不再滿足于數(shù)據的查詢和統(tǒng)計分析，而是期望從數(shù)據中提取信息或者知識為決策服務。數(shù)據挖掘技術突破數(shù)據分析技術的種種局限，結合統(tǒng)計學、數(shù)據庫、機器學習等技術解決從數(shù)據中發(fā)現(xiàn)新的信息并輔助決策這一難題，是正在飛速發(fā)展的前沿學科。近年來，隨著教育部新工科建設的不斷推進，大數(shù)據技術受到廣泛的關注，數(shù)據挖掘作為大數(shù)據技術的重要實現(xiàn)手段，能夠挖掘數(shù)據的關聯(lián)規(guī)則、實現(xiàn)數(shù)據的分類、聚類、異常檢測和時間序列分析等，解決商務管理、生產控制、市場分析、工程設計和科學探索等各行各業(yè)中的數(shù)據分析與信息挖掘問題。

R語言是一種通用的統(tǒng)計計算和數(shù)據可視化開源軟件環(huán)境和編程語言，具有高度可擴展性。R語言同時支持Linux、Windows和Mac操作系統(tǒng)。R語言的前身為貝爾實驗室研發(fā)的S語言。1992年由新西蘭奧克蘭大學的Ross Ihaka和Robert Gentleman創(chuàng)建，并以他們的名字首字母作為項目名稱。2007年Revolution Analytics公司成立，對R語言做商用支持，2015年1月被Microsoft收購。

1997年，R語言正式開源，吸引了世界范圍內各行業(yè)的代碼貢獻者，實現(xiàn)各種各樣的數(shù)據分析方法。截至2018年11月，CRAN（the Comprehensive R Archive Network）官方收錄了13 328個算法庫，常用的包括：

�f數(shù)據加載：RODBC、RMySQL、RSQLite、XLConnect、xlsx、foreign；

�f數(shù)據處理：dplyr、tidyr、stringr、lubridate；

�f數(shù)據可視化：ggplot2、ggvis、rgl、htmlwidgets、googleVis；

�f數(shù)據建模：car、mgcv、nlme、randomForest、multcomp、glmnet、survival、caret、mlr；

�f數(shù)據報告：shiny、xtable；

�f空間數(shù)據：sp、maptools、maps、ggmap；

�f時間序列和金融數(shù)據：zoo、xts、quantmod；

�f高性能計算：Rcpp、data.table、parallel；

�f網頁數(shù)據：XML、jsonlite、httr。

截至本書出版，共有283所高校獲批數(shù)據科學與大數(shù)據技術專業(yè)，其中985及211高校占比達13%。目前,國內數(shù)據人才缺口更是達到百萬級。由于其開源性、易用性和強大的數(shù)據分析能力，R語言已成為世界范圍內應用廣泛的數(shù)據科學工具和語言之一。目前，R語言數(shù)據分析與挖掘逐漸成為高校信息類、管理類和數(shù)學統(tǒng)計類專業(yè)的必修課程內容，同時，作為面向各專業(yè)的通識課也廣受歡迎。

本書作為立足于應用型本科數(shù)據科學與大數(shù)據教學的R語言核心課教材，具有如下特色：

（1）內容安排合理且全面，從R語言的基本編程、數(shù)據處理、數(shù)據可視化、統(tǒng)計分析到高性能計算和機器學習，循序漸進，深入淺出。

（2）難度適中，適合作為本科中高年級的核心課教材，零基礎要求，對編程及數(shù)學知識不作為必要基礎。

（3）理論與案例相結合，理論與實踐相結合，包含了泰坦尼克號乘客生存分析、航班準點數(shù)據處理、鳶尾花數(shù)據建模等實踐案例。

本書全面介紹了R語言的基本編程、數(shù)據處理、數(shù)據可視化、統(tǒng)計分析到高性能計算和機器學習，主要內容分為以下兩部分：

第一部分：統(tǒng)計分析基礎。第1章為R語言概述，包括R語言的相關背景、基本概念和基本操作等。第2章為數(shù)據訪問，包括基本數(shù)據類型、數(shù)據的輸入和輸出等。第3章為數(shù)據操作，包括數(shù)據的缺失值處理、轉換、合并和取子集等。第4章為數(shù)據可視化，包括各種圖形元素的繪制和各種圖表的繪制。第5章為概率與分布，包括常用概率和中心極限定理。第6章為基本統(tǒng)計分析，包括描述性統(tǒng)計分析、相關性和常用檢驗等。第7章為回歸分析，包括OLS回歸和回歸診斷等。第8章為方差分析，包括ANOVA模型、單因素和多元方差分析等。

第二部分：機器學習實踐。第9章為大數(shù)據高性能計算，包括大數(shù)據的選擇、聚合、引用、篩選、連接和變形等。第10章為機器學習流程，包括數(shù)據探索、劃分、填充、特征選擇、建模調優(yōu)和測試評估等。第11章主要介紹常用的有監(jiān)督學習模型，包括線性、樸素貝葉斯、k近鄰、決策樹、隨機森林、神經網絡、支持向量機等。第12章主要介紹常用的無監(jiān)督學習模型，包括k均值聚類、DBSCAN聚類、AGNES層次聚類和關聯(lián)分析模型等。

本書由杜賓、錢亮宏、黃勃和高永彬編著。具體分工如下：杜賓編寫第1章到第8章，黃勃編寫第9章，錢亮宏編寫第10章和第11章，高永彬編寫第12章。全書由方志軍、范磊和許華根主審。感謝孫冉、沈燁和周恒對本書的貢獻。

由于編者水平有限，加之時間倉促，書中難免存在疏漏和不足之處，敬請老師和同學批評指正。

編者

2018年11月