本书的前言部分提到的数据分析总体workflow可谓提纲挈领。所谓的RCEMP。在实际经验中Clean这一步往往是耗时最多的。
- Retrive some data
- Clean the data
- Explore and visualize the data
- Model the data and make predictions
- Present or publish your results
安装R和Rstudio后，我们开始正式使用R。
在命令行界面下, ? 加函数名称 能够给出这个函数的详细介绍，等同于help()。??则可以搜索关键主题，等同于help.search()。但只限于本机已经安装的内容。
?glm 等于 help('glm') ??'linear regression' 等于 help.search('linear regression')
注意?[ 是会报错的，必须用 ?'[' 或 help('[')
使用apropos()可以返回一个charactor vector, 其元素能够匹配输入的string，返回符合要求的变量和函数名（换言之也接受正则表达式）。
> glmm <- rnorm(20)
> apropos('glm')
[1] "glm" "glm.control" "glm.fit" "glmm" "predict.glm" "residuals.glm" "summary.glm"
> apropos('glm$')
[1] "glm" "predict.glm" "residuals.glm" "summary.glm"
某些package还含有vignette，格式为html、pdf等。如果输入
browseVignettes() #会打开一个网页，列举本机所有的vignette
browseVignettes(package='knitr') #打开网页，列举knitr包中的9篇vignettes
而使用RSiteSearch()则能在网络上检索所有的R包。当然google和Stackoverflow也是很优秀的检索途径。
