R语言数据分析与挖掘实战手册
作者： 程静
出版时间： 2019年版
内容简介
本书系统地介绍了利用R 语言进行数据分析和挖掘的相关技术，采用由浅入深的框架体 系：开篇伊始介绍R 语言的基础操作，进而介绍回归分析、方差分析等数据分析的方法，以 更好地探索数据内部结构，获取数据所包含的信息；更重要的是为后续的数据挖掘提供理论 依据；后介绍典型数据挖掘工具和方法，采用理论基础到算法介绍到案例实战的布局，让 读者深刻感知数据挖掘的精髓，在了解算法的同时更好地学以致用。
目录
第1 章 R 语言简介
1.1 R 语言软件的安装与运行……………………………………………………………………………………. 1
1.1.1 R 语言软件的安装、启动与关闭………………………………………………………………… 1
1.1.2 R 语言程辑包的安装和使用………………………………………………………………………. 4
1.2 R 语言的数据结构………………………………………………………………………………………………. 6
1.2.1 R 语言对象和类型……………………………………………………………………………………. 6
1.2.2 向量………………………………………………………………………………………………………… 7
1.2.3 数组和矩阵…………………………………………………………………………………………….. 12
1.2.4 列表………………………………………………………………………………………………………. 17
1.2.5 数据框…………………………………………………………………………………………………… 20
第2 章 数据的读取与保存
2.1 数据的读取………………………………………………………………………………………………………. 24
2.1.1 读取内置数据集和文本文件…………………………………………………………………….. 24
2.1.2 读取Excel 数据和CSV 格式的数据………………………………………………………….. 30
2.1.3 读取R 语言格式数据和网页数据……………………………………………………………… 33
2.1.4 读取其他格式的数据………………………………………………………………………………. 34
2.2 数据保存………………………………………………………………………………………………………….. 36
2.2.1 写出数据……………………………………………………………………………………………….. 36
2.2.2 使用函数cat() ………………………………………………………………………………………… 37
2.2.3 保存为R 语言格式文件…………………………………………………………………………… 38
2.2.4 保存为其他类型文件………………………………………………………………………………. 39
第3 章 数据预处理
3.1 缺失值处理………………………………………………………………………………………………………. 40
3.1.1 缺失值判断…………………………………………………………………………………………….. 40
3.1.2 缺失模型判断…………………………………………………………………………………………. 44
3.1.3 常用处理方法…………………………………………………………………………………………. 48
3.2 数据整理………………………………………………………………………………………………………….. 53
3.2.1 数据合并……………………………………………………………………………………………….. 53
3.2.2 选取子集……………………………………………………………………………………………….. 56
3.2.3 数据转换……………………………………………………………………………………………….. 59
第4 章 数据的探索性分析
4.1 基本绘图函数…………………………………………………………………………………………………… 66
4.2 探索单个变量…………………………………………………………………………………………………… 74
4.2.1 单组数据的图形描述………………………………………………………………………………. 74
4.2.2 单组数据的描述性分析…………………………………………………………………………… 79
4.3 探索多个变量…………………………………………………………………………………………………… 81
4.3.1 两组数据的图形描述………………………………………………………………………………. 81
4.3.2 多组数据的图形描述………………………………………………………………………………. 85
4.3.3 多组数据的描述性统计…………………………………………………………………………… 88
4.4 其他图像探索…………………………………………………………………………………………………… 90
第5 章 回归分析
5.1 一元线性回归…………………………………………………………………………………………………… 94
5.1.1 模型简介……………………………………………………………………………………………….. 94
5.1.2 函数介绍……………………………………………………………………………………………….. 96
5.1.3 综合案例：iris 数据集的一元回归建模…………………………………………………….. 97
5.2 多元线性回归…………………………………………………………………………………………………… 99
5.2.1 模型简介……………………………………………………………………………………………….. 99
5.2.2 综合案例：iris 数据集的多元回归建模…………………………………………………… 100
5.3 变量的选择…………………………………………………………………………………………………….. 105
5.3.1 逐步回归方法简介及函数介绍……………………………………………………………….. 105
5.3.2 综合案例：swiss 数据集的逐步回归建模………………………………………………… 106
5.3.3 岭回归的方法简介及函数介绍……………………………………………………………….. 109
5.3.4 综合案例：longley 数据集的岭回归探索…………………………………………………. 110
5.3.5 lasso 回归方法简介及函数介绍………………………………………………………………. 114
5.3.6 综合案例：longley 数据集的lasso 回归建模……………………………………………. 115
5.4 Logistic 回归…………………………………………………………………………………………………… 117
5.4.1 模型简介……………………………………………………………………………………………… 117
5.4.2 函数介绍……………………………………………………………………………………………… 119
5.4.3 综合案例：iris 数据集的逻辑回归建模…………………………………………………… 120
第6 章 方差分析
6.1 单因素方差分析……………………………………………………………………………………………… 124
6.1.1 模型介绍……………………………………………………………………………………………… 124
6.1.2 函数介绍……………………………………………………………………………………………… 126
6.1.3 综合案例：不同治疗方法下胆固醇降低效果的差异性分析………………………. 127
6.2 双因素方差分析……………………………………………………………………………………………… 130
6.2.1 模型介绍……………………………………………………………………………………………… 130
6.2.2 综合案例：不同剂量下老鼠妊娠重量的差异性分析…………………………………. 132
6.3 协方差分析…………………………………………………………………………………………………….. 136
6.3.1 模型简介……………………………………………………………………………………………… 136
6.3.2 函数介绍……………………………………………………………………………………………… 136
6.3.3 综合案例：hotdog 数据集的协方差分析………………………………………………….. 137
第7 章 主成分分析和因子分析
7.1 降维的基本方法：主成分分析…………………………………………………………………………. 139
7.1.1 理论基础：原始变量的线性组合……………………………………………………………. 139
7.1.2 模型介绍……………………………………………………………………………………………… 141
7.1.3 函数介绍……………………………………………………………………………………………… 143
7.1.4 综合案例：longley 数据集的变量降维及回归………………………………………….. 144
7.1.5 综合案例：longley 数据集的变量降维及回归（主成分回归）………………….. 148
7.2 推广发展：因子分析………………………………………………………………………………………. 150
7.2.1 理论基础：多个变量综合为少数因子……………………………………………………… 150
7.2.2 模型介绍……………………………………………………………………………………………… 151
7.2.3 函数介绍……………………………………………………………………………………………… 153
7.2.4 综合案例：能力和智商测试的因子分析探索…………………………………………… 154
第8 章 判别分析
8.1 距离判别法…………………………………………………………………………………………………….. 160
8.1.1 理论基础：离谁近，就属于谁……………………………………………………………….. 160
8.1.2 函数介绍……………………………………………………………………………………………… 162
8.1.3 综合案例：基于距离判别的iris 数据集分类……………………………………………. 164
8.2 Bayes 判别法………………………………………………………………………………………………….. 168
8.2.1 理论基础：先验概率与错判损失……………………………………………………………. 168
8.2.2 函数介绍……………………………………………………………………………………………… 170
8.2.3 综合案例：基于iris 数据集的Bayes 判别分析………………………………………… 171
8.3 Fisher 判别法………………………………………………………………………………………………….. 171
8.3.1 理论基础：投影……………………………………………………………………………………. 171
8.3.2 函数介绍……………………………………………………………………………………………… 173
8.3.3 综合案例：基于Fisher 判别的iris 数据集分类………………………………………… 174
第9 章 常规聚类分析
9.1 深入了解聚类分析………………………………………………………………………………………….. 178
9.1.1 差异与分类…………………………………………………………………………………………… 178
9.1.2 主流的聚类算法……………………………………………………………………………………. 179
9.2 动态聚类………………………………………………………………………………………………………… 180
9.2.1 聚类的基本过程……………………………………………………………………………………. 180
9.2.2 函数介绍……………………………………………………………………………………………… 183
9.2.3 综合案例：基于随机生成序列的动态聚类………………………………………………. 184
9.3 层次聚类………………………………………………………………………………………………………… 194
9.3.1 聚类的基本过程……………………………………………………………………………………. 194
9.3.2 函数介绍……………………………………………………………………………………………… 197
9.3.3 综合案例：基于UScitiesD 数据集的层次聚类…………………………………………. 199
9.4 密度聚类………………………………………………………………………………………………………… 202
9.4.1 聚类的基本过程……………………………………………………………………………………. 202
9.4.2 函数介绍……………………………………………………………………………………………… 202
9.4.3 综合案例：基于随机生成序列的密度聚类………………………………………………. 203
9.5 EM 聚类…………………………………………………………………………………………………………. 204
9.5.1 聚类的基本过程……………………………………………………………………………………. 205
9.5.2 函数介绍……………………………………………………………………………………………… 205
9.5.3 综合案例：基于iris 数据集的EM 聚类…………………………………………………… 206
第10 章 关联规则
10.1 简单关联规则……………………………………………………………………………………………….. 210
10.1.1 基本概念与表示形式…………………………………………………………………………… 210
10.1.2 评价简单关联规则的有效性和实用性……………………………………………………. 211
10.2 序列关联规则……………………………………………………………………………………………….. 212
10.2.1 差异与基本概念………………………………………………………………………………….. 212
10.2.2 生成序列关联规则………………………………………………………………………………. 213
10.3 Apriori 算法………………………………………………………………………………………………….. 214
10.3.1 算法介绍：挖掘频繁项集…………………………………………………………………….. 214
10.3.2 函数介绍……………………………………………………………………………………………. 215
10.3.3 综合案例：基于Titanic 数据集的关联规则挖掘…………………………………….. 216
10.4 Eclat 算法…………………………………………………………………………………………………….. 224
10.4.1 算法介绍：自底向上的搜索…………………………………………………………………. 224
10.4.2 函数介绍……………………………………………………………………………………………. 224
10.4.3 综合案例：基于美国人口调查数据的关联规则挖掘……………………………….. 225
10.5 SPADE 算法………………………………………………………………………………………………….. 230
10.5.1 算法介绍：基于序列格的搜索和连接……………………………………………………. 231
10.5.2 函数介绍……………………………………………………………………………………………. 232
10.5.3 综合案例：基于zaki 数据集的序列关联规则挖掘………………………………….. 233
第11 章 神经网络
11.1 深入了解人工神经网络………………………………………………………………………………….. 239
11.1.1 生物神经元…………………………………………………………………………………………. 240
11.1.2 人工神经元模型………………………………………………………………………………….. 241
11.1.3 人工神经网络种类………………………………………………………………………………. 244
11.1.4 建立模型的一般步骤……………………………………………………………………………. 247
11.2 B-P 反向传播网络…………………………………………………………………………………………. 248
11.2.1 B-P 反向传播网络模型………………………………………………………………………… 248
11.2.2 算法介绍…………………………………………………………………………………………….. 249
11.2.3 函数介绍…………………………………………………………………………………………….. 250
11.3 综合案例：基于Boston 数据的波士顿郊区房价预测建模…………………………………. 252
书籍下载：