京公网安备 11010802034615号
经营许可证编号:京B2-20210330
数据分析我做主 程序设计工具成科学家得力帮手
多年来,遗传学家Helene Royo使用商业软件分析自己的研究数据。她将DNA从发育中的小鼠精子里提取出来,送去分析,然后利用名为GeneSpring的软件研究结论。“作为一个科学家,我希望能理解自己做的任何东西。”她说,“但这类分析不允许这样:我只是按个按钮,并得到答案。”但随着Royo比较不同染色体基因活性的研究日益复杂,她意识到商业工具已无法满足她的数据处理需求。
之后,Royo有了一个选择:将基因序列发给专家或自己学着分析数据。她决定冒险一试,并开始学习如何用免费的开源软件包R解析数据。它帮助Royo所在的瑞士巴塞尔弗雷德里希米歇尔研究所生物医学研究中心在软件上运行了常规课程。但她还沿行着一个更宽广的趋势:对于那些尝试放弃使用商业软件的学者而言,R是可供选择的数据分析工具。
除了免费外,R受欢迎的部分原因是它对不同使用者呈现不同面貌。首先,它是一种编程语言,要求经由命令行输入,这似乎禁止非编码者使用。但初学者能够调用预先设置的软件包,其中包含了已经做好的统计分析和数据可视化命令。“R非常简单,它能为我做任何事。”Royo说。
而这也是R的开发者在上世纪90年代研发该软件包的初衷。新西兰奥克兰大学统计学家Ross Ihaka和Robert Gentleman对计算机十分感兴趣,但是缺乏需要的实际软件。因此,他们开发了一种能执行自己需要的数据分析的编程语言。R正是取自开发者名字的首字母。
在互联网兴起之初,R迅速吸引了全世界需要统计软件和乐于贡献点子的科学家的兴趣。Gentleman和Ihaka决定公开他们的源代码,而编码专家迅速开发出针对特定领域的预编程程序和命令。“我能写出天文学领域的人适合使用的软件。但如果是天文学者为同领域的其他人写软件会更好。”Gentleman说。
荷兰皇家海洋研究所海洋学家Karline Soetaert也同意该观点。2008年,她计划检查斯凯尔特河河口附近浮游生物的健康情况。Soetaert想要使用沿河收集的数据计算浮游动物的死亡速度,但R无法做到。为了解决该问题,她与两位生态学家开发了deSolve——写入R的首个程序包,以解决微分方程。她提到:“其他软件也能计算,但却昂贵且是闭源的。”现在,流行病学家也使用deSolve模拟传染性疾病,基因学家用它研究基因调控网络,药物开发者则将其用于药物代谢动力学。
到2003年,R首次发布10年之后,科学家已经开发出超过200个程序包,而且有关“R项目”的首个引用出现。现在,已经出现了针对各种专业的近6000个数据包。它们帮助科学家比较人类和尼安德特人基因组、建模人口增长、预言股票价格等。专家能使用R绘制手稿,他们可以嵌入源代码,通过knitr编译直接生成一份报告。2013年,在爱思唯尔的斯高帕斯数据库索引的科学文章里,有近1%援引了R或其中一个数据包,而在农业和环境科学领域,这个比例更高。
对于许多使用者而言,R作为统计学软件的质量十分引人注目。美国田纳西州大学统计学家Robert Muenchen表示,该工具与SPSS和SAS等商业数据包一样。在过去10年中,R已经赶上并超过了市场领导者。“大概在2014年夏天,R已经变成了使用量首屈一指的统计学程序包。”他说。
在基因组学和分子生物学领域,一个名为Bioconductor的软件项目紧随R之后。它能帮科学家处理和比较庞大的基因序列,利用基因表达综合数据库等数据库查询结果以及上传数据到数据库。它包含近1000个程序包,其中一些能帮助将新一代测序实验得出的数百万DNA片段与有注解的基因相连。
随着对R的钻研,Royo接受了密集训练:在弗雷德里希米歇尔研究所生物信息学部负责人Michael Stadler的监督下,她花费了约半年时间研究R和Bioconductor。伯克利数据科学研究所生态学家Karthik Ram表示,现在有足够的机会去学习R。Ram主动帮助科学家学习和开发R。他和同事免费提供培训课程,不需要任何现有编程技巧,并能针对科学家的特殊问题。
加州圣地亚哥州立大学生态学家Megan Jennings接受了相关培训。她追踪山猫、美洲狮和其他野生动物,以理解它们的行为。最终,36台相机在1年时间里拍摄了40多万张时间标记照片。最初,她手动选择出想要的照片,并将它们输入一个名为PRESENCE的黑匣子程序。但在Ram的帮助下,她写出了一个能够读出标记照片的R程序包,并对照片进行精简,然后将自定义数据子合集发送到R预先存在的模型程序包中。“之前我要动手挑拣1个小时的照片,而现在只需要做5分钟。”Jennings说。
另外,R的一个最伟大之处就是它的在线服务。Muenchen表示,有关R的讨论区远超针对其他商业统计软件的在线提问。“这种情况十分常见,一个人发布了一个问题,然后其他人在半小时内开发出程序包来回答。”他说。这样的快速反应对基础研究领域的科学家非常重要。“我几乎能在线找到任何问题的答案。” Royo说。
但与其他技能一样,学习R并非一夕之功。但Jennings表示,它值得学习。“将它作为一种投入:为了之后的节省时间和构建解决多种问题的技巧。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
做产品立项、写商业计划书、规划市场进入策略时,"市场调研"和"竞品分析"几乎总是被绑在一起说,甚至被当成同一件事。但实际 ...
2026-11-19 在做数据治理、搭数据中台或者梳理数据库表结构时,"主数据"和"参考数据"是被提及频率最高、也最容易被混为一谈的两个概念。 ...
2026-11-19“纲举目张,执本末从。”若想在数据分析领域有所收获,一套合适的学习教材至关重要。一套优质且契合需求的学习教材无疑是那关键 ...
2026-11-19一、什么是本体 在知识图谱和语义建模里,本体(Ontology)是对一个领域内概念、属性、关系和实例的形式化描述。它回答三个问题 ...
2026-11-18一、K-S 曲线解决什么问题 风控评分卡、客户流失模型、欺诈识别模型建好之后,最核心的一个问题是:模型能不能把"会变坏"和"不会 ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18产品上线之后,真正回答"用户是谁、想要什么、卡在哪里"的,往往不是调研问卷,而是用户留下的一条条行为记录。点击、浏览、停留 ...
2026-11-17在日常数据库开发与报表查询中,日期格式几乎是最高频的"打交道"对象:页面上要展示 yyyy-MM-dd,接口要返回 ISO 8601 字符串, ...
2026-11-17核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-17一、销售行业为什么离不开大数据分析 销售行业的本质是"把合适的产品,在合适的时间,卖给合适的人,并持续复购"。传统销售靠经 ...
2026-11-16一、什么是频数分布 拿到一批连续数据(员工年龄、商品价格、考试分数、订单金额),最想先看的往往不是平均值,而是数据集中在 ...
2026-11-16教育部办公厅关于成立全国数据职业教育教学指导委员会(2026—2030年)的通知 教职成厅函〔2026〕25号 各省、自治区、直辖市教 ...
2026-11-16CDA数据分析师 出品 作者:李诗怡 基础与单表查询 四大类语言 · 数据库基础 · DQL 单表查询 ” 一、SQL 四大类语言与数据 ...
2026-11-13核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-13一、问题从哪来 财务分析里算增长率,常规公式所有人都会写: 增长率本年数上年数上年数 这个公式在"上年为正"时完全成立。但一 ...
2026-11-12一、什么是加权聚类 普通聚类默认"每个样本、每个指标都同等重要":距离公式里每个样本权重都是 1,每个指标在距离计算里占比相 ...
2026-11-12“纲举目张,执本末从。”若想在数据分析领域有所收获,一套合适的学习教材至关重要。一套优质且契合需求的学习教材无疑是那关键 ...
2026-11-12一、需求从哪来 做 Excel 报表时,"从一个透视表取数据"这个需求通常有三种来源: 汇总页引用:明细透视表在另一个 sheet,汇总 ...
2026-11-11一、透视表的价值在哪 一句话概括:数据透视表把"写公式汇总"变成了"拖字段看结果"。 传统做法要写 SUMIFS、COUNTIFS,改一个维 ...
2026-11-11