R语言及其扩展的开发

简介

    R是一门主要用于统计分析、绘图的语言和环境，是S语言的一种实现，但R的语法倒是来自Scheme，是一种面向对象、支持反射的函数式脚本语言。

    R原本是由来自新西兰奥克兰大学的Ross Ihaka和Robert Gentleman开发，随即成为GNU的项目之一，如今由R开发核心团队''负责开发。R如今支持多种平台，包括GNU/Linux、FreeBSD、Windows和MacOS。

做业环境

与其它商业统计软件不一样，R主要的用户交互接口是R解析器。用户能够与R如同与shell通常灵活交互，也能够经过脚本向R提交做业。R提供 libR.so共享对象，开发者能够设计GUI前端并与之链接，这样既可以提供R解析器接口又能提供丰富的菜单功能和其它做业方式。

在*nix上，vim和(x)emacs是著名的两大编辑器，相应地，开发者提供了R的交互支持：

• ESS (Emacs Speaks Statistics)

Vim-r

做为KDE桌面的原生程序，RKWard提供了良好的IDE体验！

使用

这里咱们推荐读者参考R的官方参考手册。

为何使用R

为何要使用R？撇开R是自由软件不说，还有如下缘由：

• R逐渐成为统计软件的事实标准，在不少方面已经遇上甚至超越SAS和SPSS等商业软件。

• R的语法简答而清晰

• R的效率很高（主要取决于BLAS的实现）

• CRAN有丰富的扩展包

• 除了原生的C接口，R还有良好的语言绑定，如C++，Java，方便用户设计本身的计算敏感的程序

• R支持OpenMP和OpenMPI等并行基础，适合计算敏感的场合

编写扩展

在上文说起了R有良好的语言绑定，其中扩展包Rcpp方便用户使用C++来开发扩展。咱们使用Rcpp开发了两个实验性的项目RcppKmeans和RcppNaiveBayes，用于数据挖掘的研究。

建立基于Rcpp扩展

显然，咱们须要安装Rcpp，注意确保GCC和R的开发环境是完备的：

install.packages("Rcpp")

转移到你的工做目录

library(Rcpp) 
Rcpp.package.skeleton("MyProjectName")

OK! MyProjectName的骨架建好了，开始写代码！等等，建议按照目录里的Read-and-delete-me的指示走一遍。

RcppKmeans

为一简单的用于文本的kmeans聚类器，经过应用OpenMP技术，在多核平台上利用并行带来的优点。

安装

git clone git://github.com/ucweb/RcppKmeans.git 
R CMD INSTALL RcppKmeans

示例

1 library(RcppKmeans) 
2 # 9 个点 
3 s <- list( 
4 c("a", "a", "b", "b" ), 
5 c("b", "b", "a", "c"), 
6 c("e", "e", "f", "f"), 
7 c("t", "t", "f", "f"), 
8 c("s", "t", "h", "f"), 
9 c("s", "t", "h", "f"), 
10 c("s", "t", "h", "f"), 
11 c("s", "t", "h", "f"), 
12 c("s", "h", "t", "f")) 
13 Kmeans(s,4L,1e3L,0.25)

输出：

$clusters 
$clusters[[1]] 
[1] 7 4 5 6 8 
$clusters[[2]] 
[1] 1 0 
$clusters[[3]] 
[1] 2 
$clusters[[4]] 
[1] 3 
$iterations 
[1] 2 
$divergent 
integer(0)

输出结果说明：

c("a", "a", "b", "b" )和 c("b", "b", "a", "c")被纳入第二个聚类，c("e", "e", "f", "f")和c("t", "t", "f", "f")被孤立，而剩余的则纳入第一个聚类。

RcppNaivebayes

为一简单的用于文本的分类器，自己不该用并行技术，但提供的接口能够与Rmpi一同使用，从而实现并行处理。

安装

git clone git://github.com/ucweb/RcppNaiveBayes.git
R CMD INSTALL RcppNaiveBayes

示例

1 library(RcppNaiveBayes)
2
3 a <- list(c("A", "B", "B", "D", "A", "Z"),
4           c("C", "B", "C", "Z", "H"))
5 b <- list(c("A", "F", "Y", "F", "W"),
6           c("I", "A", "G", "F", "P", "D"),
7           c("G", "A", "N", "P"))
8 d <- list(c("Y", "D", "P"),
9           c("H", "H"),
10           c("Z", "Z"))
11 m <- NaiveBayesTrain(list(a,b)) # 训练两个类别
12 NaiveBayesPredict(m, d)

输出:

$scores
$scores[[1]]
[1] 0.1000000 0.2666667
$scores[[2]]
[1] 0.40000000 0.06666667
$scores[[3]]
[1] 0.90000000 0.06666667
$predicted
[1] 2 1 1
attr(,"class")
[1] "RcppNaiveBayesPredict"

输出结果说明：

$predicted的值为d各元素被纳入的类别，即c("Y", "D", "P")以分值0.2666667>0.1000000而纳入类别b；同理，c("Z", "Z")被纳入类别a。

后记

    R是一门十分容易掌握的语言，加之扩展的便捷开发，它迅速在计算相关领域日益获得重视，不少企业级的应用也有R的一席之地。然而R并不是万能，加之并行计算并无统一模式，以及数据规模的爆炸性增加给予R的in-memory计算方式极大的冲击。若是要将R应用于大数据领域，那么还有一段路要走，尽管商业方案的RevoScale提供了解决之道。