การแนะนำการเขียนโปรแกรมด้วยภาษา R

📚 สรุปเนื้อหา

หลักสูตรนี้เป็นการแนะนำอย่างครอบคลุมเกี่ยวกับสภาพแวดล้อมภาษา R โดยครอบคลุมหัวข้อหลักตั้งแต่การดำเนินการพื้นฐานกับเวกเตอร์เชิงตัวเลข คุณสมบัติของวัตถุ และการจัดการอาร์เรย์/เมทริกซ์ ไปจนถึงการจัดการลิสต์และเฟรมข้อมูล การสร้างแบบจำลองทางสถิติ และการผลิตกราฟิกคุณภาพสูง เป็นหนังสือเรียนแนะนำที่เหมาะสมสำหรับการวิเคราะห์ทางสถิติและการวิเคราะห์ข้อมูล

จัดการกับแก่นกลางของภาษา R และเปิดประตูสู่การคำนวณทางสถิติและการแสดงผลข้อมูล

ผู้เขียน: กลุ่มพัฒนาภาษา R

ขอบคุณ: เอกสารฉบับนี้ได้รับการดูแลโดยกลุ่มพัฒนาภาษา R ฉบับแปลภาษาจีนได้รับการสนับสนุนจากงานแปลภาษาญี่ปุ่นของ Shigeru MASE และความพยายามของทีมแปลภาษาจีน เช่น ดร. ZP Li, ดร. Rui Li

🎯 เป้าหมายการเรียนรู้

1. เริ่มต้นเซสชันของ R นำทางระบบช่วยเหลือ และประยุกต์ใช้กฎไวยากรณ์เบื้องต้น (ความไวต่อตัวพิมพ์ใหญ่-เล็ก การกำหนดค่า และคอมเมนต์)
2. แยกแยะและสร้างเวกเตอร์ตรรกะ เวกเตอร์ตัวอักษร และจัดการค่าที่หายไป (NA และ NaN)
3. ใช้เทคนิคการดัชนี 4 แบบเพื่อเลือก ยกเลิก หรือปรับเปลี่ยนชุดย่อยข้อมูลเฉพาะ
4. ระบุและปรับเปลี่ยนคุณสมบัติภายใน (ประเภทและความยาว) ของวัตถุใน R
5. ใช้ฟังก์ชัน class() และ attr() เพื่อจัดการเมตาดาต้าและโครงสร้างข้อมูลของวัตถุ
6. สร้างและจัดการแฟกเตอร์และแฟกเตอร์ที่มีลำดับเพื่อแสดงข้อมูลเชิงหมวดหมู่
7. กำหนดและสร้างอาร์เรย์และเมทริกซ์โดยใช้เวกเตอร์มิติและฟังก์ชัน array()
8. ประยุกต์ใช้เทคนิคการดัชนีขั้นสูง รวมถึงการใช้เมทริกซ์ดัชนีเพื่อดึงหรือปรับเปลี่ยนองค์ประกอบเฉพาะ
9. ดำเนินการปฏิบัติการทางพีชคณิตเชิงเส้น เช่น ผลคูณภายนอก ทรานสโพสทั่วไป และการหาเมทริกซ์ย้อนกลับ
10. สร้างและแก้ไขลิสต์: สร้างลิสต์ที่มีชื่อและไม่มีชื่อ และรวมกันด้วยไวยากรณ์เฉพาะของ R

🔹 บทเรียนที่ 1: การแนะนำเกี่ยวกับ R และพื้นฐานเวกเตอร์

ภาพรวม: บทเรียนนี้นำเสนอสภาพแวดล้อมพื้นฐานของ R ครอบคลุมไวยากรณ์พื้นฐาน การดำเนินการคำสั่ง และระบบช่วยเหลือ นอกจากนี้ยังสำรวจประเภทเวกเตอร์เฉพาะ เช่น เวกเตอร์ตรรกะ เวกเตอร์ตัวอักษร และค่าที่หายไป พร้อมทั้งให้วิธีการเฉพาะเจาะจงในการเลือกและปรับเปลี่ยนชุดย่อยข้อมูลผ่านเวกเตอร์ดัชนี

ผลลัพธ์การเรียนรู้:

• เริ่มต้นเซสชันของ R นำทางระบบช่วยเหลือ และประยุกต์ใช้กฎไวยากรณ์เบื้องต้น (ความไวต่อตัวพิมพ์ใหญ่-เล็ก การกำหนดค่า และคอมเมนต์)
• แยกแยะและสร้างเวกเตอร์ตรรกะ เวกเตอร์ตัวอักษร และจัดการค่าที่หายไป (NA และ NaN)
• ใช้เทคนิคการดัชนี 4 แบบเพื่อเลือก ยกเลิก หรือปรับเปลี่ยนชุดย่อยข้อมูลเฉพาะ

🔹 บทเรียนที่ 2: คุณสมบัติของวัตถุและการจัดการแฟกเตอร์

ภาพรวม: บทเรียนนี้ครอบคลุมคุณสมบัติพื้นฐานของวัตถุใน R โดยเฉพาะคุณสมบัติภายใน เช่น ประเภทและความยาว และวิธีตรวจสอบหรือปรับเปลี่ยนได้ ยังสำรวจ "แฟกเตอร์" — โครงสร้างข้อมูลเฉพาะสำหรับจัดการตัวแปรหมวดหมู่ — และแสดงวิธีใช้ฟังก์ชัน tapply() เพื่อวิเคราะห์ทางสถิติแบบกลุ่มตามระดับแฟกเตอร์

ผลลัพธ์การเรียนรู้:

• ระบุและปรับเปลี่ยนคุณสมบัติภายใน (ประเภทและความยาว) ของวัตถุใน R
• ใช้ฟังก์ชัน class() และ attr() เพื่อจัดการเมตาดาต้าและโครงสร้างข้อมูลของวัตถุ
• สร้างและจัดการแฟกเตอร์และแฟกเตอร์ที่มีลำดับเพื่อแสดงข้อมูลเชิงหมวดหมู่

🔹 บทเรียนที่ 3: อาร์เรย์ เมทริกซ์ และพีชคณิตเชิงเส้น

ภาพรวม: บทเรียนนี้สำรวจความสามารถที่แข็งแกร่งของ R ในการจัดการข้อมูลหลายมิติผ่านอาร์เรย์และเมทริกซ์ นักเรียนจะได้เรียนรู้วิธีกำหนดโครงสร้างข้อมูลโดยใช้เวกเตอร์มิติ ดำเนินการดัชนีที่ซับซ้อน และดำเนินการปฏิบัติการพีชคณิตเชิงเส้นพื้นฐาน เช่น การคูณเมทริกซ์ การหาเมทริกซ์ย้อนกลับ และการแยกตัวประกอบ ซึ่งจำเป็นต่อการคำนวณทางสถิติและการวิเคราะห์ข้อมูล

ผลลัพธ์การเรียนรู้:

• กำหนดและสร้างอาร์เรย์และเมทริกซ์โดยใช้เวกเตอร์มิติและฟังก์ชัน array()
• ประยุกต์ใช้เทคนิคการดัชนีขั้นสูง รวมถึงการใช้เมทริกซ์ดัชนีเพื่อดึงหรือปรับเปลี่ยนองค์ประกอบเฉพาะ
• ดำเนินการปฏิบัติการพีชคณิตเชิงเส้น เช่น ผลคูณภายนอก ทรานสโพสทั่วไป และการหาเมทริกซ์ย้อนกลับ

🔹 บทเรียนที่ 4: การจัดการข้อมูล: ลิสต์ แฟรมข้อมูล และการรับ-ส่งข้อมูล

ภาพรวม: บทเรียนนี้ครอบคลุมพื้นฐานการจัดการโครงสร้างข้อมูลที่ซับซ้อนและข้อมูลภายนอกใน R โฟกัสที่ลิสต์ — ตัวบรรจุที่ยืดหยุ่นที่เก็บองค์ประกอบที่มีประเภทต่างกัน — และรายละเอียดของการรับ-ส่งข้อมูล (I/O) รวมถึงการอ่านไฟล์ภายนอกเข้าสู่โครงสร้างลิสต์หรือเมทริกซ์ การเข้าถึงชุดข้อมูลภายในแพ็กเกจ และการใช้เครื่องมือแก้ไขแบบโต้ตอบเพื่อปรับเปลี่ยนข้อมูล

ผลลัพธ์การเรียนรู้:

• สร้างและแก้ไขลิสต์: สร้างลิสต์ที่มีชื่อและไม่มีชื่อ และรวมกันด้วยไวยากรณ์เฉพาะของ R
• การเข้าถึงองค์ประกอบ: แยกแยะและประยุกต์ใช้เทคนิคการดัชนีต่างๆ ([[ ]], [ ], และ $) เพื่อเรียกข้อมูลลิสต์
• การนำเข้าข้อมูลภายนอก: ใช้ฟังก์ชัน scan() เพื่ออ่านข้อมูลจากไฟล์ภายนอกเข้าสู่ลิสต์หรือเมทริกซ์ที่มีโครงสร้าง

🔹 บทเรียนที่ 5: การแจกแจงความน่าจะเป็นและการทดสอบทางสถิติ

ภาพรวม: บทเรียนนี้ให้แนวทางครอบคลุมในการจัดการการแจกแจงความน่าจะเป็นและการอนุมานทางสถิติใน R นักเรียนจะได้เรียนรู้การใช้ระบบคำนำหน้ามาตรฐานของ R (d, p, q, r) สำหรับฟังก์ชันการแจกแจง การสร้างสถิติอธิบาย และการประเมินข้อมูลเชิงภาพด้วยฟังก์ชันการแจกแจงสะสมเชิงประจักษ์ (ecdf) และแผนภูมิควอไทล์-ควอไทล์ (Q-Q plot)

ผลลัพธ์การเรียนรู้:

• จัดการกับรหัสการแจกแจงของ R (คำนำหน้า d, p, q, r) และนำไปใช้กับการแจกแจงมาตรฐาน เช่น ปกติ ที และเอฟ
• สร้างและตีความเครื่องมือวิเคราะห์เชิงภาพโดยเฉพาะฟังก์ชันการแจกแจงสะสมเชิงประจักษ์ (ecdf) และแผนภูมิควอไทล์-ควอไทล์ (Q-Q plot) เพื่อประเมินความเหมาะสมของรูปแบบการแจกแจง
• ดำเนินการและแยกแยะระหว่างการทดสอบพารามิเตอร์และไม่พารามิเตอร์ รวมถึงการทดสอบทีแบบเวลช์ ทดสอบความเป็นปกติของชาร์โปว์-วิลก์ และการทดสอบโคลโมโกรอฟ-สมิร์โนฟ

🔹 บทเรียนที่ 6: การควบคุมโปรแกรมและตรรกะการวนซ้ำ

ภาพรวม: บทเรียนนี้ครอบคลุมกลไกพื้นฐานในการควบคุมการดำเนินการใน R มุ่งเน้นการจัดกลุ่มการแสดงออกหลายอย่างเป็นหน่วยเดียว และใช้คำสั่งควบคุม — รวมถึงการแบ่งแยกเงื่อนไข (if-else) และโครงสร้างการวนซ้ำต่างๆ (for, repeat, และ while) — เพื่อทำให้การวิเคราะห์ข้อมูลอัตโนมัติและจัดการตรรกะที่ซับซ้อน

ผลลัพธ์การเรียนรู้:

• จัดกลุ่มการแสดงออกของ R หลายรายการเป็นประโยคเดียวโดยใช้เครื่องหมายวงเล็บ
• ใช้ตรรกะเงื่อนไขเพื่อให้ดำเนินการบล็อกโค้ดเฉพาะตามเกณฑ์ตรรกะ
• สร้างลูปการวนซ้ำเพื่อทำให้การดำเนินการซ้ำๆ บนโครงสร้างข้อมูล เช่น เวกเตอร์และลิสต์ ทำงานอัตโนมัติ

🔹 บทเรียนที่ 7: การพัฒนาฟังก์ชันเฉพาะตัวและแนวคิดการจำกัดขอบเขต

ภาพรวม: บทเรียนนี้สำรวจการเปลี่ยนแปลงจากการใช้ R เป็นเครื่องคิดเลขแบบโต้ตอบไปสู่การใช้เป็นภาษาโปรแกรม โดยการพัฒนาฟังก์ชันเฉพาะตัว ครอบคลุมไวยากรณ์การกำหนดฟังก์ชัน การจัดการพารามิเตอร์ การทำงานตามกฎการจำกัดขอบเขตแบบเล็กซิคัล และแนวคิดพื้นฐานของระบบวัตถุแบบโอเพนโอเรียนท์ (S3) ใน R ผ่านฟังก์ชันทั่วไปและเมธอด

ผลลัพธ์การเรียนรู้:

• สร้างและเรียกใช้ฟังก์ชันเฉพาะตัว: กำหนดฟังก์ชันด้วยพารามิเตอร์ที่ชัดเจนและตัวดำเนินการไบนารีเฉพาะ
• จัดการพารามิเตอร์และการจำกัดขอบเขต: แยกแยะระหว่างการจับคู่พารามิเตอร์ตำแหน่งและชื่อ และอธิบายว่าการจำกัดขอบเขตแบบเล็กซิคัลจัดการตัวแปรท้องถิ่นและตัวแปรเสรีอย่างไร
• ใช้สถานะที่เปลี่ยนแปลงได้และสภาพแวดล้อมเฉพาะ: ใช้คลอเจอร์และตัวดำเนินการกำหนดค่าขั้นสูงเพื่อรักษาสถานะและปรับแต่งสภาพแวดล้อมของ R ผ่านฟังก์ชันเริ่มต้น/เซสชัน

🔹 บทเรียนที่ 8: การสร้างแบบจำลองทางสถิติ: แบบเชิงเส้นและไม่เชิงเส้น

ภาพรวม: บทเรียนนี้สำรวจชุดเครื่องมือที่ครอบคลุมใน R สำหรับการสร้างแบบจำลองทางสถิติที่นอกเหนือจากโมเดลการถดถอยเชิงเส้นพื้นฐาน ครอบคลุมการดึงข้อมูลโมเดลผ่านฟังก์ชันทั่วไป การเปรียบเทียบโมเดลโดยใช้ตาราง ANOVA และการตั้งค่าโมเดลเชิงเส้นทั่วไป (GLMs) สำหรับข้อมูลแบบไบนารีและจำนวน พร้อมทั้งเทคนิคการสร้างแบบจำลองไม่เชิงเส้น

ผลลัพธ์การเรียนรู้:

• ใช้ฟังก์ชันทั่วไปของ R เพื่อดึง สรุป และแสดงข้อมูลจากโมเดลที่ตั้งค่าแล้ว
• ทำการเปรียบเทียบโมเดลโดยใช้ตาราง ANOVA และอัปเดตโมเดลเดิมด้วยไวยากรณ์ที่มีประสิทธิภาพ
• ตั้งค่าโมเดลเชิงเส้นทั่วไป (GLMs) โดยใช้ครอบครัวและฟังก์ชันลิงก์ที่เหมาะสม (เช่น โลจิท โปรบิต พอยซอน)

🔹 บทเรียนที่ 9: การแสดงผลข้อมูลด้วยกราฟิกระดับสูงและต่ำ

ภาพรวม: บทเรียนนี้ครอบคลุมความสามารถทางกราฟิกที่ครอบคลุมของ R โดยแยกแยะระหว่างฟังก์ชันการวาดกราฟระดับสูงที่สร้างแผนภูมิครบวงจร และคำสั่งระดับต่ำที่เพิ่มองค์ประกอบเฉพาะลงในภาพที่มีอยู่แล้ว นักเรียนจะได้เรียนรู้การปรับแต่งพารามิเตอร์ทางกราฟิกเพื่อควบคุมด้านศิลปะอย่างแม่นยำ และจัดการสภาพแวดล้อมกราฟิกหลายตัว

ผลลัพธ์การเรียนรู้:

• แยกแยะและประยุกต์ใช้ฟังก์ชันกราฟิกระดับสูง (เช่น plot(), hist()) และระดับต่ำ (เช่น points(), lines())
• ใช้และจัดการพารามิเตอร์ทางกราฟิกโดยใช้การตั้งค่าถาวร (par()) และชั่วคราว (ระดับฟังก์ชัน)
• จัดการเลเยอร์ที่ซับซ้อน รวมถึงการแสดงข้อมูลหลายตัวแปรและสภาพแวดล้อมกราฟิกหลายตัว

🔹 บทเรียนที่ 10: ระบบนิเวศแพ็กเกจและการกำหนดค่าสภาพแวดล้อม

ภาพรวม: บทเรียนนี้สำรวจโครงสร้างพื้นฐานของ R โดยเน้นที่ระบบนิเวศแพ็กเกจ บทบาทของ CRAN และกลไกของ namespaces สำหรับจัดการฟังก์ชัน ยังให้แนวทางปฏิบัติสำหรับการใช้งาน R ผ่านหลายช่องทาง และการควบคุมสภาพแวดล้อมการเริ่มต้นโดยใช้พารามิเตอร์บรรทัดคำสั่งและแป้นลัดคีย์บอร์ด

ผลลัพธ์การเรียนรู้:

• เข้าใจความสัมพันธ์ระหว่างแพ็กเกจ namespace และระบบคลังข้อมูล CRAN
• ดำเนินการเซสชันตัวอย่างที่ครอบคลุม รวมถึงการจัดการข้อมูล การสร้างแบบจำลองทางสถิติ และการวาดแผนภูมิทางคณิตศาสตร์ที่ซับซ้อน
• กำหนดสภาพแวดล้อมเริ่มต้นของ R โดยใช้แฟล็กบรรทัดคำสั่งและตัวแปรสภาพแวดล้อม