R è un linguaggio di programmazione di alto livello e un ambiente software gratuito principalmente utilizzato per il calcolo statistico e l'analisi dei dati. È apprezzato da statistici, scienziati dei dati e accademici per le sue potenti capacità di manipolazione dei dati, modellazione statistica e grafica. R offre una vasta gamma di pacchetti che ne estendono le funzionalità, rendendolo adattabile a vari compiti nell'estrazione dei dati, bioinformatica e persino apprendimento automatico.
R è stato creato all'inizio degli anni '90 da Ross Ihaka e Robert Gentleman presso l'Università di Auckland, Nuova Zelanda. È stato concepito come un linguaggio open-source basato sul linguaggio di programmazione S, sviluppato presso i Bell Laboratories negli anni '70. R è stato progettato per essere sia uno strumento statistico che un linguaggio di programmazione, consentendo agli utenti di manipolare facilmente i dati e produrre output grafici di alta qualità.
Nel corso degli anni, R ha guadagnato una crescente comunità di utenti e un sostanziale ecosistema di pacchetti associati, noto come CRAN (Comprehensive R Archive Network). Questa rete consente agli utenti di scaricare e installare varie librerie che estendono le capacità di R. All'inizio degli anni 2000, R ha iniziato a guadagnare terreno nei circoli accademici e industriali, venendo frequentemente citato in articoli di ricerca in numerosi ambiti.
Nel 2023, R rimane un linguaggio dominante nella scienza dei dati e nell'analisi statistica. Si è evoluto con aggiornamenti regolari, nuovi pacchetti e una comunità attiva che contribuisce a miglioramenti e potenziamenti continui. R è anche riconosciuto per la sua integrazione con altri linguaggi di programmazione e framework, consolidando ulteriormente il suo ruolo nell'analisi dei dati moderna.
R presenta i vettori come una delle sue principali strutture dati. Un vettore può contenere più valori dello stesso tipo, rendendolo essenziale per la manipolazione dei dati.
numeri <- c(1, 2, 3, 4, 5)
Il data frame è un'altra struttura fondamentale, che consente di memorizzare i dati in un formato tabellare in cui ogni colonna può essere di tipi diversi.
dati <- data.frame(Nome=c("Alice", "Bob"), Età=c(25, 30))
R supporta funzioni di prima classe, consentendo agli utenti di definire e invocare facilmente funzioni.
aggiungi <- function(x, y) {
return(x + y)
}
risultato <- aggiungi(5, 3)
Le strutture di controllo standard, come if, else e i cicli for, sono parti integranti della sintassi di R.
for (i in 1:5) {
print(i)
}
R ha ampie capacità di grafico integrate, consentendo la creazione di visualizzazioni con una singola chiamata di funzione.
plot(dati$Età, main="Grafico Età", xlab="Indice", ylab="Età")
Gli utenti possono installare pacchetti aggiuntivi da CRAN direttamente tramite R utilizzando la funzione install.packages().
install.packages("ggplot2")
R supporta le liste, che possono contenere tipi misti, e gli ambienti che definiscono gli ambiti delle variabili.
mia_lista <- list(nome="Alice", età=25, altezza=5.5)
Le stringhe in R possono essere manipolate utilizzando funzioni integrate come paste() per la concatenazione.
saluto <- paste("Ciao", "Mondo")
R utilizza operazioni vettoriali che consentono l'elaborazione in batch su strutture dati.
quadrati <- numeri^2
I fattori sono utilizzati per gestire dati categorici, consentendo a R di trattarli in modo appropriato durante l'analisi.
categorie <- factor(c("Alto", "Medio", "Basso"))
Diversi IDE sono popolari tra gli sviluppatori R:
R funziona come un linguaggio interpretato utilizzando l'interprete R, che consente l'esecuzione immediata del codice R. Il pacchetto R tools fornisce i componenti necessari per costruire pacchetti R se sei interessato a condividere il tuo codice.
Tipicamente, un progetto R è strutturato con script in una directory R/, dati in una cartella data/ e documentazione in una cartella docs/. Gli utenti possono controllare il progetto utilizzando sistemi di controllo versione come Git.
R è utilizzato in vari campi:
caret e randomForest.ggplot2.Rispetto ad altri linguaggi come Python, R è specializzato per l'analisi statistica e la visualizzazione. Python offre un ambito di applicazione più ampio ma è sempre più integrato con la scienza dei dati attraverso librerie come Pandas e NumPy. C++ generalmente offre un'esecuzione più veloce ma manca delle capacità statistiche di R.
Java offre soluzioni aziendali robuste, mentre R eccelle nell'analisi rapida e nella ricerca. Linguaggi come SAS o MATLAB sono anche progettati per l'analisi statistica ma non sono open-source, mentre R prospera grazie ai contributi della comunità.
Per tradurre il codice R in altri linguaggi, strumenti di traduzione da codice a codice esistenti come Rcpp per R a C++ possono essere utili per le prestazioni. Inoltre, gli utenti possono esplorare librerie che facilitano le traduzioni in Python, come rpy2, che consentono l'integrazione di funzioni R e data frame negli script Python.
Inoltre, l'uso di strumenti come reticulate può aiutare a integrare R negli ambienti Python, consentendo l'uso di R insieme alle librerie Python senza soluzione di continuità.