|
课程培训
|
R语言（统计/可视化）培训
R语言（统计/可视化）培训课程大纲
培训对象：
培训目标：
培训内容介绍：
一、R语言基础与开发环境 （1）R语言概述：R语言的发展历程与核心优势；R在统计分析与数据可视化领域的地位；R与Python的对比与选型策略；R语言社区与资源（CRAN/R-bloggers/Stack Overflow）。 （2）开发环境搭建：R语言安装与配置；RStudio集成开发环境使用（界面导航/快捷键/项目管理）；R包管理（安装/加载/更新）；工作空间管理（getwd/setwd/ls/rm）；第一个R程序。 （3）帮助系统与文档：R内置帮助函数（help/example/vignette）；R包文档查阅；CRAN Task Views应用；在线学习资源推荐。
二、R语言基础语法 （1）基本数据类型：数值型（numeric）；字符型（character）；逻辑型（logical）；因子型（factor）；日期时间型（Date/POSIXct）。 （2）变量与赋值：变量命名规范；赋值操作符（=与<-的区别）；变量查看与删除；常量与特殊值（NA/NULL/Inf/NaN）。 （3）基本运算与操作：算术运算符；比较运算符；逻辑运算符；向量化运算特性；类型转换（as.numeric/as.character）。 （4）流程控制：条件判断（if/else）；循环结构（for/while）；循环控制（break/next）；向量化操作替代循环。
三、R语言数据结构 （1）向量：向量创建（c/seq/rep）；向量命名；向量索引与切片；向量运算与向量化；向量排序与去重。 （2）矩阵与数组：矩阵创建（matrix）；矩阵索引与切片；矩阵运算（加减乘除/转置/逆）；数组（array）基础。 （3）列表：列表创建（list）；列表索引与切片；列表元素的增删改；列表与向量的转换。 （4）数据框：数据框创建（data.frame）；数据框查看（head/str/summary）；列操作（$/[[]]/[[列名]]）；行操作；数据框合并（cbind/rbind/merge）。 （5）因子：因子创建（factor）；因子水平设置；有序因子；因子的应用场景。
四、数据导入与导出 （1）文本文件导入：read.table()系列函数；read.csv()与read.delim()；参数配置（header/sep/stringsAsFactors）；大文件读取优化（data.table::fread）。 （2）Excel文件导入：readxl包使用；openxlsx包使用；多工作表读取；指定数据类型读取。 （3）数据库数据导入：DBI接口；odbc连接；RMySQL/RPostgreSQL包；SQL查询执行。 （4）其他格式导入：SPSS数据导入（haven）；SAS数据导入；Stata数据导入；JSON数据导入（jsonlite）。 （5）数据导出：write.table()系列函数；write.csv()；保存为R数据格式（RData/Rds）。
五、tidyverse数据清洗与处理 （1）tidyverse生态概述：tidyverse核心思想（整洁数据）；tidyverse包族谱（dplyr/tidyr/ggplot2/readr/purrr）；管道操作符%>%的使用与优势。 （2）dplyr数据操作核心：select()选择列；filter()筛选行；mutate()新增/修改列；arrange()排序；summarise()聚合汇总；group_by()分组操作。 （3）高级dplyr操作：跨列操作（across/if_all/if_any）；窗口函数（row_number/rank/lag/lead）；条件聚合（summarise配合条件判断）；连接操作（inner_join/left_join/right_join/full_join/anti_join/semi_join）。 （4）tidyr数据整理：长宽数据转换（pivot_longer/pivot_wider）；数据分列与合并（separate/unite）；缺失值处理（drop_na/fill/replace_na）；嵌套数据处理。 （5）purrr函数式编程：map()系列函数；map2()与pmap()；列表列操作；迭代替代循环。
六、数据清洗与预处理 （1）缺失值处理：缺失值识别（is.na/complete.cases）；缺失值可视化；缺失值删除（na.omit/drop_na）；缺失值填补（均值/中位数/前向填充/插值）。 （2）异常值处理：异常值检测方法（箱线图/3σ法则/聚类方法）；异常值替换与截尾；异常值剔除策略。 （3）重复值处理：重复值识别（duplicated）；重复值删除（distinct）。 （4）数据变换：标准化与归一化（scale）；对数变换；Box-Cox变换；幂变换。 （5）数据类型转换：日期时间解析（lubridate包）；字符编码处理；因子重编码。
七、描述性统计分析 （1）集中趋势度量：均值（mean）；中位数（median）；众数（自定义函数）；分位数（quantile）；几何均值与调和均值。 （2）离散程度度量：方差与标准差（var/sd）；极差（range）；四分位距（IQR）；变异系数（cv）。 （3）分布形态度量：偏度（skewness）；峰度（kurtosis）；分布形状可视化。 （4）分组描述统计：aggregate()函数；by()函数；dplyr分组汇总；psych::describeBy()。 （5）描述统计报表生成：tableone包；summary()输出定制；输出到Word/Excel。
八、ggplot2数据可视化基础 （1）ggplot2图形语法：图层语法（Layer Grammar）；数据（data）与映射（aes）；几何对象（geoms）；统计变换（stats）；分面（facets）；主题（theme）。 （2）基础几何对象：散点图（geom_point）；折线图（geom_line）；条形图（geom_bar/geom_col）；直方图（geom_histogram）；箱线图（geom_boxplot）；密度图（geom_density）。 （3）颜色与填充：颜色映射；手动颜色设置（scale_color_manual）；调色板应用（RColorBrewer/viridis）；连续颜色渐变。 （4）坐标轴与图例：坐标轴设置（scale_x_continuous）；图例位置与标题；主题调整（theme函数）。 （5）分面系统：facet_wrap()；facet_grid()；自由坐标轴设置；分面标签定制。
九、ggplot2高级可视化 （1）统计变换：stat_summary()；stat_smooth()；stat_ecdf()；stat_qq()；统计变换的应用场景。 （2）多图层组合：图层叠加顺序；透明度设置；不同数据源的图层组合；annotation_custom()添加注释。 （3）图形排布与组合：gridExtra包（grid.arrange）；cowplot包（plot_grid）；patchwork包（| /）；图形对齐与统一图例。 （4）主题系统：内置主题（theme_bw/theme_minimal/theme_classic）；自定义主题创建；主题元素修改。 （5）扩展可视化包：plotly交互式图形；ggrepel避免标签重叠；ggforce高级几何对象；ggraph网络图。
十、概率分布与随机数 （1）常用概率分布：正态分布（dnorm/pnorm/qnorm/rnorm）；t分布；卡方分布；F分布；二项分布；泊松分布；指数分布。 （2）分布拟合优度检验：Q-Q图（qqnorm/qqline）；Shapiro-Wilk正态性检验；Kolmogorov-Smirnov检验；分布拟合（fitdistrplus包）。 （3）随机数生成：set.seed()设置随机种子；各种分布随机数生成；随机抽样（sample）；自助法（bootstrap）基础。 （4）中心极限定理：模拟验证中心极限定理；抽样分布理解。
十一、假设检验与方差分析 （1）假设检验基础：原假设与备择假设；显著性水平与p值；第一类错误与第二类错误；检验功效。 （2）t检验系列：单样本t检验（t.test）；独立样本t检验（方差齐性检验）；配对样本t检验；效应量计算（effsize包）。 （3）方差分析：单因素方差分析（aov）；多重比较（TukeyHSD）；双因素方差分析（主效应/交互效应）；重复测量方差分析。 （4）非参数检验：Mann-Whitney U检验（wilcox.test）；Kruskal-Wallis检验（kruskal.test）；Wilcoxon符号秩检验；Friedman检验。 （5）卡方检验：拟合优度卡方检验（chisq.test）；独立性卡方检验；Fisher精确检验；McNemar检验。
十二、相关分析与回归分析 （1）相关分析：皮尔逊相关系数（cor/cor.test）；斯皮尔曼等级相关；肯德尔tau相关；偏相关分析（ppcor包）；相关矩阵可视化（corrplot包）。 （2）线性回归：一元线性回归（lm）；多元线性回归；模型诊断（plot/残差分析）；共线性诊断（vif）；逐步回归（step）。 （3）广义线性模型：逻辑回归（glm）；泊松回归；模型评估与预测；优势比（OR）计算。 （4）非线性回归：多项式回归；分段回归；局部加权回归（loess）。 （5）回归模型诊断与优化：残差正态性检验；异方差检验（bptest）；异常值识别（cooks.distance）；模型比较（AIC/BIC）。
十三、时间序列分析基础 （1）时间序列对象：ts对象创建；zoo/xts包时间序列；时间序列组件（趋势/季节/随机）；时间序列可视化。 （2）时间序列分解：加法模型与乘法模型；decompose()函数；季节性调整；STL分解。 （3）平稳性检验：ADF检验（adf.test）；KPSS检验；自相关函数（acf）；偏自相关函数（pacf）。 （4）ARIMA模型：模型识别（ACF/PACF定阶）；模型估计（arima）；模型诊断；模型预测（forecast包）；自动ARIMA（auto.arima）。 （5）指数平滑模型：简单指数平滑（HoltWinters）；Holt线性趋势；Holt-Winters季节模型；模型参数选择。
十四、统计建模综合应用 （1）主成分分析与因子分析：PCA原理（prcomp/princomp）；因子分析（factanal）；碎石图与载荷矩阵解读；biplot可视化。 （2）聚类分析：K-Means聚类（kmeans）；层次聚类（hclust）；聚类结果可视化（fviz_cluster）；聚类数选择。 （3）判别分析：线性判别分析（lda）；二次判别分析（qda）；混淆矩阵与分类准确率。 （4）生存分析：生存数据特点；Kaplan-Meier生存曲线（survfit）；log-rank检验；Cox比例风险模型（coxph）。
十五、动态报告与综合实战 （1）R Markdown动态报告：R Markdown工作流程；文档编译与输出格式（HTML/PDF/Word）；代码块选项设置；表格与图形嵌入；幻灯片制作基础。 （2）项目一：问卷数据分析全流程：数据导入与清洗→描述性统计分析→信效度检验→人口学变量差异分析→影响因素回归分析→可视化图表制作→R Markdown报告生成。 （3）项目二：电商销售数据分析：销售数据导入与预处理→时间序列分解→销售趋势预测→RFM客户价值分群→客户画像可视化→交互式仪表盘制作（flexdashboard）。 （4）项目三：生物统计与医学数据分析：临床试验数据导入→基线特征表生成→生存分析曲线绘制→Cox回归建模→森林图可视化→符合SCI要求的图表输出。 （5）项目四：市场调研与客户洞察：问卷数据清洗→因子分析降维→聚类分析客户分群→不同客群特征差异检验→对应分析品牌定位→可视化报告呈现。 如果您想学习本课程，请预约报名
如果没找到合适的课程或有特殊培训需求，请订制培训 除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916 技术服务需求表点击在线申请 服务特点： 海量专家资源，精准匹配相关行业，相关项目专家，针对实际需求，顾问式咨询，互动式授课，案例教学，小班授课，实际项目演示，快捷高效，省时省力省钱。 专家力量： 中国科学院软件研究所，计算研究所高级研究人员 oracle,微软，vmware，MSC,Ansys，candence,Altium,达索等大型公司高级工程师，项目经理，技术支持专家 中科信软培训中心，资深专家或讲师 大多名牌大学，硕士以上学历，相关技术专业，理论素养丰富 多年实际项目经历，大型项目实战案例，热情，乐于技术分享 针对客户实际需求，案例教学，互动式沟通，学有所获 |
|
