r与python差异比较大的一个地方就是，python的机器学习算法集中程度比较高，比如sklearn，就集成了很多的算法，而R语言更多时候需要一个包一个包去了解，比较费时费力，对于python转过来的朋友非常不友好，抽空整理了工作中常用的R包如下：
常用检验函数：
基本上分布中常见的都罗列了：
常用作图函数包：
ggplot2：万能，基本上excel能画的图它都能画
rattle：fancyRpartPlot函数，决策树画图函数
基础包函数：barplot、pie、dotchart、hist、densityplot、boxplot、contour等等
正态检验：qqplot、qqline、qqnorm
连续分类回归模型：
stats包 lm函数，实现多元线性回归；glm函数，实现广义线性回归；nls函数，实现非线性最小二乘回归；knn函数，k最近邻算法
rpart包 rpart函数，基于CART算法的分类回归树模型
randomForest包 randomForest函数，基于rpart算法的集成算法
e1071包 svm函数，支持向量机算法
kernlab包 ksvm函数，基于核函数的支持向量机
nnet包 nnet函数，单隐藏层的神经网络算法
neuralnet包 neuralnet函数，多隐藏层多节点的神经网络算法
RSNNS包 mlp函数，多层感知器神经网络；rbf函数，基于径向基函数的神经网络
离散分类回归模型：
stats包 glm函数，实现Logistic回归，选择logit连接函数
kknn包 kknn函数，加权的k最近邻算法
rpart包 rpart函数，基于CART算法的分类回归树模型
adabag包bagging函数，基于rpart算法的集成算法；boosting函数，基于rpart算法的集成算法
party包ctree函数，条件分类树算法
RWeka包OneR函数，一维的学习规则算法；JPip函数，多维的学习规则算法；J48函数，基于C4.5算法的决策树
C50包C5.0函数，基于C5.0算法的决策树
e1071包naiveBayes函数，贝叶斯分类器算法
klaR包NaiveBayes函数，贝叶斯分类器算分
MASS包lda函数，线性判别分析；qda函数，二次判别分析
聚类：Nbclust包Nbclust函数可以确定应该聚为几类
stats包kmeans函数，k均值聚类算法；hclust函数，层次聚类算法
cluster包pam函数，k中心点聚类算法
fpc包dbscan函数，密度聚类算法；kmeansruns函数，相比于kmeans函数更加稳定，而且还可以估计聚为几类；pamk函数，相比于pam函数，可以给出参考的聚类个数
mclust包Mclust函数，期望最大（EM）算法
关联规则：arules包apriori函数
Apriori关联规则算法
recommenderlab协调过滤
DRM：重复关联
ECLAT算法： 采用等价类，RST深度搜索和集合的交集： eclat
降维算法：
psych包prcomp函数、factanal函数
时序分析：
ts时序构建函数
timsac包时序分析
holtwinter包时序分析
decomp、tsr、stl成分分解
zoo 时间序列数据的预处理
统计及预处理：
常用的包 Base R, nlme
aov, anova 方差分析
density 密度分析
t.test, prop.test, anova, aov:假设检验
rootSolve非线性求根
reshape2数据预处理
plyr及dplyr数据预处理大杀器
最后剩下常用的就是读入和写出了：
RODBC 连接ODBC数据库接口
jsonlite 读写json文件
yaml 读写yaml文件
rmakdown写文档
knitr自动文档生成
一般业务中使用比较多的就是上面这些了，当然R里面有很多冷门的包，也很好用滴~
