Was ist R? - Eine Einführung in das Kraftpaket der Statistikberechnung

R ist ein statistisches Programmierwerkzeug, das besonders gut für den Umgang mit Daten geeignet ist - und zwar mit sehr vielen Daten. 

Mit R ist es einfach, große Mengen an Informationen zu verarbeiten und veröffentlichungsreife Grafiken und Visualisierungen zu erstellen. 

Da R ursprünglich von Statistikern für statistische Zwecke entwickelt wurde, eignet es sich besonders gut für die Datenwissenschaft, ein wichtiges Feld in der heutigen Welt.

Die Kernfunktion von R ist zwar die statistische Analyse und Grafik, aber die Anwendung geht darüber hinaus und erstreckt sich auf KI, maschinelles Lernen, Finanzanalysen und mehr.

R ist seit Anfang der 1990er Jahre eine der beliebtesten Programmiersprachen der Welt und wird auch heute noch gut bezahlt.

Aber was ist R? Lies weiter, um mehr über die Programmiersprache R zu erfahren, z. B. über ihre Geschichte, wer sie benutzt und mögliche Karrierewege mit R-Kenntnissen.

Was ist R?

R ist ein System für statistische Berechnungen und Grafiken. Dieses System besteht aus zwei Teilen: der Sprache R selbst (das ist das, was die meisten Leute meinen, wenn sie von R sprechen) und einer Laufzeitumgebung.

R ist eine interpretierte Sprache, was bedeutet, dass die Nutzer über einen Kommandozeileninterpreter auf seine Funktionen zugreifen. 

Im Gegensatz zu Sprachen wie Python und Java ist R keine Allzweckprogrammiersprache. Stattdessen gilt sie als domänenspezifische Sprache (DSL), d.h. ihre Funktionen und ihre Verwendung sind auf einen bestimmten Anwendungsbereich oder eine Domäne zugeschnitten. 

Im Fall von R sind das statistische Berechnungen und Analysen. Darüber hinaus wird R häufig für alle Arten von Data Science-Aufgaben verwendet.

R ist mit einer Vielzahl von Funktionen ausgestattet, die Datenvisualisierungen ermöglichen. So können die Nutzer Daten analysieren, sie nach Bedarf modellieren und dann Grafiken erstellen. Zusätzlich zu den eingebauten grafischen Funktionen der Sprache gibt es zahlreiche Add-ons oder Module, die dies erleichtern. 

Wie beliebt ist die Programmiersprache R?

R ist eine beliebte Programmiersprache, vor allem in bestimmten Bereichen wie Datenwissenschaft, akademische Forschung und Statistik.

Im Oktober 2023 lag R auf Platz 17 des TIOBE-Index und im August 2020 auf Platz 8. Der TIOBE-Index wird monatlich aktualisiert und ist ein guter Indikator für die Beliebtheit einer Programmiersprache. 

Im Index sind 50 Sprachen und mehr als 8000 andere Programmiersprachen aufgeführt, also kann man mit Sicherheit sagen, dass R sehr beliebt ist!

Im Mai 2020 verlor R kurzzeitig seinen Spitzenplatz im TIOBE-Index, was viele zu der Vermutung veranlasste, dass der Sprung der Sprache von der akademischen Forschung zur kommerziellen Nutzung schnell von Python verdrängt wurde. Diese Flaute in der Beliebtheit hielt jedoch nicht lange an und wie TechRepublic berichtete, war R im Juli desselben Jahres wieder in den Top Ten.

R ist die Sprache der Wahl für Statistikingenieure und statistische Forschung. Und Universitäten auf der ganzen Welt nutzen R, um ihre Forschungsarbeit in zahlreichen Bereichen zu unterstützen.

"Der Erfolg von R ist ein Beispiel für die Kraft einer von der Wissenschaft unterstützten Community, die eine Sprache über die erwartete Schwelle heben kann." - Stephen O'Grady, RedMonk-Analyst

Viele glauben, dass der Sprung von R in die Top Ten der Beliebtheit im Jahr 2020 auf den vermehrten Einsatz der Sprache in der COVID-19-Forschung zurückzuführen ist. Wenn es viele Daten zu verarbeiten gibt, ist R das ideale Werkzeug - nur ein Grund, warum die Sprache auch heute noch beliebt ist, fast 30 Jahre nach ihrer Einführung.

Wann wurde R gegründet?

R wurde in den frühen 1990er Jahren von den Statistikern Ross Ihaka und Robert Gentleman von der University of Auckland entwickelt. 

Ihaka und Gentleman, die damals beide Statistikprofessoren an der neuseeländischen Universität waren, sahen in ihren Informatiklaboren einen "gemeinsamen Bedarf an einer besseren Softwareumgebung", wie Ihaka es nannte. Diese Erkenntnis veranlasste die beiden, mit der Entwicklung von R zu beginnen, einer Implementierung der früheren Programmiersprache S. 

Obwohl die Professoren schon Anfang der 90er Jahre mit der Arbeit an R begannen, wurde die Version 1.0.0 erst im Februar 2000 offiziell veröffentlicht. 

Was bedeutet der Name von R?

Die R-Sprache erhielt ihren Namen aus zwei Gründen: weil R der erste Buchstabe im Namen der Erfinder ist und weil R eine Anspielung auf den Namen der Muttersprache S ist, die ursprünglich von den Bell Telephone Laboratories entwickelt wurde.

R und S und Schema

Um R vollständig zu verstehen, ist es hilfreich, S zu verstehen, die Hauptsprache, in der es entwickelt wurde.

Die Programmiersprache S 

S wurde Mitte der 1970er Jahre von John Chambers und anderen Mitarbeitern der Bell Labs entwickelt. Sein Ziel war es, einen interaktiven Ansatz für statistische Berechnungen anzubieten, der benutzerfreundlich ist und die Datenanalyse einfacher und schneller macht. 

In einem Interview aus dem Jahr 2013 sagt Chambers, dass das Team von Bell Labs wollte, dass die Menschen "Zugang zu den besten Berechnungsmethoden haben, die es gibt, unabhängig davon, woher sie kommen". 

Er hat auch gesagt, dass das Team wollte, dass die Benutzer "in einer interaktiven Umgebung beginnen, in der sie nicht bewusst an das Programmieren denken. Dann, wenn ihre Bedürfnisse klarer wurden und ihre Fähigkeiten zunahmen, sollten sie allmählich in die Programmierung übergehen können."

Die allgemeine Philosophie von S war ähnlich wie die von R: eine Softwareumgebung anzubieten, die das Programmieren und die statistische Analyse erleichtert und die jeder lernen kann. 

Wie R kann auch S verwendet werden, um längere Programme zu schreiben, die sich auf statistische Aufgaben konzentrieren. Im Gegensatz zu R waren S und seine spätere Version S-PLUS jedoch Lizenzprodukte, das heißt, sie mussten von einem Unternehmen gekauft werden.

Es ist wichtig zu wissen, dass R keine eigene Sprache ist, sondern ein Dialekt von S. 

Syntax und Semantik

Linguisten verwenden die Begriffe Syntax und Semantik, um Elemente natürlicher Sprachen zu beschreiben, und Informatiker haben diese Begriffe auch für Programmiersprachen übernommen.

In der Computerprogrammierung bezieht sich die Syntax auf die Regeln, die die "Rechtschreibung" und "Grammatik" einer Sprache bestimmen, während sich die Semantik darauf bezieht, wie die Daten oder Befehle einer Sprache dargestellt werden. 

Die Syntax von R war der von S in den Anfangsjahren sehr ähnlich. Das machte es den Nutzern von S-PLUS leicht, auf R umzusteigen, was eine Schlüsselrolle für die spätere Popularität von R in der Wissenschaft spielte. Die Semantik von R ist jedoch näher an der von Scheme, einer funktionalen Programmiersprache. 

Ist R eine Niedrig- oder Hochsprache?

R ist eine Programmiersprache auf hohem Niveau. Diese Klassifizierung basiert auf der Abstraktionsebene von der Maschinensprache. Im Gegensatz zu Low-Level-Sprachen, die tiefgreifende Kenntnisse über Computerspeicher und -prozesse erfordern, sind Hochsprachen wie R so konzipiert, dass sie von Menschen leicht verstanden und geschrieben werden können, was sie für Statistiker, Datenanalysten und Forscher zugänglicher macht.

R bietet Leistung, Erweiterbarkeit und Flexibilität in Hülle und Fülle, aber der "Preis" im Vergleich zu Sprachen wie Python ist ein gewisses Maß an Komplexität. 

R ist nicht die einfachste Programmiersprache, die man lernen kann, aber sie ist auch nicht so schwierig, wie viele glauben machen wollen. DataCamp bringt Menschen seit mehr als zehn Jahren den Umgang mit R bei und wir haben unsere Methoden immer weiter verfeinert. 

Der Trick ist, sich zuerst auf das Wesentliche zu konzentrieren und dann deine R-Fähigkeiten und dein Wissen zu erweitern, während du Fortschritte machst. Wenn du die R-Programmierung ausprobieren möchtest, schau dir unseren kostenlosen Kurs "Einführung in R" an. 

Wie sich R im Laufe der Jahre entwickelt hat

Da R die meiste Zeit seines Bestehens Open Source war, hat sich die Anzahl der für die Sprache verfügbaren Pakete stark verändert. 

Auch die Sprache selbst hat sich verändert, da wir von der ersten Version auf die neueste umgestiegen sind, und auch die Einsatzgebiete von R haben sich erweitert. Bevor wir uns näher damit befassen, lass uns einen Blick auf ein paar Meilensteine in der Geschichte von R werfen:

Eine kurze Geschichte von R

• 1991 - Ross Ihaka und Robert Gentleman beginnen mit der Arbeit an einem neuen Dialekt von S als Forschungsprojekt für die Abteilung für Statistik an der Universität von Auckland.
• 1993 - Die erste Ankündigung von R erreicht die Öffentlichkeit über das Datenarchiv StatLib und die Mailingliste s-news.
• 1995 - Martin Mächler, ein befreundeter Statistiker, überzeugt die Erfinder von R, die Sprache unter der GNU-Lizenz freizugeben, wodurch R sowohl frei nutzbar als auch quelloffen wird.

Ihaka und Gentleman veröffentlichen ihr bahnbrechendes Papier, in dem sie R der Welt vorstellen. 

• 1997 - Das R Core Team wird gegründet. Diese Gruppe ist die einzige, die Schreibzugriff auf den R-Quellcode hat und alle vorgeschlagenen Änderungen an der Sprache überprüft und umsetzt.

Im selben Jahr wurde das Comprehensive R Archive Network (CRAN) gegründet. Dieses Repository mit Open-Source-R-Softwarepaketen, Erweiterungen der Sprache selbst, hilft Fachleuten bei unzähligen Aufgaben.

• 2000 - R Version 1.0.0 wird der Öffentlichkeit zugänglich gemacht. 
• 2003 - Die R Foundation wird gegründet, um das Urheberrecht der R-Software zu verwalten und das R-Sprachprojekt zu unterstützen.
• 2004 - R Version 2.0.0 wird veröffentlicht. 
• 2009 - Das R Journal, eine frei zugängliche Zeitschrift für statistische Berechnungen und Forschung, wird gegründet.
• 2013 - R Version 3.0.0 wird veröffentlicht.
• 2020 - R Version 4.0.0 wird veröffentlicht.
• Juni 2023 - Wir arbeiten derzeit mit der R-Version 4.3.1.

Die R-Gemeinschaft

Die R-Gemeinschaft besteht aus den Menschen auf der ganzen Welt, die R benutzen, zu den Paketen in der CRAN-Bibliothek beitragen oder beides. 

Die Community ist dafür bekannt, sehr aktiv zu sein. Es gibt viele Leute, die Foren über R betreiben, darüber bloggen und Fragen auf Stack Overflow und anderen Seiten beantworten. Zusätzlich zu all den virtuellen R-Ressourcen und der Unterstützung gibt es eine Reihe von großen R-Konferenzen, die regelmäßig stattfinden.

Wenn du etwas mit R machen willst und nicht weißt, wie du anfangen sollst, ist die Wahrscheinlichkeit groß, dass es ein Paket gibt, das dir hilft. Die emsige R-Gemeinde hat Tausende von Tools entwickelt, die die Möglichkeiten von R erweitern. 

Laut CRAN gibt es fast 20.000 R-Pakete. Einige dieser Pakete haben es zu eigenständiger Bekanntheit gebracht, darunter auch Tidyverse. Mehr über R-Pakete und wie du sie installierst, erfährst du in einer separaten Anleitung. 

Das R Tidyverse

Wenn du ein bisschen über R gelesen hast, hast du wahrscheinlich auch schon vom Tidyverse gehört. 

Das Tidyverse ist kein einzelnes Paket, sondern ein Paket aus einzelnen R-Paketen. Diese Pakete sind alle für Data Science und Analytik konzipiert. 

Jedes Tool des Tidyverse-Gesamtpakets ist so konzipiert, dass es mit den anderen zusammenarbeitet und einen klaren Fluss zwischen den Data Science-Aufgaben bietet. 

Das Tidyverse ist die Idee von Hadley Wickham, Chief Scientist bei RStudio und Mitautor von "R for Data Science". Diese selbsternannte "meinungsstarke Sammlung von R-Paketen" hat sich weltweit als beliebt erwiesen, und Datenwissenschaftler auf der ganzen Welt verlassen sich inzwischen bei ihrer Arbeit auf Tidyverse.

Tatsächlich kann man sagen, dass jeder, der heutzutage mit R oder allgemein mit Daten arbeiten will, das Tidyverse verstehen muss. Du kannst es in der DataCamp-Online-Einführung in Tidyverse und im Skill-Track zu Tidyverse Fundamentals with R ausprobieren.

Der Aufstieg der Datenwissenschaft

Es wäre verfehlt, die Entwicklung von R darzustellen, ohne den Aufstieg der Datenwissenschaft genauer zu erwähnen. 

Als sich die Welt im späten 20. Jahrhundert von analogen Systemen auf die Digitalisierung (die Digitalisierung bestehender Systeme) umstellte, wurden Daten immer wertvoller. Heute ist es mehr wert als Gold. 

Unternehmen aller Sektoren und Branchen müssen ihre Kunden und potenziellen Kunden verstehen, um wettbewerbsfähig zu bleiben, und öffentliche Organisationen können ihre Arbeit besser machen, wenn sie mit so vielen Informationen wie möglich ausgestattet sind. 

All diese Daten bieten eine Fülle von Erkenntnissen, die Unternehmen nutzen können - sie brauchen nur die richtigen Werkzeuge. 

R ist eines dieser Tools, ebenso wie Python, SQL, Power Bi, Tableau und andere. Um die in den Daten verborgenen Informationen richtig zu verstehen, brauchen wir Fachleute wie Datenwissenschaftler und Analysten.

Mit der zunehmenden Bedeutung der Datenwissenschaft in der modernen Welt stieg auch die Nachfrage nach Menschen, die über die technischen Fähigkeiten verfügen, Daten zu lesen und zu interpretieren. Laut Indeed ist Data Science heute eine der bestbezahlten IT-Funktionen mit einem Durchschnittsgehalt von über 120.000 US-Dollar.  

Wer benutzt R?

Viele Fachleute nutzen R bei ihrer Arbeit, und die Sprache wird in vielen verschiedenen Bereichen eingesetzt. Bevor wir uns diese ansehen, schauen wir uns ein paar mögliche Berufe mit R-Kenntnissen an.

Karriere mit R

• Datenwissenschaftler/in
• Statistikerin
• Datenanalytiker/in
• R Programmierer
• Datenarchitekt
• Datenbankadministrator
• Geostatistiker
• Forscher
• Business Intelligence 
• Finanzanalystin
• Wissenschaftlerin für maschinelles Lernen
• Quantitative Analystin
• Statistiker
• Und mehr...

Bereiche und Branchen, in denen R verwendet wird

Weil R so leistungsfähig ist und alle Arten von Datenanalysen, Visualisierungen und Modellierungsaufgaben bewältigen kann, wird es in einer Vielzahl von Branchen und Sektoren eingesetzt. Hier sind nur ein paar davon:

Academia

Genauso wie Englisch die Lingua franca der Welt ist, ist R die dominierende Programmiersprache in vielen akademischen Einrichtungen. Ihre Verwendung ist auch nicht auf die Statistik beschränkt; viele Arten der Forschung benötigen quantitative Daten, z. B. korrelative, experimentelle und deskriptive Daten, und diese kommen in allen Bereichen vor. 

Die Digitalisierung (der Prozess des Umgangs mit Daten und den dazugehörigen Werkzeugen) und der Aufstieg von Big Data haben alle Studien- und Forschungsbereiche berührt, was zu einer verstärkten Nutzung von R im akademischen Umfeld geführt hat. 

Das Statistical Package for the Social Sciences (SPSS) von IBM zum Beispiel war einst die führende Software für die Sozialwissenschaften. Jetzt ist R aus vielen Gründen die erste Wahl:

• R ist 100% kostenlos für Institutionen und Studierende
• R ist mit allen Betriebssystemen und Daten aus verschiedenen Dateitypen kompatibel
• R ermöglicht transparente und reproduzierbare Forschung
• R macht das Erstellen von Datenvisualisierungen einfach

Eine DataCamp-Umfrage aus dem Jahr 2013 zum Thema R in der Bildung ergab, dass 71,1 % der Befragten aus dem Bereich Wirtschaftswissenschaften stammten, aber nur 10,5 % aus dem Bereich Informatik, was zeigt, dass Datenkompetenz und -fertigkeiten in allen Bereichen wichtig sind.

Datenwissenschaft

Neben Python ist R eine wichtige Sprache in der Welt der Datenwissenschaft. Mit Hilfe von R können Fachleute sowohl strukturierte als auch unstrukturierte Daten modellieren und analysieren. Sie können R auch nutzen, um Tools für maschinelles Lernen und statistische Analysen zu erstellen, die sie bei ihrer Arbeit unterstützen.

R macht den Umgang mit Daten aus verschiedenen Quellen einfach, vom Import bis zur Analyse. Außerdem bieten das R-System selbst und die CRAN-Bibliothek zahlreiche Funktionen und Werkzeuge zur Datenvisualisierung, die es Fachleuten leicht machen, ihre Forschungen und Ergebnisse in einem aussagekräftigen und leicht verständlichen Format zu präsentieren.

Statistik

Da es sich um eine statistische Programmiersprache handelt, versteht es sich von selbst, dass R die erste Wahl für Statistik und statistische Berechnungen ist - schließlich wurde sie von Statistikern für diesen Zweck entwickelt. 

Eine breite Palette von Paketen unterstützt die Arbeit in diesem Bereich, während die Sprache R selbst verwendet werden kann, um Software-Tools mit statistischen Funktionen zu entwickeln. Seine Verwendung kann sogar noch weiter gehen. In einem Interview stellt der RStudio-Informatiker Joe Cheng fest, dass R als Allzwecksprache verwendet werden kann, um neue Statistiksprachen zu implementieren. 

Finanzen

Angesichts seiner Flexibilität und seiner Eignung für jede Art von Datenanalyse ist es nicht verwunderlich, dass R im Finanzbereich immer häufiger eingesetzt wird. Unternehmen wie ANZ und Bank of America nutzen die Sprache für die Analyse und Modellierung von Kreditrisiken, die Finanzberichterstattung, die Verwaltung von Anlageportfolios und zahlreiche andere Aufgaben.

Spezielle Tools wie jrvFinance und das Paket Rmetrics ermöglichen es Finanzfachleuten, Finanzberechnungen durchzuführen, auch wenn sie nur über begrenzte Programmierkenntnisse verfügen. 

DataCamp bietet eine Reihe von R for Finance-Kursen an, darunter Finance Fundamentals in R und Applied Finance in R.

Soziale Medien

Seit den Anfängen von Open Dairy und Bolt hat sich die Reichweite der sozialen Medien von einigen wenigen technikaffinen Nutzern auf praktisch jeden erweitert, der ein Smartphone besitzt. Heutzutage ist es schwer, jemanden zu finden, der keine Social-Media-Plattformen nutzt. 

Soziale Medien sind auch ein großes Geschäft, ein Geschäft, das hauptsächlich mit Daten handelt. Unternehmen wie Meta (Facebook und Instagram) und TikTok nutzen die Gewohnheiten der Nutzer/innen, um anderen Unternehmen gezielte Werbung anzubieten. 

Alles, was du in den sozialen Medien tust oder womit du interagierst, generiert Daten, die für diesen Zweck genutzt werden können, und Tools wie R sind die perfekte Möglichkeit für Social-Media-Unternehmen, aus den gesammelten Datenmengen Erkenntnisse zu gewinnen und die Algorithmen zu steuern, die dafür sorgen, dass die Nutzerinnen und Nutzer immer wieder auf Inhalte zurückkommen, die ihren Interessen entsprechen. 

Welche Unternehmen nutzen R?

Hier sind nur einige der namhaften Unternehmen, die R in ihrem Tech-Stack verwenden:

• Bank of America
• Amazon
• Facebook
• JP Morgan 
• Google
• Accenture
• LinkedIn
• IBM
• Uber
• Deloitte
• Die New York Times
• Ford
• HP
• Und viele mehr...

Einige Code-Beispiele

R kann grundlegenden Code wie das Erstellen einer Matrix und deren Manipulation ausführen, wie wir unten sehen können:

#Let’s create a matrixmatrix_A <- matrix(1:10,nrow = 5, byrow = TRUE)matrix_A

#Now let’s add a column to the matrixmatrix_A1 <- cbind(matrix_A,c(6:10))matrix_A1

Es kann auch bei der Datenanalyse und -manipulation helfen:

#Let's load a built-in dataset data(mtcars)#print first 10 rowshead(mtcars,10)

#Let us try to sort the dataset based on ascending order of horsepowerattach(mtcars)df<- mtcars[order(hp),]head(df,10)

R-Grundlagen und R für Fortgeschrittene

Personen mit grundlegenden R-Kenntnissen können mit der Programmiersprache grundlegende Aufgaben zur Datensortierung und -analyse durchführen, wie z. B. die Zuweisung von Variablen und die Verwendung der Kommandozeile zur Durchführung von Berechnungen. 

Sie können auch visuelle Darstellungen von Daten erstellen, z. B. Kreisdiagramme oder Grafiken. Sie könnten R sogar nutzen, um ihre eigenen persönlichen Finanzen oder die eines kleinen Unternehmens zu verwalten. 

Wie erwartet, können Menschen mit fortgeschrittenen R-Kenntnissen all diese Dinge und noch viel mehr tun. 

R kann nicht nur für die Erstellung von Visualisierungen und Datenanalysen verwendet werden. R ist ein leistungsstarkes statistisches Werkzeug, mit dem du Vorhersagemodelle für maschinelles Lernen und andere Data-Science-Tools erstellen kannst. 

Obwohl es in erster Linie eine funktionale und domänenspezifische Sprache ist, kann R auch für einige objektorientierte Programmieraufgaben verwendet werden. Experten können R auch für die Metaprogrammierung nutzen, also die Erstellung von Programmen, die dann andere Programme schreiben oder manipulieren können.

Egal, ob du nur ein Werkzeug suchst, um deine eigenen Ausgaben besser zu verwalten, oder ob du ein Meister des R-Codes werden willst, DataCamp kann dir helfen. Unser breites Angebot an R-Kursen und Karrierepfaden ist für jeden geeignet, vom absoluten R-Anfänger bis zum kompetenten R-Programmierer und darüber hinaus. 

Schau dir unser R Cheat Sheet an, das einige der Grundlagen erläutert

Soll ich R oder Python wählen? 

Wir haben einen ganzen Artikel über R vs. Python geschrieben - in Wirklichkeit musst du beide Sprachen lernen, wenn du dich ernsthaft mit Data Science und Analytik beschäftigen willst. Python, eine Allzwecksprache mit einem breiten Ökosystem, wird manchmal wegen ihrer Vielseitigkeit bevorzugt, was sie ideal für maschinelles Lernen, KI und die Integration mit anderen Tools macht. R hingegen wurde speziell für statistische Berechnungen und Grafiken entwickelt und ist daher die erste Wahl für spezielle statistische Analysen und Forschung. 

Die Entscheidung, was du lernst oder verwendest, hängt oft von dem Projekt ab, an dem du arbeitest und was du erreichen willst. Zum Glück gibt es für beide Sprachen viele Lernressourcen, auf die du zurückgreifen kannst, um deine Fähigkeiten zu verbessern. 

Was ist R? Schlussgedanken

R ist eine beliebte Programmiersprache, die es ermöglicht, große Datenmengen zu verarbeiten, Visualisierungen in Publikationsqualität zu erstellen und eine Reihe von statistischen und analytischen Berechnungen durchzuführen. 

R wird unter anderem in den Bereichen Data Science, Finanzen und Wissenschaft eingesetzt und ist leistungsstark, flexibel und erweiterbar. Außerdem ist es kostenlos und komplett quelloffen, was bedeutet, dass es viele Pakete gibt, die R-Nutzern bei allen möglichen Aufgaben helfen, und eine unterstützende Gemeinschaft von R-Liebhabern weltweit.

Wenn du dich für eine Karriere im Datenbereich interessierst, können dir R-Kenntnisse helfen, weiterzukommen - und einen gut bezahlten Job in der Datenwissenschaft zu bekommen. Bei DataCamp findest du das umfangreichste Angebot an R-Kursen im Internet. Von der Einführung bis hin zum maschinellen Lernen mit R - wir haben alles für dich. Wenn du gerade erst anfängst, ist unser R Programming Skill Track der perfekte Ort, um auf den neuesten Stand zu kommen. Du kannst dir auch unseren Data Analyst With R Career Track ansehen, um deine Karriere zu starten.