一、初學R語言需要用什么書比較好~怎么學R語言
首先R是一種專業性很強的統計語言，如果想學得快一些的話，基本的統計學知識要懂，不然很多東西會掌握的比
二、為什么學r語言的人很少
R語言作為開源軟件，目前是目前世界上科研和教育領域統計和數據分析的主流，即使是商業上，R語言也已經占有很大的份額了。
minitab，SPSS都是閉源商用軟件，授權費不菲。并且，對于新的統計學技術的更新速度較慢。
python，Matlab確實也能干R能干的事，但是畢竟不如R方便，有大量現成的包能用。
三、大數據開發常用的編程語言有哪些
1.Python語言
如果你的數據科學家不使用R，他們可能就會徹底了解Python。如果你有一個需要NLP處理的項目，就會面臨數量多得讓人眼花繚亂的選擇，包括經典的NTLK、使用GenSim的主題建模，或者超快、準確的spaCy。
還有Juypter/iPython――這種基于Web的筆記本服務器框架讓你可以使用一種可共享的日志格式，將代碼、圖形以及幾乎任何對象混合起來。這一直是Python的殺手級功能之一。
2、R語言
使用R語言，只需要短短的幾行代碼，你就可以在復雜的數據集中篩選，通過先進的建模函數處理數據，以及創建平整的圖形來代表數字。它被比喻為是Excel的一個極度活躍版本。
R語言最偉大的資本是已圍繞它開發的充滿活力的生態系統：R語言社區總是在不斷地添加新的軟件包和功能到它已經相當豐富的功能集中。據估計，超過200萬的人使用R語言，并且最近的一次投票表明，R語言是迄今為止在科學數據中最流行的語言，被61%的受訪者使用(其次是Python，39%)。
3、JAVA
Java，以及基于Java的框架， Java不能提供R和Python同樣質量的可視化，并且它并非統計建模的最佳選擇。但是，如果你移動到過去的原型制作并需要建立大型系統，那么Java往往是你的最佳選擇。
4、Hadoop和Hive
一群基于Java的工具被開發出來以滿足數據處理的巨大需求。Hadoop作為首選的基于Java的框架用于批處理數據已經點燃了大家的熱情。Hadoop比其他一些處理工具慢，但它出奇的準確，因此被廣泛用于后端分析。它和Hive——一個基于查詢并且運行在頂部的框架可以很好地結對工作。
學大數據可以參考加米谷
四、怎么學習用 R 語言進行數據挖掘
如果說數據挖掘是一門手藝，那么R語言就是工匠手里一種工具，要做出一件價值連城的藝術品需要先“利其器”，但更關鍵的是工匠能夠“集百家之長，成一家之言“自成一派的創造力。
正所謂”操千曲而后曉聲，觀千劍而后識器。建議初學者先了解一些機器學習的基礎理論以及典型的應用領域實例，定下自己想要研究的方向后與行業相結合，然后再學習工具的使用。
R語言經典圖書推薦：
《R in Action-Data Analysis and Graphics with R》鏈接：R語言實戰 (豆瓣)
這本書從實用的統計研究角度，每一章節結合實際的例子講解了R在創建數據集、繪制圖形、數據管理、以及模型構建的使用方法，堪稱經典。前兩部分屬于R基本功能介紹，第三部分以后才是精髓開始（包括了回歸分析、方差分析、功效分析、廣義線性模型、主成分和因子分析等統計方法詳細的實例分析）。
《數據之魅-基于開源工具的數據分析》鏈接：數據之魅 (豆瓣)
作者是華盛頓大學理論物理學博士。這本書是數據分析系列著作的經典之一，包含大量的R語言模擬過程及結果展示，例舉了很多數據分析實例和代碼。吃透以后就能夠對整個數據挖掘的流程有一個全方位的了解。
轉載
五、如何讓Hadoop結合R語言做大數據分析
R語言和Hadoop讓我們體會到了，兩種技術在各自領域的強大。很多開發人員在計算機的角度，都會提出下面2個問題。問題1: Hadoop的家族如此之強大，為什么還要結合R語言？
問題2: Mahout同樣可以做數據挖掘和機器學習，和R語言的區別是什么？下面我嘗試著做一個解答：問題1: Hadoop的家族如此之強大，為什么還要結合R語言？
a. Hadoop家族的強大之處，在于對大數據的處理，讓原來的不可能（TB,PB數據量計算），成為了可能。
b. R語言的強大之處，在于統計分析，在沒有Hadoop之前，我們對于大數據的處理，要取樣本，假設檢驗，做回歸，長久以來R語言都是統計學家專屬的工具。
c. 從a和b兩點，我們可以看出，hadoop重點是全量數據分析，而R語言重點是樣本數據分析。 兩種技術放在一起，剛好是最長補短！
d. 模擬場景：對1PB的新聞網站訪問日志做分析，預測未來流量變化
d1:用R語言，通過分析少量數據，對業務目標建回歸建模，并定義指標d2:用Hadoop從海量日志數據中，提取指標數據d3:用R語言模型，對指標數據進行測試和調優d4:用Hadoop分步式算法，重寫R語言的模型，部署上線這個場景中，R和Hadoop分別都起著非常重要的作用。以計算機開發人員的思路，所有有事情都用Hadoop去做，沒有數據建模和證明，”預測的結果”一定是有問題的。以統計人員的思路，所有的事情都用R去做，以抽樣方式，得到的“預測的結果”也一定是有問題的。所以讓二者結合，是產界業的必然的導向，也是產界業和學術界的交集，同時也為交叉學科的人才提供了無限廣闊的想象空間。問題2: Mahout同樣可以做數據挖掘和機器學習，和R語言的區別是什么？
a. Mahout是基于Hadoop的數據挖掘和機器學習的算法框架，Mahout的重點同樣是解決大數據的計算的問題。
b. Mahout目前已支持的算法包括，協同過濾，推薦算法，聚類算法，分類算法，LDA, 樸素bayes，隨機森林。上面的算法中，大部分都是距離的算法，可以通過矩陣分解后，充分利用MapReduce的并行計算框架，高效地完成計算任務。
c. Mahout的空白點，還有很多的數據挖掘算法，很難實現MapReduce并行化。Mahout的現有模型，都是通用模型，直接用到的項目中，計算結果只會比隨機結果好一點點。Mahout二次開發，要求有深厚的JAVA和Hadoop的技術基礎，最好兼有 “線性代數”，“概率統計”，“算法導論” 等的基礎知識。所以想玩轉Mahout真的不是一件容易的事情。
d. R語言同樣提供了Mahout支持的約大多數算法(除專有算法)，并且還支持大量的Mahout不支持的算法，算法的增長速度比mahout快N倍。并且開發簡單，參數配置靈活，對小型數據集運算速度非常快。
雖然，Mahout同樣可以做數據挖掘和機器學習，但是和R語言的擅長領域并不重合。集百家之長，在適合的領域選擇合適的技術，才能真正地“保質保量”做軟件。
如何讓Hadoop結合R語言？
從上一節我們看到，Hadoop和R語言是可以互補的，但所介紹的場景都是Hadoop和R語言的分別處理各自的數據。一旦市場有需求，自然會有商家填補這個空白。
1）. RHadoop
RHadoop是一款Hadoop和R語言的結合的產品，由RevolutionAnalytics公司開發，并將代碼開源到github社區上面。RHadoop包含三個R包 (rmr，rhdfs，rhbase)，分別是對應Hadoop系統架構中的，MapReduce, HDFS, HBase 三個部分。
2）. RHiveRHive是一款通過R語言直接訪問Hive的工具包，是由NexR一個韓國公司研發的。
3）. 重寫Mahout用R語言重寫Mahout的實現也是一種結合的思路，我也做過相關的嘗試。
4）.Hadoop調用R
上面說的都是R如何調用Hadoop，當然我們也可以反相操作，打通JAVA和R的連接通道，讓Hadoop調用R的函數。但是，這部分還沒有商家做出成形的產品。
5. R和Hadoop在實際中的案例
R和Hadoop的結合，技術門檻還是有點高的。對于一個人來說，不僅要掌握Linux, Java, Hadoop, R的技術，還要具備 軟件開發，算法，概率統計，線性代數，數據可視化，行業背景 的一些基本素質。在公司部署這套環境，同樣需要多個部門，多種人才的的配合。Hadoop運維，Hadoop算法研發，R語言建模，R語言MapReduce化，軟件開發，測試等等。所以，這樣的案例并不太多。
