Jakie pakiety R są najbardziej przydatne w codziennej pracy?

Duplikat wątku: Właśnie zainstalowałem najnowszą wersję R. Jakie pakiety powinienem uzyskać?

Jakie są pakiety R , których nie wyobrażasz sobie w codziennej pracy z danymi? Proszę wymienić zarówno ogólne, jak i szczegółowe narzędzia.

AKTUALIZACJA: Jak na 24.10.10 ggplot2wydaje się być zwycięzcą z 7 głosami.

Inne wymienione pakiety więcej niż jeden to:

• plyr - 4
• RODBC, RMySQL- 4
• sqldf - 3
• lattice - 2
• zoo - 2
• Hmisc/rms - 2
• Rcurl - 2
• XML - 2

Dziękuję wszystkim za odpowiedzi!

Proszę zobaczyć link: TOP 100 PAKIETÓW R NA 2013 R. (STYCZEŃ-MAJ) http://www.r-statistics.com/2013/06/top-100-r-packages-for-2013-jan-may/

Codziennie używam plyr i ggplot2 .

W dużej mierze polegam również na pakietach szeregów czasowych; szczególnie pakiet zoo .

Używam xtable pakietu. Pakiet xtable przekształca tabele utworzone przez R (w szczególności tabele zawierające wyniki anova) w tabele LaTeX, które zostaną uwzględnione w artykule.

multicore jest całkiem fajnym narzędziem do przyspieszania skryptów.
cacheSweave oszczędza dużo czasu podczas używania Sweave.

ggplot2 - najlepsza wizualizacja dla R.

RMySQL / RSQLite / RODBC - do łączenia się z bazami danych

sqldf - manipuluj data.frames za pomocą zapytań SQL

Hmisc / rms - pakiety Franka Harrella, zawierające wygodne funkcje dodatkowe i ładne funkcje do analiz regresji.

GenABEL - fajny pakiet do badań asocjacyjnych całego genomu

Rcmdr - przyzwoity GUI dla R, jeśli go potrzebujesz.

Zobacz także CRANtastic - ten link zawiera listę najpopularniejszych pakietów R. Wiele osób na początku listy zostało już wspomnianych

data.table jest teraz moim ulubionym! Z niecierpliwością czekamy na nową wersję z większą liczbą życzeń.

Pakiety, których często używam to raster , sp , spatstat , wegańskie i splancs . Czasami używam ggplot2, tcltk i kratownicy.

Dla mnie osobiście najczęściej korzystam z trzech następujących pakietów, wszystkie dostępne w niesamowitym projekcie Omega do obliczeń statystycznych (nie twierdzę, że jestem ekspertem, ale dla moich celów są bardzo łatwe w użyciu):

• RCurl : Ma wiele opcji, które pozwalają na dostęp do stron internetowych, z którymi domyślne funkcje w bazie R miałyby problemy, myślę, że to uczciwe. Jest to interfejs R do biblioteki libcurl, który ma dodatkową zaletę dla całej społeczności poza rozwijaniem go przez R. Dostępne również w CRAN .

• XML : Bardzo wybacza analizowanie zniekształconego XML / HTML. Jest to interfejs R do biblioteki libxml2 i znów ma tę dodatkową zaletę, że cała społeczność poza R rozwija ją. Dostępny również w CRAN .

• RJSONIO : Pozwala przeanalizować tekst zwrócony z wywołania json i uporządkować go w strukturę listy w celu dalszej analizy. Konkurentem tego pakietu jest rjson, ale ten ma tę zaletę, że jest wektoryzowany, łatwo rozszerzalny przez S3 / S4, szybko i skalowalne do dużych danych.

Sweave pozwala osadzić kod R w dokumencie LaTeX. Wyniki wykonania kodu i opcjonalnie kodu źródłowego stają się częścią końcowego dokumentu.

Zamiast na przykład wklejać obraz wytworzony przez R do pliku LaTeX, możesz wkleić kod R do pliku i zachować wszystko w jednym miejscu.

zoo i xts są koniecznością w mojej pracy!

Uważam krata wraz z towarzyszącym książce „Krata: wielowymiarowe Wizualizacji danych z R” przez Deepayan Sarkar bezcenne.

Jeśli wykonujesz jakiekolwiek modelowanie predykcyjne, Caret jest darem niebios. Szczególnie w połączeniu z pakietem wielordzeniowym możliwe są niesamowite rzeczy.

Codziennie najbardziej użytecznym pakietem musi być „obcy”, który ma funkcje do odczytu i zapisu danych dla innych pakietów statystycznych, np. Stata, SPSS, Minitab, SAS itp. Praca w dziedzinie, w której R nie jest tak powszechne, oznacza, że ​​to to bardzo ważny pakiet.

używam

car, doBy, Epi, ggplot2, gregmisc (gdata, gmodels, gplots, gtools), Hmisc, plyr, RCurl, RDCOMClient, reshape, RODBC, TeachingDemos, XML.

dużo.

Nie mógłbym żyć bez:

• sieć grafiki
• xlsx lub XLConnect do odczytu plików Excel
• rtf do tworzenia raportów w formacie rtf (wolałbym Sword lub R2wd, ale nie mogę zainstalować statconn w pracy; na pewno wkrótce wypróbuję odfWeave ).
• nlme i lme4 dla modeli mieszanych
• ff do pracy z dużymi tablicami

RODBC do uzyskiwania dostępu do danych z baz danych, sqldf do wykonywania prostych zapytań SQL na ramkach danych (chociaż zmuszam się do używania natywnych poleceń R) oraz ggplot2 i plyr

Pracuję zarówno z R, jak i MATLAB i często używam R.matlab do przesyłania danych między nimi.

Używamy głównie:

• ggplot - dla wykresów
• statystyki
• e1071 - dla SVM

krata, samochód, MASA, obcy, impreza.

Dla mnie używam kernlab do Lab Learning Machine Lab opartego na jądrze i e1071 dla SVM i ggplot2 dla grafiki

Często używam ggplot2, wegańskiego i przekształcam.

Lubię roxygen za jego funkcję Curry ().

RColorBrewer nie został tutaj wymieniony, często używam go do drukowania, jeśli potrzebuję schematów kolorów

Jestem wielkim fanem RCPP, gdy potrzebuję szybkiej pętli for lub wykonywania zabiegów niezbyt zgodnych z R. Jest bardzo dobrze zaimplementowany w systemie Eco eco, może odbierać Matrycę / rzadką Matrycę bez konwersji jako argumenty w funkcji.

Składnia w C ++ jest łatwa, gdy robisz proste rzeczy (co często jest moim przypadkiem).

Naprawdę, nie musisz być twórcą pakietów, aby potrzebować tej niesamowitej biblioteki.

Czy powiedziałem, że C ++ jest bardzo szybki?

DoParallel i foreach pakiety dokonały moje życie o wiele łatwiej, pozwalając mi parallelize mój kod i uruchomić go na obliczeniowej zoptymalizowane przykład na Amazon EC2 ! Używam ich bardzo często. Nie byłoby to jednak możliwe bez RStudio AMI wydanych przez Louisa Asletta. Na koniec muszę wspomnieć o pakiecie stringr , który naprawdę sprawia, że ​​praca z ciągami staje się spacerkiem w parku. Użyj go w każdej aplikacji do eksploracji tekstu. I często używam knitr do tworzenia wysokiej jakości raportów z mojej pracy. Wielkie dzięki za ten niesamowity pakiet Yihui Xie!

Coraz częściej używam ggplot2, przekształcam kształty, kraty, knitr.