بتل کد Battle Codeدارد باز می‌شود…

زبان‌های برنامه‌نویسی

زبان R چیست؟ برنامه‌نویسی برای آمار و داده

۱۰ دقیقه مطالعه · ۲۸ مهر ۱۴۰۵

فهرست مطالب
  1. زبان R از کجا آمد؟
  2. چرا R برای آمار و داده ساخته شده است؟
  3. بردارها: آجرهای اصلی R
  4. دیتافریم: جدول داده در R
  5. نمودار کشیدن با ggplot2
  6. RStudio: محیط کار با R
  7. R یا پایتون برای داده؟
  8. چه کسی بهتر است زبان R را یاد بگیرد؟
  9. از کجا شروع کنم؟
  10. سؤال‌های پرتکرار

زبان R یک زبان برنامه‌نویسی رایگان و متن‌باز است که مخصوص آمار، تحلیل داده و رسم نمودار ساخته شده است. R را دو استاد آمار در نیوزیلند، راس ایهاکا (Ross Ihaka) و رابرت جنتلمن (Robert Gentleman)، از سال ۱۹۹۳ ساختند و امروز یکی از ابزارهای اصلی پژوهشگران، دانشجویان و متخصصان داده در سراسر دنیاست. اگر کسی بخواهد میانگین نمره‌های یک کلاس را حساب کند، بفهمد یک داروی جدید واقعاً اثر دارد یا نه، یا از هزاران ردیف داده یک نمودار تمیز و دقیق بکشد، R برای همین کارها طراحی شده است.

در این مقاله می‌بینیم زبان R چیست، چه ویژگی‌هایی آن را برای کار با داده مناسب کرده، کد R چه شکلی دارد، با پایتون چه فرقی دارد و چه کسانی بهتر است آن را یاد بگیرند.

زبان R از کجا آمد؟

داستان R به زبان قدیمی‌تری به اسم S برمی‌گردد که در دهه‌ی ۱۹۷۰ در آزمایشگاه‌های بل (Bell Labs) آمریکا برای تحلیل آماری ساخته شده بود. S ایده‌های خوبی داشت اما نرم‌افزاری تجاری و گران بود. راس ایهاکا و رابرت جنتلمن در دانشگاه اوکلند نیوزیلند تصمیم گرفتند زبانی آزاد بسازند که حال‌وهوای S را داشته باشد و دانشجویان بتوانند رایگان از آن استفاده کنند.

کار ساخت R در سال ۱۹۹۳ شروع شد، چند سال بعد متن‌باز شد و نسخه‌ی پایدار ۱.۰ آن در سال ۲۰۰۰ منتشر شد. اسم R هم دو معنی دارد: حرف اول اسم کوچک هر دو سازنده (Ross و Robert)، و یک شوخی با اسم زبان S که حرف قبل از آن در الفبای انگلیسی است.

امروز R را گروهی از متخصصان به اسم «تیم اصلی R» نگهداری می‌کنند و هزاران نفر برایش بسته (package) می‌نویسند. مخزن رسمی این بسته‌ها CRAN نام دارد و هزاران بسته‌ی آماده برای تقریباً هر نوع تحلیل آماری در آن پیدا می‌شود.

چرا R برای آمار و داده ساخته شده است؟

بیشتر زبان‌های برنامه‌نویسی همه‌منظوره‌اند و کار با داده یکی از کاربردهایشان است. R برعکس است: از روز اول برای آمار طراحی شده و بقیه‌ی کارها در درجه‌ی دوم است. این را در جزئیات زبان می‌بینید:

  • عملیات روی کل داده با هم: در R معمولاً لازم نیست برای حساب کردن روی یک ستون داده حلقه بنویسید؛ یک عملیات روی همه‌ی عددها با هم انجام می‌شود.
  • تابع‌های آماری آماده: میانگین، میانه، انحراف معیار، همبستگی، آزمون‌های آماری و مدل‌های رگرسیون بدون نصب هیچ چیز اضافه در خود زبان هستند.
  • داده‌ی جدولی به‌عنوان بخش اصلی زبان: ساختاری به اسم data frame دارد که دقیقاً شبیه یک جدول اکسل است.
  • نمودارهای باکیفیت: R به‌خاطر نمودارهای دقیق و قابل انتشار در مقاله‌های علمی مشهور است.
  • مقدارهای گمشده: داده‌ی واقعی همیشه ناقص است و R برای «مقدار نامعلوم» نماد مخصوص خودش، یعنی NA، را دارد.

بردارها: آجرهای اصلی R

در R ساده‌ترین ساختار داده بردار (vector) است؛ یک ردیف از مقدارهای هم‌نوع. حتی یک عدد تنها هم در R یک بردار با یک عضو است. بردار را با تابع c (از کلمه‌ی combine به معنی ترکیب کردن) می‌سازیم:

scores <- c(18, 15, 20, 12, 17)

mean(scores)          # 16.4
max(scores)           # 20
length(scores)        # 5
scores + 1            # 19 16 21 13 18
scores[scores > 16]   # 18 20 17

اولین چیزی که به چشم می‌آید علامت <- است. در R برای نسبت دادن مقدار به متغیر معمولاً از این فلش استفاده می‌کنند (علامت = هم کار می‌کند). علامت # هم مثل پایتون توضیح را شروع می‌کند.

خط scores + 1 نشان می‌دهد عملیات روی بردار چطور کار می‌کند: عدد یک به همه‌ی نمره‌ها اضافه شده، بدون هیچ حلقه‌ای. خط آخر از همه جالب‌تر است: scores > 16 برای هر نمره «درست» یا «غلط» برمی‌گرداند و وقتی آن را داخل کروشه می‌گذاریم، فقط نمره‌های بالای ۱۶ انتخاب می‌شوند. این نوع فیلتر کردن در R بسیار رایج است.

یک نکته‌ی دیگر: شماره‌گذاری در R از ۱ شروع می‌شود، پس scores[1] اولین نمره یعنی ۱۸ است، نه دومی.

دیتافریم: جدول داده در R

داده‌های واقعی معمولاً جدولی‌اند: هر ردیف یک نفر یا یک چیز و هر ستون یک ویژگی. در R به چنین جدولی دیتافریم (data frame) می‌گویند:

students <- data.frame(
  name  = c("Sara", "Reza", "Mina", "Ali"),
  grade = c(9, 8, 9, 8),
  score = c(18.5, 16, 19.25, 14)
)

summary(students$score)
students[students$grade == 9, ]
aggregate(score ~ grade, data = students, FUN = mean)

در این کد یک جدول با چهار دانش‌آموز و سه ستون ساخته‌ایم. علامت $ یک ستون را انتخاب می‌کند؛ پس students$score یعنی ستون نمره‌ها. تابع summary یک خلاصه‌ی آماری می‌دهد: کمترین، بیشترین، میانه، میانگین و چارک‌ها.

خط بعد ردیف‌هایی را انتخاب می‌کند که پایه‌شان ۹ است؛ جای خالی بعد از ویرگول یعنی «همه‌ی ستون‌ها». خط آخر میانگین نمره را به تفکیک پایه حساب می‌کند. عبارت score ~ grade را می‌شود این‌طور خواند: «نمره بر حسب پایه». این علامت ~ که به آن فرمول می‌گویند، در مدل‌های آماری R همه‌جا دیده می‌شود.

در کار واقعی، داده‌ها را معمولاً تایپ نمی‌کنند؛ با تابعی مثل read.csv از یک فایل CSV یا اکسل می‌خوانند و بعد همین کارها را روی هزاران ردیف انجام می‌دهند.

نمودار کشیدن با ggplot2

اگر از متخصصان داده بپرسید محبوب‌ترین بسته‌ی R کدام است، خیلی‌ها ggplot2 را نام می‌برند. این بسته را هدلی ویکهم (Hadley Wickham) ساخت و بر پایه‌ی ایده‌ای به اسم «دستور زبان گرافیک» (Grammar of Graphics) کار می‌کند: هر نمودار از لایه‌هایی ساخته می‌شود که با + روی هم قرار می‌گیرند.

library(ggplot2)

ggplot(students, aes(x = name, y = score, fill = factor(grade))) +
  geom_col() +
  labs(title = "Class scores", x = "Student",
       y = "Score", fill = "Grade")

خط library(ggplot2) بسته را بارگذاری می‌کند (قبلش باید یک بار با install.packages("ggplot2") نصبش کرده باشید). تابع ggplot می‌گوید داده از کجا بیاید و تابع aes تعیین می‌کند کدام ستون روی محور افقی، کدام روی محور عمودی و کدام برای رنگ‌آمیزی استفاده شود. geom_col نمودار میله‌ای می‌کشد و labs عنوان‌ها را می‌گذارد. اگر بخواهید به‌جای میله، نقطه داشته باشید، کافی است geom_col را با geom_point عوض کنید؛ بقیه‌ی کد همان می‌ماند.

ggplot2 بخشی از مجموعه‌ی بزرگ‌تری به اسم tidyverse است که بسته‌هایی مثل dplyr برای فیلتر و خلاصه کردن داده و readr برای خواندن فایل‌ها را هم شامل می‌شود. بسیاری از آموزش‌های امروزی R از همین مجموعه استفاده می‌کنند.

RStudio: محیط کار با R

خود R یک برنامه‌ی ساده‌ی خط فرمان است، اما بیشتر مردم با RStudio کار می‌کنند؛ یک محیط برنامه‌نویسی رایگان که شرکتی به همین نام ساخت و آن شرکت در سال ۲۰۲۲ اسمش را به Posit تغییر داد. RStudio صفحه را به چند بخش تقسیم می‌کند: ویرایشگر کد، کنسولی که نتیجه‌ها را نشان می‌دهد، فهرست متغیرها و جدول‌های ساخته‌شده، و پنجره‌ای برای نمودارها و راهنما.

یکی از امکانات مهم این محیط، گزارش‌نویسی با R Markdown و نسل جدیدترش Quarto است: متن، کد و نمودار در یک سند کنار هم قرار می‌گیرند و با یک کلیک یک گزارش کامل ساخته می‌شود. این روش برای پایان‌نامه‌ها و گزارش‌های پژوهشی خیلی رایج است، چون هر کس بخواهد می‌تواند تحلیل را دوباره اجرا کند و همان نتیجه را بگیرد.

R یا پایتون برای داده؟

این یکی از پرتکرارترین سؤال‌هاست. پایتون هم با کتابخانه‌هایی مثل NumPy، pandas و Matplotlib ابزار بسیار قدرتمندی برای داده است. برای مقایسه، کار خلاصه کردن نمره‌ها با pandas تقریباً این شکلی است:

import pandas as pd

students = pd.DataFrame({
    "name": ["Sara", "Reza", "Mina", "Ali"],
    "grade": [9, 8, 9, 8],
    "score": [18.5, 16, 19.25, 14],
})
print(students.groupby("grade")["score"].mean())

می‌بینید که ایده‌ها خیلی شبیه‌اند؛ اتفاقاً pandas ایده‌ی دیتافریم را از R الهام گرفته است. تفاوت اصلی در تمرکز و فضای اطراف این دو زبان است:

موضوعRپایتون
هدف اصلیآمار و تحلیل دادههمه‌منظوره
آمار و آزمون‌های آماریبسیار قوی و آمادهخوب، با کتابخانه‌های اضافه
نمودارهای پژوهشیبسیار قوی (ggplot2)خوب (Matplotlib و دیگران)
یادگیری ماشین و هوش مصنوعیامکانات داردانتخاب اصلی صنعت
ساختن برنامه، سایت و بازیمحدودبسیار گسترده
محیط اصلی کاربراندانشگاه و پژوهشصنعت، دانشگاه و آموزش

خلاصه‌ی صادقانه این است: اگر می‌خواهید فقط یک زبان یاد بگیرید که هم برای داده به کار بیاید و هم برای هوش مصنوعی، برنامه‌نویسی وب و ساختن پروژه‌های دیگر، پایتون انتخاب گسترده‌تری است. اگر کارتان آمار پژوهشی است، R ابزار تخصصی‌تر و در بعضی رشته‌ها استاندارد رایج است. بسیاری از متخصصان داده در طول کارشان با هر دو کار می‌کنند.

چه کسی بهتر است زبان R را یاد بگیرد؟

R معمولاً اولین زبان برنامه‌نویسی یک نوجوان نیست، و لازم هم نیست باشد. R بیشتر برای این گروه‌ها مفید است:

  • دانشجویان و پژوهشگران: در رشته‌هایی مثل آمار، زیست‌شناسی، پزشکی، روان‌شناسی، اقتصاد و علوم اجتماعی، R در تحلیل داده‌های پایان‌نامه و مقاله بسیار رایج است. در زیست‌شناسی و ژنتیک هم مجموعه‌ای از بسته‌ها به اسم Bioconductor کاربرد گسترده‌ای دارد.
  • کسانی که با آمار کار می‌کنند: تحلیل‌گرهای داده در شرکت‌ها، مراکز پژوهشی و سازمان‌هایی که گزارش آماری تهیه می‌کنند.
  • دانش‌آموزان علاقه‌مند به علوم داده: دانش‌آموزی در متوسطه‌ی دوم که پایتون بلد است و به آمار و پژوهش علاقه دارد، می‌تواند R را به‌عنوان زبان دوم امتحان کند تا با فضای دانشگاهی آشنا شود.

برای کودکان و نوجوانانی که تازه شروع کرده‌اند، یادگرفتن مفاهیم پایه‌ی برنامه‌نویسی و آمار ساده با پایتون مسیر بهتری است. وقتی بعدها در دانشگاه یا پژوهش به R نیاز پیدا کنند، همان مفاهیم (متغیر، تابع، جدول داده، میانگین و نمودار) مستقیم به R منتقل می‌شود.

از کجا شروع کنم؟

بتل‌کد زبان R را آموزش نمی‌دهد، اما مهارت‌های زیربنایی کار با داده را با پایتون و در مرورگر یاد می‌دهد:

اگر می‌خواهید بیشتر بدانید داده و هوش مصنوعی چه ربطی به هم دارند، مقاله‌ی هوش مصنوعی با پایتون را بخوانید.

سؤال‌های پرتکرار

زبان R برای چه کاری استفاده می‌شود؟

R برای تحلیل آماری، کار با داده‌های جدولی و رسم نمودار استفاده می‌شود. پژوهشگران دانشگاهی، دانشجویان رشته‌هایی مثل آمار، زیست‌شناسی، پزشکی و روان‌شناسی و تحلیل‌گران داده در شرکت‌ها از آن برای فهمیدن داده‌ها و تهیه‌ی گزارش استفاده می‌کنند.

آیا زبان R رایگان است؟

بله، R کاملاً رایگان و متن‌باز است و روی ویندوز، مک و لینوکس اجرا می‌شود. محیط RStudio هم نسخه‌ی رایگان دارد و بسته‌های مخزن CRAN هم رایگان‌اند. همین رایگان بودن یکی از دلیل‌های محبوبیت R در دانشگاه‌هاست.

R بهتر است یا پایتون؟

بستگی به هدف دارد. R برای آمار پژوهشی و نمودارهای علمی ابزاری تخصصی و قوی است. پایتون زبانی همه‌منظوره است که علاوه بر تحلیل داده، در هوش مصنوعی، وب و ساختن نرم‌افزار هم کاربرد گسترده دارد. برای کسی که تازه شروع می‌کند، پایتون معمولاً انتخاب گسترده‌تری است.

آیا یادگیری زبان R سخت است؟

نوشتن چند خط R برای حساب کردن میانگین یا کشیدن یک نمودار ساده است. اما R چند ویژگی غیرمعمول دارد، مثل علامت نسبت دادن مخصوص و چند روش مختلف برای انجام یک کار، که ممکن است کسانی را که قبلاً زبان دیگری یاد گرفته‌اند کمی گیج کند. داشتن پایه‌ی آمار هم برای استفاده‌ی درست از R خیلی کمک می‌کند.

آیا دانش‌آموز دبیرستانی هم می‌تواند R یاد بگیرد؟

بله، به‌خصوص اگر به آمار، علوم تجربی یا پژوهش علاقه داشته باشد. پیشنهاد ما این است که اول مفاهیم پایه‌ی برنامه‌نویسی را با پایتون یاد بگیرد و بعد R را به‌عنوان زبان دوم امتحان کند. این‌طوری هم زودتر نتیجه می‌گیرد و هم برای کارهای پژوهشی دانشگاه آماده‌تر می‌شود.

همین حالا روی Battle Code تمرین کن

مقاله‌های دیگر

همه‌ی مقاله‌ها