99ri精品,久久无码视频直接

內容簡介

　　本書將目標設定為“在一臺筆記本電腦上使用R語言處理較大的數(shù)據(jù)集”，從單機大型數(shù)據(jù)集處理策略、提升計算性能、其他工具和技巧3個方面介紹了使用R語言處理數(shù)據(jù)時的實用方法。包括數(shù)據(jù)集占用空間、善用data.table處理數(shù)據(jù)、數(shù)據(jù)分塊處理、提升硬盤資源使用效率、并行編程技術、提升機器學習性能，以及其他資源管理和提高性能的實用策略。幫助讀者處理較大的數(shù)據(jù)集、挖掘R的開發(fā)潛能。本書適合有一定R語言基礎的讀者閱讀，也適合作為R語言實踐工具書。

作者簡介

　　劉藝非，中山大學社會學碩士，8年數(shù)據(jù)科學相關工作經(jīng)歷，曾在公益慈善、房地產、電信運營商等行業(yè)擔任過數(shù)據(jù)分析師及數(shù)據(jù)挖掘工程師。在工作過程中對R語言、Python、SAS、STATA、SPSS等主流數(shù)據(jù)科學工具均有使用經(jīng)驗和心得。

圖書目錄

第 1章　簡單直接的策略—
減少數(shù)據(jù)占用空間 1
1．1　保留必要的數(shù)據(jù) 1
1．1．1　保留必要的列 2
1．1．2　保留必要的行 4
1．2　設置合適的數(shù)據(jù)類型 13
1．3　本章小結 15
第 2章　簡單直接的策略—
減少數(shù)據(jù)占用空間 1
1．1　保留必要的數(shù)據(jù) 1
1．1．1　保留必要的列 2
1．1．2　保留必要的行 4
1．2　設置合適的數(shù)據(jù)類型 13
1．3　本章小結 15
第3章　基于內存的“快工具”—
data．table 16
2．1　數(shù)據(jù)讀入操作 17
2．1．1　讀入單個數(shù)據(jù) 17
2．1．2　讀入多個數(shù)據(jù) 20
2．2　數(shù)據(jù)基本行列操作 23
2．3　數(shù)據(jù)合并、分組匯總操作 32
2．4　dtplyr：data．table和dplyr的結合 39
2．5　本章小結 46
第4章　逐塊擊破—數(shù)據(jù)分塊處理 47
3．1　使用iotools庫實現(xiàn)分塊處理 47
3．2　使用readr庫實現(xiàn)分塊處理 57
3．3　本章小結 60
第4章　突破內存限制—
利用硬盤資源 61
4．1　實現(xiàn)R與關系型數(shù)據(jù)庫管理
系統(tǒng)協(xié)作 61
4．2　使用bigmemory體系處理大型矩陣 66
4．3　使用ff體系處理大型數(shù)據(jù)框 73
4．3．1　ff體系基本數(shù)據(jù)操作 73
4．3．2　ff體系與關系型數(shù)據(jù)庫
系統(tǒng)協(xié)作 81
4．4　新一代工具disk．frame 83
4．5　本章小結 93
第5章　友好的可視化工具—
trelliscope 94
5．1　實現(xiàn)交互式大型分面可視化 94
5．2　本章小結 100
第6章　讓R更快—并行編程 101
6．1　R并行編程技術概覽 101
6．2　并行計算第三方庫 103
6．2．1　snow庫 104
6．2．2　multicore庫 104
6．2．3　parallel庫 105
6．2．4　future庫 106
6．2．5　foreach庫 107
6．3　網(wǎng)絡數(shù)據(jù)爬取案例 108
6．3．1　利用foreach并行循環(huán)
進行爬取 109
6．3．2　利用tidyverse和future相結合
進行爬取 119
6．3．3　文本分詞及整潔化處理 125
6．4　本章小結 132
第7章　提升機器學習效能—
R的基礎策略 134
7．1　使用foreach實現(xiàn)并行循環(huán) 136
7．2　使用更優(yōu)化的第三方庫 140
7．3　使用caret框架結合并行計算 145
7．4　本章小結 157
第8章　整潔流暢的框架—
tidymodels 158
8．1　建立簡單工作流 159
8．2　工作流比較 166
8．3　工作流超參數(shù)調優(yōu) 169
8．4　多工作流同時調優(yōu) 176
8．5　本章小結 180
第9章　靈活強大的框架—mlr3 181
9．1　數(shù)據(jù)及模型的創(chuàng)建 182
9．2　利用future支持mlr3計算任務 190
9．3　嵌套重抽樣過程 201
9．4　以圖管理機器學習工作流 204
9．5　本章小結 213
第 10章　強強聯(lián)合—利用
reticulate庫借力Python 214
10．1　配置Python環(huán)境 215
10．2　在R中用Python代碼編程 217
10．3　以R編程方式使用Python 223
10．4　本章小結 227
第 11章　簡單高效的自動機器學習
工具—H2O 228
11．1　H2O基本使用方法 229
11．2　H2O自動機器學習 242
11．3　本章小結 247
第 12章　善其事，利其器—
其他策略和工具 248
12．1　內存及硬盤資源管理類策略 248
12．1．1　讀取壓縮文件 248
12．1．2　以rds格式保存中間結果 250
12．1．3　垃圾回收機制 251
12．1．4　R的內存管理工具 251
12．1．5　使用pryr庫 252
12．2　計算效能提升類策略 254
12．2．1　函數(shù)編譯 255
12．2．2　使用benchmarkme庫 256
12．3　使用R的增強發(fā)行版本 258
12．3．1　Microsoft R Open 258
12．3．2　Microsoft R Client 260
12．4　其他數(shù)據(jù)科學工具 261
12．4．1　SAS（Statistical Analysis
System） 261
12．4．2　Python 262
12．5　本章小結 264