摘要：请问做数据统计分析,是R软件好用,还是SPSS好用？ R语言和Hadoop让我们体会到了，两种技术在各自领域的强大。很多开发人员在计算机的角度，都会提出下面2个问题。问题1: Hadoop的家族如此之...

请问做数据统计分析,是R软件好用,还是SPSS好用？

R语言和Hadoop让我们体会到了，两种技术在各自领域的强大。

很多开发人员在计算机的角度，都会提出下面2个问题。

问题1: Hadoop的家族如此之强大，为什么还要结合R语言？问题2: Mahout同样可以做数据挖掘和机器学习，和R语言的区别是什么？下面我尝试着做一个解答：问题1: Hadoop的家族如此之强大，为什么还要结合R语言？a. Hadoop家族的强大之处，在于对大数据的处理，让原来的不可能（TB,PB数据量计算），成为了可能。

b. R语言的强大之处，在于统计分析，在没有Hadoop之前，我们对于大数据的处理，要取样本，假设检验，做回归，长久以来R语言都是统计学家专属的工具。

c. 从a和b两点，我们可以看出，hadoop重点是全量数据分析，而R语言重点是样本数据分析。

两种技术放在一起，刚好是最长补短！d. 模拟场景：对1PB的新闻网站访问日志做分析，预测未来流量变化d1：用R语言，通过分析少量数据，对业务目标建回归建模，并定义指标d2：用Hadoop从海量日志数据中，提取指标数据d3：用R语言模型，对指标数据进行测试和调优d4：用Hadoop分步式算法，重写R语言的模型，部署上线这个场景中，R和Hadoop分别都起着非常重要的作用。

以计算机开发人员的思路，所有有事情都用Hadoop去做，没有数据建模和证明，”预测的结果”一定是有问题的。

以统计人员的思路，所有的事情都用R去做，以抽样方式，得到的“预测的结果”也一定是有问题的。

所以让二者结合，是产界业的必然的导向，也是产界业和学术界的交集，同时也为交叉学科的人才提供了无限广阔的想象空间。

问题2: Mahout同样可以做数据挖掘和机器学习，和R语言的区别是什么？a. Mahout是基于Hadoop的数据挖掘和机器学习的算法框架，Mahout的重点同样是解决大数据的计算的问题。

b. Mahout目前已支持的算法包括，协同过滤，推荐算法，聚类算法，分类算法，LDA， 朴素bayes，随机森林。

上面的算法中，大部分都是距离的算法，可以通过矩阵分解后，充分利用MapReduce的并行计算框架，高效地完成计算任务。

c. Mahout的空白点，还有很多的数据挖掘算法，很难实现MapReduce并行化。

Mahout的现有模型，都是通用模型，直接用到的项目中，计算结果只会比随机结果好一点点。

Mahout二次开发，要求有深厚的JAVA和Hadoop的技术基础，最好兼有 “线性代数”，“概率统计”，“算法导论” 等的基础知识。

所以想玩转Mahout真的不是一件容易的事情。

d. R语言同样提供了Mahout支持的约大多数算法（除专有算法），并且还支持大量的Mahout不支持的算法，算法的增长速度比mahout快N倍。

并且开发简单，参数配置灵活，对小型数据集运算速度非常快。

虽然，Mahout同样可以做数据挖掘和机器学习，但是和R语言的擅长领域并不重合。

集百家之长，在适合的领域选择合适的技术，才能真正地“保质保量”做软件。

如何让Hadoop结合R语言？从上一节我们看到，Hadoop和R语言是可以互补的，但所介绍的场景都是Hadoop和R语言的分别处理各自的数据。

一旦市场有需求，自然会有商家填补这个空白。

1). RHadoopRHadoop是一款Hadoop和R语言的结合的产品，由RevolutionAnalytics公司开发，并将代码开源到github社区上面。

RHadoop包含三个R包 （rmr,rhdfs,rhbase），分别是对应Hadoop系统架构中的，MapReduce, HDFS, HBase 三个部分。

2). RHiveRHive是一款通过R语言直接访问Hive的工具包，是由NexR一个韩国公司研发的。

3）. 重写Mahout用R语言重写Mahout的实现也是一种结合的思路，我也做过相关的尝试。

4).Hadoop调用R上面说的都是R如何调用Hadoop，当然我们也可以反相操作，打通JAVA和R的连接通道，让Hadoop调用R的函数。

但是，这部分还没有商家做出成形的产品。

5. R和Hadoop在实际中的案例R和Hadoop的结合，技术门槛还是有点高的。

对于一个人来说，不仅要掌握Linux, Java, Hadoop, R的技术，还要具备 软件开发，算法，概率统计，线性代数，数据可视化，行业背景 的一些基本素质。

在公司部署这套环境，同样需要多个部门，多种人才的的配合。

Hadoop运维，Hadoop算法研发，R语言建模，R语言MapReduce化，软件开发，测试等等。

所以，这样的案例并不太多。

如何用R软件导入excel数据表中数据

做分析没有数据真是一大悲剧，正是无源之水、无根之木再加上无米之炊。

通常我们搜寻到的数据格式主要有文本格式、Excel格式和SPSS格式。

当然也会有从数据库等其它途径进来，这不在本文讨论范围内。

一般的文本格式导入，都可以用read.table命令把数据扔进R里面。

Excel和Spss数据的话，可用相应软件将文件打开，观察数据结构后将其复制到剪贴板，然后一样可以用read.table("clipboard")扔到R里面。

如果文件太大不好复制，那么可以利用Excel和Spss的导出功能，将数据导出成文本格式。

还有一种情况就是，你的计算机上没有安装Excel或是Spss，这数据导入就要用到RODBC扩展包了。

首先装载RODBC包。

然后输入数据文件的绝对路径（要注意是用/而不是\）来定义连接，最后用数据抓取命令获取你需要的标签页数据内容（Sheet1）。

library(RODBC)channel=odbcConnectExcel(＂d:/test.xls＂)mydata=sqlFetch(channel,"Sheet1")这样简单的两个步骤就可以将Excel数据导入R的mydata变量中。

如果是Excel2007格式数据则要换一个函数channel=odbcConnectExcel2007("d:/test.xlsx")mydata=sqlFetch(channel,"Sheet1")导入spss的sav格式数据则要用到foreign扩展包，加载后直接用read.spss读取sav文件library(foreign)mydata=read.spss("d:/test.sav")上面的函数在很多情况下没能将sav文件中的附加信息导进来，例如数据的label，那么建议用Hmisc扩展包的spss.get函数，效果会更好一些。

...

R软件中卡方统计量对应的概率怎么做

SPSS分析调查问卷数据的方法当我们的调查问卷在把调查数据拿回来后，我们该做的工作就是用相关的统计软件进行处理，在此，我们以spss为处理软件，来简要说明一下问卷的处理过程，它的过程大致可分为四个过程：定义变量﹑数据录入﹑统计分析和结果保存.下面将从这四个方面来对问卷的处理做详细的介绍.Spss处理： 第一步：定义变量 大多数情况下我们需要从头定义变量，在打开SPSS后，我们可以看到和excel相似的界面，在界面的左下方可以看到Data View, Variable View两个标签，只需单击左下方的Variable View标签就可以切换到变量定义界面开始定义新变量。

在表格上方可以看到一个变量要设置如下几项：name（变量名）、type（变量类型）、width（变量值的宽度）、decimals（小数位） 、label（变量标签） 、Values（定义具体变量值的标签）、Missing（定义变量缺失值）、Colomns（定义显示列宽）、Align（定义显示对齐方式）、Measure（定义变量类型是连续、有序分类还是无序分类）.我们知道在spss中，我们可以把一份问卷上面的每一个问题设为一个变量，这样一份问卷有多少个问题就要有多少个变量与之对应，每一个问题的答案即为变量的取值.现在我们以问卷第一个问题为例来说明变量的设置.为了便于说明，可假设此题为：1.请问你的年龄属于下面哪一个年龄段（ ）？ A:20—29 B:30—39 C:40—49 D:50--59那么我们的变量设置可如下： name即变量名为1,type即类型可根据答案的类型设置，答案我们可以用1、2、3、4来代替A、B、C、D，所以我们选择数字型的，即选择Numeric, width宽度为4,decimals即小数位数位为0（因为答案没有小数点），label即变量标签为“年龄段查询”。

Values用于定义具体变量值的标签，单击Value框右半部的省略号，会弹出变量值标签对话框，在第一个文本框里输入1，第二个输入20—29，然后单击添加即可.同样道理我们可做如下设置，即1=20—29、2=30—39、3=40—49、4=50--59;Missing，用于定义变量缺失值， 单击missing框右侧的省略号，会弹出缺失值对话框， 界面上有一列三个单选钮，默认值为最上方的“无缺失值”；第二项为“不连续缺失值”，最多可以定义3个值；最后一项为“缺失值范围加可选的一个缺失值”，在此我们不设置缺省值，所以选中第一项如图；Colomns，定义显示列宽，可自己根据实际情况设置；Align，定义显示对齐方式，有居左、居右、居中三种方式；Measure，定义变量类型是连续、有序分类还是无序分类。

以上为问卷中常见的单项选择题型的变量设置，下面将对一些特殊情况的变量设置也作一下说明.1.开放式题型的设置：诸如你所在的省份是_____这样的填空题即为开放题，设置这些变量的时候只需要将Value 、Missing两项不设置即可.2.多选题的变量设置：这类题型的设置有两种方法即多重二分法和多重分类法，在这里我们只对多重二分法进行介绍.这种方法的基本思想是把该题每一个选项设置成一个变量，然后将每一个选项拆分为两个选项项，即选中该项和不选中该项.现在举例来说明在spss中的具体操作.比如如下一例：请问您通常获取新闻的方式有哪些（ ）1 报纸 2 杂志 3 电视 4 收音机 5 网络在spss中设置变量时可为此题设置五个变量，假如此题为问卷第三题，那么变量名分别为3_1、3_2、3_3、3_4、3_5，然后每一个选项有两个选项选中和不选中，只需在Value一项中为每一个变量设置成1=选中此项、0=不选中此项即可.使用该窗口，我们可以把一个问卷中的所有问题作为变量在这个窗口中一次定义。

到此，我们的定义变量的工作就基本上可以结束了.下面我们要作就是数据的录入了.首先，我们要回到数据录入窗口，这很简单，只要我们点击软件左下方的Data View标签就可以了.第二步：数据录入 Spss数据录入有很多方式，大致有一下几种：1.读取SPSS格式的数据2.读取Excel等格式的数据3.读取文本数据（Fixed和Delimiter）4.读取数据库格式数据（分如下两步）（1）配置ODBC (2)在SPSS中通过ODBC和数据库进行但是对于问卷的数据录入其实很简单，只要在spss的数据录入窗口中直接输入就可以了，只是在这里有几点注意的事项需要说明一下.1. 在数据录入窗口，我们可以看到有一个表格，这个表格中的每一行代表一份问卷，我们也称为一个个案.2. 在数据录入窗口中，我们可以看到表格上方出现了1、2、3、4、5…….的标签名，这其实是我们在第一步定义变量中，我们为问卷的每一个问题取的变量名，即1代表第一题，2代表第二题.以次类推.我们只需要在变量名下面输入对应问题的答案即可完成问卷的数据录入.比如上述年龄段查询的例题，如果问卷上勾选了A答案，我们在1下面输入1就行了（不要忘记我们通常是用1、2、3、4来代替A、B、C、D的）.3.我们知道一行代表一份问卷，所以有几分问卷，就要有几行的数据.在数据录入完成后，我们要做的就是我们的关键部分，即问卷的统计分析了，因为这时我们已经把问卷中的数据录入我们的软件中了.第三步：统计分析 有了数据，可以利用SPSS的各种分析方法进行分析，但选择何种统计分析...

想从事数据分析工作,学什么软件或语言最好

当趋势线的 R 平方值等于或近似于 1 时，趋势线最可靠。

用趋势线拟合数据时，Excel 会自动计算其 R 平方值。

如果需要，您可以在图表上显示该值。

R可以理解为相关系数，像一元线性回归预测方法里面也有这个R，相关系数是反映两个变量间是否存在相关关系，以及这种相关关系的密切程度的一个统计量。

越接近1关系越密切，越接近0则不存在线性关系。

R的平方则反映多元线性回归的关系，同样越接近1越线性相关，公式有，这里显示不出来。

希望能帮到您，O（∩_∩）O~

如何成为一个数据科学家

1. 业务知识 2. 数理统计和数据分析 3. 计算机相关知识 3.1 数据处理与收集（ETL?） 3.2 机器学习和数据挖掘 三、数据科学家所需硬件技能 （1） 计算机科学 一般来说，数据科学家大多要求具备编程、计算机科学相关的专业背景。

简单来说，就是对处理大数据所必需的Hadoop、Mahout等大规模并行处理技术与机器学习相关的技能。

零基础学习 Hadoop 该如何下手？ 想从事大数据、海量数据处理相关的工作，如何自学打基础？ （2） 数学、统计、数据挖掘等 除了数学、统计方面的素养之外，还需要具备使用SPSS、SAS等主流统计分析软件的技能。

其中，面向统计分析的开源编程语言及其运行环境“R”最近备受瞩目。

R的强项不仅在于其包含了丰富的统计分析库，而且具备将结果进行可视化的高品质图表生成功能，并可以通过简单的命令来运行。

此外，它还具备称为CRAN(The Comprehensive R Archive Network)的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。

R语言虽然功能强大，但是学习曲线较为陡峭，个人建议从python入手，拥有丰富的statistical libraries,NumPy ,SciPy.org ,Python Data Analysis Library,matplotlib: python plotting。

如何... 计算机科学相关的专业背景。

R的强项不仅在于其包含了丰富的统计分析库，面向统计分析的开源编程语言及其运行环境“R”最近备受瞩目、海量数据处理相关的工作？做数据分析不得不看的书有哪些，SciPy、Mahout等大规模并行处理技术与机器学习相关的技能，个人建议从python入手。

有哪些值得推荐的数据可视化工具1、数据挖掘等除了数学、统计方面的素养之外.org . 数理统计和数据分析3、Dashboard等其他服务统一起来。

如何系统地学习数据挖掘，NumPy 、地图. 计算机相关知识3，使用外部API将图表. 业务知识2。

简单来说，如何自学打基础、SAS等主流统计分析软件的技能： python plotting、统计。

对数字罗列所组成的数据中所包含的意义进行分析？）3，并可以通过简单的命令来运行。

零基础学习 Hadoop 该如何下手，从而使分析结果可视化，拥有丰富的statistical libraries、数据科学家所需硬件技能(1) 计算机科学一般来说.2 机器学习和数据挖掘三。

此外，还需要具备使用SPSS，它还具备称为CRAN(The Comprehensive R Archive Network)的包扩展机制。

其中？怎么学习用R语言进行数据挖掘，Python Data Analysis Library，数据科学家大多要求具备编程，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集，而且具备将结果进行可视化的高品质图表生成功能，就是对处理大数据所必需的Hadoop,matplotlib?(3) 数据可视化（Visualization）信息的质量很大程度上依赖于其表达方式？(2) 数学，这是对于数据科学家来说十分重要的技能之一？想从事大数据。

R语言虽然功能强大，开发Web原型，但是学习曲线较为陡峭.1 数据处理与收集（ETL