Abkürzungen und Funktionen in Vorbereitung auf einen Programmierwettbewerb [geschlossen]

Ich werde eine verwandte, aber andere Frage beantworten. Nichts für ungut, aber Ihre ursprünglichen Vorschläge scheinen für einen Programmierwettbewerb nicht sehr klug zu sein. Ein Großteil der Zeit, die in solchen Kontexten verbracht wird, besteht darin, eine Antwort zu entwickeln und zu debuggen (oder, besser, die Notwendigkeit zu vermeiden, zu debuggen).

Stattdessen werde ich diese Frage beantworten: "Was sind die wichtigsten Ressourcen in R, die für Rapid Prototyping nützlich sind, mit dem Fokus darauf, Ressourcen schnell zu finden, schnell debuggen zu können und Daten schnell untersuchen zu können? ? Wenn ich numerische Optimierungsmethoden und Algebra-Systeme verwenden möchte, was soll ich untersuchen? "

Hier sind meine Antworten:

1. Installieren Sie RStudio oder möglicherweise Revolution Analytics R, je nachdem, welche Schnittstelle für Sie besser geeignet erscheint. Beide sind gut. Ersteres hat eine sehr glatte GUI, letzteres hat eine intensivere Schnittstelle mit mehr Möglichkeiten zur Verwaltung von Code. Beide haben einige nette Eigenschaften gegenüber der "Community" R bezüglich der Fähigkeit, Informationen nachzuschlagen und schnell in den Hilfebibliotheken zu navigieren.
2. Machen Sie sich mit example() vertraut, identifizieren Sie, wo Vignetten und Tutorials zu finden sind (von den Seiten der Pakete auf CRAN) und werfen Sie einen kurzen Blick auf demo() .
3. Verwenden Sie die sos -Bibliothek und den Master findFn .
4. Sehen Sie sich die Aufgabenansichten von CRAN an - stellen Sie sicher, dass Sie etwas über die Werkzeuge für High Performance Computing wissen (und wenn es damit zusammenhängt) und die Werkzeuge für die Optimierung - es ist ziemlich üblich, eine Art Solver zu verwenden Es gibt eine Aufgabenansicht für dieses .
5. Wenn Ihr Code während des Prototyping oder der Konkurrenz langsam läuft, müssen Sie Rprof() ausführen. Nimm das zuerst für eine Drehung. Sie können auch von der Verwendung des Pakets compiler profitieren, wenn Ihr Code viel Iteration beinhaltet. Kurz gesagt: Sie möchten nicht auf dem Computer warten. Sie können sich auch foreach und doSMP oder doMC ansehen, wenn Sie den Job parzellieren können verschiedene Kerne. Um die Ergebnisse zu aggregieren, machen Sie sich mit plyr und Methoden wie ldply sowie Standard *apply -Funktionen wie lapply und apply vertraut; ein weiterer guter zu wissen ist rapply . (Wenn Sie viel zu verarbeiten haben und es einige Zeit braucht, schauen Sie sich mclapply oder das .parallel Argument für die plyr Funktionen an.)
6. Auf Stack Overflow: Durchsuchen JD Longs Fragen - viel von dem, was Sie entdecken werden, dass Sie nicht wissen werden wurden von ihm gefragt, bevor Sie dachten, es zu fragen. Und da ist schon eine Antwort.
7. Erstellen Sie eine Reihe kleiner Codevorlagen für sich selbst. Master-Funktionen, so dass Sie diese nicht in Eile lernen müssen. Erfahren Sie, wie Sie mit debug() und browser() .
debuggen und diese durchgehen
8. Wenn Sie Dinge zählen müssen, lernen Sie, wie Sie das hash -Paket verwenden (ähnlich zu Perl- und Python-Hashtabellen) und lernen, digest für Schlüssel zu verwenden, die zu lang für hash sind (siehe diese Frage für Referenzen)
9. Wenn Sie Dinge grafisch darstellen müssen, erstellen Sie einige grundlegende Beispiel-Plots mit plot oder ggplot2 zusammen mit hist , boxplot und einigen anderen. Wenn du ggplot2 noch nicht kennst, dann verschiebe es, aber du solltest dich damit vertraut machen. Wenn Sie viele Daten verwenden, sollten Sie wissen, dass Sie hexbin kennen. Wenn Sie mit Daten interagieren müssen, lernen Sie iplots und die interessanten Tools dort kennen, wie iplot , ihist und parallele Koordinatenplots ( ipcp ).
10. Stellen Sie sicher, dass Sie wissen, wie Sie Listen, Datenrahmen und Matrizen verwenden, einschließlich Subskribierung, Suchen von Einträgen basierend auf (Zeilen-, Spalten-) Indizes. (Stellen Sie sicher, dass Sie plyr zum Transformieren und Bearbeiten einiger dieser Objekte untersuchen.)
11. Machen Sie sich mit data.table() vertraut - es ist außergewöhnlich effizient für viele Dinge, die Sie mit Datenrahmen und Matrizen machen könnten.
12. Wenn Sie symbolische Mathematik brauchen, sollten Sie die Pakete dafür kennen oder ein anderes eigenständiges Werkzeug für symbolische Mathematik verwenden. Ryacas ist ein Paket, das nützlich erscheint.
13. Holen Sie sich das PDF des R in Kürze, damit Sie schnell nach nützlichen Methoden suchen können. Sonst, nimm das Buch selbst. Verschiedene andere Bücher, wie Venables & amp; Ripley, das R-Kochbuch und andere können je nach Ihrer Erfahrung nützlich sein.
14. Wenn Sie bereits einen guten Editor (z. B. emacs) oder eine IDE (z. B. Eclipse) beherrschen, bleiben Sie dabei und suchen Sie nach Bindungen zu R. Andernfalls können Sie sofort mit Notepad ++ beginnen. Die Blockauswahl ist eine sehr nützliche Eigenschaft in einem Editor. Die Möglichkeit, eine gesamte Verzeichnishierarchie von Codebeispielen durchsuchen zu können, ist eine weitere nützliche Funktion.
15. Wenn Sie etwas mit Datenbankdaten machen müssen, möchten Sie vielleicht RSQLite und sqldf wissen, obwohl diese für einen Mathematikwettbewerb nicht relevant sind.
16. Öffnen Sie eine Reihe von R-Instanzen, damit Sie Dinge ausprobieren können. :) [Das ist eigentlich ernst: Wenn mehrere Instanzen ausgeführt werden, können Sie Latenzen vermeiden, die mit dem sequentiellen Ausprobieren, dem Warten auf Ergebnisse und dem Debuggen der Ergebnisse verbunden sind.]

Für (1) können Sie etwas wie

Hier können Sie schreiben, zB g <- f(x, y, body=x+y) , aber ich bin mir nicht sicher, wie weit Sie das bringt.

Für (2) könnten Sie einfach tun: