R語言及其擴展的開發

簡介

    R是一門主要用於統計分析、繪圖的語言和環境，是S語言的一種實現，但R的語法倒是來自Scheme，是一種面向對象、支持反射的函數式腳本語言。

    R原本是由來自新西蘭奧克蘭大學的Ross Ihaka和Robert Gentleman開發，隨即成爲GNU的項目之一，如今由R開發核心團隊''負責開發。R如今支持多種平臺，包括GNU/Linux、FreeBSD、Windows和MacOS。

做業環境

與其它商業統計軟件不一樣，R主要的用戶交互接口是R解析器。用戶能夠與R如同與shell通常靈活交互，也能夠經過腳本向R提交做業。R提供 libR.so共享對象，開發者能夠設計GUI前端並與之鏈接，這樣既可以提供R解析器接口又能提供豐富的菜單功能和其它做業方式。

在*nix上，vim和(x)emacs是著名的兩大編輯器，相應地，開發者提供了R的交互支持：

• ESS (Emacs Speaks Statistics)

Vim-r

做爲KDE桌面的原生程序，RKWard提供了良好的IDE體驗！

使用

這裏咱們推薦讀者參考R的官方參考手冊。

爲何使用R

爲何要使用R？撇開R是自由軟件不說，還有如下緣由：

• R逐漸成爲統計軟件的事實標準，在不少方面已經遇上甚至超越SAS和SPSS等商業軟件。

• R的語法簡答而清晰

• R的效率很高（主要取決於BLAS的實現）

• CRAN有豐富的擴展包

• 除了原生的C接口，R還有良好的語言綁定，如C++，Java，方便用戶設計本身的計算敏感的程序

• R支持OpenMP和OpenMPI等並行基礎，適合計算敏感的場合

編寫擴展

在上文說起了R有良好的語言綁定，其中擴展包Rcpp方便用戶使用C++來開發擴展。咱們使用Rcpp開發了兩個實驗性的項目RcppKmeans和RcppNaiveBayes，用於數據挖掘的研究。

建立基於Rcpp擴展

顯然，咱們須要安裝Rcpp，注意確保GCC和R的開發環境是完備的：

install.packages("Rcpp")

轉移到你的工做目錄

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

OK! MyProjectName的骨架建好了，開始寫代碼！等等，建議按照目錄裏的Read-and-delete-me的指示走一遍。

RcppKmeans

爲一簡單的用於文本的kmeans聚類器，經過應用OpenMP技術，在多核平臺上利用並行帶來的優點。

安裝

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

示例

1 library(RcppKmeans) 
2 # 9 個點 
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)

輸出：

$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)

輸出結果說明：

c("a", "a", "b", "b" )和 c("b", "b", "a", "c")被納入第二個聚類，c("e", "e", "f", "f")和c("t", "t", "f", "f")被孤立，而剩餘的則納入第一個聚類。

RcppNaivebayes

爲一簡單的用於文本的分類器，自己不該用並行技術，但提供的接口能夠與Rmpi一同使用，從而實現並行處理。

安裝

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)) # 訓練兩個類別
12 NaiveBayesPredict(m, d)

輸出:

$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"

輸出結果說明：

$predicted的值爲d各元素被納入的類別，即c("Y", "D", "P")以分值0.2666667>0.1000000而納入類別b；同理，c("Z", "Z")被納入類別a。

後記

    R是一門十分容易掌握的語言，加之擴展的便捷開發，它迅速在計算相關領域日益獲得重視，不少企業級的應用也有R的一席之地。然而R並不是萬能，加之並行計算並無統一模式，以及數據規模的爆炸性增加給予R的in-memory計算方式極大的衝擊。若是要將R應用於大數據領域，那麼還有一段路要走，儘管商業方案的RevoScale提供瞭解決之道。