RStudio-tutorial: een complete beginnersgids (2026)

Hoe installeer je RStudio

Om RStudio te installeren en ermee te gaan werken, moeten we eerst de programmeertaal R installeren. Volg onderstaande stappen om R te downloaden en te installeren:

1. Open The Comprehensive R Archive Network (CRAN), de officiële R-website.
2. Zoek bovenaan het scherm de sectie Download and Install R.
3. Klik op de link die overeenkomt met jouw besturingssysteem.
4. Selecteer de meest recente release.
5. Open het gedownloade bestand en volg de eenvoudige installatie-instructies, waarbij je overal de standaardopties laat staan.

Volg deze stappen om RStudio te downloaden en te installeren:

• Open de downloadpagina op de officiële Posit-website.
• Je ziet dat je besturingssysteem automatisch wordt herkend. Kies onder "Install RStudio" jouw OS-versie in het dropdownmenu.
• Klik op DOWNLOAD RSTUDIO DESKTOP FOR [YOUR OS].
  
• Open het gedownloade bestand en volg de installatie-instructies. Je kunt overal voor de standaardinstellingen kiezen.

Hoe gebruik je RStudio

Nu we RStudio succesvol hebben geïnstalleerd, openen we het, verkennen we de belangrijkste onderdelen en voeren we er verschillende bewerkingen in uit.

RStudio-interface

Bij het openen van RStudio wordt de R-software automatisch gestart. De interface ziet er als volgt uit:

Grofweg kunnen we het werkvenster in drie gebieden verdelen:

• Linkergebied: bevat de tabbladen Console, Terminal en Background Jobs
• Rechtsboven: bevat de tabbladen Environment, History, Connections en Tutorial
• Rechtsonder: bevat de tabbladen Files, Plots, Packages, Help, Viewer en Presentation

Opmerking: De lay-out hier is gebaseerd op RStudio 2022.07.1+554. Tabnamen en indeling kunnen in nieuwere versies licht afwijken.

Laten we de essentiële tabbladen van dichterbij bekijken.

Console

Op dit tabblad zien we eerst informatie over de gebruikte R-versie en enkele basiscommando's om te proberen. Aan het einde van die beschrijvingen kunnen we onze R-code typen, op Enter drukken en de resultaatregel onder de codelijn zien (probeer bijvoorbeeld 2*2 en kijk wat er gebeurt). In feite kunnen we hier alles doen wat we in elk ander R-programma zouden doen, bijvoorbeeld:

• Het installeren en laden van R-packages
• Eenvoudige of complexe wiskundige bewerkingen uitvoeren
• Het resultaat van een bewerking aan een variabele toewijzen
• Data importeren
• Veelvoorkomende R-objecten maken, zoals vectors, matrices of dataframes
• Data verkennen
• Statistische analyse
• Datavisualisaties bouwen

Als we onze code echter rechtstreeks in de console draaien, wordt deze niet opgeslagen om later te reproduceren. Als we (en dat is meestal zo) reproduceerbare code willen schrijven om een specifieke taak op te lossen, moeten we die in een scriptbestand noteren en regelmatig opslaan in plaats van in de console.

We kijken zo hoe je scripts schrijft. Onthoud voorlopig dat je de console vooral gebruikt om code te testen en R-packages te installeren, omdat die slechts één keer hoeven te worden geïnstalleerd.

Environment

Telkens wanneer we in RStudio een nieuwe variabele definiëren of een bestaande opnieuw toewijzen, wordt die als object in de workspace opgeslagen en samen met de waarde weergegeven op het tabblad Environment rechtsboven in het RStudio-venster. Probeer in de console <- "Hello, World!" uit te voeren en kijk wat er op het tabblad Environment gebeurt.

Dit geldt ook voor complexere objecten zoals dataframes. Wanneer we data als dataframe importeren (of er zelf een maken), zien we in de workspace niet alleen de naam van het nieuwe object, maar ook de waarden en het datatype van elke kolom. Bovendien kunnen we nog meer details over elk object tonen, zoals de lengte en geheugengrootte.

In het onderstaande voorbeeld hebben we twee variabelen in de console gemaakt: greeting <- "Hello, World!" en my_vector <- c(1, 2, 3, 4). Let op hoe ze worden weergegeven op het tabblad Environment:

We kunnen de weergave van onze variabelen rechtsboven op het tabblad wijzigen van List naar Grid, als volgt:

Merk op dat we nu ook de lengte en grootte van elk object kunnen zien.

In de weergavemodus Grid verschijnt links van elke variabele een selectievakje. We kunnen die aanvinken en op het Broom-pictogram klikken om de bijbehorende objecten uit de workspace te verwijderen:

Als we het vakje links van de kolom Name aanvinken en op het Broom-pictogram klikken, of als we in de vorige weergavemodus (List) gewoon op dit pictogram klikken, ruimen we onze workspace op door alle variabelen eruit te verwijderen.

Andere belangrijke tabbladen

• Terminal – om commando's vanuit de terminal uit te voeren
• History – om de geschiedenis bij te houden van alle bewerkingen tijdens de huidige RStudio-sessie
• Files – om de structuur van de werkmap te zien, de werkmap te wijzigen, tussen mappen te navigeren, enz.
• Plots – om gemaakte datavisualisaties te bekijken en te exporteren
• Packages – om te controleren welke packages geladen zijn en om packages te laden of te ontladen (door het vakje links van een packagenaam aan/uit te zetten)

Hoe schrijf je R-scripts in RStudio

Zoals eerder genoemd: als we onze code willen kunnen reproduceren en hergebruiken, moeten we die in een scriptbestand schrijven in plaats van rechtstreeks in de console. 

Om een script op te nemen, klik je op File – New File – R Script. Hierdoor wordt een teksteditor geopend linksboven in de RStudio-interface (boven het tabblad Console):

In een script kunnen we alles doen wat we in de sectie over de console opsomden (en we kunnen dit in elke andere R-IDE ook), met dit verschil dat onze acties nu in een bestand worden opgeslagen voor later gebruik of delen. Het is belangrijk om het scriptbestand een duidelijke naam te geven en het regelmatig op te slaan (Ctrl + S in Windows/Linux, Cmd + S op Mac, File – Save op elk besturingssysteem).

Om één regel code uit een script uit te voeren, plaats je de cursor op die regel en klik je op het pictogram Run rechtsboven in de teksteditor. Of gebruik een sneltoets (Ctrl + Enter in Windows/Linux, Cmd + Enter op Mac). Om meerdere regels uit te voeren, doe je hetzelfde nadat je de benodigde regels hebt geselecteerd. Om alle regels uit te voeren, selecteer je alles en klik je op Run of gebruik je een sneltoets (Ctrl + A + Enter in Windows/Linux, Cmd + A + Enter op Mac).

Als we een script schrijven, is het logisch om waar nodig codecommentaar toe te voegen (met een hekje # gevolgd door een regel commentaartekst) om aan een toekomstige lezer uit te leggen waarom bepaalde stukjes code zo zijn.

Het is ook een goed idee om bovenaan het script wat context toe te voegen: de auteur en bijdragers van de code, wanneer deze is geschreven, wanneer deze is bijgewerkt, de scope van de code, enz. Een andere nuttige gewoonte is om alle benodigde R-packages aan het begin van het script te laden, direct na de initiële informatie.

Voor reproduceerbare, publicatieklare rapporten die code en tekst combineren, is R Markdown de aangewezen tool—het werkt rechtstreeks in RStudio. Leer de basis in de R Markdown-tutorial voor beginners. Voor een vergelijking met Jupyter Notebooks, zie Jupyter en R Markdown: Notebooks met R.

Hoe voer je verschillende bewerkingen uit in RStudio

Vervolgens bespreken we welke acties we in RStudio kunnen uitvoeren voor data-analyse. In feite zijn alle bewerkingen die we gaan bekijken niet strikt aan RStudio gebonden, maar gelden ze voor R in het algemeen, in welke IDE dan ook. 

Daarom gaan we niet tot in detail op alle technische aspecten in. In plaats daarvan bekijken we enkele veelvoorkomende taken, hun praktische implementatie in R (codevoorbeelden) en alternatieve benaderingen (waar van toepassing) voor die taken in RStudio.

Kopieer-plak de onderstaande voorbeelden in de console van RStudio en bekijk de resultaten. Probeer zowel de algemene als de alternatieve (RStudio-specifieke) aanpakken.

R-packages installeren

Syntax:

install.packages("package_name")

Bijvoorbeeld:

install.packages("tidyverse")

In RStudio:

• Onthoud dat je alle packages in de console installeert in plaats van in een scriptbestand, omdat ze slechts één keer op de harde schijf van je computer hoeven te worden geïnstalleerd.
• Je kunt packages ook rechtstreeks vanuit de RStudio-interface installeren: open het tabblad Packages (linksonder), klik op Install en selecteer de benodigde packages van CRAN, gescheiden door een spatie of komma, als volgt:

R-packages laden

Syntax:

library(package_name)

Bijvoorbeeld:

library(tidyverse)

De tidyverse is een populaire verzameling R-packages voor data science—waaronder dplyr voor datamanipulatie en ggplot2 voor visualisatie. Leer meer in de Tidyverse-tutorial.

Merk op dat we bij het installeren aanhalingstekens gebruiken, maar bij het laden niet.

In RStudio:

• Laad alle benodigde packages in een scriptbestand in plaats van in de console.
• Het laden/ontladen van geïnstalleerde of systeem-packages kan door ze te zoeken en de vakjes op het tabblad Packages aan of uit te zetten. Let op dat sommige packages niet kunnen worden ontladen als ze door andere packages zijn geïmporteerd.

Geactiveerde R-packages controleren

Voer in de console (.packages()) of search() uit om een lijst te krijgen van alle geladen packages.

In RStudio: open het tabblad Packages, zoek een specifieke package en controleer of het vakje links van de naam is aangevinkt.

Hulp opvragen voor een R-package of ingebouwd R-object

Om hulp te krijgen over een geïnstalleerde en geladen package, of een functie van een geïnstalleerde en geladen package, of elk ander ingebouwd R-object (zoals een vooringestelde dataset), gebruik je een van de volgende syntaxes:

help(package_or_function_name)

of

help("package_or_function_name")

of

?package_or_function_name

Opmerking: we geven een functienaam door aan de help-functie zonder haakjes.

Het tabblad Help wordt geopend met de documentatie van de package of het object. Als we een package controleren, krijgen we de lijst van alle functies en de link naar de documentatie van elk daarvan.

Voer bijvoorbeeld het volgende uit in de console (nadat je zeker weet dat de packages readr en dplyr zijn geïnstalleerd en geladen):

help("read.csv")
?readr
help(help)
help('CO2')

In RStudio: zoek en klik op de gewenste packagenaam (ook als deze niet is geladen) op het tabblad Packages en bekijk het resultaat op het tabblad Help.

Data importeren

world_population <- read.csv("world_population.csv")

(Om bovenstaande code te draaien, download je eerst de publiek beschikbare World Population Dataset van Kaggle en pak je deze uit in dezelfde map als waar je je R-script bewaart.)

Het resultaat van het uitvoeren van bovenstaande code is een R-dataframe in je werkmap.

In RStudio:

• File – Import Dataset

OF

• Klik op Import Dataset op het tabblad Environment:

Selecteer daarna From Text (base)..., navigeer naar de juiste map, selecteer het te importeren bestand, vul of controleer de velden Name, Heading, Separator en Decimal in het pop-upvenster, bekijk een voorbeeld van de datasetstructuur en klik op Import:

Je kunt de geïmporteerde dataset nu vinden en verkennen op het tabblad Environment en in een spreadsheet die in een nieuw tabblad is geopend:

Wil je meer leren over data importeren met R? Verken dan het complete DataCamp-skilltrack Importing & Cleaning Data with R. Je vindt allerlei datasets om te importeren en mee te werken in DataLab, DataCamps AI-aangedreven datanotebook en een alternatief voor RStudio.

Ingebouwde R-datasets benaderen

Om de volledige lijst met beschikbare voorbeelddatasets die in R zijn voorgeïnstalleerd te zien, inclusief hun namen en korte beschrijvingen, voer je de volgende code uit in de console:

data()

Je kunt elke weergegeven naam gebruiken als variabele (met een dataframe) om mee te werken en je R-vaardigheden te oefenen.

Als je meer informatie nodig hebt over een gekozen vooringestelde dataset, voer dan de functie help() erop uit, bijv. help(CO2).

Data wranglen en analyseren in RStudio

Net als in elke andere R-IDE kunnen we in RStudio data benaderen, manipuleren, transformeren, analyseren en modelleren in R. Hieronder staan enkele voorbeelden van standaardbewerkingen op de ingebouwde CO2-dataset:

head(CO2)
tail(CO2)
colnames(CO2)
dim(CO2)
str(CO2)
summary(CO2)
summary(CO2$uptake)
median(CO2$uptake)
class(CO2$uptake)
unique(CO2$Treatment)
subset(CO2, conc == min(CO2$conc))

Probeer ze één voor één in RStudio uit te voeren en bekijk de output.

Data plotten in RStudio

Net als in elke andere R-IDE kunnen we in RStudio data plotten. Hieronder staan enkele voorbeelden van eenvoudige plots voor de ingebouwde datasets CO2 en Orange. In beide gevallen verschijnt de resulterende plot op het tabblad Plots en kan deze worden geëxporteerd via de knop Export op dat tabblad:

• Een histogram maken:

hist(CO2$uptake)

• Een scatterplot maken:

plot(Orange$age, Orange$circumference)

We kunnen een paar parameters van de basisfunctie plot() aanpassen om wat esthetiek toe te voegen aan de laatste plot:

plot(Orange$age, Orange$circumference, 

     xlab="Age", ylab="Circumference", 

     main="Circumference vs. Age", 

     col="blue", pch=16)

Of we gebruiken ggplot2 of een andere gespecialiseerde visualisatiepackage—R biedt een enorme keuze. Voor verdieping, zie onze ggplot2-tutorial of het DataCamp-skilltrack Data Visualization with R.

Data vanaf nul maken in R

Ook in dit geval verschilt RStudio niet van andere R-IDE's.

Een vector maken:

oceans <- c("Arctic", "Atlantic", "Indian", "Pacific", "Southern")
avg_depth <- c(1.2, 3.65, 3.74, 3.97, 3.27)

(Bovenstaande data komt van Wikipedia.)

Een dataframe maken:

oceans_depth <- data.frame(oceans, avg_depth)

Het resultaat printen:

print(oceans_depth)

De resulterende vectors en het dataframe verschijnen ook op het tabblad Environment van RStudio:

Conclusie

In deze tutorial hebben we veel essentiële aspecten van het gebruik van RStudio verkend:

• Wat RStudio is en welke voordelen het heeft
• Hoe je RStudio installeert
• Hoe de RStudio-interface eruitziet en hoe je de belangrijkste onderdelen gebruikt
• Het verschil tussen code draaien in de console en in een script
• Waar je alle objecten vindt die in de huidige RStudio-sessie worden gebruikt
• De best practices voor het schrijven van scripts
• Hoe je diverse bewerkingen uitvoert in RStudio, zoals R-packages installeren en laden, data importeren, wranglen, analyseren en visualiseren, R-objecten vanaf nul maken, enz.

Nu je bekend bent met RStudio, kun je ermee aan de slag. Denk bijvoorbeeld aan het bouwen van je eigen R-projecten in RStudio. Voor meer inspiratie, bekijk het artikel Top R-projectideeën.

Als je vindt dat je meer R-training nodig hebt voordat je projecten in RStudio gaat maken, overweeg dan de volgende beginnervriendelijke R-cursussen en -tracks op DataCamp:

• Data Scientist with R
• Data Analyst with R
• Machine Learning Scientist with R
• Statistician with R
• Intermediate R
• R Programming