R语言数据统计分析与机器学习常用包

1: 数据读写与预处理包

readr：该包能够提供快速友好的方式来读取规则的数据结构（如'csv'，'tsv'和'fwf'）。

readxl：该包能够方便的读取Excel格式的数据。

foreign：该包能够读取和写入其它统计分析软件的数据格式，如：“Minitab”、“S”、“SAS”、“SPSS”、“Stata”、“Weka”等统计分析软件。

haven：该包能够导入和导出“SPSS”、“Stata”和“SAS”等统计分析软件的文件。

R.matlab：该包可以读写MAT文件并从R内部调用MATLAB。

imager：该包提供了众多传统的图像处理函数（过滤、形态、转换等），能够让R轻松分析图像数据。

VIM：该包提供多种可视化数据缺失值的方式，以及多种填补数据缺失值的方法。

Hmisc：该包含有许多数据分析、高级可视化图像、变量聚类、数据表处理等分析方法的函数。

mice：该包提供缺失值多重插补的函数。

dplyr：该包提供处理数据的快速、一致的解决方法，常用于数据框等对象，主要用来数据清洗和整理。

tidyr：该包专门为数据整理而设计，常和dplyr包一起使用。

stringr：该包包含多种字符串处理的函数，非常方便。

2: 统计分析

MVN：该包含单变量和多变量正态性检验的方法。

psych：该包是心理测量理论和实验心理学的通用工具箱，主要用于因子分析、主成分分析、聚类分析和可靠性分析等模型的构建，同时还提供了基本的描述性统计功能。

vcd：该包主要用于分类数据的可视化与分析。

car：该包含有一些分析方法函数，常与回归分析的相关包一起使用。

glmnet：该包提供Lasso、弹性网等广义线性回归模型的函数。

cluster：R中常用的聚类分析包。

fpc：灵活的聚类分析包，提供多种聚类分析方法的函数和可视化方法，如DBSCAN聚类等。

ca：常用于对应分析及其可视化。

CCA：典型相关分析包。

candisc：可视化广义典型判别和典型相关分析的包。

arules：常用于频繁项集和关联规则分析的包。

arulesViz：该包常用于可视化arules包得到的关联规则等。

tseries：时间序列分析及计算金融包。

zoo：该包定义了一个名为zoo的S3类型对象，用于描述规则和不规则的有序时间序列数据，是常用的时间序列分析包。

forecast：时间序列和线性模型的预测函数，常用于ARIMA等时间序列模型。

3: 机器学习

caret：主要用于训练和可视化回归模型和分类模型的包。

Metrics：该包主要用于方法性能的评估和度量，通常用于监督机器学习的性能，它实现了回归、时间序列、二分类、多分类和信息检索等问题的性能度量。

ROCR：用于可视化和评估分类器性能的包，如可视化ROC曲线等。

rpart：包含决策树分类、回归和生存分析等方法。

rpart.plot：该包主要用于将rpart包得到的决策树等结果进行可视化。

randomForest：使用随机森林进行分类和回归分析的包。

tm：该包提供了文本挖掘中的综合处理功能，如：数据载入、语料库处理、数据预处理、元数据管理以及建立“文档-词项”矩阵等。

jiebaR：该包主要用于中文分词，以及建立“文档-词项”矩阵等。常用于中文文本挖掘的数据预处理阶段。

parallel：在R中提供并行计算的包。

lda：该包主要实现了LDA主题模型及其相关模型。

LDAvis：该包主要是将lda包得到的主题模型可视化为可交互式图像。

text2vec：该包是快速且内存友好的文本分析工具，用于文本向量化，主题建模（LDA、LSA），单词嵌入等模型的应用。

e1071：该包是包含众多算法的机器学习包，如支持向量机、聚类分析、朴素贝叶斯等。

DMwR：包含有使用R进行数据挖掘的众多数据和函数。

RSNNS：斯图加特神经网络模拟器（SNNS）是一个包含许多神经网络标准实现的库，RSNNS包装了SNNS功能，使其可以在R内部使用。

neuralnet：该包是常用的神经网络模型分析包，实现了多种网络结构的神经网络模型，使用时非常方便。

NeuralNetTools：该包主要是用于将neuralnet包得到的结果进行可视化等。

h2o：该包是可扩展的开源机器学习平台，提供许多有监督和无监督机器学习算法的并行实现，如广义线性模型，梯度提升机，随机森林，深度神经网络（深度学习）等。

keras：非常简单易用的深度学习包，它能够以TensorFlow等深度学习框架作为后端运行，提供高级神经网络API。

上面介绍的R语言统计分析与机器学习的内容均参考自书籍《R语言统计分析与机器学习》——薛震，孙玉林，著。学习更多的关于R语言机器学习的内容。书籍QQ交流群（617493715），欢迎大家的加入相互交流学习。