高科大還書 4 本 (Matlab 數位訊號處理與 R 語言等)

因新借三本書到館, 滿借情況下須至少還三本才能取書 : 

1. Practical Web Scraping for Data Science : Best Practices and Examples with Python (第一)
2. Python程式設計入門指南 (建工, 市圖三民有書)
3. 精通大數據!R語言資料分析與應用 (第二版, 建工)
4. 數位訊號處理 : 使用Matlab ()

No.4 有人預約, 二哥說已沒在用. R 語言我現在沒時間看也先還. 另外還有一本已有新版書, 等書到再還 :

• AIoT與OpenCV實戰應用 : Python、樹莓派、物聯網與機器視覺 (有新版)

很努力在看了, 但還書速度還是很慢. 目前借書以 Python 機器學習的較多. 

市圖還書 1 本 (R 語言與商業應用)

 這本書因有人預約了, 先還 :

1. 巨量資料的第一步 :R語言與商業應用

此書篇幅雖不大, 但前幾章 R 語言基礎語法與繪圖部分有清楚扼要地整理, 最有價值的是第八章 "股票市場的預測", 作者使用 xts 套件來採擷與處理時間序列資料 (即股票收盤歷史紀錄), 此套件提供豐富的技術指標來預測走勢. 建模部分則使用 quantmod 套件, 它提供許多建模函數例如隨機森林等等. 不過這些只是初窺量化投資堂奧的一個起手式而已, 離建構完整的自動交易系統其實還遠得很.

我覺得要兼顧 Python 與 R 野心似乎過大, R 語言我已決定放棄, 專心於 Python 就好, 所以 R 的書暫時都不看了, 說實在的, Python 都看不完了還要學 R 真是自不量力. 著名的 Java 與 C++ 書籍作家 Bruce Eckel 曾說 : "Life is short, you need Python (人生苦短, 我用 Python)", 良有以也. 

好站 : 線上程式執行平台 trinket

今天找到一個可線上執行 Python/R 程式的平台 Trinket :

# https://trinket.io/

註冊為會員後即可線上編輯與執行 Python/R 程式, 資料科學常用的 Numpy, Pandas, Scipy, Matplotlib 等套件都可使用 (但 tkinter 無法使用) :

付費方案 +code 每月 3 美元則可將程式儲存在網站上, 擁有無限制的程式檔案數. 

市圖還書 13 本 (R 語言)

因為今年打算專注於 Python 學習, 所以將目前沒有時間讀的 13 本 R 語言書籍還回去 :

1. 實用R程式設計 (美濃)
2. R的极客理想 .高级开发篇 ()
3. 巨量資料的第一步 :R語言與商業應用 (總館)
4. R資料科學 (左營)
5. R軟體 =Applied statistics using R. :應用統計方法 (三民)
6. R語言 :邁向Big Data之路 (左新)
7. R錦囊妙計 (美濃)
8. 統計學與R軟體的應用 (總館)
9. R軟體統計應用分析實務 (總館)
10. R軟體統計進階分析實務 (澄觀)
11. 基礎統計分析 :R程式在社會科學之應用 (澄觀)
12. 經濟與財務數學 :使用R語言 (總館)
13. 巨量資料的第一步 :R語言與商業應用 (總館)

希望明年就能回借好好來研究 R 語言. 

高科大還書一本 (R 語言機器學習 2nd ed.)

因為今年決定專心在 Python 技術的學習, 所以把 R 語言的書先還回去 :  

1. Machine learning with R cookbook : analyze data and build predictive models

還這本然後借新版 "Python 神乎奇技". 

其他兩本 R 語言好書一併記在此處, 方便以後搜尋 : 

1. 機率與統計推論 : R語言的應用 (陳旭昇)
2. R語言與資料分析實戰 (徐珉久)

估計今年把 Python 該練的都練完了, 明年再攻 R, 屆時再回借這三本. 

高科大還書 3 本 (機率與統計推論 : R語言的應用)

 下面這三本有人預約需還 : 

1. 機率與統計推論 : R語言的應用
2. Django 3從平凡到超凡 : Python架站實作演練
3. Python量化投資縱橫金融 : 從程式到現金之路

第一本陳旭昇老師的書, 統計學系採用的教科書, 值得細讀, 而且使用 R 語言超棒. 第二本篇幅不大我覺得內容還好, 無驚豔感.

市圖還書 3 本

本周市圖還書 3 本 :

1. jQuery最強圖解實戰講座 =Lectures and exercises
2. Make:一讀就懂micro:bit : 給程式新手的開發板入門指南 
3. 經濟與財務數學 :使用R語言

第一本書有許多 jQuery 實用範例, 我已大致看完, 因有人預約故須先還. 第二本也是 MicroPython 版的, 以後再借; 第三本值得買起來 (但五南的書很貴).

高科大還書 4 本 (R 語言)

以下四書前三本有人預約要先還 :

1. 輕鬆學習R語言 : 從基礎到應用,掌握資料科學的關鍵能力
2. R語言與資料分析實戰 = Practical data processing and analysis using R
3. Python神乎其技 : 精要剖析語法精髓,大幅提升程式功力!
4. 微積分之倚天寶劍

兩本 R 語言書還沒看完, 我覺得都值得買. 第二本是韓國人徐珉久寫的, 是具有實戰與教學經驗的人, 唯一缺點是東華在翻譯時沒有把行與列換成台灣慣用法, 韓國似乎與中國一樣, 把陣列的 row 翻成中文的行; 把 column 翻成列, 這會讓台灣人搞不清楚.

市圖還書 3 本

本周還書 3 本 :

1. 7檔特別股養我一輩子 :Miss Q寫給退休族、定存族、小資族的私房三賺股
2. 為你自己學Git
3. 巨量資料的第一步 :R語言與商業應用 (總館 ONLY)

這本 R 語言與商業應用寫得不錯, 精簡又有料. Miss Q 這本特別股的書很紅, 我預約了好久才借到, 但我覺得特別股中大概中鋼特我比較中意 (有保證配息), 金融特別股都有期限.

好站 : GTW 的 R 教學

今天在找尋 R 語言統計函數時發現這篇文章 :

# R 機率分佈與線性模型

此文將 R 語言常用機率函數做了簡明的介紹, 事實上作者撰寫了一系列 R 語言教學文章, 參考 :

# https://blog.gtwang.org/programming/r/

另外他的物聯網文章 (主要是樹莓派) 也非常具有參考價值, 先記在這裡, 等我有空再回頭施展吸星大法, 最好能吸飽吸滿.

好站 : Beginner's guide to R (R 語言入門)

最近專心學習 R 語言, 今天找到一個很棒的 R 語言線上教學資源 :

Beginner's guide to R :

• Part 1: Introduction
• Part 2: Getting your data into R
• Part 3: Easy ways to do basic data analysis
• Part 4: Painless data visualization
• Part 5: Syntax quirks you'll want to know
• Part 6: Useful resources

也可以註冊後下載此線上教學內容的 PDF 版 :

# Learn R for beginners with our PDF

不過可惜的是, 我試了兩次都失敗,  SUBMIT 後一直轉圈圈無回應, 其實有無 PDF 都無所謂.

好書 : Probability and Statistics for Computer Scientists (3rd Edition)

今天找到一本很棒的機率統計教科書, 作者是美國華盛頓特區大學數學與統計系教授 Michael Baron, 此書受到非常多學生與教員歡迎, 目前已出到第三版 :

# Probability and Statistics for Computer Scientists (3rd Edition)

Source : Amazon

此版最大的改變是書中範例除了原有的 MATLAB 程式碼之外, 還加上統計學界最愛的 R 語言, 並逐行做註解說明, 與版權軟體 MATLAB 相比, R 具有更新速度快, 社群支援能量強等優點. 書中所使用的資料集為了教學方便都很簡短, , 可在下列網址下載 :

# http://fs2.american.edu/baron/www/Book/

好書 : Text Analysis with R for Students of Literature

此書為美國華盛頓大學教授 Matthew L. Jockers 為文學院所編寫的語言學資料量化分析書籍, 使用統計功能強大的 R 語言, 已出第二版 (主要是因應 R 語言的進展, 例如 tidyverse 套件的出現).

# Text Analysis with R for Students of Literature

Source : 天瓏

此書為 R 語言在計算語言學方面非常新穎與優異的著作, 值得閱讀與參考.

好站 : R 語言線上文件 Quick-R

今天在找尋 R batch processing 資料時找到線上 R 語言文件網站 Quick-R :

# https://www.statmethods.net/r-tutorial/index.html

裡面有豐富的 R 語言教學文件, 是 "R in Action" 這本書的作者美國維思大學資料科學家與統計學教授 Robert I. Kabacoff 建立的 R 語言學習網站, 此書已出第二版 :

# R in Action, Second Edition (2015)

Source : 博客來

此教學網站將 R 語言做了簡約的整理, 在忘記語法或函數時可以查詢.

R 語言學習筆記 (五) : 資料框

在中斷兩年半之後, 我最近又恢復了 R 語言的學習, 原因是向母校借了一本陳旭昇老師寫的 "機率與統計推論" 這本書 (用 R 語言寫的), 覺得在讀這本書之前必須先把 R 語言的基礎建立起來才行, 所以暫停其它學研計畫, 集中心力在 R 的測試學習上. 上一次是停在因子這個科目上 (2018-01), 這次要從 R 語言最重要的資料型態 data.frame (資料框) 下手.

此前的 R 語言筆記參考 :

# R 語言安裝
# 在樹莓派上安裝 R 語言
# R 語言學習筆記 (一) : 基本語法與向量
# R 語言學習筆記 (二) : 矩陣
# R 語言學習筆記 (三) : 陣列
# R 語言學習筆記 (四) : 因子

資料框 (data.frame) 是 R 語言用來處理表格資料 (tabular data) 的資料型別, 也是其資料物件中最常用的一種, 它相當於 EXCEL 中的試算表 (sheet), 或者是 Pandas 的 DataFrmae 物件. 資料框與矩陣一樣是二維的資料結構, 具有直行 (或稱為欄) 與橫列兩個維度, 直行代表統計學中的變數 (variables), 橫列則代表觀測值 (observations), 在資料庫中直行代表欄位 (fields), 橫列稱為紀錄 (records).

資料框物件名稱 data.frame 中的句點乍看有物件導向意味, 但這其實是因為 R 早期版本不允許底線作為變數名稱 (因為底線當時用作指派), 因此許多物件名稱採用句點作為分隔或串接字元. 目前的 R 版本雖然已允許底線作為識別字名稱, 但使用句點串接仍是比較好的方式 (一致的風格), 參考 :

# R Variables and Constants

資料框的基本結構與矩陣一樣, 都是二維的資料結構, 每一行都是由長度相同的行向量組成, 它與矩陣或二維陣列不同之處主要有下列二個 :

1. 資料框每一行可以是不同的資料型態; 而矩陣與陣列每個元素的型態必須相同. 
2. 資料框的行與列都有名稱; 而矩陣與陣列只有索引而無名稱. 

簡言之, 資料框可以說是矩陣的性能擴充, 兩者都可以看成是由數個行向量 (欄) 組成, 只不過矩陣的每個行向量資料型態必須相同 (同質), 而資料框則可以不同 (異質), 亦即資料框可以由數個長度相同的數值向量, 文字向量, 或布林向量組成; 其次是資料框不論是行或列都有名稱 (name) 屬性, 矩陣的行列則無名稱, 只有索引位置.

操作資料框首先要建立 data.frame 物件 :


一. 建立 data.frame 物件的方法 :

1. 呼叫 data.frame() 函數 :

函數 data.frame() 的 API 如下 :

data.frame(..., row.names = NULL, check.rows = FALSE,
           check.names = TRUE, fix.empty.names = TRUE,
           stringsAsFactors = default.stringsAsFactors())

詳細說明可在 R Console 中以 ?data.frame 指令查得.

參數列最前面的 ... 表示可以傳入長度相同的向量, 因子, 數值矩陣, 串列等資料物件. 例如可以將長度相同的一組向量當作參數傳入函數 data.frame() 來建立資料框物件 :

df <- dataframe(V1, V2, V3, ...)

例如 :

> v1 <- c("Kelly", "Peter", "Amy")
> v2 <- c("Female", "Male", "Female")
> v3 <- c(18, 16, 14)
> df1 <- data.frame(v1, v2, v3)
> df1
     v1     v2 v3
1 Kelly Female 18
2 Peter   Male 16
3   Amy Female 14
> class(df1)
[1] "data.frame"        #物件類別是 data.frame
> typeof(df1)
[1] "list"                    #型態居然是 list

可見建立資料框時未指定行向量名稱, 預設會以行向量的程式變數名稱當作行向量的欄名 (即統計學中的觀測變數), 而列的名稱預設就是 1, 2, 3, .... 之連續數字. 因此, 資料框可視為一組相同長度行向量的組合, 組合不同資料結構形成資料框時, 必須注意資料長度是否相同, 例如上例若加入元素多一個的 married 向量就會出現錯誤 :

> v1 <- c("Kelly", "Peter", "Amy")
> v2 <- c("Female", "Male", "Female")
> v3 <- c(18, 16, 14)
> v4 <- c(FALSE, FALSE, FALSE, FALSE)    #長度多 1 個> df1 <- data.frame(v1, v2, v3, v4)

Error in data.frame(v1, v2, v3, v4) : 

  arguments imply differing number of rows: 3, 4   

呼叫內建函數 View() 會開啟一個視窗以表格顯示資料框內容, 與 EXCEL 的試算表類似 :

> View(df1)   

可見這是一個維度是 3*3 (3 列 3 行) 的資料框, 呼叫 dim(), nrow(), 以及 ncol() 函數會分別傳回資料框的維度, 列數, 以及行數, 例如 :

> dim(df1)        #傳回維度
[1] 3 3                    #3 列 3 行
> nrow(df1)      #傳回列數
[1] 3
> ncol(df1)        #傳回行數
[1] 3

在建立資料框時也可以指定欄位名稱, 這樣就不會使用預設之行向量名稱了, 例如 :

> df2 <- data.frame(name=v1, gender=v2, age=v3)
> df2
   name gender age      #指定之變數 (行向量) 名稱
1 Kelly Female  18
2 Peter   Male  16
3   Amy Female  14

可見指定欄位名稱後, 預設的欄名 (變數名稱) v1, v2, v3 就被 name, gender, age 取代了.

呼叫 str() 函數可觀察資料框結構, 每個 $ 符號後面就是欄位名稱, 然後跟著的是欄位元素之資料型別與內容 :

> str(df1)
'data.frame':   3 obs. of  3 variables:
 $ v1: Factor w/ 3 levels "Amy","Kelly",..: 2 3 1
 $ v2: Factor w/ 2 levels "Female","Male": 1 2 1
 $ v3: num  18 16 14
> str(df2)
'data.frame':   3 obs. of  3 variables:
 $ name  : Factor w/ 3 levels "Amy","Kelly",..: 2 3 1
 $ gender: Factor w/ 2 levels "Female","Male": 1 2 1
 $ age   : num  18 16 14

可見 df2 指定欄位名稱後與 df1 的預設欄名不同. 其次要注意的是, 若變數 (欄) 為文字向量, 則資料框預設會自動將其轉換為 Factor 因子變數, 例如上面 v1, v2 與 name, gender 變數後面顯示其為 Factor 向量. 如果要阻止自動轉換, 可在建立資料框時指定 stringAsFactor 參數為 FALSE 即可, 例如 :

> df1 <- data.frame(v1, v2, v3, stringAsFactor=FALSE)
> str(df1)
'data.frame':   3 obs. of  4 variables:
 $ v1            : chr  "Kelly" "Peter" "Amy"
 $ v2            : chr  "Female" "Male" "Female"
 $ v3            : num  18 16 14
 $ stringAsFactor: logi  FALSE FALSE FALSE

可見 v1, v2 這兩個變數之資料型態獲得保留為字元 (chr). 呼叫 View() 函數顯示資料框結構時也會標示這個屬性值為 FALSE, 例如 :

呼叫 names() 或 colnames() 函數會傳回資料框的欄名, 呼叫 rownames() 則傳回列名, 例如 :

> names(df1)
[1] "v1" "v2" "v3"
> names(df2)                      #傳回欄位名稱
[1] "name"   "gender" "age" 
> colnames(df1)                 #傳回欄位名稱
[1] "v1" "v2" "v3"
> colnames(df2)                 #傳回欄位名稱
[1] "name"   "gender" "age" 
> rownames(df1)               #傳回列名稱
[1] "1" "2" "3"
> rownames(df2)                #傳回列名稱
[1] "1" "2" "3"

除了在建立資料框時指定欄位名稱外, 也可以利用內建函數 colnames() 透過向量索引改變欄位名稱, 例如 :

> df3 <- df1    #複製資料框 df1 至 df3
> df3
     v1     v2 v3
1 Kelly Female 18
2 Peter   Male 16
3   Amy Female 14
> colnames(df3)[c(1,2,3)] <- c("name", "gender", "age")      #更改欄位 1, 2, 3 的名稱
> df3
   name gender age                         #欄位名稱已被更改
1 Kelly Female  18
2 Peter   Male  16
3   Amy Female  14

同樣地, 也可以利用 colnames() 函數更改列名稱, 例如 :

> rownames(df3)[c(1,2,3)] <- c("R1", "R2", "R3")       #更改列索引 1, 2, 3 的名稱

> df3

    name gender age

R1 Kelly Female  18

R2 Peter   Male  16

R3   Amy Female  14

以矩陣建立資料框時, 需注意每個矩陣之列數必須相同, 且須等於其他向量變數的長度, 例如下面的資料框 df4 由一個數值向量 v, 兩個矩陣 m1, m2, 以及一個布林向量 b 組成, 那麼它們的列長度必須一樣才行 :

> v <- c(9:10)                                     #向量 (2 列)
> m1 <- matrix(1:6, nrow=2)             #矩陣 (2 列)
> m2 <- matrix(7:12, nrow=2)           #矩陣 (2 列)
> b <- c(TRUE, FALSE)                    #向量 (2 列)
> df4 <- data.frame(v, m1, m2, b)
> df4
  v X1 X2 X3 X1.1 X2.1 X3.1    b
1  9  1  3  5    7    9   11  TRUE
2 10  2  4  6    8   10   12 FALSE

矩陣匯入到資料框時會將矩陣的各行 (欄) 轉成資料框的變數, 預設會將矩陣的每一行以 "X" 開頭依序命名, 例如 X1, X2, X3, ... 第二個矩陣為 X1.1, X2.1, X3.1, ... 等等, 呼叫 str() 可觀察其資料結構 :

> class(df4)
[1] "data.frame"
> str(df4)
'data.frame':   2 obs. of  8 variables:
 $ v  : int  9 10
 $ X1  : int  1 2
 $ X2  : int  3 4
 $ X3  : int  5 6
 $ X1.1: int  7 8
 $ X2.1: int  9 10
 $ X3.1: int  11 12
 $ b  : logi  TRUE FALSE
> colnames(df4)             #傳回資料框欄名向量
[1] "v"    "X1"   "X2"   "X3"   "X1.1" "X2.1" "X3.1" "b"  

可見第一個矩陣 m1 的三行依序被命名為 X1, X2, X3; 而矩陣 m2 的三行則依序被命名為 X1.1, X2.1, 與 X3.1 等等.


2. 呼叫 as.dataframe() 建立資料框物件 :

資料框的資料來源可以是儲存於串列中的向量, 這時可呼叫 as.data.frame() 函數將串列轉成資料框, 例如 :

> v1 <- c("Kelly", "Peter", "Amy")
> v2 <- c("Female", "Male", "Female")
> v3 <- c(18, 16, 14)
> lst <- list(name=v1, gender=v2, age=v3)
> df5 <- as.data.frame(lst)      #將串列轉成資料框
> class(df5)
[1] "data.frame"
> df5
   name gender age
1 Kelly Female  18
2 Peter   Male  16
3   Amy Female  14

可見串列中的每一項相當於一個行向量, 而 as.data.frame() 會將串列轉成資料框, 串列中的 key 成為欄名 (即變數).


3. 呼叫 do.call() 建立資料框物件 :

如果資料來源不是以行向量呈現, 而是儲存在串列中觀測值 (列資料), 每一筆的觀測值以單列資料框儲存於列表中, 則可利用 do.call() 函數呼叫 rbind() 來將這些列資料組合成資料框, 例如 :

> ob1 <- data.frame(c("Kelly"), c("Female"), c(18))
> ob2 <- data.frame(name=c("Peter"), gender=c("Male"), age=c(16))
> ob3 <- data.frame(name=c("Amy"), gender=c("Female"), age=c(14))
> df6 <- do.call(rbind, list(ob1, ob2, ob3))
> class(df6)
[1] "data.frame"
> df6
   name gender age
1 Kelly Female  18
2 Peter   Male  16
3   Amy Female  14

二. 存取資料框元素 :

存取資料框的內容有兩種方式 :

• 使用中括號 [列索引, 行索引] 存取整列, 整行, 或某行某列元素
• 使用 $行名 存取整欄 (行)
• 使用雙重中括號 [[行索引]]

注意, 中括號內第一個索引為列索引, 第二個是行索引, 行索引空白表示存取整列; 列索引空白表示存取整行.

1. 使用中括號 [列, 行] 存取 : 

此種方式可以存取整行, 整列, 或指定儲存格元素, 例如 :

> df2
   name gender age
1 Kelly Female  18
2 Peter   Male  16
3   Amy Female  14
> df2[1,]                                     #取得第 1 列
   name gender age
1 Kelly Female  18
> df2[2,]                                     #取得第 2 列
   name gender age
2 Peter   Male  16
> df2[3,]                                     #取得第 1 列
  name gender age
3  Amy Female  14
> df2[, 1]                                    #取得第 1 行
[1] "Kelly" "Peter" "Amy"
> df2[, 2]                                    #取得第 2 行
[1] "Female" "Male"   "Female"
> df2[, 3]                                    #取得第 3 行
[1] 18 16 14
> df2[1, 1]                                  #取得第 1 列第 1 行
[1] "Kelly"
> df2[2, 2]                                  #取得第 2 列第 2 行
[1] "Male"
> df2[3, 3]                                  #取得第 3 列第 3 行
[1] 14


2. 使用 $行名 存取 : 

此種方式可存取整行之變數資料 :

> df2
   name gender age
1 Kelly Female  18
2 Peter   Male  16
3   Amy Female  14
> df1$v1                                    #取得名稱為 v1 之變數 (整行)
[1] "Kelly" "Peter" "Amy"           
> df1$v2                                    #取得名稱為 v2 之變數 (整行)
[1] "Female" "Male"   "Female"
> df1$v3                                    #取得名稱為 v3 之變數 (整行)
[1] 18 16 14


3. 使用雙重中括號 [[行索引]] : 

此種方式也是可存取整行之變數資料, 但使用是行索引來定位 :

> df2
   name gender age
1 Kelly Female  18
2 Peter   Male  16
3   Amy Female  14
> df1[[1]]                                      #取得第 1 行整行變數
[1] "Kelly" "Peter" "Amy"   
> df1[[2]]                                      #取得第 2 行整行變數
[1] "Female" "Male"   "Female"
> df1[[3]]                                      #取得第 3 行整行變數
[1] 18 16 14

下面是利用賦值運算符改變資料框內容的範例 :

> df2
   name gender age
1 Kelly Female  18
2 Peter   Male  16
3   Amy Female  14
> df2[1, 3] <- 19
> df2
   name gender age
1 Kelly Female  19
2 Peter   Male  16
3   Amy Female  14
> df2[, 3] <- c(20, 18, 16)
> df2
   name gender age
1 Kelly Female  20
2 Peter   Male  18
3   Amy Female  16
> df2[3, ] <- c("Tony", "Male", 55)
> df2
   name gender age
1 Kelly Female  20
2 Peter   Male  18
3  Tony   Male  55
> df2$age <- c(21, 19, 56)
> df2
   name gender age
1 Kelly Female  21
2 Peter   Male  19
3  Tony   Male  56

三. 資料框常用函數 : 

上面所使用之資料框函數如下表 :

data.frame 常用函數	說明
data.frame(v1, v2, ...)	將行向量 v1, v2, ... 組合資料框物件
names(df)	傳回資料框 df 的行名 (欄, 變數名)
rownames(df)	傳回資料框 df 的列名
str(x)	顯示物件結構與內容
length(x)	顯示陣列元素個數
dim(x)	顯示物件 (矩陣, 陣列, 資料框) 維度 : 列, 欄
nrow(df)	傳回資料框 df 之列數
ncol(df)	傳回資料框 df 之行 (欄) 數

參考 :

# R 語言基礎

好站 : 資料科學實驗室

今天在尋找 R 語言的數學函數時找到下面這個網站 :

# 資料科學實驗室

裡面可找到許多有價值的文章, 例如下面這篇是介紹學習 R 語言時必學的套件 :

# 必學的10個R套件

下面這篇則介紹學習 R 語言的 32 本好書 :

# R語言從「初學」到「進階」到「跨界」的32本書籍推薦

另外還介紹了 60 本免費的線上書籍, 雖然有點舊了, 但還蠻值得參考的 :

# 60本免費的資料科學書籍 :

好站 : R語言網路免費基礎資料與個人推薦書單

我最近轉向專心學習 R 語言, 它在統計學, 資料科學, 以及機器學習方面與 Python 可說是倚天劍與屠龍刀, 雙璧合一威力無窮. 今天找 R 資料時偶然逛到一個網站, 裡面有豐富的 R 語言學習參考資料 :

# R語言網路免費基礎資料與個人推薦書單

其中郭耀仁寫的 "輕鬆學習 R 語言" 這本書我剛好書架上就有 (從母校圖書館借來的, 第二版) :

Source : 博客來

這本書預設是給無基礎的入門者寫的, 就算是文學院的學生也可以輕鬆閱讀, 誠如作者序言中所言, 他期待讀者能一邊享用美味的午餐, 一邊翻閱此書. 我讀了前兩章後, 覺得此書確如作者所言, 就像讀小說一樣, 是針對門外漢寫的. 對進階 R 語言學習者而言, 也是不錯的複習.

我之前也買過郭耀仁的另一本書 "進擊的資料科學", 這本書就是為 R 語言進階學習者寫的, 而且是 Python 與 R 雙劍合一, 所有主題均附上 Python 與 R 之範例, 是我最愛的一本書之一, 之前在學習 Python 資料科學時閱讀此書, 總是被其中的 R 範例干擾 (因為 R 還沒學完), 決定擱下, 等 R 語言摸透後再來 :

Source : 博客來

郭耀仁與蔡立耑一樣都是熟習 Python 與 R 的專家, 不過蔡立耑的金融科技實戰系列寫成了兩本厚厚巨著 : "Python 與量化投資" 與 "R 語言與量化投資", 也是我帶在身邊的好書 :

Source : 博客來

Source : 博客來

實作很好玩, 但讀書也很重要, 通常實作久了就會發現自己底蘊不足, 這時就要看平時有沒有在讀書了. 我是不甘寂寞的射手座, 永遠穿梭於書房, 圖書館, 以及木作間, 直到世界末日都是如此.

三本 R 語言數值分析好書

最近因為從母校借到一本 R 語言統計的書, 一頭熱重新拿出 R 語言來複習, 發現其實 R 語言在科學與工程數值計算上面也非常強悍與完備, 在 Python 的 SciPy 流行之前 R 語言就是這方面的佼佼者. 今天找到三本很棒的 R 語言數值分析的書就非常值得一讀 :

# Numerical Analysis Using R: Solutions to ODEs and PDEs (Cambridge, 2016)

Source : 天瓏

此書專講用 R 語言來解常微分與偏微分方程式 (數值解).

# Introduction to Scientific Programming and Simulation Using R, 2/e (CRC, 2017)

Source : 天瓏

這本書內容含括較廣, 除了微分方程式外, 還包括線性代數, 機率統計, 以及模擬 (例如蒙地卡羅積分等).

# Using R for Numerical Analysis in Science and Engineering (CRC, 2014)

Source : Amazon

此書內容包括線性代數與微分方程式. 與 Python 比起來, R 的敘述其實更簡約, 如能嫻熟這兩個工具, 在研究與專案推進上將得心應手.

好書 : Corpus Linguistics and Statistics with R

今天在天瓏書店找到這本用 R 語言做語料庫分析的好書 :

# Corpus Linguistics and Statistics with R

Source : 天瓏

以前在選碩士論文題目時, 語料庫語言學曾是我的第一選項, 但經過探索後發現做這方面研究需要深厚統計學與計算語言學背景才行, 所以轉向較為熟悉的實驗語音學, 但語料庫與計算語言學一直是我想深入研究的項目.

這本是目前極為少見的用 R 語言的強大統計功能對語料庫進行計量研究之書籍, 值得記下來備忘. R 語言除了大量應用在計量經濟, 財務金融, 與自動交易等商業領域外, 在語言學研究上也是具有極大潛力. 此書市圖未進, 或許母校高師大應該找得到.

好書 : Statistics for Linguists: An Introduction Using R

今天在 Amazon 找到一本用 R 語言做語言學統計的書 :

# https://www.amazon.com/Statistics-Linguists-Introduction-Using-R/dp/113805609X

Source : Taylor & Francis

這本應該是第一本用 R 語言來處理語言學語料統計的書, 傳統上大部分都用 SPSS, SAS, 或 EXCEL 來處理, R 語言可以提供更多的程式操作與自動化功能. 出版商 Taylor & Francis 有提供目錄與試閱, 參考 :

# Statistics for Linguists: An Introduction Using R