Introduktion till R

Historien om R

• R grundades på 1990-talet av Ross Ihaka och Robert Gentleman vid University of Auckland, Nya Zeeland.
  • Inspirerat av språk som S, som utvecklades på Bell Labs.
  • 1995: R släpptes som en fri mjukvara under GNU General Public License.
  • 1997: CRAN (Comprehensive R Archive Network) grundades, vilket gjorde det enklare att dela och ladda ner R-paket. Vid skrivandets stund fanns det 21,192, testa att köra funktionen: nrow(available.packages()) för att se hur många det är nu på CRAN
  • 2000: Första officiella versionen av R (1.0.0) släpptes. Basfunktionaliteten stödde statistisk analys men hade en brant inlärningskurva.

Historien om R

• 2000-talet: Tidiga framsteg och grundläggande funktionalitet
  • 2004: lattice introducerades för avancerad datavisualisering.
  • 2005: ggplot2 utvecklades av Hadley Wickham.
  • 2008: Fler paket började utvecklas för att hantera stora datamängder och komplex analys.
• 2010–2015: Expansion och användarvänlighet
  • 2010:
    • RStudio lanserades som en användarvänlig IDE för R.
    • plyr introducerades för effektivare datamanipulation.
  • 2011: data.table blev populärt för sin snabbhet och hantering av stora datamängder.
  • 2014:
    • dplyr ersatte plyr och gjorde datamanipulation enklare och mer intuitiv.
    • RMarkdown introducerades för att integrera kod, text och resultat i samma dokument.
    • Magrittr-pipen (%>%), som är en del av magrittr-paketet, introducerades 2014 av Stefan Milton Bache. Det blev snabbt populärt tack vare sin förmåga att förbättra läsbarheten och flödet i R-kod genom att möjliggöra kedjning av funktioner utan att använda nästlad syntax.
  • 2015: readr och tidyr förbättrade import och rengöring av data, ggplot 2.0 med möjlighet för andra utvecklare att skapa egna ggplot funktioner.

Historien om R

• 2016–2020: R för modern dataanalys
  • 2016:
    • tidyverse-metapaketet lanserades, vilket samlade viktiga paket för dataanalys (t.ex. ggplot2, dplyr, tidyr).
    • caret blev standard för maskininlärning i R.
  • 2017:
    • sf moderniserade hantering av geografiska data.
    • reticulate möjliggjorde integration med Python.
  • 2018: shiny blev ett populärt verktyg för att bygga interaktiva webbapplikationer och dashboards.
  • 2019:
    • tidymodels lanserades för enhetliga och “tidi-fierade” maskininlärningsarbetsflöden.

Historien om R

• 2021–Idag: Modernisering och tillgänglighet
  • 2021:
    • Införandet av native pipe (|>) gjorde syntaxen renare och lättare för nybörjare.
    • Cloud-integration och containerlösningar som Docker gjorde R mer skalbart.
  • 2022:
    • Quarto lanserades som ett flexibelt verktyg för kod, rapportskrivning och dokumentation i ett dokument.
    • Förbättringar i RStudio (nu Posit) inkluderade stöd för samarbete och molnbaserade arbetsflöden.
  • 2023:
    • Optimering av många funktioner gjorde analys snabbare och mer effektiv.
    • Språket blev enklare att lära sig tack vare stora språkmodeller (LLLM, Large Language Learning Models).
  • 2024:
    • Positron, en ny IDE som stöder flera programmeringsspråk, lanserades.
    • Nya R-paket fortsätter att släppas dagligen, vilket gör arbetsflöden mer användarvänliga och anpassade till specifika behov.

Funktioner över tid

Varför ett kodspråk såsom R

(Jämfört med excel och andra mindre avancerade statistiska programvaror)

Utöver att lära sig koda

• Utöver själva kodningen
  • Problemlösning
  • Kreativt tänkande
  • Kritiskt tänkande
• Förståelse
  • Data
  • Statistik
  • Visualisering
  • Datahantering
  • Datakvalitet
  • Dataanalys
  • Datakällor
  • Dataformat
  • Datastrukturer

R och R studio

• Jag antar ni redan har
  
  • installerat R
    
  • installerat Rstudio
    

Pro tip - Försök ha R och Rstudio någorlunda uppdaterade

Setup

Tools -> Global options -> General -> Basic -> Workspace

Output fönster

Tools -> Global options -> General -> R Markdown

Andra alternativ

• Färgade paranteser.
• Teman och färger.
• Fonts
• Antialiasing (för windows) - Bättre kvalite på figurerna som visas i Rstudio.
• Pane layout/fönster layout.
• Scrolla förbi slutet av dokumentet.
• etc.

Varför använda R-projekt?

• Organiserad arbetsyta: Alla filer (kod, data, resultat) sparas i en och samma projektmapp.
  
• Relativa filvägar: Istället för att ange långa sökvägar till filer (t.ex., C:/Users/...) som är specifika för datorn du arbetar från, kan du använda here::here().
  
• Reproducerbarhet: Andra som öppnar projektet ser samma struktur och kan lätt följa dina analyser.
  
• Integration med Git: Enklare versionshantering och samarbete.
  
  • Se här för mer om detta: happygitwithr.com
    
• Säkerhet: Undviker att av misstag arbeta i fel mapp eller skriva över viktiga filer.
• Om ni har flera datorer så kommer eller filsökvägar fungera på båda om projektet är i ett moln.

Tips för att arbeta i ett R-projekt

• Lägg till en README-fil för att förklara projektets syfte.
  
• Använd paketet here för att arbeta med filvägar.
  
• Håll mappstrukturen tydlig, tex:
  • data/ för rådata.
  • scripts/ för R-kod.
  • outputs/ för resultat.

Viktiga kortkommandon

"Tools" > "Keyboard Shortcuts Help" för att se shortcuts, alt opt + Shift + k

• Ctrl/Cmd+Enter: Kör den aktuella raden eller markeringen.

• Ctrl/Cmd+Shift+C: Kommentera/avkommentera den aktuella raden eller markeringen.

• Ctrl/Cmd+Shift + m: %>% |>

• Ctrl/Cmd+Alt+I: Skapa en chunk.

```{r}
# Detta är en kodchunk
```

Målbild

Det som ligger bakom bilden

• Förstå Rstudio
• Quarto
  
• Import av data
  
• Klasser
  
• Objekt
  
• Funktioner