近年来，R语言可谓是数据分析的热门语言，相关的资料五花八门，让读者难以抉择。本书力求用简洁、精练，以理论与实践相结合的方式让大家快速掌握R语言。
程显毅主编的《R语言（大数据应用人才培养系列教材）》共14章，第1章为绪论，从数学、统计学和逻辑学3个方面探讨了树立正确数据思维的一些原则；其余各章分为基础篇（第2～10章）、应用篇（第11、12章）和进阶篇（第13、14章）。基础篇按照数据分析过程，主要讨论了R的数据结构、数据导入/导出、数据清洗、数据变换、可视化、高级语言编程和常用建模方法。应用篇通过对2个经典案例的分析，使读者能够把学到的R基础知识应用到解决实际问题，把数据变成价值。进阶篇解决如何用R处理大数据的一些技术。
本书可用作培养应用型人才的课程教材，也可作为数据分析爱好者的参考资料。

第1章 绪论
1.1 为什么学习R语言
1.1.1 R是什么
1.1.2 R语言主要优势
1.2 正确的数据思维观
1.2.1 数学思维
1.2.2 统计思维
1.2.3 逻辑思维
习题
基础篇
第2章 R语言入门
2.1 新手上路
2.1.1 两个例子
2.1.2 R是什么
2.2 R语言开发环境部署
2.2.1 安装R
2.2.2 安装RStudio
2.3 获取帮助
2.3.1 文档和搜索
2.3.2 演示
2.3.3 帮助函数
2.4 工作空间
2.5 脚本
2.6 R包
习题
第3章 数据类型
3.1 变量与常量
3.1.1 变量
3.1.2 常量
3.2 结构类型
3.2.1 向量
3.2.2 矩阵
3.2.3 数组
3.2.4 数据框
3.2.5 因子
3.2.6 列表
3.3 字符串操作
3.3.1 基本操作
3.3.2 字符串处理stringr包
3.4 用于数据处理和转换的常用函数
习题
第4章 数据准备
4.1 数据导入
4.1.1 键盘输入数据
4.1.2 导入文本文件
4.1.3 导入Excel数据
4.1.4 导入数据库文件
4.2 数据导出
4.2.1 导出文本文件
4.2.2 保存图片
习题
第5章 数据可视化
5.1 低水平绘图命令
5.1.1 点
5.1.2 线
5.1.3 面
5.2 高水平绘图命令
5.2.1 认识ggplot
5.2.2 几何对象
5.2.3 映射
5.2.4 统计对象
5.2.5 标度
5.2.6 分面
5.2.7 其他修饰
5.3 交互式绘图命令
5.3.1 rCharts包
5.3.2 plotly包
5.3.3 shiny
习题
第6章 数据探索
6.1 缺失值分析
6.1.1 与缺失值相关的几个概念
6.1.2 缺失值检测
6.2 异常值分析
6.2.1 箱线图检验离群点
6.2.2 散点图检测离群点
6.2.3 LOF方法检测异常值
6.2.4 聚类方法检测异常值
6.3 不一致值分析
6.4 数据的统计特征分析
6.4.1 分布分析
6.4.2 对比分析
6.4.3 统计量分析
6.4.4 周期性分析
6.4.5 相关性分析
习题
第7章 数据变换
7.1 数据清洗
7.1.1 缺失数据处理
7.1.2 数据去重
7.1.3 规范化
7.2 数据选择
7.2.1 删除有75%以上相同数值的自变量
7.2.2 删除高相关性的自变量
7.2.3 重要变量的选择
7.2.4 数据集选择
7.2.5 主成分分析
7.2.6 因子分析
7.3 数据集成
7.3.1 通过向量化重构数据
7.3.2 为数据添加新变量
7.3.3 数据透视表
7.3.4 频度
7.3.5 数据整合
7.3.6 分组汇总
习题
第8章 高级编程
8.1 控制结构
8.1.1 选择结构程序设计
8.1.2 循环结构程序设计
8.2 用户自定义函数
习题
第9章 数据建模
9.1 Rattle包
9.2 聚类模型
9.2.1 背景
9.2.2 K-Means聚类
9.2.3 Ewkm聚类
9.2.4 层次聚类（Hierachical）
9.2.5 双向聚类（BiCluster）
9.3 关联分析模型
9.3.1 背景
9.3.2 基本术语
9.3.3 关联规则的分类
9.3.4 Apriori算法
9.3.5 实验指导
9.4 传统决策树模型
9.4.1 背景
9.4.2 ID3算法
9.4.3 C4.5算法
9.4.4 实验指导
9.5 随机森林决策树模型
9.5.1 背景
9.5.2 随机森林算法
9.5.3 实验指导
9.6 自适应选择决策树模型
9.6.1 背景
9.6.2 Boosting算法
9.6.3 adaboost算法
9.6.4 实验指导
9.7 SVM
9.7.1 背景
9.7.2 SVM算法
9.7.3 实验指导
9.8 线性回归模型
9.8.1 背景
9.8.2 一元线性回归方法
9.8.3 实验指导
9.9 神经网络模型
9.9.1 背景
9.9.2 人工神经网络模型
9.9.3 实验指导
习题
第10章 模型评估
10.1 数据集
10.2 混淆矩阵
10.2.1 二分类混淆矩阵
10.2.2 模型评价指标
10.2.3 多分类混淆矩阵
10.3 风险图
10.3.1 风险图的作用
10.3.2 实验指导
10.4 ROC曲线
10.4.1 什么是ROC曲线
10.4.2 ROC曲线作用
10.4.3 实验指导
习题
应用篇
第11章 影响大学平均录取分数线因素分析
11.1 背景与目标
11.2 数据说明
11.3 描述性分析
11.4 总结与建议
第12章 收视率分析
12.1 背景介绍
12.2 数据说明
12.3 描述性分析