R (Programmiersprache)

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
R
Logo
Maintainer R Development Core Team
Entwickler The R Foundation for Statistical Computing
Aktuelle Version 3.2.1
(18. Juni 2015)
Betriebssystem Unixoide, Mac OS, Microsoft Windows
Programmier­sprache C, Fortran
Kategorie Statistik
Lizenz GNU General Public License
Deutschsprachig ja
www.r-project.org

R ist eine freie Programmiersprache für statistisches Rechnen und statistische Grafiken. Sie ist in Anlehnung an die Programmiersprache S entstanden und weitgehend mit dieser kompatibel. Außerdem orientierten sich die Entwickler an der Programmiersprache Scheme.

R ist Teil des GNU-Projekts und auf vielen Plattformen verfügbar. R gilt zunehmend als die Standardsprache für statistische Problemstellungen sowohl in der Wirtschaft als auch in der Wissenschaft[1][2]. Im aktuellen TIOBE-Index (Stand: Juli 2015) belegt R Platz 17[3].

Geschichte[Bearbeiten]

R wurde 1992 von Ross Ihaka und Robert Gentleman an der Universität Auckland entwickelt. Sie orientierten sich eng an der in den Bell Laboratories entwickelten Sprache S zur Verarbeitung statistischer Daten, sodass die Mehrzahl der für S geschriebenen Programme unter R lauffähig ist. Der Name ist auf den Anfangsbuchstaben vom Vornamen der Entwickler zurückzuführen und zudem in Anlehnung an S entstanden.[4] Während der Entwicklung fand insbesondere die S-Version 4 Berücksichtigung, jedoch wurden die Quelltexte von R neu geschrieben. Eine weitere Inspirationsquelle war die Programmiersprache Scheme. 1993 wurde die Software erstmals öffentlich vorgestellt, seit Juni 1995 steht R unter der GNU General Public License.[5] Das Comprehensive R Archive Network als Plattform für Pakete startete am 23. April 1997. Der älteste Quelltext für Unixoide fällt auf dieses Datum; die Alpha-Versionen für Microsoft Windows und Mac erschienen kurze Zeit später. Am 29. Februar 2000 wurde die als stabil betrachtete Version 1.0 veröffentlicht. Seit Dezember 2001 gibt es R für Mac OS X. Version 2.0 wurde am 4. Oktober 2004 veröffentlicht. Seitdem nutzt R Lazy Loading, um Daten schnell laden zu können bei geringer Beanspruchung des Arbeitsspeichers. Seit Version 2.1 (18. April 2005) unterstützt R unterschiedliche Sprachversionen (Internationalisierung) und Zeichenkodierungen, insbesondere UTF-8. In der Folge gab es einige Verbesserung der Performance. Dazu zählt die Einführung von Version 3.0 am 03. April 2013, die Indexwerte von 231 und größer auf 64-Bit-Systemen erlaubt.[6]

Eigenschaften[Bearbeiten]

R ist eine Interpretersprache, die Benutzereingaben in der Kommandozeilenkonsole nach Betätigen der Enter-Taste unmittelbar zur Ausführung bringt. Es lassen sich zudem Programme in Skripten ausführen. Im Folgenden wird auf die Syntax, Datentypen und R-spezifische Dateiformate eingegangen: [7]

Syntax[Bearbeiten]

R ist case sensitive, also Groß- und Kleinschreibung beachtend. Objekte können mit dem Zuweisungsoperator (<-) erstellt oder überschrieben werden. Für Objektnamen sind alphanumerische Zeichen, Punkt und Unterstrich erlaubt, als erstes Zeichen jedoch nur Buchstaben oder ein Punkt (in diesem Fall ist das Objekt versteckt). Funktionen dienen dazu Variablen zu verändern, miteinander in Beziehung zu setzen, statistische Analysen durchzuführen und mehr. Nach dem Funktionsnamen steht eine öffnende runde Klammer; die schließende runde Klammer schließt die Funktion ab. Innerhalb der Klammern können der Funktion Argumente übergeben werden, die durch Kommas getrennt werden. Oft gibt es notwendige Argumente (beispielsweise Daten), meistens weitere, optionale Argumente. Die Keywords für die jeweiligen Argumente können beim Funktionsaufruf weggelassen werden, sofern die Reihenfolge der Argumente übereinstimmt. Zudem gibt es die Möglichkeit beim Erstellen der Funktion bestimmte Werte als Voreinstellung zu setzen. Funktionen können ineinander verschachtelt werden. Text nach dem Doppelkreuz (#) stellt bis zum Zeilenende einen Kommentar dar.

Datenstrukturen[Bearbeiten]

Als atomare Datentypen existieren in R die leere Menge (NULL), logische, numerische und komplexe Werte sowie Zeichenketten (character). Eine einfache und oft vorkommende Datenstruktur ist der Vektor. Die Elemente von Vektoren (eindimensional), Matrizen (ein- oder zweidimensional) und Arrays (beliebig dimensional) müssen Elemente gleichen Datentyps sein. Rechenoperationen werden auf alle Elemente dieser Datenstrukturen angewendet. Bei Zuweisung unterschiedlicher Datentypen zu einem Vektor werden die Daten umgewandelt, um einheitliche Datentypen zu erhalten; so werden etwa aus Zahlen Zeichenketten. Neben diesen homogenen Datenstrukturen werden oft sogenannte Data frames verwendet, um Daten als Datensatz darzustellen. Data frames sind matrizenförmig, können jedoch Spalten unterschiedlicher Datentypen enthalten. Darüber hinaus gibt es Listen. In Listen sind Daten beliebiger R-Strukturen und Datentypen enthalten. Viele statistische Analysefunktionen erzeugen Listen. Objekte verschiedener Datenstrukturen können gemeinsam in der Arbeitsumgebung existieren und gleichzeitig in Analysen verwendet werden. Fehlende Werte werden in R als NA (Not Available) bezeichnet; benutzerdefinierte fehlende Werte gibt es nicht. Nicht-definierte Werte werden als NAN (Not A Number) dargestellt.

R-spezifische Dateiformate[Bearbeiten]

In R kann Code als Skript in Textdateien gespeichert werden; diese haben üblicherweise die Endung .R. Das Format .RData wird verwendet, um zu verarbeitende und verarbeitete Daten und Ergebnisse zu exportieren. Beim Beenden einer Sitzung kann auch die Arbeitsumgebung als .RData gespeichert werden und die zuletzt verwendeten Befehle als .Rhistory. Daneben können mit Hilfe von bestimmten Paketen Daten aus vielen anderen Statistikpaketen (SPSS, SAS, STATA) und Tabellenkalkulationsprogrammen (.csv, .xls(x)) importiert werden und auch zu diesen Anwendungen exportiert werden (siehe oben unter 'Pakete')

Vor- und Nachteile[Bearbeiten]

In Anlehnung an Williams[8] und Muenchen[9] können folgende Vor- und Nachteile herausgestellt werden:

Vorteile[Bearbeiten]

R ist das umfassendste Werkzeug für statistische Analysen sowohl bezüglich der bereits implementierten Methoden als auch bezogen auf das Potential, das die Sprache für weitere statistische Fragestellungen bietet. R wurde von erfahrenen Statistikern für statistische Fragestellungen entworfen und geht somit direkt auf die Bedürfnisse ein, die für solche Zwecke benötigt werden (wenige Zeilen Code nötig für komplexe statistische Probleme). Der Code der statistischen Methoden ist offen einsehbar und wurde schon von vielen fähigen Statistikern gesichtet und verbessert; zudem ist R von der Food and Drug Administration für medizinische Zwecke validiert. R ist Open Source und kann somit leicht auf individuelle Vorlieben angepasst werden und durch eigene Methoden erweitert werden. Außerdem kostet R keine Lizenzgebühr und kann auf verschiedenen Betriebssystemen genutzt werden. Die Grafiken können sehr flexibel an benutzerdefinierte Bedürfnisse angepasst werden (zum Beispiel Verwendung mathematischer Symbole). Auch die Datenstrukturen erlauben Flexibilität. Der Funktionsumfang von R wird durch zahlreiche Pakete stetig erweitert; aufgrund des unkomplizierten Vorgehens werden viele neue Methoden als Erstes in R implementiert. Zahlreiche Funktionen und Pakete verknüpfen R mit anderer Software und ermöglichen somit das Importieren und Exportieren vieler Dateiformate. Auch andere Programmiersprachen und Datenbanken können eingebunden werden. Für R gibt es mittlerweile umfassende Literatur und Dokumentationen. R hat aktive User Groups um gegenseitig bei Problemen zu helfen sowie große Präsenz bei Portalen wie Stack Overflow und GitHub.

Nachteile[Bearbeiten]

Eine grafische Benutzeroberfläche ist in R nicht implementiert. Die Sprache erfordert somit Programmierfertigkeiten um sie nutzen zu können, was anfangs zu einer steilen Lernkurve führt. R-Editoren kommen dem teilweise entgegen, nicht jedoch in dem Umfang wie andere Statistik-Software. Hinzu kommt, dass R für eine sinnvolle Nutzung ein größeres Maß an statistischem Verständnis erfordert. Die R-Dokumentationen sind teilweise kurz oder uneinheitlich. Auch die Bezeichnung von Funktionen und Optionen in der Sprache selbst (besonders in Paketen) folgt nur wenigen Konventionen. Eine ausgiebige inhaltliche Qualitätssicherung von neuen Paketen findet nicht statt. Bei Fehlfunktionen kann niemand zur Rechenschaft gezogen werden oder ist für eine schnelle Verbesserung verantwortlich. Performance-Optimierung spielt bei R nur eine nachgeordnete Rolle, weshalb andere höhere Programmiersprachen oft schneller sind.

Pakete[Bearbeiten]

Der Funktionsumfang von R kann durch eine Vielzahl von Paketen erweitert und an spezifische statistische Problemstellungen aus diversen Anwendungsbereichen angepasst werden. Viele Pakete können dabei direkt aus einer über die R-Konsole abrufbaren Liste ausgewählt und automatisch installiert werden. Zentrales Archiv für diese Pakete ist das Comprehensive R Archive Network (CRAN). Die Software Bioconductor baut auf R auf und bietet Erweiterungen aus der Bioinformatik, insbesondere der Analyse von Genexpressionsdaten. Es gibt über 6817 Pakete auf CRAN[10] und 1024 Pakete auf Bioconductor[11]. Im Folgenden wird ein Überblick auf wichtige Pakete gegeben, die R mit anderer Software verknüpfen oder häufig heruntergeladen wurden[12].

Das Paket foreign[13] erlaubt es, Datensätze aus den anderen Statistikprogrammen SPSS, SAS (zum Teil), Stata, SYSTAT, Minitab, Epi Info, GNU Octave sowie der Software Weka für Maschinelles Lernen einzulesen, zu analysieren und in den jeweiligen Formaten zu speichern. translateSPSS2R[14] unterstützt die Übersetzung von SPSS-Code nach R. sas7bdat[15] ermöglicht das Einlesen von SAS-Dateien, R.matlab[16] das von Matlab-Dateien. Zudem kann Matlab dadurch über R gesteuert werden. Mit hexView[17] können unter Anderem EViews-Dateien eingelesen werden. Für XML-Dateien gibt es das Paket XML[18]. Mit readxl[19] können Microsoft Excel-Dateien eingelesen werden, mit gnumeric[20] Open Documents.

Mehrere Pakete liefern Schnittstellen um auf Datenbanken zuzugreifen. Dazu zählen RODBC[21] (ODBC), das Front-End DBI [22] sowie RMySQL[23] (MySQL), RPostgreSQL[24] (PostgreSQL), RSQLite[25] (SQLite), RJDBC[26] (JDBC) und ROracle[27] für Oracle-Datenbanken. rmongodb[28] bietet eine Schnittstelle zu MongoDB. SQL-ähnliche Abfragen können mit sqldf[29] innerhalb von R genutzt werden.

Verschiedene Pakete bieten Schnittstellen zu anderen Programmiersprachen, die vorwiegend zur Performance-Optimierung eingesetzt werden, etwa Rcpp[30][31] für C++ oder rPython[32] für Python. rJava[33] bietet eine Schnittstelle zu Java.

Das Paket twitteR[34] erlaubt einen Zugriff auf Beiträge bei Twitter, Rfacebook[35] greift auf die Facebook API zu. Mit googleVis[36][37] können die Google Charts genutzt werden.

Für Reporting-Zwecke lässt sich R-Code in LaTeX (knitr[38][39], Sweave) oder HTML beziehungsweise Markdown (knitr, rmarkdown[40]) einbinden. xtable[41] erlaubt es Tabellen mit R-Daten zu designen und liefert deren LaTeX- sowie HTML-Code. Mit dem Paket ReporteRs[42] lassen sich unter Anderem Vektorgrafiken erstellen, die auch nachträglich in Microsoft Word und PowerPoint bearbeitet werden können. jsonlite[43] ermöglicht es, Data frames als JSON-Objekte zu speichern.

Das Paket lattice[44][45] setzt die Idee der Trellis-Grafiken[46] zur Visualisierung von multivariaten Daten um. ggplot2[47][48] ermöglicht es ebenfalls, durch größere Abstraktion schneller komplexe Grafiken zu erstellen. Dieses Paket ist eine Implementierung von Leland Wilkinsons Grammar of Graphics[49]. Mit ggvis[50] (basiert auf ggplot2) und shiny[51] lassen sich interaktive, web-basierte Grafiken erstellen. rgl[52] eignet sich für interaktive dreidimensionale Grafiken. Bei der Grafikerstellung unterstützen zudem die Pakete scales[53] (Zuordnung von Daten auf ästhetische Elemente) sowie labeling[54] (weitere Achsenbeschriftungs-Optionen).

Mit dem Paket munsell[55] kann das Munsell-Farbsystem genutzt werden, mit Hilfe von colorspace[56] lassen sich Farbzuordnungen innerhalb einer großen Zahl an Farbsystemen realisieren. Der RColorBrewer[57] kann eine Farbpalette nach benutzerdefinierten Vorgaben erzeugen, etwa zur Kolorierung von Landkarten.

Im Bereich Datenmanagement vereinfacht plyr[58][59] das Bearbeiten von Listen, dplyr[60] das von Data frames, tidyr[61] das Anpassen von Data frames (Wide vs. Long-Datenformat), stringi[62] und stringr[63] die Bearbeitung von Zeichenketten, lubridate[64][65] das Editieren von Datums- und Zeitangaben und zoo[66][67] den Umgang mit Zeitreihen. data.table[68] ist eine effizientere Version an Stelle von Data frames. Durch digest[69] lässt sich eine Kryptologische Hashfunktion auf R-Objekte anwenden.

Mit devtools[70] können eigene Pakete erstellt, installiert und überprüft werden. roxygen2[71] unterstützt ihre Dokumentierung. Das Paket sos[72] ermöglicht es R und R-Pakete nach Funktionen zu durchsuchen. installr[73] aktualisiert R und andere Software (unter Windows). Mit dem Pipe-Operator aus dem Paket magrittr[74] lassen sich R-Funktionen sequenziell ausführen anstatt sie ineinander zu verschachteln um bessere Code-Lesbarkeit zu erzielen.

Unter der Rubrik Task Views[75] enthält CRAN eine Liste von 33 Themengebieten (Stand: Juni 2015) für welche eine kommentierte Beschreibung der für das Themengebiet relevanten Pakete vorhanden ist. Dies sind Bayessche Statistik, Chemometrik und Computerphysik, Klinische Studien, Clusteranalyse, Differentialgleichungen, Wahrscheinlichkeitsverteilungen, Ökonometrie, mathematische Beschreibung im Umweltbereich, Statistische Versuchsplanung, Finanzen, Genetik, Grafiken, Hochleistungsrechnen und Parallelrechnen, Maschinelles Lernen, Bildgebende Verfahren in der Medizin, Metaanalyse, Multivariate Verfahren, Computerlinguistik, Numerische Mathematik, Amtliche Statistik und Befragung, Optimierung, Pharmakokinetik, Phylogenese, Psychometrie, Reproduzierbare Forschung, Robuste Schätzverfahren, Sozialwissenschaften, Geostatistik, Geostatistik mit Berücksichtigung der Zeit, Ereigniszeitanalyse, Zeitreihenanalyse, Webservices und -technologien sowie Probabilistische Graphische Modelle.

Benutzeroberfläche[Bearbeiten]

R läuft in einer Kommandozeilenumgebung. Darüber hinaus gibt es mehrere grafische Benutzeroberflächen oder integrierte Entwicklungsumgebungen. Dazu zählen das RStudio[76], das Statistiklabor, die Java-basierte Benutzeroberfläche JGR[77] (Jaguar, Java GUI for R), RKWard und StatET (Eclipse)[78]. Sie zeichnen sich im Wesentlichen durch unterstützte Befehlseingabe (beispielsweise Prüfen der Anzahl an Klammern), Syntaxhervorhebung, Autovervollständigung, integrierte Hilfe, Informationen zu Objekten in der Arbeitsumgebung und Daten-Viewer oder -Editoren aus.

Zwei grafische Benutzeroberflächen, die als Pakete in R bereitgestellt werden, sind der R-Commander (Paketname: Rcmdr[79]) und relax[80]. Bei beiden lassen sich einige wichtige Prozeduren der explorativen und analytischen Statistik über ein Menüsystem aufrufen. Ebenso können über das Menü Standardgrafiken erzeugt werden. Der R-Commander erleichtert das Datenmanagement und hilft beim Schreiben von Skripten. Er ist betriebssystemunabhängig geschrieben[81]. relax ist speziell darauf konzipiert die Datenanalyse und Dokumentation der Ergebnisse im Stil des Literate programming in ein Dokument zu integrieren (vergleiche Sweave). Außerdem gibt es das Paket rattle[82][83], welches als GUI einen Einstieg in Data-Mining-Projekte bietet. Der Deducer[84] eignet sich vor allem zum Bearbeiten von Data frames.

Für die Editoren Notepad++[85], Emacs[86], gedit[87], jEdit[88], Lyx[89] (mit Sweave), Smultron[90], Sublime Text[91], TextMate[92], TextPad[93], Tinn[94], Vim[95], WinEdt[96] und TextWrangler[97] sowie SubEthaEdit[98] gibt es R-Erweiterungen.

Müssen Analysen wiederholt oder automatisch ausgeführt werden, kann R als reine Skriptsprache verwendet werden. Dazu werden die Befehle in eine Textdatei geschrieben, diese mit chmod ausführbar gemacht und aufgerufen:

#!/usr/bin/Rscript        # sogenannte Shebang-Zeile
# mein erstes R-Skript:
print("Hello World!")

Implementierungen von R[Bearbeiten]

Revolution Analytics hat die Analyse-Plattform Revolution R erschaffen, die R-Funktionen zusammen mit selbst entwickelten Komponenten anbietet. Darunter fallen die R-Produktivitäts-Umgebung ParallelR, RevoScaleR für Big Data-Analysen, das Framework RevoDeployR für Web Services und eine Möglichkeit SAS-Dateien zu lesen und zu schreiben[99]. Im April 2015 schloss Microsoft den Kauf von Revolution Analytics ab[100].

Oracle verkündete im Oktober 2011 die Big Data Appliance[101], die R, Apache Hadoop, Oracle Linux, und mit Hardware von Exadata eine NoSQL-Datenbank verknüpft. Wichtigster R-Bestandteil ist dabei Oracle R Enterprise (ORE) [102] mit dem Ziel die Datenmenge, die von R bearbeitet werden kann zu erhöhen. ORE und Oracle Data Mining bilden die Oracle Advanced Analytics Option.

IBM bietet eine Integration von R in die eigene InfoSphere BigInsights und in Hadoop, die sich Big R[103] nennt und etwa MapReduce implementiert. Auch mit der Platform Symphony[104] sind mittels R Analysen möglich.

SAP ermöglicht eine R-Anbindung über die In-Memory-Datenbank HANA[105].

TIBCO Spotfire Analytics hat mit TIBCO Enterprise Runtime for R (TERR)[106] eine Analyse-Plattform, die R beinhaltet. TIBCO stellt zudem den kommerziellen Dialekt von S (S-PLUS) bereit.

Mehrere dieser Unternehmen haben sich 2015 zum R consortium unter der Leitung der Linux Foundation zusammengeschlossen. Ziel ist insbesondere die Verbesserung der geschäftlichen Infrastruktur um R komfortabler im Unternehmensumfeld einsetzen zu können.[107] Mitglieder sind zurzeit neben der R Foundation die Unternehmen Microsoft, RStudio, Tibco, alteryx, Google, Hewlett-Packard, Ketchum Trading, Mango Solutions und Oracle.[108]

Alle Software-Pakete, bei denen Statistik einen Schwerpunkt bildet, unterstützen Schnittstellen zu R oder eine Integration. Dies sind SAS[109] und JMP[110], SPSS[111], MATLAB[112], Mathematica[113], Statistica[114] sowie Tableau[115].

Auf die Funktionalität von R können zahlreiche Skriptsprachen zugreifen. Dazu zählen Python (rpy2[116]), Julia (unter Anderem RCall[117]), Perl (Statistics::R[118]), Ruby (rsruby[119]) und F# (RProvider[120]). Mit PL/R[121][122] kann die Programmiersprache als Erweiterung von PostgreSQL zur serverseitigen Programmierung eingesetzt werden. Scripting in R selbst ist mit littler[123] möglich.

Beispiel[Bearbeiten]

Als einfaches Beispiel wird der Korrelationskoeffizient zweier Datenreihen / Vektoren mit der Funktion cor berechnet:

# Groesse wird als numerischer Vektor
# durch den Zuweisungsoperator "<-" definiert:
Groesse <- c(176, 166, 172, 184, 179, 170, 176)

# Gewicht wird als numerischer Vektor definiert:
Gewicht <- c(65, 55, 67, 82, 75, 65, 75)

# Berechnung des Korrelationskoeffizienten nach Pearson:
cor(Gewicht, Groesse, method = "pearson")

Das Ergebnis lautet 0.9295038.

Grafikausgabe des Beispiels

Als weitergehende Analyse kann eine lineare Regression durchgeführt werden. Dies kann in R durch die Funktion lm ausgeführt werden, wobei die abhängige Variable von den unabhängigen Variablen durch eine Tilde (~) getrennt wird. Die Funktion summary gibt die Koeffizienten der Regression und weitere Statistiken hierzu aus:

# Lineare Regression mit Gewicht als Zielvariable
# Ergebnis wird als reg gespeichert:
reg <- lm(Gewicht~Groesse)

# Ausgabe der Ergebnisse der obigen linearen Regression:
summary(reg)

Diagramme lassen sich einfach erzeugen:

# Streudiagramm der Daten:
plot(Gewicht~Groesse)

# Regressionsgerade hinzufügen:
abline(reg)

UseR!-Konferenzen[Bearbeiten]

useR! ist der Name der jährlichen Zusammenkünfte von R-Nutzern. Die erste dieser Veranstaltungen war useR! 2004, die im Mai 2004 in Wien stattfand. Nachdem 2005 ausgelassen wurde, fand die Konferenz jährlich statt, meist im Wechsel zwischen Europa und Nordamerika an verschiedenen Orten[124]:

Jahr Stadt Land Teilnehmer Website
2004 Wien Österreich useR! 2004
2006 Wien Österreich useR! 2006
2007 Ames, Iowa USA useR! 2007
2008 Dortmund Deutschland useR! 2008
2009 Rennes Frankreich useR! 2009
2010 Gaithersburg, Maryland USA useR! 2010
2011 Coventry Vereinigtes Königreich useR! 2011
2012 Nashville, Tennessee USA useR! 2012
2013 Albacete Spanien useR! 2013
2014 Los Angeles, Kalifornien USA useR! 2014
2015 Aalborg Dänemark etwa 650 useR! 2015
2016 Stanford, Kalifornien USA

Sonstiges[Bearbeiten]

  • Beschäftigte mit guten R-Kenntnissen, die an der Dice Tech Salary Survey (2013) teilnahmen, hatten ein höheres Durchschnittseinkommen als Beschäftigte mit anderen IT-Fertigkeiten[125].
  • Seit R-Version 2.14.0 hat jede Version einen unterhaltsamen Namen. Die Namensgebung ist unsystematisch, jedoch wurden einige Namen passend zu jahreszeitlichen Ereignissen gewählt. Die aktuelle Version (3.2.1) heißt World-Famous Astronaut.

Siehe auch[Bearbeiten]

Literatur[Bearbeiten]

Englisch[Bearbeiten]

Deutsch[Bearbeiten]

  •  Joseph Adler: R in a Nutshell. O'Reilly Media, Köln 2010 (übersetzt von Jörg Beyer), ISBN 978-3-89721-649-5.
  •  Rainer W. Alexandrowicz: R in 10 Schritten. UTB Facultas Verlags- und Buchhandels AG, Wien 2013, ISBN 978-3-8252-8484-8.
  •  Jürgen Hedderich, Lothar Sachs: Angewandte Statistik: Methodensammlung mit R. 14. Auflage. Springer, Berlin 2012, ISBN 978-3-642-24400-1.
  •  Uwe Ligges: Programmieren mit R. 3. Auflage. Springer, Heidelberg 2009, ISBN 978-3-540-79997-9.
  •  Katharina Manderscheid: Sozialwissenschaftliche Datenanalyse mit R. VS Verlag für Sozialwissenschaften, Wiesbaden 2012, ISBN 978-3-531-17642-0.
  •  Thomas Rahlf: Datendesign mit R – 100 Visualisierungsbeispiele. Open Source Press, München 2014, ISBN 978-3-95539-094-5.

Weblinks[Bearbeiten]

 Commons: GNU R – Sammlung von Bildern, Videos und AudiodateienVorlage:Commonscat/Wartung/P 2 fehlt, P 1 ungleich Lemma
 Wikibooks: GNU R – Lern- und Lehrmaterialien
  • R-project.org Offizielle Website zu R mit Informationen, Download-Möglichkeit, Dokumentationen und Ähnlichem
  • Rweb Angebot um R online zu nutzen
  • Rdocumentation.org Erweiterte Suche und Übersicht auf R-Funktionen und Pakete
  • R-bloggers Sammlung von über 10.000 Blogbeiträgen zu R-Themen, beigesteuert bei mehr als 500 Blogger

Einzelnachweise[Bearbeiten]

  1. Harald Weiss: R erlebt derzeit eine immense Verbreitung. Mario Inchiosa und Bill Jacobs zum Potenzial von R. In: heise Developer. Heise Medien GmbH & Co. KG, 10. März 2015, abgerufen am 21. Juli 2015 (deutsch).
  2. Robert A. Muenchen: The Popularity of Data Analysis Software. In: r4stats.com. 4. Januar 2012, abgerufen am 1. Juli 2015 (englisch).
  3. TIOBE Software: TIOBE Index for July 2015. In: TIOBE Software. TIOBE Software BV, abgerufen am 21. Juli 2015 (englisch).
  4. Kurt Hornik: R FAQ: Why is R named R? In: CRAN. The R Foundation, abgerufen am 7. Juli 2015 (englisch).
  5.  Ross Ihaka: R: Past and Future History. A Draft of a Paper for Interface '98. In: Sanford Weisberg (Hrsg.): Proceedings of the 30th Symposium on the Interface. The Interface Foundation of North America, 1998, S. 392–396 (PDF-Datei; 92.55KB, abgerufen am 8. Juli 2015).
  6. R Core Team: What's New? In: CRAN. The R Foundation, abgerufen am 8. Juli 2015 (englisch).
  7.  Uwe Ligges: Programmieren mit R. 3. Auflage. Springer, Heidelberg 2009, ISBN 978-3-540-79997-9, S. 8-49.
  8.  Graham Williams: Data Mining with Rattle and R. Springer, New York 2011, ISBN 978-1-4419-9889-7, S. 15-17.
  9.  Robert A. Muenchen: R for SAS and SPSS Users. Springer, New York 2011, ISBN 978-1-4614-0684-6, S. 2-5.
  10. R Core Team et al.: Contributed Packages. In: CRAN. The R Foundation, abgerufen am 29. Juni 2015 (englisch).
  11. Biocunductor Core Team: All Packages. In: Biocunductor. Biocunductor, abgerufen am 29. Juni 2015 (englisch).
  12. DataCamp: CRAN - Ranking of Packages. In: Rdocumentation.org. Rstudio, abgerufen am 5. Juli 2015 (englisch, Berücksichtigung nur von Paketen, die über RStudio heruntergeladen wurden).
  13. R Core Team et al.: R-Paket foreign. Read Data Stored by Minitab, S, SAS, SPSS, Stata, Systat, Weka, dBase, .. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.8-64).
  14. Andreas Wygrabek, Bastian Wießner et al.: R-Paket translateSPSS2R. Toolset for Translating SPSS-Syntax to R-Code. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.0.0).
  15. Matt Shotwell: R-Paket sas7bdat. SAS Database Reader (experimental). In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.5).
  16. Henrik Bengtsson et al.: R-Paket R.matlab. Read and Write MAT Files and Call MATLAB from Within R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 3.2.0).
  17. Paul Murrell: R-Paket hexView. Viewing Binary Files. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.3-3).
  18. Duncan Temple Lang et al.: R-Paket XML. Tools for Parsing and Generating XML Within R and S-Plus. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 3.98-1.3).
  19. Hadley Wickham et al.: R-Paket readxl. Read Excel Files. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.1.0).
  20. Karoly Antal: R-Paket gnumeric. Read Data from Files Readable by Gnumeric. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.7-2).
  21. Brian Ripley, Michael Lapsley: R-Paket RODBC. ODBC Database Access. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.3-12).
  22. Hadley Wickham et al.: R-Paket DBI. R Database Interface. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.3.1).
  23. Jeroen Ooms et al.: R-Paket RMySQL. Database Interface and MySQL Driver for R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.10.3).
  24. Tomoaki Nishiyama et al.: R-Paket RPostgreSQL. R interface to the PostgreSQL database system. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.4).
  25. Hadley Wickham et al.: R-Paket RSQLite. SQLite Interface for R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.0.0).
  26. Simon Urbanek: R-Paket RJDBC. Provides access to databases through the JDBC interface. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.2-5).
  27. Denis Mukhin, David A. James, Jake Luciani: R-Paket ROracle. OCI based Oracle database interface for R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.1-12).
  28. Markus Schmidberger et al.: R-Paket rmongodb. R-MongoDB driver. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.8.0).
  29. Gabor Grothendieck: R-Paket sqldf. Perform SQL Selects on R Data Frames. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.4-10).
  30. Dirk Eddelbuettel et al.: R-Paket Rcpp. Seamless R and C++ Integration. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.11.6).
  31.  Dirk Eddelbuettel: Seamless R and C++ Integration with Rcpp. Springer, New York 2013, ISBN 978-1-4614-6867-7.
  32. Carlos J. Gil Bellosta: R-Paket rPython. Package allowing R to call Python. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.0-5).
  33. Simon Urbanek: R-Paket rJava. Low-level R to Java interface. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.9-6).
  34. Jeff Gentry: R-Paket twitteR. R Based Twitter Client. In: CRAN. The R Foundation, abgerufen am 2. Juli 2015 (englisch, aktuelle Version: 1.1.8).
  35. Pablo Barbera, Michael Piccirilli: R-Paket Rfacebook. Access to Facebook API via R. In: CRAN. The R Foundation, abgerufen am 2. Juli 2015 (englisch, aktuelle Version: 0.5).
  36. Markus Gesmann, Diego de Castillo, Joe Cheng: R-Paket googleVis. R Interface to Google Charts. In: CRAN. The R Foundation, abgerufen am 2. Juli 2015 (englisch, aktuelle Version: 0.5.8).
  37.  Markus Gesmann, Diego de Castillo: googleVis: Interface between R and the Google Visualisation API. In: The R Journal. 3, Nr. 2, 2011, S. 40-44 (PDF-Datei; 512 kB).
  38. Yihui Xie et al.: R-Paket knitr. A General-Purpose Package for Dynamic Report Generation in R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.10.5).
  39.  Yihui Xie: Dynamic Documents with R and knitr. CRC Press - Taylor & Francis Group, Boca Raton 2014, ISBN 978-1-4822-0354-7.
  40. Joseph J. Allaire et al.: R-Paket rmarkdown. Dynamic Documents for R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.7).
  41. David B. Dahl: R-Paket xtable. Export tables to LaTeX or HTML. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.7-4).
  42. David Gohel et al.: R-Paket ReporteRs. Microsoft Word, Microsoft Powerpoint and HTML Documents Generation. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.7.8).
  43. Jeroen Ooms, Duncan Temple Lang, Lloyd Hilaiel: R-Paket jsonlite. A Robust, High Performance JSON Parser and Generator for R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.9.16).
  44. Deepayan Sarkar: R-Paket lattice. Lattice Graphics. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.20-31).
  45.  Deepayan Sarkar: Lattice: Multivariate Data Visualization with R. Springer, New York 2008, ISBN 978-0-387-75968-5.
  46.  Richard A. Becker, William S. Cleveland, Ming-Jen Shyu: The Visual Design and Control of Trellis Display. In: Journal of Computational and Graphical Statistics. 5, Nr. 2, 1996-06-01, ISSN 1061-8600, S. 123–155, doi:10.2307/1390777.
  47. Hadley Wickham: R-Paket ggplot2. An Implementation of the Grammar of Graphics. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.0.1).
  48.  Hadley Wickham: ggplot2: Elegant Graphics for Data Analysis. Springer, New York 2009, ISBN 978-0-387-98140-6.
  49.  Leland Wilkinson: The Grammar of Graphics. Springer, New York 1999, ISBN 978-0-387-98774-3.
  50. Winston Chang: R-Paket ggvis. Interactive Grammar of Graphics. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.4.2).
  51. Winston Chang et al.: R-Paket shiny. Web Application Framework for R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.12.1).
  52. Daniel Adler, Duncan Murdoch et al.: R-Paket rgl. 3D Visualization Using OpenGL. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.95.1247).
  53. Hadley Wickham et al.: R-Paket scales. Scale Functions for Visualization. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 0.2.5).
  54. Justin Talbot: R-Paket labeling. Axis Labeling. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 0.3).
  55. Charlotte Wickham: R-Paket munsell. Munsell colour system. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 0.4.2).
  56. Achim Zeileis et al.: R-Paket colorspace. Color Space Manipulation. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 1.2-6).
  57. Erich Neuwirth: R-Paket RColorBrewer. ColorBrewer Palettes. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 1.1-2).
  58. Hadley Wickham: R-Paket plyr. Tools for Splitting, Applying and Combining Data. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.8.3).
  59.  Hadley Wickham: The Split-Apply-Combine Strategy for Data Analysis. In: Journal of Statistical Software. 40, Nr. 1, 2011, S. 1-29 (online).
  60. Hadley Wickham et al.: R-Paket dplyr. A Grammar of Data Manipulation. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.4.2).
  61. Hadley Wickham et al.: R-Paket tidyr. Easily Tidy Data with spread() and gather() Functions. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.2.0).
  62. Marek Gagolewski et al.: R-Paket stringi. Character String Processing Facilities. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 0.5-5).
  63. Hadley Wickham et al.: R-Paket stringr. Simple, Consistent Wrappers for Common String Operations. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.0.0).
  64. Garrett Grolemund et al.: R-Paket lubridate. Make dealing with dates a little easier. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.3.3).
  65.  Garrett Grolemund, Hadley Wickham: Dates and Times Made Easy with lubridate. In: Journal of Statistical Software. 40, Nr. 3, 2011, S. 1-25 (online).
  66. Achim Zeileis et al.: R-Paket zoo. S3 Infrastructure for Regular and Irregular Time Series (Z's Ordered Observations). In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 1.7-12).
  67.  Achim Zeileis, Gabor Grothendieck: zoo: S3 Infrastructure for Regular and Irregular Time Series. In: Journal of Statistical Software. 14, Nr. 6, 2005, S. 1-27 (online).
  68. Matthew Dowle et al.: R-Paket data.table. Extension of data.frame. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.9.4).
  69. Dirk Eddelbuettel et al.: R-Paket digest. Create Cryptographic Hash Digests of R Objects. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 0.6.8).
  70. Hadley Wickham et al.: R-Paket devtools. Tools to Make Developing R Packages Easier. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.8.0).
  71. Hadley Wickham et al.: R-Paket roxygen2. In-Source Documentation for R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 4.1.1).
  72. Spencer Graves, Sundar Dorai-Raj, Romain Francois: R-Paket sos. Search contributed R packages, sort by package. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 1.3-8).
  73. Tal Galili et al.: R-Paket installr. Using R to Install Stuff (Such As: R, Rtools, RStudio, Git, and More!). In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.16.0).
  74. Stefan Milton Bache, Hadley Wickham: R-Paket magrittr. A Forward-Pipe Operator for R. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 1.5).
  75. R Core Team: CRAN Task Views. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch).
  76. Joseph J. Allaire et al.: RStudio. In: RStudio. RStudio, Inc., abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 0.99.463).
  77. Markus Helbig, Simon Urbanek, Ian Fellows: JGR - Java GUI for R. In: RForge.net. The R Foundation, abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 1.7-16).
  78. Stephan Wahlbrink: StatET for R. In: WalWare. Abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 3.4.2).
  79. John Fox et al.: R-Paket Rcmdr. R Commander. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 2.1-7).
  80. Hans Peter Wolf: R-Paket relax. relax – R Editor for Literate Analysis and lateX. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 1.3.15).
  81.  John Fox: The R Commander: A Basic-Statistics Graphical User Interface to R. In: Journal of Statistical Software. 14, Nr. 9, 19. August 2005, ISSN 1548-7660, S. 1–42.
  82. Graham Williams et al.: R-Paket rattle. Graphical user interface for data mining in R. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 3.4.1).
  83.  Graham Williams: Data Mining with Rattle and R. Springer, New York 2011, ISBN 978-1-4419-9889-7.
  84. Ian Fellows et al.: R-Paket Deducer. Deducer: A data analysis GUI for R. In: CRAN. The R Foundation, abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 0.7-7).
  85. Andrew Redd: NppToR: R in Notepad++. In: Sourceforge. DHI Group, Inc., abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 2.6.3).
  86. Anthony J. Rossini: ESS - version 15.03-1. In: ESS. Abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 15.03-1).
  87. Dan Dediu: Welcome to Rgedit. In: Sourceforge. DHI Group, Inc., abgerufen am 7. Juli 2015 (englisch).
  88. Jose Claudio Faria: R syntax. In: jEdit Community. Björn Kautler, abgerufen am 7. Juli 2015 (englisch).
  89. Paul E. Johnson, Gregor Gorjanc: LyX with R through Sweave. How to use LyX together with R through Sweave. In: LyX. The LyX Project, abgerufen am 7. Juli 2015 (englisch).
  90. Peter Borg: Smultron. An elegant and powerful text editor that is easy to use. In: Peter Borg Apps. Peter Borg Apps AB, abgerufen am 7. Juli 2015 (englisch).
  91. Kevin Johnsin: Using R in Sublime Text 3. In: kevjohnson.org. 10. Februar 2014, abgerufen am 7. Juli 2015 (englisch).
  92. Jim Barritt: Using TextMate with R. In: non-random ramble. 16. November 2010, abgerufen am 7. Juli 2015 (englisch).
  93. Tobias Elze, Paul Renaud: add-ons. syntax definition files: R. In: TextPad. Helios Software Solutions, abgerufen am 7. Juli 2015 (englisch).
  94. Ricardo Pietrobon: Tinn-R. In: LEC. Núcleo de Biologia Computacional e Gestão de Informações Biotecnológicas, abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 4.0.3.5).
  95. Jakson Aquino: Vim-R-plugin: Plugin to work with R. In: Vim. Abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 1.2.6).
  96. Uwe Ligges, Gilbert Ritschard, Karl Koeller: R-Paket RWinEdt. R Interface to WinEdt. In: CRAN. The R Foundation, abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 2.0-4).
  97. Johannes W. Dietrich: TextWrangler. In: Formatio Reticularis. Abgerufen am 7. Juli 2015 (englisch).
  98. Johannes W. Dietrich: SubEthaEdit. In: Formatio Reticularis. Abgerufen am 7. Juli 2015 (englisch).
  99. Revolution Analytics: Revolution R Enterprise 7.0 README. In: Revolution Analytics. Microsoft Corp., abgerufen am 5. Juli 2015 (PDF, englisch, aktuelle Version: 7.4).
  100. Alexander Neumann: Programmiersprache R: Microsoft schließt Übernahme von Revolution Analytics ab. In: heise Developer. Heise Medien GmbH & Co. KG, 8. April 2015, abgerufen am 5. Juli 2015 (deutsch).
  101. Timothy Prickett Morgan: Oracle rolls its own NoSQL and Hadoop. A supremely confident Ellison mounts the Big Data elephant. In: The Register. Situation Publishing Ltd., 3. Oktober 2011, abgerufen am 5. Juli 2015 (englisch).
  102. Chris Kanaracus: Oracle Stakes Claim in R With Advanced Analytics Launch. In: PCWorld. International Data Group, Inc., 8. Februar 2012, abgerufen am 5. Juli 2015 (englisch).
  103. Deirdre Longo: Big R. In: IBM developerWorks. IBM Corp., 23. September 2014, abgerufen am 5. Juli 2015 (englisch).
  104. Louise Westoby: IBM Platform Computing. Parallel Computing und Application Grid Management: IBM Platform Symphony. In: IBM Systeme. IBM Corp., abgerufen am 5. Juli 2015 (deutsch).
  105. Alexander Neumann: SAP positioniert HANA auch als Entwicklungsplattform. In: heise Developer. Heise Medien GmbH & Co. KG, 16. Mai 2012, abgerufen am 5. Juli 2015 (deutsch).
  106. Tibco Spotfire: Unleash the agility of R for the Enterprise. In: Tibco Spotfire. TIBCO Software Inc., abgerufen am 5. Juli 2015 (englisch).
  107. Alexander Neumann: Programmiersprache R: Konsortium mit breiter Industrieunterstützung gegründet. In: heise Developer. Heise Medien GmbH & Co. KG, 1. Juli 2015, abgerufen am 21. Juli 2015 (deutsch).
  108. R Consortium: Members. In: R Consortium. R Consortium, Inc., abgerufen am 21. Juli 2015 (englisch).
  109. SAS Customer Support: R Interface Now Available in SAS/IML Studio. In: SAS. SAS Institute Inc., abgerufen am 5. Juli 2015 (englisch).
  110. JMP Online Documentation: Working with R. In: JMP. SAS Institute Inc., abgerufen am 5. Juli 2015 (englisch).
  111. Catherine Dalzell: Calling R from SPSS. An introduction to the R plug-in for SPSS. In: IBM developerWorks. IBM Corp., 31. Oktober 2013, abgerufen am 5. Juli 2015 (englisch).
  112. Robert Henson: MATLAB-Paket R-link. Functions for calling the statistical package R from within MATLAB. In: MATLAB Central. The MathWorks, Inc, 1. Juni 2004, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 1.1).
  113. Wolfram: Built-in Integration with R. In: Wolfram. Wolfram Research, Inc., abgerufen am 5. Juli 2015 (englisch).
  114. StatSoft: Statistica und R – das beste aus zwei Welten in einer Lösung. Nutzung der Programmiersprache R. In: StatSoft. Dell Inc., abgerufen am 5. Juli 2015 (deutsch).
  115. Elaine Chen: R und Tableau verwenden. In: tableau. Tableau Software Inc., abgerufen am 5. Juli 2015 (deutsch).
  116. Laurent Gautier: Python-Paket rpy2. Python interface to the R language (embedded R). In: PyPI. Python Software Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 2.6.0).
  117. Douglas M. Bates et al.: Julia-Paket RCall. Embedded R within Julia. In: GitHub. GitHub, Inc., abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 0.2.1).
  118. Florent Angly, Graciliano M. Passos: Perl-Paket Statistics::R. Perl interface with the R statistical program. In: CPAN. The Perl Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 0.33).
  119. Alex Gutteridge: Ruby-Paket rsruby. In: Ruby Forge. Abgerufen am 5. Juli 2015 (englisch, aktuelle Version:).
  120. Blue Mountain Capital et al.: F# R Type Provider. In: GitHub. GitHub, Inc., abgerufen am 5. Juli 2015 (englisch).
  121. Joseph E. Conway: PL/R. R Procedural Language for PostgreSQL. In: JoeConway.com. Abgerufen am 5. Juli 2015.
  122.  Philipp L. Rautenberg, Andrey Sobolev, Andreas V. M. Herz, Thomas Wachtler: A Database System for Electrophysiological Data. In: Transactions on Large-Scale Data and Knowledge Centered Systems IV. Springer, Berlin 2011, ISBN 978-3-642-23740-9, S. 1-14.
  123. Dirk Eddelbuettel: Littler. In: dirk.eddelbuettel.com. 14. Juli 2011, abgerufen am 5. Juli 2015 (englisch).
  124. R Core Team: useR! - International R User Conference. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch).
  125. Dice: Dice Tech Salary Survey. Salaries and Confidence Rise for U.S. Tech Professionals. In: Dice. DHI Group Inc., 29. Januar 2014, S. 9, abgerufen am 30. Juni 2015 (PDF, englisch, Teilnehmer: insgesamt 17236 – vorwiegend US-amerikanische – Beschäftigte aus der Technologiebranche).