R 語言數(shù)據(jù)分析師養(yǎng)成計(jì)劃——從零開始的 14 個(gè)任務(wù)

1992年，肉絲（Ross Ihaka）和蘿卜特（Robert Gentleman）兩個(gè)人在S語言（貝爾實(shí)驗(yàn)室開發(fā)的一種統(tǒng)計(jì)用編程語言）的基礎(chǔ)上開始構(gòu)思一種新的用于統(tǒng)計(jì)學(xué)分析的開源語言，直到1995年第一個(gè)版本正式發(fā)布（和各位年齡相仿）。因?yàn)樗麄兠值牡谝粋€(gè)字母都是R，所以這門語言就被叫做R。這兩個(gè)人都是統(tǒng)計(jì)學(xué)教授出身，再加上R語言的生父S語言，所以R語言在統(tǒng)計(jì)學(xué)方面有著純正的血統(tǒng)！

如果你平時(shí)的工作會(huì)涉及到統(tǒng)計(jì)學(xué)，那么接觸R語言實(shí)在是太正常不過了。因?yàn)?a href='/map/r/' style='color:#000;font-size:inherit;'>R語言本身為統(tǒng)計(jì)而生，所以你能想到的所有統(tǒng)計(jì)相關(guān)的工作，R都可以非常簡潔的用幾行命令（甚至1行命令）幫你完成。 

在R官網(wǎng)有這樣幾句介紹：“R provides a wide variety of statistical (linear andnonlinear modelling, classical statistical tests, time-series analysis,classification, clustering, …) and graphical techniques, and is highlyextensible.  One of R's strengths is the ease with whichwell-designed publication-quality plots can be produced, including mathematicalsymbols and formulae where needed.”

* R高度的可擴(kuò)展性正是體現(xiàn)在它那1萬多個(gè)包上，你想做的幾乎所有事情都可以用現(xiàn)有的R包來輔助完成（當(dāng)然，有些工作即便能完成但也不適合）。

* R另一個(gè)殺手锏就是其強(qiáng)大的繪圖功能，正如上面的英文介紹所言，R可以畫圖，畫各種各樣的圖，畫各種各樣高逼格的圖，畫各種各樣高逼格可以直接出版的圖。

* 完善的統(tǒng)計(jì)學(xué)功能再加上強(qiáng)大的繪圖功能，就是你學(xué)習(xí)的最大理由。

C君推薦：扎扎實(shí)實(shí)的養(yǎng)成R語言數(shù)據(jù)分析師！R語言數(shù)據(jù)分析師養(yǎng)成計(jì)劃——從零開始的14個(gè)任務(wù)本課程主要是面向小白人士，課程將回答為什么要學(xué)習(xí)數(shù)據(jù)分析？如何學(xué)習(xí)數(shù)據(jù)分析？并且從R語言安裝、數(shù)據(jù)結(jié)構(gòu)探索、R基本語句以及數(shù)據(jù)可視化、決策樹等內(nèi)容重點(diǎn)剖析14個(gè)任務(wù)的操作，并在課后有相應(yīng)作業(yè)的布置、修改，使零基礎(chǔ)的學(xué)員完全掌握R語言，完成數(shù)據(jù)分析師計(jì)劃的學(xué)習(xí)。

大  綱

引言——關(guān)于數(shù)據(jù)分析學(xué)習(xí)的3個(gè)問題

（1）為什么要學(xué)習(xí)數(shù)據(jù)分析

（2）如何學(xué)習(xí)數(shù)據(jù)分析

（3）如何理解我們的課程大綱

任務(wù)1 走進(jìn)R語言與Rstudio

任務(wù)1是整個(gè)課程的開篇，主要介紹R的下載與安裝、R包的管理，幫助學(xué)員快速掌握編程界面。

任務(wù)2 R的數(shù)據(jù)結(jié)構(gòu)探析

任務(wù)2中，我們主要學(xué)習(xí)向量、矩陣、列表、數(shù)據(jù)框、因子等數(shù)據(jù)類型，學(xué)習(xí)數(shù)據(jù)類型的相互轉(zhuǎn)換。

任務(wù)3 熟悉R的基本語句

任務(wù)3中，循環(huán)、條件、自定義函數(shù)是我們的主要學(xué)習(xí)內(nèi)容，這里我們會(huì)用到while, for, if, function等命令，這些命令將讓我們處理數(shù)據(jù)變得游刃有余。

任務(wù)4 數(shù)據(jù)可視化——R的基本作圖

可視化是數(shù)據(jù)分析的核心之一，畢竟大多數(shù)人沒有數(shù)據(jù)分析基礎(chǔ)，也很難從海量數(shù)據(jù)中直接提煉信息，這時(shí)我們就需要運(yùn)用散點(diǎn)圖、直方圖、餅圖等可視化工具來幫助我們發(fā)現(xiàn)數(shù)據(jù)規(guī)律，展示模型結(jié)果。

任務(wù)5 數(shù)據(jù)可視化——R的可視化進(jìn)階

地理信息可視化，簡單的說就是在地圖上做數(shù)據(jù)展示，我們將用Remap等功能包，讓你的可視化效果變得十分酷炫。

任務(wù)6 多元線性回歸——上市企業(yè)盈率的影響因素分析

多元線性回歸是所有數(shù)據(jù)分析模型的入門級(jí)模型，它能有效的幫助我們對(duì)進(jìn)行影響因素分析，客戶價(jià)值評(píng)估等工作。這一任務(wù)中，我們將用盡可能通俗的語言來闡述原理，并以案例的方式進(jìn)行模型實(shí)踐。

案例摘要：市盈率往往是評(píng)價(jià)上市企業(yè)的重要指標(biāo)，但市盈率=每股市價(jià)/每股收益，股價(jià)在很大程度上由投資者和市場(chǎng)決定，有投機(jī)的因素存在，時(shí)常偏離這支股票的內(nèi)在價(jià)值，對(duì)企業(yè)來說，通過改善每股收益來改善市盈率更為實(shí)際。因此，我們的案例將選擇把每股收益作為被解釋變量進(jìn)行分析。

任務(wù)7 主成分分析——上市公司財(cái)務(wù)數(shù)據(jù)的主成分分析

主成分分析的作用有很多，其中最常用的就是降維、處理多重共線性、構(gòu)造指標(biāo)排名。在這一任務(wù)中，我們將結(jié)合主成分的基本原理來闡述和實(shí)踐。

案例摘要：為了分析財(cái)務(wù)狀況是如何影響企業(yè)市盈率的變化，我們整理了128 家該板塊的公司財(cái)務(wù)報(bào)表，但由于財(cái)務(wù)數(shù)據(jù)眾多，而且存在多重共線性問題，所以我們運(yùn)用主成分方法，將各種財(cái)務(wù)比率變量降維，再建立回歸模型進(jìn)行研究。

任務(wù)8 聚類分析——基于能力指標(biāo)的基金經(jīng)理人分類

物以類聚，人以群分。在互聯(lián)網(wǎng)2.0時(shí)代深耕細(xì)分市場(chǎng)是大多企業(yè)的共識(shí)。那么如何進(jìn)行有效的分類才能在這一講中我們將講述聚類的基本方法，其中包括均值聚類和密度聚類。

案例摘要：我們對(duì)基金經(jīng)理人能力指標(biāo)數(shù)據(jù)進(jìn)行了整理，我們?cè)诎咐袑?duì)經(jīng)理人按照其能力指標(biāo)進(jìn)行分類，給投資者提供參考。

任務(wù)9 邏輯回歸——網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)影響因素與識(shí)別

邏輯回歸是最常用的分類模型之一，它最大的優(yōu)勢(shì)在于不但能夠分類，而且等給出屬于哪個(gè)分類的概率，其影響因素可以分別進(jìn)行單調(diào)性分析。

案例摘要：本案例以國內(nèi)85家P2P平臺(tái)為研究樣本（已屏蔽平臺(tái)名稱），從運(yùn)營時(shí)間（月），平均年化收益率，注冊(cè)資金（萬元），平臺(tái)高管人數(shù)，高管信息詳細(xì)比例等來評(píng)價(jià)影響P2P平臺(tái)出現(xiàn)問題的原因，并對(duì)平臺(tái)進(jìn)行風(fēng)險(xiǎn)識(shí)別。

任務(wù)10 決策樹 —— 銀行貸款風(fēng)險(xiǎn)識(shí)別

決策樹是最為直觀的決策模型，在這一節(jié)中，我們將介紹信息熵，信息增益等概念來幫助大家快速理解決策樹。在案例方面，我們將介紹主流的CART和C5.0模型的應(yīng)用。

案例摘要：貸款違約風(fēng)險(xiǎn)是銀行面對(duì)的主要風(fēng)險(xiǎn)之一，一筆正常的貸款，銀行的利潤是10%左右的利息，但是一筆違約的貸款，銀行則需要付出100%的本金。在我們的案例中，我們將給出如何應(yīng)用決策樹來進(jìn)行風(fēng)險(xiǎn)識(shí)別的解決方案。

任務(wù)11 支持向量機(jī)（SVM）——智能投顧方案設(shè)計(jì)

支持向量機(jī)（SVM，Support vector machines）技術(shù)是以數(shù)學(xué)和統(tǒng)計(jì)這兩門學(xué)科為基礎(chǔ)支持的學(xué)習(xí)算法。在業(yè)務(wù)場(chǎng)景下，SVM通常被用來進(jìn)行目標(biāo)識(shí)別，樣本分類和回歸分析。在機(jī)器學(xué)習(xí)領(lǐng)域，“機(jī)”（machine）表示算法的意思。雖然同屬監(jiān)督學(xué)習(xí)算法，但與神經(jīng)網(wǎng)絡(luò)、決策樹不同，支持向量機(jī)有著明顯的數(shù)學(xué)運(yùn)算和優(yōu)化技術(shù)的基因。

案例摘要：對(duì)于股票投資者，選股是基于自身對(duì)于市場(chǎng)情況判斷等人為因素來篩選市場(chǎng)中的優(yōu)質(zhì)股票，即在當(dāng)下買入這些優(yōu)質(zhì)股持有一定的時(shí)間段中，也就是說在選擇時(shí)找出自己未來看漲的股票。用SVM來選股的核心在于設(shè)計(jì)樣本股票的指標(biāo)，為了能夠綜合不同證券分析方法，本案例SVM模型的特征選擇會(huì)從各個(gè)角度選取股票樣本的輸入變量。

任務(wù)12 關(guān)聯(lián)分析——互聯(lián)網(wǎng)投資標(biāo)的的智能推薦

關(guān)聯(lián)分析的一個(gè)典型例子是購物籃分析。該過程通過發(fā)現(xiàn)顧客放入其購物籃中的不同商品之間的聯(lián)系，分析顧客的購買習(xí)慣。通過了解哪些商品頻繁地被顧客同時(shí)購買，這種關(guān)聯(lián)的發(fā)現(xiàn)可以幫助零售商制定營銷策略。其他的應(yīng)用還包括價(jià)目表設(shè)計(jì)、商品促銷、商品的排放和基于購買模式的顧客劃分。進(jìn)入互聯(lián)網(wǎng)時(shí)代，關(guān)聯(lián)分析的應(yīng)用已經(jīng)被各類平臺(tái)發(fā)揮得淋漓盡致，其主要應(yīng)用場(chǎng)景包括：

網(wǎng)購商品的智能推薦。（互聯(lián)網(wǎng)零售）

電信產(chǎn)品的捆綁銷售。（電信運(yùn)營商）

互聯(lián)網(wǎng)投資標(biāo)的的智能推薦。（互聯(lián)網(wǎng)投資平臺(tái)）

音、視頻節(jié)目的智能推薦。（音、視頻平臺(tái)）

案例摘要：隨著互聯(lián)網(wǎng)金融的飛速發(fā)展，在互聯(lián)網(wǎng)金融平臺(tái)上尋找投資標(biāo)的，進(jìn)行資產(chǎn)投資，已經(jīng)成為了越來越多投資者的選擇。然而，在互聯(lián)網(wǎng)金融平臺(tái)上進(jìn)行投資通常需要面對(duì)以下三方面特征（以P2P網(wǎng)貸為例）：（1）一個(gè)標(biāo)的（一筆借款）需要多個(gè)投資人（出借人）投標(biāo)才能滿足；（2）投資人通常不具備專業(yè)知識(shí)；（3）互聯(lián)網(wǎng)金融市場(chǎng)的單個(gè)標(biāo)的金額較小，通常一個(gè)標(biāo)的（一筆借款）金額都被限定在1萬元-10萬元之間，而每個(gè)投資人都投資每個(gè)標(biāo)的的一部分，那么投資人就需要完成多個(gè)的投標(biāo)行為才能達(dá)成自己的投資需求。因此在互聯(lián)網(wǎng)金融平臺(tái)上，投資人的決策成本較高。

那么從平臺(tái)的角度，除了強(qiáng)化風(fēng)險(xiǎn)管理和提高信息透明度以外，還有那些工作可以吸引投資者，降低投資者決策成本，提高平臺(tái)效率呢？投資標(biāo)的的智能推薦就是一個(gè)不錯(cuò)的選擇，下面我們就基于關(guān)聯(lián)算法來介紹一個(gè)投資標(biāo)的的智能推薦案例。

任務(wù)13 神經(jīng)網(wǎng)絡(luò)—— P2P網(wǎng)貸的逾期風(fēng)險(xiǎn)識(shí)別

神經(jīng)網(wǎng)絡(luò)是目前最為熱門的模型，它是通往深度學(xué)習(xí)的基石，這里我們將詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)，為大家的進(jìn)一步學(xué)習(xí)后期的深度學(xué)習(xí)打下堅(jiān)實(shí)的基礎(chǔ)。

案例摘要：在互聯(lián)網(wǎng)金融蓬勃發(fā)展的環(huán)境下，P2P 網(wǎng)貸在我國迅速發(fā)展起來。P2P網(wǎng)貸是指通過借助專業(yè)網(wǎng)絡(luò)平臺(tái)幫助借貸雙方確立借貸關(guān)系并完成相關(guān)交易手續(xù)的網(wǎng)絡(luò)借貸，是一種將小額度的資金聚集起來借貸給有資金需求人群的商業(yè)模型。對(duì)P2P信用風(fēng)險(xiǎn)進(jìn)行識(shí)別是一個(gè)十分有意義的研究主題，它能夠幫助P2P網(wǎng)貸投資者降低投資風(fēng)險(xiǎn)，也在一定程度上促進(jìn)P2P行業(yè)的發(fā)展。本案例就將基于神經(jīng)網(wǎng)絡(luò)對(duì)P2P網(wǎng)貸中的信用風(fēng)險(xiǎn)進(jìn)行識(shí)別。

任務(wù)14 樸素貝葉斯與文本分析—— 散戶投資者情緒識(shí)別

樸素貝葉斯分類方法是一種十分簡單的分類算法。之所以這個(gè)方法叫做樸素貝葉斯分類方法，是因?yàn)檫@種方法的思想真的很樸素，樸素貝葉斯的思想基礎(chǔ)可以簡單的表述為：對(duì)于給出的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此待分類項(xiàng)屬于哪個(gè)類別。

案例摘要：投資者情緒識(shí)別是業(yè)界和學(xué)界共同關(guān)心的話題。我們認(rèn)為，當(dāng)投資者表現(xiàn)出樂觀（正面）情緒，這種情緒將轉(zhuǎn)化為做多行為，這有助于股票價(jià)格上漲；反之，當(dāng)投資者表現(xiàn)出悲觀（負(fù)面）情緒，這種情緒將轉(zhuǎn)化為做空行為，這有助于股票價(jià)格下跌（相關(guān)的文獻(xiàn)對(duì)于這方面觀點(diǎn)仍有各自的表述）。在這個(gè)案例中，我們并不研究情緒與股價(jià)的關(guān)系，而是希望通過模型來識(shí)別論壇中的評(píng)論情緒類型。這項(xiàng)工作是后期各種基于情緒指標(biāo)的交易策略的前提和基礎(chǔ)。

任務(wù)15 總結(jié)

（1）對(duì)所有學(xué)習(xí)的模型進(jìn)行綜述

（2）對(duì)后期學(xué)習(xí)給出建議

掃碼回復(fù)“R語言”咨詢