RStudio Eğitimi: Yeni Başlayanlar için Kapsamlı Rehber (2026)

RStudio Nasıl Kurulur

RStudio’yu kurup kullanmaya başlamak için önce R programlama dilini indirip kurmamız gerekir. R’ı indirmek ve kurmak için aşağıdaki adımları izleyin:

1. The Comprehensive R Archive Network (CRAN) sitesini açın; bu, R’ın resmi web sitesidir.
2. Ekranın üst kısmında Download and Install R bölümünü bulun.
3. İşletim sisteminize karşılık gelen bağlantıya tıklayın.
4. En son sürümü seçin.
5. İndirilen dosyayı açın ve her yerde varsayılan seçenekleri bırakarak basit kurulum talimatlarını izleyin.

RStudio’yu indirmek ve kurmak için şu adımları izleyin:

• resmi Posit web sitesinin indirme sayfasını açın.
• İşletim sisteminizin otomatik olarak algılandığını göreceksiniz. "Install RStudio" altında, açılır menüden işletim sistemi sürümünüzü seçin.
• DOWNLOAD RSTUDIO DESKTOP FOR [YOUR OS] seçeneğine tıklayın.
  
• İndirilen dosyayı açın ve kurulum talimatlarını izleyin. Her yerde varsayılanları tercih edebilirsiniz.

RStudio Nasıl Kullanılır

Artık RStudio’yu başarıyla kurduğumuza göre, onu açalım, ana bölümlerini keşfedelim ve üzerinde çeşitli işlemler yapmayı deneyelim.

RStudio arayüzü

RStudio’yu açmak R yazılımını otomatik olarak başlatır. Platform arayüzü şu şekildedir:

Çalışma penceresini kabaca üç alana ayırabiliriz:

• Sol alan: Console, Terminal ve Background Jobs sekmelerini içerir
• Sağ üst alan: Environment, History, Connections ve Tutorial sekmelerini içerir
• Sağ alt alan: Files, Plots, Packages, Help, Viewer ve Presentation sekmelerini içerir

Not: Buradaki düzen RStudio 2022.07.1+554 sürümüne dayanmaktadır. Yeni sürümlerde sekme adları ve düzeni biraz değişebilir.

Şimdi temel sekmelere yakından bakalım.

Console

Bu sekmede ilk olarak kullanılan R sürümü hakkında bilgi ve denemek için bazı temel komutları görürüz. Bu açıklamaların sonunda R kodumuzu yazabilir, Enter’a basabilir ve sonucu kod satırının altında görebiliriz (örn. 2*2 çalıştırmayı deneyin). Esasen burada başka herhangi bir R programında yapacağımız her şeyi yapabiliriz; örneğin:

• R paketlerini kurmak ve yüklemek
• Basit veya karmaşık matematiksel işlemler yapmak
• Bir işlemin sonucunu bir değişkene atamak
• Veri içe aktarmak
• Vektörler, matrisler veya veri çerçeveleri gibi yaygın R nesneleri oluşturmak
• Verileri keşfetmek
• İstatistiksel analiz
• Veri görselleştirmeleri oluşturmak

Ancak kodumuzu doğrudan konsolda çalıştırdığımızda, daha sonra yeniden üretmek için kaydedilmez. Belirli bir görevi çözmek için tekrarlanabilir bir kod yazmamız gerekiyorsa (ki genellikle gerekir), bunu konsol yerine bir betik dosyasında kaydedip düzenli olarak saklamalıyız.

Birazdan betik yazmayı inceleyeceğiz. Şimdilik, konsolu çoğunlukla kodu test etmek ve yalnızca bir kez kurulmaları gerektiğinden R paketlerini kurmak için kullanmanız gerektiğini aklınızda tutun.

Environment

RStudio’da yeni bir değişken tanımladığımızda veya mevcut bir değişkeni yeniden atadığımızda, bu bir çalışma alanı nesnesi olarak saklanır ve değeriyle birlikte RStudio penceresinin sağ üst kısmındaki Environment sekmesinde görüntülenir. Konsolda <- "Hello, World!" atamasını çalıştırmayı deneyin ve Environment sekmesinde neler olduğuna bakın.

Bu, veri çerçeveleri gibi daha karmaşık nesneler için de geçerlidir. Verileri bir veri çerçevesi olarak içe aktardığımızda (veya sıfırdan oluşturduğumuzda), çalışma alanında yalnızca yeni nesnenin adını değil, her sütunun değerlerini ve veri türünü de görürüz. Ayrıca her bir nesne hakkında uzunluk ve bellek boyutu gibi daha fazla ayrıntıyı da görüntüleyebiliriz.

Aşağıdaki örnekte, konsolda iki değişken oluşturduk: greeting <- "Hello, World!" ve my_vector <- c(1, 2, 3, 4). Bunların Environment sekmesinde nasıl görüntülendiğine dikkat edin:

Değişkenlerimizin görüntülenme biçimini sekmenin sağ üst köşesinden List’ten Grid’e aşağıdaki gibi değiştirebiliriz:

Artık her bir nesnenin uzunluğunu ve boyutunu da görebileceğimize dikkat edin.

Grid görüntüleme modunda, her değişkenin solunda bir kutu görünür. Bu kutulardan herhangi birini işaretleyip Broom simgesine tıklayarak ilgili nesneleri çalışma alanından kaldırabiliriz:

Name sütununun solundaki kutuyu işaretleyip Broom simgesine tıklarsak ya da önceki görüntüleme modunda (List) bu simgeye tıklarsak, çalışma alanımızı temizleyip tüm değişkenleri kaldırırız.

Diğer önemli sekmeler

• Terminal – terminalden komut çalıştırmak için
• History – mevcut RStudio oturumunda gerçekleştirilen tüm işlemlerin geçmişini izlemek için
• Files – çalışma klasörünün yapısını görmek, çalışma klasörünü sıfırlamak, klasörler arasında gezinmek vb. için
• Plots – oluşturulan veri görselleştirmelerini önizlemek ve dışa aktarmak için
• Packages – hangi paketlerin yüklendiğini kontrol etmek ve paketleri yüklemek/boşaltmak (paket adının solundaki kutuyu açıp kapatarak)

RStudio’da R betikleri nasıl yazılır

Önce de belirttiğimiz gibi, kodumuzu ileride tekrar kullanabilmek için konsolda doğrudan çalıştırmak yerine bir betik dosyasında yazmalıyız. 

Bir betik kaydetmeye başlamak için File – New File – R Script’e tıklayın. Bu, RStudio arayüzünün sol üst köşesinde ( Console sekmesinin üstünde) bir metin düzenleyici açar:

Bir betikte, konsol bölümünde sıraladığımız tüm şeyleri (ve aslında diğer herhangi bir R IDE’sinde de aynı şeyleri) yapabiliriz; tek fark, artık eylemlerimizin ileride kullanım veya paylaşım için bir dosyada saklanacak olmasıdır. Betik dosyasına anlamlı bir ad vermek ve düzenli olarak kaydetmek önemlidir (Windows/Linux’ta Ctrl + S, Mac’te Cmd + S, tüm işletim sistemlerinde File – Save).

Betikten tek bir kod satırını çalıştırmak için imleci o satıra getirin ve metin düzenleyicinin sağ üst kısmındaki Run simgesine tıklayın. Alternatif olarak klavye kısayolunu kullanın (Windows/Linux’ta Ctrl + Enter, Mac’te Cmd + Enter). Birden fazla kod satırını çalıştırmak için gerekli satırları seçtikten sonra aynı işlemi yapın. Tüm kod satırlarını çalıştırmak için tüm satırları seçip Run simgesine tıklayın YA DA klavye kısayolunu kullanın (Windows/Linux’ta Ctrl + A + Enter, Mac’te Cmd + A + Enter).

Bir betik yazarken, gerektiğinde kod yorumları eklemek (kare işareti # kullanıp ardından açıklama satırı yazmak) ilerideki olası bir okuyucuya kod parçalarının arkasındaki “neden”i açıklamak açısından anlamlıdır. 

Ayrıca betiğin başına bazı önemli bağlam bilgileri eklemek iyi bir fikirdir: kodun yazarı ve katkıda bulunanlar, ne zaman yazıldığı, ne zaman güncellendiği, kapsamı vb. Bir diğer yararlı uygulama ise gerekli tüm R paketlerini, bu ilk bilgileri verdikten hemen sonra betiğin başında yüklemektir.

Kod ve anlatıyı birleştiren tekrarlanabilir, yayına hazır raporlar için doğrudan RStudio içinde çalışan R Markdown en iyi araçtır. Temelleri Yeni Başlayanlar için R Markdown eğitimi ile öğrenin. Jupyter Notebook’larla karşılaştırma için bkz. Jupyter ve R Markdown: R ile Notebook’lar.

RStudio’da çeşitli işlemler nasıl yapılır

Sırada, veri analizi amaçları için RStudio’da hangi eylemleri gerçekleştirebileceğimizi tartışacağız. Esasen ele alacağımız tüm işlemler, RStudio’ya özgü değil; hangi IDE olursa olsun genel olarak R kullanımına ilişkindir. 

Bu nedenle bu işlemlerin tüm teknik ayrıntılarına tane tane bakmayacağız. Bunun yerine bazı yaygın görevleri, R’deki pratik uygulamalarını (kod örnekleri) ve (uygulanabildiğinde) RStudio’daki alternatif yaklaşımları göreceğiz.

Aşağıdaki örnekleri RStudio’nun konsoluna kopyalayıp sonuçları keşfedin. Hem genel hem de alternatif (RStudio’ya özgü) yaklaşımları denemeyi düşünün.

R paketlerini kurma

Sözdizimi:

install.packages("package_name")

Örneğin:

install.packages("tidyverse")

RStudio’da:

• Tüm paketleri konsolda kurmayı unutmayın; betik dosyasında değil. Çünkü paketler bilgisayarın sabit diskine yalnızca bir kez kurulmalıdır.
• Paketleri doğrudan RStudio arayüzünden kurabilirsiniz: Packages sekmesini (sol alt alan) açın, Install’a tıklayın ve aşağıdaki gibi CRAN’den gerekli paketleri boşluk veya virgülle ayırarak seçin:

R paketlerini yükleme

Sözdizimi:

library(package_name)

Örneğin:

library(tidyverse)

Tidyverse, veri bilimi için popüler bir R paketleri koleksiyonudur — veri işleme için dplyr ve görselleştirme için ggplot2 dahil. Daha fazla bilgi için Tidyverse eğitimine bakın.

Paketleri kurarken tırnak işaretleri kullandığımıza, ancak yüklerken kullanmadığımıza dikkat edin.

RStudio’da:

• Tüm gerekli paketleri konsol yerine bir betik dosyasında yükleyin.
• Kurulu veya sistem paketlerini yükleme/boşaltma, Packages sekmesinde bu paketleri arayıp adlarının solundaki kutuyu işaretleyip/kaldırarak yapılabilir. Bazı paketlerin, başka paketler tarafından içe aktarılmışlarsa boşaltılamayacağını unutmayın.

Yüklü R paketlerini kontrol etme

Tüm yüklü paketlerin bir listesini almak için konsolda (.packages()) veya search() çalıştırın.

RStudio’da: Packages sekmesini açın, belirli bir paketi arayın ve adının solundaki kutunun işaretli olup olmadığını kontrol edin.

Bir R paketi veya herhangi bir yerleşik R nesnesi hakkında yardım alma

Kurulu ve yüklü bir paket ya da kurulu ve yüklü bir paketin fonksiyonu veya başka herhangi bir yerleşik R nesnesi (örneğin önceden yüklenmiş bir veri seti) hakkında yardım almak için şu sözdizimlerinden birini kullanın:

help(package_or_function_name)

veya

help("package_or_function_name")

veya

?package_or_function_name

Not: help fonksiyonuna bir fonksiyon adını parantezsiz geçirmemiz gerekir.

Help sekmesi, paket veya nesne dokümantasyonuyla açılacaktır. Bir paketi kontrol ediyorsak tüm fonksiyonlarının listesi ve her biri için dokümantasyon bağlantısını alırız.

Örneğin, konsolda ( readr ve dplyr paketlerinin kurulu ve yüklü olduğundan emin olduktan sonra) şunları çalıştırın:

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

RStudio’da: Packages sekmesinde istediğiniz paket adını (yüklenmemiş olsa bile) bulun ve tıklayın; sonucu Help sekmesinde görün.

Veri içe aktarma

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

(Yukarıdaki kodu çalıştırmak için önce herkese açık World Population Dataset’i Kaggle’dan indirin ve R betiğinizi sakladığınız klasörle aynı klasöre çıkartın.)

Yukarıdaki kodu çalıştırmanın sonucu, çalışma klasörünüzde bir R veri çerçevesi olacaktır.

RStudio’da:

• File – Import Dataset

VEYA

• Environment sekmesinde Import Dataset’e tıklayın:

Ardından From Text (base)... seçin, doğru klasöre gidin, içe aktarılacak dosyayı seçin, açılır penceredeki Name, Heading, Separator ve Decimal alanlarını doldurun veya kontrol edin, veri kümesi yapısını önizleyin ve Import’a tıklayın:

Artık içe aktarılan veri kümesini Environment sekmesinde ve yeni bir sekmede açılan bir hesap çizelgesinde bulup keşfedebilirsiniz:

R ile veri içe aktarımı hakkında daha fazla bilgi edinmek isterseniz, kapsamlı DataCamp beceri yolunu inceleyin: R ile Veri İçe Aktarma ve Temizleme. İçe aktaracağınız ve üzerinde çalışacağınız çeşitli veri kümelerini DataLab’de, DataCamp’in yapay zekâ destekli veri not defterinde ve RStudio’ya alternatifinde bulabilirsiniz.

Yerleşik R veri kümelerine erişme

R’da önceden yüklenmiş olarak sunulan örnek veri kümelerinin adları ve kısa açıklamaları dahil tam listesini görmek için konsolda şu kodu çalıştırın:

data()

Görünen adlardan herhangi birini alabilir ve her birini R’de çalışmak ve becerilerinizi geliştirmek için bir değişken (veri çerçevesi içeren) olarak kullanabilirsiniz.

Seçilen önceden yüklenmiş bir veri kümesi hakkında daha fazla bilgiye ihtiyaç duyarsanız, üzerinde help() fonksiyonunu çalıştırın; örn. help(CO2).

RStudio’da verileri düzenleme ve analiz etme

Diğer herhangi bir R IDE’sinde olduğu gibi, RStudio’da da R içindeki verilere erişebilir, onları değiştirebilir, dönüştürebilir, analiz edebilir ve modelleyebiliriz. Aşağıda CO2 yerleşik veri kümesi üzerinde gerçekleştirilen standart işlemlere bazı örnekler verilmiştir:

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))

Bunları RStudio’da tek tek çalıştırmayı deneyin ve çıktıyı gözlemleyin.

RStudio’da veri görselleştirme

Diğer herhangi bir R IDE’sinde olduğu gibi, RStudio’da da verileri görselleştirebiliriz. Aşağıda CO2 ve Orange yerleşik veri kümeleri için basit grafikler oluşturmanın bazı örnekleri verilmiştir. Her iki durumda da, ortaya çıkan grafik Plots sekmesinde görünür ve bu sekmenin Export düğmesi kullanılarak dışa aktarılabilir:

• histogram oluşturma:

hist(CO2$uptake)

• Saçılım grafiği oluşturma:

plot(Orange$age, Orange$circumference)

Son grafiğe biraz estetik katmak için temel plot() fonksiyonu için mevcut birkaç parametreyi ayarlayabiliriz:

plot(Orange$age, Orange$circumference, 

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

     main="Circumference vs. Age", 

     col="blue", pch=16)

Ya da ggplot2 veya diğer uzmanlaşmış görselleştirme paketlerini kullanabiliriz — R geniş bir seçenek yelpazesi sunar. Derinlemesine bir inceleme için ggplot2 eğitimimize veya DataCamp beceri yoluna bakın: R ile Veri Görselleştirme.

R’da sıfırdan veri oluşturma

Yine, bu durumda RStudio diğer herhangi bir R IDE’sinden farklı değildir.

Vektör oluşturmak için:

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

(Yukarıdaki veriler Vikipedi’den alınmıştır.)

Veri çerçevesi oluşturmak için:

oceans_depth <- data.frame(oceans, avg_depth)

Sonucu yazdırmak:

print(oceans_depth)

Ortaya çıkan vektörler ve veri çerçevesi RStudio’nun Environment sekmesinde de görünür:

Sonuç

Bu eğitimde, RStudio kullanmanın birçok temel yönünü ele aldık:

• RStudio nedir ve ne gibi avantajlara sahiptir
• RStudio nasıl kurulur
• RStudio arayüzü nasıldır ve ana bölümleri nasıl kullanılır
• Konsolda kod çalıştırmak ile betikte çalıştırmak arasındaki fark
• Mevcut RStudio oturumunda kullanılan tüm nesneler nerede bulunur
• Betik yazma için en iyi uygulamalar
• RStudio’da R paketlerini kurma ve yükleme, veri içe aktarma, verileri düzenleme, analiz etme ve görselleştirme, sıfırdan R nesneleri oluşturma gibi çeşitli işlemler nasıl yapılır

Artık RStudio’ya aşina olduğunuza göre, devam edip kullanmaya başlayabilirsiniz. Örneğin, RStudio’da kendi R projelerinizi oluşturmaya başlayın. İlham almak için En İyi R Proje Fikirleri başlıklı makaleye göz atın.

Projeler oluşturmaya başlamadan önce R’da daha fazla pratiğe ihtiyacınız olduğunu düşünüyorsanız, aşağıdaki başlangıç dostu DataCamp’teki R kurslarını ve yollarını değerlendirin:

• R ile Veri Bilimci
• R ile Veri Analisti
• R ile Makine Öğrenimi Bilimcisi
• R ile İstatistikçi
• Orta Düzey R
• R Programlama