R (Programmiersprache)

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
R
Logo
Basisdaten
Paradigmen: funktional, dynamisch, objektorientiert
Erscheinungsjahr: 1993
Designer: Ross Ihaka und Robert Gentleman
Entwickler: R Development Core Team
Aktuelle Version: 3.2.2  (14. August 2015)
Typisierung: dynamisch, implizit, schwach
Beeinflusst von: S, Scheme
Beeinflusste: Julia
Betriebssystem: Unixoide, Mac OS, Microsoft Windows
Lizenz: GNU GPL
www.r-project.org

R ist eine freie Programmiersprache für statistisches Rechnen und statistische Grafiken. Sie wurde von Statistikern für Anwender mit statistischen Aufgaben entwickelt. Die Syntax orientiert sich an der Programmiersprache S, womit R weitgehend kompatibel ist und die Semantik an Scheme.

R ist Teil des GNU-Projekts und auf vielen Plattformen verfügbar. R kann durch eigene Funktionen und solche aus einer großen Anzahl online abrufbarer Pakete erweitert werden. Die Sprache bietet Schnittstellen zu anderen Programmiersprachen und Software und lässt sich in zahlreiche Software integrieren.

R gilt zunehmend als die Standardsprache für statistische Problemstellungen sowohl in der Wirtschaft als auch in der Wissenschaft[1][2]. Im TIOBE-Index belegt R Platz 20[3], im Ranking von RedMonk Platz 13[4], bei PYPL Platz 10[5] und beim Institute of Electrical and Electronics Engineers Platz 6.[6]

Geschichte[Bearbeiten]

R wurde 1992 von den Statistikern Ross Ihaka und Robert Gentleman an der Universität Auckland entwickelt. Sie orientierten sich eng an der in den Bell Laboratories (heute Teil von Alcatel-Lucent) entwickelten Sprache S zur Verarbeitung statistischer Daten, sodass die Mehrzahl der für S geschriebenen Programme unter R lauffähig ist. Die Entwickler schrieben zuerst einen Interpreter für Scheme und wandelten die Sprache soweit ab, dass sie S ähnelte. Der Name ist auf den Anfangsbuchstaben vom Vornamen der Entwickler zurückzuführen und zudem in Anlehnung an S entstanden. Die Programmierung von R fand in C, Fortran und in R selbst statt.[7] 1993 wurde die Sprache erstmals öffentlich vorgestellt; seit Juni 1995 steht R unter der GNU General Public License.[8] 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 3. April 2013, die Indexwerte von 231 und größer auf 64-Bit-Systemen erlaubt.[9]

Eigenschaften[Bearbeiten]

R ist eine Interpretersprache, die nicht kompiliert werden muss und 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 Programmierparadigmen, Syntax, Datentypen und R-spezifische Dateiformate eingegangen:[10][11][12]

Programmierparadigmen[Bearbeiten]

R ist eine Multiparadigmensprache der vierten Generation. Das funktionale Herz ist von Scheme und Haskell inspiriert. Funktionen können als First-Class-Objekte neu erstellt, unter anderem Namen gespeichert werden, überschrieben werden (sie sind somit keine Schlüsselworte) und ihrerseits Funktionen als Ergebnis haben (siehe auch Closures). Es ist möglich Funktionen zu benennen oder anonym zu deklarieren (Lambda-Funktionen). Einige Funktionen sind dazu geschaffen, vektorwertig ausgeführt zu werden statt Schleifen; für Rekursion wurde nicht optimiert. Viele Funktionen arbeiten unterschiedlich in Abhängigkeit vom Input (Reflexion). Oft gibt es notwendige Argumente für Funktionen (beispielsweise Daten), meistens weitere, optionale Argumente. Argumente werden per deep copy übergeben. Die Namen der jeweiligen Argumente können beim Funktionsaufruf weggelassen werden, sofern die Reihenfolge der Argumente übereinstimmt. Darüber hinaus gibt es die Möglichkeit beim Erstellen neuer Funktion bestimmte Werte als Voreinstellung zu setzen. Neu erstellte Objekte befinden sich in der Umgebung, in der sie erschaffen wurden und jeder auszuwertende Ausdruck kann durch sein Ergebnis ersetzt werden (referenzielle Transparenz). Zwischen Variablen und Funktionen wird namentlich nicht unterschieden (Lexical Scoping). R verwendet Lazy Evaluation, das heißt Code wird nur soweit ausgewertet, wie er benötigt wird (call by need). R kann daher mit Futures umgehen, was es darüber hinaus ermöglicht Funktionen ineinander zu verschachteln und unbegrenzte Datenstrukturen zu erstellen. Berechnungen auf symbolischer Ebene sind standardmäßig kein Bestandteil von R.

R hat zudem Eigenschaften, die für dynamische Programmierung typisch sind. Variablen können flexibel die Struktur verändern. Es ist möglich Code für noch nicht ausgewertete Ausdrücke zu erhalten. Text kann dynamisch als Code ausgewertet werden. printf wird zur Formatierung von Zeichenketten unterstützt. Des Weiteren können die Futures mehrfach ausgewertet werden.

Um 1990 erschien die vierte Version von S, welche die Sprache um Klassen und Multimethoden für Ad-hoc Polymorphie erweitert, sodass objektorientierte Programmierung möglich wurde. R implementiert diese S4-Klassen. Dadurch ist etwa mehrfache Vererbung möglich. Es gibt kein Aliasing. Objektstrukturen sind immer baumförmig und Wirkungen sind begrenzt. Nebenläufigkeit wird nicht interstützt.

Eingelesene Daten speichert R im Hauptspeicher. Die Datenspeicherung erfolgt spaltenorientiert. R nutzt Garbage Collection zur Verringerung des Speicherbedarfs.

Syntax[Bearbeiten]

R ist case sensitive, also Groß- und Kleinschreibung beachtend. Objekte können mit dem Zuweisungsoperator (<- und in vielen Fällen =) 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). Der Super-Zuweisungsoperator (<<-) weist Variablen der nächst-höheren Umgebung Werte zu. 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. Funktionen, die nacheinander ausgeführt werden sollen, können durch Semikola getrennt werden oder in separate Codezeilen geschrieben werden. Eckige Klammern dienen der Indizierung von Elementen aus Datenstrukturen. Geschweifte Klammern legen Programmierblöcke fest. Text nach dem Doppelkreuz (#) stellt bis zum Zeilenende einen Kommentar dar. Einrückungen und wiederholter Leerraum haben keinen Einfluss auf die Ausführung von R-Code.

Datenstrukturen[Bearbeiten]

Als atomare Datentypen existieren in R die leere Menge (NULL), logische (TRUE und FALSE), 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 aus Spalten unterschiedlicher Datentypen bestehen. Darüber hinaus gibt es Listen. In Listen sind Daten beliebiger R-Strukturen und Datentypen enthalten. Objekte verschiedener Datenstrukturen können gemeinsam in der Arbeitsumgebung existieren und gleichzeitig in Analysen verwendet werden. Wenn Datenstrukturen unterschiedlicher Dimensionen miteinander verknüpft werden, wird meistens sogenanntes Recycling verwendet, wobei das kürzere Objekt so lange aneinander gereiht wird, bis es die Länge des größeren Objektes erreicht. 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.

Dateiformate[Bearbeiten]

R kann Daten aus den Textdateiformaten csv und txt einlesen und dahin exportieren. Mit Hilfe von Paketen (siehe unten) können zahlreiche andere Dateiformate importiert und exportiert werden. Daten können zudem aus der Zwischenablage (clipboard) eingefügt werden. Aus R heraus können devices geöffnet werden, mit denen Output statt in die Konsole in Dateien geschrieben wird. Dabei werden die Grafikformate jpeg, png, svg, tiff, Windows Bitmap und Metafile sowie Cairo-Grafiken unterstützt. Außerdem können die Formate pdf, Postscript und Encapsulated PostScript erstellt werden.

In R kann Code als Skript in Textdateien gespeichert werden; diese haben üblicherweise die Endung .R. Das Format .RData (oder kurz .Rda) wird verwendet um Daten und Ergebnisse effizient zu exportieren. Beim Beenden einer Sitzung kann auch die Arbeitsumgebung als .RData gespeichert werden und die zuletzt verwendeten Befehle als .Rhistory. Einzelne Objekte können als .Rds gespeichert werden.

Vor- und Nachteile[Bearbeiten]

In Anlehnung an Williams[13] und Muenchen[14] 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 unter 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 flachen 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 7000 Pakete auf CRAN.[15] und 1024 Pakete auf Bioconductor[16] Im Folgenden wird ein Überblick auf wichtige Pakete gegeben, die R mit anderer Software verknüpfen oder häufig heruntergeladen wurden.[17]

Das Paket foreign[18] erlaubt es, Datensätze aus den anderen Statistikprogrammen SPSS, SAS (zum Teil), Stata, SYSTAT, Minitab, Epi Info, GNU Octave sowie Weka einzulesen, zu analysieren und in den jeweiligen Formaten zu speichern. translateSPSS2R[19] unterstützt die Übersetzung von SPSS-Code nach R. sas7bdat[20] ermöglicht das Einlesen von SAS-Dateien, R.matlab[21] das von Matlab-Dateien. Zudem kann Matlab dadurch über R gesteuert werden. Software für Maschinelles Lernen wie Weka und H2O (für Big Data) können durch RWeka[22] sowie h2o[23] eingebunden werden. Die Programme OpenBugs (R2OpenBUGS[24]), Stan (rstan[25]) und JAGS (rjags[26]) für Bayessche Statistik sowie Gurobi (gurobi[27]) für mathematische Optimierung lassen sich über Pakete einbinden. Mit hexView[28] können unter Anderem EViews-Dateien eingelesen werden. Mit readxl[29] können Microsoft Excel-Dateien eingelesen werden, mit gnumeric[30] Open Documents. Im Bereich der Auszeichnungssprachen für Datenserialisierung gibt es für XML-Dateien das Paket XML[31] und yaml[32] für YAML-Dateien. Auf das Chemical Development Kit (Chemoinformatik), welches die Chemical Markup Language verwendet, kann mit rcdk[33][34] zugegriffen werden. Für wissenschaftliche Daten können die Formate NetCDF und das Hierarchical Data Format mit RNetCDF[35] sowie ncdf[36] eingelesen werden. Astronomische Daten aus dem Flexible Image Transport System können ebenfalls in R geladen werden – mit FITSio[37]. RSAGA[38] bietet eine Schnittstelle zum Geoinformationssystem SAGA, aRT[39] zu TerraLib und rgdal[40] zur Geospatial Data Abstraction Library für Rasterdaten.

Mehrere Pakete liefern Schnittstellen um auf Datenbanken zuzugreifen. Dazu zählen RODBC[41] (ODBC), das Front-End DBI [42] sowie RMySQL[43] (MySQL), RPostgreSQL[44] (PostgreSQL), teradataR[45] (Teradata Aster), MonetDB.R[46](MonetDB), rredis[47] (Redis), RSQLite[48] (SQLite), RJDBC[49] (JDBC) und ROracle[50] für Oracle-Datenbanken. rmongodb[51] bietet eine Schnittstelle zu MongoDB und ibmdbR[52] zu dashdb als Teil der Platform as a Service Bluemix von IBM. Auf die Zeitreihendatenbank FAME kann mit dem gleichnamigen Paket fame[53] zugegriffen werden. SparkR[54][55] bindet R in das Big-Data-Framework Apache Spark ein, welches auf In-Memory-Verarbeitung basiert. SQL-ähnliche Abfragen können mit sqldf[56] innerhalb von R genutzt werden.

Verschiedene Pakete bieten Schnittstellen zu anderen Programmiersprachen, die vorwiegend zur Performance-Optimierung eingesetzt werden, hauptsächlich Rcpp[57][58] für C++. rJava[59] bietet eine Schnittstelle zu Java, rPython[60] für Python. Der Kommandozeileninterpreter IPython (Jupyter) kann mit IRkernel[61] genutzt werden. Mit rocker[62] kann R im Rahmen von Docker in virtuellen Containern isoliert werden.

Das Paket twitteR[63] erlaubt einen Zugriff auf Beiträge bei Twitter, Rfacebook[64] greift auf die Facebook API zu. Mit googleVis[65][66] können die Google Charts genutzt werden, mit RGoogleAnalytics[67] Google Analytics. Dieser Wikipedia-Artikel und weitere Seiten verwandter Projekte lassen sich als HTML oder Wikitext mit WikipediR[68] in R laden.

Für Reporting-Zwecke lässt sich R-Code in LaTeX (knitr[69][70], Sweave) oder HTML beziehungsweise Markdown (knitr, rmarkdown[71]) einbinden. knitr bereitet R-Code überdies für die weiteren Auszeichnungssprachen AsciiDoc und reStructuredText auf und bietet eine Anbindung an Pandoc. xtable[72] erlaubt es Tabellen mit R-Daten zu designen und liefert deren LaTeX- sowie HTML-Code. Mit dem Paket ReporteRs[73] lassen sich unter Anderem Vektorgrafiken erstellen, die auch nachträglich in Microsoft Word und PowerPoint bearbeitet werden können. tikzDevice [74] erstellt den Code der oft in LaTeX verwendeten PGF/TikZ-Grafiken. jsonlite[75] ermöglicht es, Data frames als JSON-Objekte zu speichern.

Das Paket lattice[76][77] setzt die Idee der Trellis-Grafiken[78] zur Visualisierung von multivariaten Daten um. ggplot2[79][80] ermöglicht es ebenfalls, durch größere Abstraktion schneller komplexe Grafiken zu erstellen. Dieses Paket ist eine Implementierung von Leland Wilkinsons Grammar of Graphics[81]. Mit ggvis[82] und plotly[83] (basieren auf ggplot2) und shiny[84] lassen sich interaktive, web-basierte Grafiken erstellen. rgl[85] eignet sich für interaktive dreidimensionale Grafiken. Bei der Grafikerstellung unterstützen zudem die Pakete scales[86] (Zuordnung von Daten auf ästhetische Elemente) sowie labeling[87] (weitere Achsenbeschriftungs-Optionen). Die Graph Modelling Language und ihre Anwendung in Grafiken zur Netzwerkanalyse wird durch igraph[88] implementiert. Turtle-Grafiken können mit TurtleGraphics[89] umgesetzt werden. Ebenfalls der Veranschaulichung dienen animierte Konzepte aus der Statistik im Paket animation,[90] das außerdem Funktionen liefert um eigene Animationen in R umzusetzen.

Mit dem Paket munsell[91] kann das Munsell-Farbsystem genutzt werden, mit Hilfe von colorspace[92] lassen sich Farbzuordnungen innerhalb einer großen Zahl an Farbsystemen realisieren. Der RColorBrewer[93] kann eine Farbpalette nach benutzerdefinierten Vorgaben erzeugen, etwa zur Kolorierung von Landkarten.

Im Bereich Datenmanagement vereinfacht plyr[94][95] das Bearbeiten von Listen, dplyr[96] das von Data frames, tidyr[97] das Anpassen von Data frames (Wide- vs. Long-Datenformat), stringi[98] und stringr[99][100] die Bearbeitung von Zeichenketten, lubridate[101][102] das Editieren von Datums- und Zeitangaben und zoo[103][104] den Umgang mit Zeitreihen. data.table[105] ist eine effizientere Version mit erweitertem Funktionsumfang anstelle von Data frames. Ein Message Passing Interface für den Nachrichtenaustausch bei parallelen Berechnungen auf verteilten Computersystemen kann entweder per Master/Slave (Rmpi[106]) oder per SPMD (pbdMPI[107]) umgesetzt werden. Die CUDA-Technik von Nvidia kann mit Hilfe von gputools[108] realisiert werden. Durch digest[109] lässt sich eine kryptologische Hashfunktion auf R-Objekte anwenden.

Mit devtools[110] können eigene Pakete erstellt, installiert und überprüft werden. roxygen2[111] unterstützt ihre Dokumentierung. RUnit[112] (xUnit) und testthat[113] ermöglichen automatisierte Softwaretests. Das Paket sos[114][115] ermöglicht es R und R-Pakete nach Funktionen zu durchsuchen. installr[116] aktualisiert R und andere Software (unter Windows). Mit dem Pipe-Operator (%>%) aus dem Paket magrittr[117] lassen sich R-Funktionen sequenziell ausführen anstatt sie ineinander zu verschachteln um bessere Code-Lesbarkeit zu erzielen.

Unter der Rubrik Task Views[118] enthält CRAN eine Liste von 33 Themengebieten 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[119] (auch als Server-Version erhältlich), das Statistiklabor, die Java-basierte Benutzeroberfläche JGR[120] (Jaguar, Java GUI for R), RKWard, R AnalyticFlow[121], die Mathematik-Software Cantor[122] sowie StatET (Eclipse)[123] und der darauf aufbauende Architect[124]. Sie zeichnen sich im Wesentlichen durch unterstützte Befehlseingabe (beispielsweise Prüfen der Anzahl an Klammern), automatische Einrückungen, Syntaxhervorhebung, Code-Faltung, Autovervollständigung, integrierte Hilfe, Informationen zu Objekten in der Arbeitsumgebung und Daten-Viewer oder -Editoren aus. Erweiterte Entwicklungsoptionen wie Versionsverwaltung mit Git oder grafisches Debugging sind teilweise enthalten.

Zwei grafische Benutzeroberflächen, die als Pakete in R bereitgestellt werden, sind der R-Commander (Paketname: Rcmdr[125]) und relax[126]. 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[127]. 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[128][129], welches als grafische Benutzeroberfläche einen Einstieg in Data-Mining-Projekte bietet. RQDA[130] ist eine grafische Benutzeroberfläche für Qualitative Datenanalyse, statnet[131]für Netzwerkanalyse. Der Deducer[132] eignet sich vor allem zum Bearbeiten von Data frames. Ein weiteres Paket ist pmg[133]. Grafische Benutzeroberflächen wie diese lassen sich mit den Paketen RGtk2[134] in Verbindung mit GTK+ beziehungsweise qtbase[135](Qt) erstellen.

pqR[136] ist ein alternativer, schnellerer R-Interpreter, der sich für Parallele Programmierung eignet.

Bei den Editoren Notepad++[137], Bluefish[138], CodeMirror[139], Emacs[140] / Aquamacs[141], Geany[142], gedit[143], jEdit[144], SciTE[145], Smultron[146], Sublime Text[147], TextMate[148], TextPad[149], Tinn[150], Vim[151], Visual Studio Editor[152], WinEdt[153] und TextWrangler[154] sowie SubEthaEdit[155] wird R unterstützt oder es gibt entsprechende Erweiterungen.

Die Textverarbeitungssysteme GNU TeXmacs[156], Lyx[157] (mit Sweave oder knitr) und ShareLaTeX[158] (knitr) binden R ein, das Software-Dokumentationswerkzeug Natural Docs[159] und Travis CI[160] für Kontinuierliche Integration ebenfalls. Die Notiz-Software Org-mode[161] und Zim[162] nutzen R für Grafiken und ermöglichen eine interaktive Bearbeitung.

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|Shebang-Zeile]]
# mein erstes R-Skript:
writeLines("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, Quick Check für Softwaretests und eine Möglichkeit SAS-Dateien zu lesen und zu schreiben[163]. Im April 2015 schloss Microsoft den Kauf von Revolution Analytics ab[164]. Die Cloud-Computing-Plattform Microsoft Azure greift für Zwecke des maschinellen Lernens auf R zurück[165]. Für Excel gibt es das R-Plug-in RExcel[166]. Zudem soll R in die relationale Datenbank SQL Server 2016 integriert werden[167]. Die Analysesoftware Predixion Insight[168] von Predixion Software als Teil von Microsoft Business Intelligence verbindet R mit dem SQL-Server und anderen Big-Data-Technologien.

Oracle verkündete im Oktober 2011 die Big Data Appliance[169], die R, Apache Hadoop, Oracle Linux, und mit Hardware von Exadata eine NoSQL-Datenbank verknüpft. Wichtigster R-Bestandteil ist dabei Oracle R Enterprise (ORE) [170] 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[171] nennt und etwa MapReduce implementiert. Auch mit der Platform Symphony[172] sind mittels R Analysen möglich. Das Tochterunternehmen Netezza bindet R in das Hauptprodukt, die In-Memory-Datenbank TwinFin[173] für schnelle Analysen großer Datenmengen ein.

SAP ermöglicht eine R-Anbindung über die In-Memory-Datenbank HANA[174].

TIBCO Spotfire Analytics hat mit TIBCO Enterprise Runtime for R[175] (TERR) eine Analyse-Plattform, die R beinhaltet. TIBCO stellt zudem den kommerziellen Dialekt von S (S-PLUS) bereit und erwarb StreamBase[176], die eine Plattform für Complex Event Processing mit R-Integration bereit stellen.

Hewlett-Packard entwickelte Distributed R[177][178] auf Grundlage von verteiltem Rechnen um R-Funktionen in die HP Vertica Analytics Platform zu integrieren.

MicroStrategy ermöglicht eine Integration von R mit dem R Integration Pack[179], Information Builders mit WebFOCUS[180]. In die Dundas BI von Dundas Data Visualization[181] kann R eingebunden werden. Zementis modelliert mit der Predictive Model Markup Language[182][183] Data-Mining-Fragestellungen einheitlich, führt sie in R aus und überführt sie in die eigenen Produkte ADAPA und UPPI. Techila[184] integriert R zur Anwendungsprogrammierung mit verteiltem Rechnen.

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.[185] Mitglieder sind neben der R Foundation die Unternehmen Microsoft, RStudio, Tibco, alteryx, Google, Hewlett-Packard, Ketchum Trading, Mango Solutions und Oracle.[186]

Die meisten wichtigen Software-Pakete, bei denen Statistik oder Mathematik einen Schwerpunkt bildet, unterstützen Schnittstellen zu R oder eine Integration. Dies sind SAS[187] und JMP[188], SPSS[189], MATLAB[190], Sage[191], Mathematica[192], Statistica[193], gretl[194], Showgun[195], RapidMiner[196], KNIME[197] sowie Mondrian[198] und Tableau[199].

Außerdem bieten AFNI[200] (Neurowissenschaften), Bioclipse[201] (Biowissenschaften), GenGIS[202] (Bioinformatik) sowie Compass[203] von Cytel (für klinische Studien) eine Einbindung von R.

rApache[204] ermöglicht die Entwicklung von Webanwendungen für R, die auf dem Apache HTTP Server basieren (Server Side Scripting). Zu weiteren Webangeboten zählen Rserve[205] als binärer Server und Rwui[206] für Java Webserver.

Auf die Funktionalität von R können zahlreiche Skriptsprachen zugreifen. Dazu zählen Python (rpy2[207]), Julia (unter Anderem RCall[208]), Perl (Statistics::R[209]), Ruby (rsruby[210]) und F# (RProvider[211]). Mit PL/R[212] kann R als Erweiterung von PostgreSQL zur serverseitigen Programmierung eingesetzt werden, mit R-Integration[213] ermöglicht MonetDB die Einbindung von R. Scripting in R selbst ist mit littler[214] möglich.

SWIG[215] macht in C und C++ geschriebene Module für R verfügbar. MicroAPL bindet mit APLX[216] R in APL ein. Die Python-Werkzeuge zur Paketverwaltung (Conda[217] von Continuum Analytics) und Automatisierung (Dexy[218], mit dem R Filter) nutzen R.

Öffentlichkeitsarbeit[Bearbeiten]

Zeitschrift[Bearbeiten]

Die Zeitschrift The R Journal wird zweimal jährlich im Juni und Dezember von der R Foundation als PDF-Datei herausgegeben. Sie informiert über Neuigkeiten in der R-Welt, Veränderungen in neuen R-Versionen, neue Pakete sowie Anwendertipps und Tutorials. Vor der ersten Ausgabe im Juni 2009 gab es die R News.[219]

Konferenz[Bearbeiten]

Jährlich findet die Konferenz useR! statt, die sich an R-Nutzer richtet. Die erste dieser Veranstaltungen war useR! 2004 im Mai 2004 in Wien. Nachdem 2005 ausgelassen wurde, fand die Konferenz jährlich statt, meist im Wechsel zwischen Europa und Nordamerika an verschiedenen Orten[220][221]:

Jahr Stadt Land Teilnehmer Website
2004 Wien OsterreichÖsterreich Österreich 194 useR! 2004
2006 Wien OsterreichÖsterreich Österreich 334 useR! 2006
2007 Ames, Iowa Vereinigte StaatenVereinigte Staaten Vereinigte Staaten useR! 2007
2008 Dortmund DeutschlandDeutschland Deutschland 387 useR! 2008
2009 Rennes FrankreichFrankreich Frankreich 463 useR! 2009
2010 Gaithersburg, Maryland Vereinigte StaatenVereinigte Staaten Vereinigte Staaten 465 useR! 2010
2011 Coventry Vereinigtes KonigreichVereinigtes Königreich Vereinigtes Königreich 430 useR! 2011
2012 Nashville, Tennessee Vereinigte StaatenVereinigte Staaten Vereinigte Staaten 469 useR! 2012
2013 Albacete SpanienSpanien Spanien 328 useR! 2013
2014 Los Angeles, Kalifornien Vereinigte StaatenVereinigte Staaten Vereinigte Staaten 604 useR! 2014
2015 Aalborg DanemarkDänemark Dänemark etwa 650 useR! 2015
2016 Stanford, Kalifornien Vereinigte StaatenVereinigte Staaten Vereinigte Staaten

Mailing-Listen[Bearbeiten]

Mailinglisten, die vom R Core Team organisiert werden, sind für Fragesteller geöffnet. Antworten finden schnell statt, manchmal von den Entwicklern selbst.[222]

Beispiel[Bearbeiten]

Als einfaches Beispiel wird der Korrelationskoeffizient zweier Datenreihen 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 mit der Funktion "cor":
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)

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[223].
  • 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 (3.2.2) heißt Fire Safety.

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 29. Juli 2015 (englisch).
  3. TIOBE Software: TIOBE Index for August 2015. In: TIOBE Software. TIOBE Software BV, abgerufen am 7. August 2015 (englisch).
  4. Stephen O'Grady: The RedMonk Programming Language Rankings: June 2015. In: RedMonk tecosystems. RedMonk, 1. Juli 2015, abgerufen am 29. Juli 2015 (englisch).
  5. Pierre Carbonnelle: PYPL PopularitY of Programming Language. In: PYPL Index. GitHub, Inc., abgerufen am 29. Juli 2015 (englisch).
  6. Stephen Cass: The 2015 Top Ten Programming Languages. New languages enter the scene, and big data makes its mark. In: IEEE Spectrum. The Institute of Electrical and Electronics Engineers, Inc., 20. Juli 2015, abgerufen am 29. Juli 2015 (englisch).
  7.  Ross Ihaka, Robert Gentleman: R: A Language for Data Analysis and Graphics. In: Journal of Computational and Graphical Statistics. 5, Nr. 3, American Statistical Association, Institute of Mathematical Statistics, Interface Foundation of North America, Alexandria 1996, ISSN 1061-8600, S. 299–314 (PDF-Datei; 1,7 MB, abgerufen am 29. Juli 2015).
  8.  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; 92,55 KB, abgerufen am 29. Juli 2015).
  9. R Core Team: What’s New? In: R Project. The R Foundation, abgerufen am 8. Juli 2015 (englisch).
  10.  Floréal Morandat, Brandon Hill, Leo Osvald, Jan Vitek: Evaluating the Design of the R Language. In: ECOOP’12 Proceedings of the 26th European conference on Object-Oriented Programming. 2012, S. 104–131 (PDF-Datei; 850kB).
  11.  John M. Chambers: Software for Data Analysis. Programming with R. Springer, New York 2008, ISBN 978-0-387-75936-4.
  12.  Uwe Ligges: Programmieren mit R. 3. Auflage. Springer, Heidelberg 2009, ISBN 978-3-540-79997-9.
  13.  Graham Williams: Data Mining with Rattle and R. Springer, New York 2011, ISBN 978-1-4419-9889-7, S. 15-17.
  14.  Robert A. Muenchen: R for SAS and SPSS Users. Springer, New York 2011, ISBN 978-1-4614-0684-6, S. 2–5.
  15. R Core Team et al.: Contributed Packages. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch).
  16. Biocunductor Core Team: All Packages. In: Biocunductor. Biocunductor, abgerufen am 19. August 2015 (englisch).
  17. DataCamp: CRAN – Ranking of Packages. In: Rdocumentation.org. Rstudio, abgerufen am 5. Juli 2015 (englisch, Berücksichtigung nur von Paketen, die über RStudio heruntergeladen wurden).
  18. 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).
  19. 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).
  20. Matt Shotwell: R-Paket sas7bdat. SAS Database Reader (experimental). In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.5).
  21. 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).
  22. Kurt Hornik et al.: R-Paket RWeka. R/Weka interface. In: CRAN. The R Foundation, abgerufen am 7. August 2015 (englisch, aktuelle Version: 0.4-24).
  23. Spencer Aiello, Tom Kraljevic, Petr Maj et al.: R-Paket h2o. R Interface for H2O. In: CRAN. The R Foundation, abgerufen am 25. August 2015 (englisch, aktuelle Version: 3.0.0.30).
  24. Andrew Gelman, Neil Thomas et al.: R-Paket. Running OpenBUGS from R. In: CRAN. The R Foundation, abgerufen am 25. August 2015 (englisch, aktuelle Version: 3.2-3.1).
  25. Ben Goodrich et al.: R-Paket rstan. R Interface to Stan. In: CRAN. The R Foundation, abgerufen am 25. August 2015 (englisch, aktuelle Version: 2.7.0-1).
  26. Martyn Plummer, Alexey Stukalov, Matt Denwood: R-Paket rjags. Bayesian Graphical Models using MCMC. In: CRAN. The R Foundation, abgerufen am 25. August 2015 (englisch, aktuelle Version: 3-15).
  27. Gurobi: R-Paket gurobi. R API Overview. In: Gurobi Optimization. Gurobi Optimization, Inc., abgerufen am 25. August 2015 (englisch, aktuelle Version: 6.0.0).
  28. Paul Murrell: R-Paket hexView. Viewing Binary Files. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.3-3).
  29. 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).
  30. 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).
  31. 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).
  32. eremy Stephens: R-Paket yaml. Methods to convert R data to YAML and back. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 2.1.13).
  33. Rajarshi Guha: R-Paket rcdk. rcdk - Interface to the CDK Libraries. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 3.3.2).
  34.  Rajarshi Guha: Chemical informatics functionality in R. In: Journal of Statistical Software. 18, Nr. 5, 2007, S. 1-16 (online).
  35. Pavel Michna, Milton Woods: R-Paket RNetCDF. Interface to NetCDF Datasets. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 1.7-3).
  36. David Pierce: R-Paket ncdf. Interface to Unidata netCDF Data Files. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 1.6.8).
  37. Andrew Harris: R-Paket FITSio. FITS (Flexible Image Transport System) utilities. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 2.0-0).
  38. Alexander Brenning, Donovan Bangs: R-Paket RSAGA. SAGA Geoprocessing and Terrain Analysis in R. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 0.94-1).
  39. Pedro Ribeiro de Andrade et al.: R-Paket aRT. R-TerraLib API. In: Laboratório de Estatística e Geoinformação. Universidade Federal do Paraná, abgerufen am 19. August 2015 (englisch, aktuelle Version: 1.9-2).
  40. Roger Bivand: R-Paket rgdal. Bindings for the Geospatial Data Abstraction Library. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 1.0-5).
  41. 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).
  42. 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).
  43. 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).
  44. 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).
  45. Teradata: R-Paket teradataR. SQLite Interface for R. In: GitHub. GitHub, Inc., abgerufen am 29. Juli 2015 (englisch, aktuelle Version: 1.1.0).
  46. Hannes Mühleisen, Thomas Lumley, Anthony Damico: R-Paket MonetDB.R. Connect MonetDB to R. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 0.9.7).
  47. Bryan W. Lewis: R-Paket rredis. "Redis" Key/Value Database Client. In: CRAN. The R Foundation, abgerufen am 25. August 2015 (englisch, aktuelle Version: 1.7.0).
  48. 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).
  49. 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).
  50. 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).
  51. 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).
  52. Michael Wurst: R-Paket ibmdbR. IBM in-Database Analytics for R. In: CRAN. The R Foundation, abgerufen am 25. August 2015 (englisch, aktuelle Version: 1.42.2).
  53. Jeff Hallman: R-Paket fame. Interface for FAME Time Series Database. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 2.21).
  54. Spark: R-Paket SparkR. R on Spark. In: Spark. The Apache Software Foundation, abgerufen am 29. Juli 2015 (englisch, aktuelle Version: 1.4.1).
  55. Alexander Neumann: Big-Data-Framework Spark unterstützt R und Python 3. In: heise Developer. Heise Medien GmbH & Co. KG, 15. Juni 2015, abgerufen am 29. Juli 2015 (deutsch).
  56. 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).
  57. 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).
  58.  Dirk Eddelbuettel: Seamless R and C++ Integration with Rcpp. Springer, New York 2013, ISBN 978-1-4614-6867-7.
  59. 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).
  60. Carlos Javier 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).
  61. Thomas Kluyver et al.: R-Paket IRkernel. R kernel for IPython. In: GitHub. GitHub, Inc., abgerufen am 20. August 2015 (englisch, aktuelle Version: 0.4).
  62. Dirk Eddelbuettel: R-Paket rocker. In: GitHub. GitHub, Inc., abgerufen am 7. August 2015 (englisch, aktuelle Version: NN).
  63. 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).
  64. 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).
  65. 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).
  66.  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).
  67. Michael Pearmain et al.: R-Paket RGoogleAnalytics. R Wrapper for the Google Analytics API. In: CRAN. The R Foundation, abgerufen am 29. Juli 2015 (englisch, aktuelle Version: 0.1.1).
  68. Oliver Keyes: R-Paket WikipediR. A MediaWiki API Wrapper. In: CRAN. The R Foundation, abgerufen am 30. August 2015 (englisch, aktuelle Version: 1.2.0).
  69. 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).
  70.  Yihui Xie: Dynamic Documents with R and knitr. CRC Press – Taylor & Francis Group, Boca Raton 2014, ISBN 978-1-4822-0354-7.
  71. 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).
  72. 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).
  73. 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).
  74. Kirill Müller et al.: R-Paket tikzDevice. R Graphics Output in LaTeX Format. In: CRAN. The R Foundation, abgerufen am 25. August 2015 (englisch, aktuelle Version: 0.8.1).
  75. 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).
  76. Deepayan Sarkar: R-Paket lattice. Lattice Graphics. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.20-31).
  77.  Deepayan Sarkar: Lattice: Multivariate Data Visualization with R. Springer, New York 2008, ISBN 978-0-387-75968-5.
  78.  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.
  79. 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).
  80.  Hadley Wickham: ggplot2: Elegant Graphics for Data Analysis. Springer, New York 2009, ISBN 978-0-387-98140-6.
  81.  Leland Wilkinson: The Grammar of Graphics. Springer, New York 1999, ISBN 978-0-387-98774-3.
  82. 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).
  83. Carson Sievert et al.: R-Paket plotly. In: GitHub. GitHub, Inc., abgerufen am 25. August 2015 (englisch, aktuelle Version: 1.0.6).
  84. 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).
  85. 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).
  86. 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).
  87. Justin Talbot: R-Paket labeling. Axis Labeling. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 0.3).
  88. Gabor Csardi et al.: R-Paket igraph. Network Analysis and Visualization. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 1.0.1).
  89. Barbara Zogala-Siudem et al.: R-Paket. Turtle graphics in R. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 1.0-5).
  90. Yihui Xie et al.: R-Paket. A Gallery of Animations in Statistics and Utilities to Create Animations. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 2.4).
  91. Charlotte Wickham: R-Paket munsell. Munsell colour system. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 0.4.2).
  92. 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).
  93. Erich Neuwirth: R-Paket RColorBrewer. ColorBrewer Palettes. In: CRAN. The R Foundation, abgerufen am 5. Juli 2015 (englisch, aktuelle Version: 1.1-2).
  94. 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).
  95.  Hadley Wickham: The Split-Apply-Combine Strategy for Data Analysis. In: Journal of Statistical Software. 40, Nr. 1, 2011, S. 1-29 (online).
  96. 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).
  97. 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).
  98. 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).
  99. 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).
  100.  Hadley Wickham: stringr: modern, consistent string processing. In: The R Journal. 2, Nr. 2, 2010, S. 38-40 (pdf-Datei; 124kB).
  101. 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).
  102.  Garrett Grolemund, Hadley Wickham: Dates and Times Made Easy with lubridate. In: Journal of Statistical Software. 40, Nr. 3, 2011, S. 1-25 (online).
  103. 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).
  104.  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).
  105. 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).
  106. Hao Yu: R-Paket Rmpi. Interface (Wrapper) to MPI (Message-Passing Interface). In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 0.6-5).
  107. Wei-Chen Chen: R-Paket pbdMPI. Programming with Big Data – Interface to MPI. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 0.2-5).
  108. Josh Buckner, Mark Seligman, Justin Wilson: R-Paket gputools. A few GPU enabled functions. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 0.28).
  109. 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).
  110. 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).
  111. 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).
  112. Matthias Burger, Klaus Juenemann, Thomas Koenig: R-Paket RUnit. R Unit Test Framework. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 0.4.29).
  113. Hadley Wickham et al.: R-Paket testthat. Unit Testing for R. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 0.10.0).
  114. Spencer Graves, Sundar Dorai-Raj, Romain François: 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).
  115.  Spencer Graves, Sundar Dorai-Raj, Romain François: sos: Searching Help Pages of R Packages. In: The R Journal. 1, Nr. 2, 2009, S. 56–59 (pdf-Datei; 141kB).
  116. 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).
  117. 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).
  118. R Core Team: CRAN Task Views. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch).
  119. Joseph J. Allaire et al.: RStudio. In: RStudio. RStudio, Inc., abgerufen am 29. Juli 2015 (englisch, aktuelle Version: 0.99.463).
  120. Markus Helbig, Simon Urbanek, Ian Fellows: JGR - Java GUI for R. In: RForge. The R Foundation, abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 1.7-16).
  121. R Analytic Flow: Features. In: ef-prime. ef-prime, Inc., abgerufen am 12. August 2015 (englisch, aktuelle Version: 2.1.4).
  122. Alexander Rieder: Cantor. In: KDEdu. KDE e.V., abgerufen am 12. August 2015 (englisch, aktuelle Version: 0.1).
  123. Stephan Wahlbrink: StatET for R. In: WalWare. Abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 3.4.2).
  124. Open Analytics: Architect. In: Open Analytics. Open Analytics NV, abgerufen am 7. August 2015 (englisch, aktuelle Version: 0.9.7).
  125. 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).
  126. 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).
  127.  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.
  128. 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).
  129.  Graham Williams: Data Mining with Rattle and R. Springer, New York 2011, ISBN 978-1-4419-9889-7.
  130. Huang Ronggui: R-Paket RQDA. R-based Qualitative Data Analysis. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 0.2-7).
  131. Martina Morris et al.: R-Paket statnet. Software Tools for the Statistical Analysis of Network Data. In: CRAN. The R Foundation, abgerufen am 25. August 2015 (englisch, aktuelle Version: 2015.6.2).
  132. 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).
  133. John Verzani, Yvonnick Noel: R-Paket pmg. Poor Man's GUI. In: CRAN. The R Foundation, abgerufen am 16. August 2015 (englisch, aktuelle Version: 0.9-43).
  134. Michael Lawrence, Duncan Temple Lang: R-Paket RGtk2. R bindings for Gtk 2.8.0 and above. In: CRAN. The R Foundation, abgerufen am 19. August 2015 (englisch, aktuelle Version: 2.20.31).
  135. Michael Lawrence, Deepayan Sarkar: R-Paket qtbase. Interface Between R and Qt. In: CRAN. The R Foundation, abgerufen am 25. August 2015 (englisch, aktuelle Version: 1.0.11).
  136. R Core Team: pqR - a pretty quick version of R. In: pqR-project. The R Foundation, abgerufen am 30. August 2015 (englisch).
  137. Andrew Redd: NppToR: R in Notepad++. In: Sourceforge. DHI Group, Inc., abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 2.6.3).
  138. Olivier Sessink: Bluefish Features. In: Bluefish. Abgerufen am 12. August 2015 (englisch, aktuelle Version: 2.2.7).
  139. Ubalo: R mode. In: CodeMirror. Marijn Haverbeke, abgerufen am 12. August 2015 (englisch).
  140. Anthony J. Rossini: ESS - version 15.03-1. In: ESS. Abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 15.03-1).
  141. Aquamacs: Features: Why use Aquamacs? In: Aquamacs. Abgerufen am 16. August 2015 (englisch, aktuelle Version: 3.2).
  142. Enrico Tröger et al.: Supported Filetypes. In: Geany. Abgerufen am 12. August 2015 (englisch, aktuelle Version: 1.25).
  143. Dan Dediu: Welcome to Rgedit. In: Sourceforge. DHI Group, Inc., abgerufen am 7. Juli 2015 (englisch).
  144. Jose Claudio Faria: R syntax. In: jEdit Community. Björn Kautler, abgerufen am 7. Juli 2015 (englisch).
  145. Neil Hodgson: SciTE Documentation. In: SciTE. Scintilla, abgerufen am 12. August 2015 (englisch, aktuelle Version: 3.6.0).
  146. 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).
  147. Kevin Johnson: Using R in Sublime Text 3. In: kevjohnson.org. 10. Februar 2014, abgerufen am 7. Juli 2015 (englisch).
  148. Jim Barritt: Using TextMate with R. In: non-random ramble. 16. November 2010, abgerufen am 7. Juli 2015 (englisch).
  149. Tobias Elze, Paul Renaud: add-ons. syntax definition files: R. In: TextPad. Helios Software Solutions, abgerufen am 7. Juli 2015 (englisch).
  150. 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).
  151. Jakson Aquino: Vim-R-plugin: Plugin to work with R. In: Vim. Abgerufen am 7. Juli 2015 (englisch, aktuelle Version: 1.2.6).
  152. Visual Studio: Languages. What Languages are Supported? In: Visual Studio Code. Microsoft Corp., abgerufen am 16. August 2015 (englisch).
  153. 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).
  154. Johannes W. Dietrich: TextWrangler. In: Formatio Reticularis. Abgerufen am 7. Juli 2015 (englisch).
  155. Johannes W. Dietrich: SubEthaEdit. In: Formatio Reticularis. Abgerufen am 7. Juli 2015 (englisch).
  156. Chu-Ching Huang, Joris van der Hoeven: Using GNU R sessions inside TeXmacs. In: GNU TeXmacs. Free Software Foundation, Inc., abgerufen am 16. August 2015 (englisch).
  157. 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).
  158. ShareLaTeX: Knitr. In: ShareLaTeX. Abgerufen am 26. August 2015 (englisch).
  159. Natural Docs: Language Support. In: Natural Docs. Abgerufen am 16. August 2015 (englisch).
  160. Travis CI: Building an R Project. In: Travis CI. Abgerufen am 26. August 2015 (englisch).
  161. Org-mode: R Source Code Blocks in Org Mode. In: Org-mode. Abgerufen am 30. August 2015 (englisch).
  162. Zim: Zim - A Desktop Wiki. GNU R Plot Editor. In: Zim. Abgerufen am 16. August 2015 (englisch).
  163. Revolution Analytics: Revolution R Enterprise 7.0 README. In: Revolution Analytics. Microsoft Corp., abgerufen am 5. Juli 2015 (PDF, englisch, aktuelle Version: 7.4).
  164. 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).
  165. Larry Franks: Quickstart tutorial for the R programming language for Azure Machine Learning. In: Microsoft Azure. Microsoft Corp., 26. Juni 2015, abgerufen am 12. August 2015 (englisch).
  166. Statconn: Powerful data analysis from inside your favorite application. In: Statconn. Abgerufen am 16. August 2015 (englisch).
  167. Alexander Neumann: R-Unterstützung für SQL Server 2016 angekündigt. In: heise Developer. Heise Medien GmbH & Co. KG, 18. Mai 2015, abgerufen am 29. Juli 2015 (deutsch).
  168. Predixion Software: R Requirements. In: Predixion. Predixion Software, Inc., abgerufen am 26. August 2015 (englisch).
  169. 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).
  170. 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).
  171. Deirdre Longo: Big R. In: IBM developerWorks. IBM Corp., 23. September 2014, abgerufen am 5. Juli 2015 (englisch).
  172. 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).
  173. Netezza: TwinFin Data Sheet. Netezza TwinFin: High-Performance Business Intelligence and Advanced Analytics for the Enterprise. In: Netezza. Netezza Corp., abgerufen am 19. August 2015 (PDF, englisch).
  174. 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).
  175. Tibco Spotfire: Unleash the agility of R for the Enterprise. In: Tibco Spotfire. TIBCO Software Inc., abgerufen am 5. Juli 2015 (englisch).
  176. StreamBase: Statistical Computing and Event Processing. In: Tibco. TIBCO Software Inc., abgerufen am 26. August 2015 (englisch).
  177. Hewlett-Packard: HP Distributed R. Gain actionable insights with scalable predictive analytics. In: Hewlett-Packard. Hewlett-Packard Development Company, L.P., abgerufen am 30. August 2015 (PDF, englisch).
  178.  Shivaram Venkataraman et al.: Presto: Distributed Machine Learning and Graph Processing with Sparse Matrices. In: Eurosys'13. 2013, S. 197-210 (PDF-Datei; 435kB, abgerufen am 30. August 2015).
  179. MicroStrategy: MicroStrategy R Integration Pack. In: CodePlex. Microsoft Corporation, abgerufen am 29. Juli 2015 (englisch).
  180. Information Builders: WebFOCUS 8. In: Information Builders. Information Builders, Inc., abgerufen am 19. August 2015 (englisch).
  181. Dundas: R Language Analysis. In: Dundas BI. Dundas Data Visualization, Inc., abgerufen am 7. August 2015 (englisch).
  182. Zementis: By Platform. In: Zementis. Zementis, Inc., abgerufen am 12. August 2015 (englisch).
  183. Graham Williams et al.: R-Paket pmml. Generate PMML for Various Models. In: CRAN. The R Foundation, abgerufen am 12. August 2015 (englisch, aktuelle Version: 1.5.0).
  184. Jani Jaakkola: Techila Grid Technology. In: Department of Computer Science. University of Helsinki, 27. Mai 2011, abgerufen am 30. August 2015 (englisch).
  185. 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).
  186. R Consortium: Members. In: R Consortium. R Consortium, Inc., abgerufen am 21. Juli 2015 (englisch).
  187. SAS Customer Support: R Interface Now Available in SAS/IML Studio. In: SAS. SAS Institute Inc., abgerufen am 5. Juli 2015 (englisch).
  188. JMP Online Documentation: Working with R. In: JMP. SAS Institute Inc., abgerufen am 5. Juli 2015 (englisch).
  189. 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).
  190. 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).
  191. Sage: SageMath. In: Sage. SageMath Foundation, abgerufen am 12. August 2015 (englisch).
  192. Wolfram: Built-in Integration with R. In: Wolfram. Wolfram Research, Inc., abgerufen am 5. Juli 2015 (englisch).
  193. 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).
  194. Allin Cottrell, Riccardo Lucchetti: gretl and R. In: Sourceforge. DHI Group, Inc., abgerufen am 12. August 2015 (englisch).
  195. Shogun: Eierlegendewollmilchsau Interface. In: Shogun. Abgerufen am 16. August 2015 (englisch).
  196. Ingo Mierswa: RapidMiner and R. In: RapidMiner. RapidMiner, Inc., abgerufen am 16. August 2015 (englisch).
  197. KNIME: KNIME and R. The best of two worlds. In: KNIME. KNIME.com AG, abgerufen am 12. August 2015 (PDF, englisch).
  198. Martin Theus: About. In: Mondrian. theusRus, 29. August 2013, abgerufen am 30. August 2015 (englisch).
  199. Elaine Chen: R und Tableau verwenden. In: tableau. Tableau Software Inc., abgerufen am 5. Juli 2015 (deutsch).
  200. AFNI: Build R. In: AFNI. National Institutes of Health, abgerufen am 16. August 2015 (englisch).
  201. Bioclipse: Bioclipse-R. In: Bioclipse. International Bioclipse Association, abgerufen am 16. August 2015 (englisch).
  202. GenGIS: R and GenGIS. In: GenGIS. Dalhousie University, abgerufen am 30. August 2015 (englisch).
  203. Cytel: Compass 2.0: The Comprehensive Adaptive Dose-finding Solution. In: Cytel. Cytel Inc., abgerufen am 19. August 2015 (englisch).
  204. Jeffrey Horner: Web Application Development with R and Apache. In: rApache. Abgerufen am 12. August 2015 (englisch, aktuelle Version: 1.2.5).
  205. Simon Urbanek: About Rserve. In: RForge. The R Foundation, abgerufen am 12. August 2015 (englisch, aktuelle Version: 1.7-3).
  206. Rwui: Create a user friendly web interface for an R script. In: MRC Biostatistics Unit. Cambridge Institute of Public Health, abgerufen am 12. August 2015 (englisch).
  207. 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).
  208. 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).
  209. Florent Angly, Graciliano Monteiro 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).
  210. Alex Gutteridge: Ruby-Paket rsruby. In: Ruby Forge. Abgerufen am 5. Juli 2015 (englisch, aktuelle Version:).
  211. Blue Mountain Capital et al.: F# R Type Provider. In: GitHub. GitHub, Inc., abgerufen am 5. Juli 2015 (englisch).
  212. Joseph E. Conway: PL/R. R Procedural Language for PostgreSQL. In: JoeConway.com. Abgerufen am 5. Juli 2015.
  213. Hannes Mühleisen: Embedded R in MonetDB. In: MonetDB. MonetDB B.V., 31. Oktober 2014, abgerufen am 16. August 2015 (englisch).
  214. Dirk Eddelbuettel: Littler. In: dirk.eddelbuettel.com. 14. Juli 2011, abgerufen am 5. Juli 2015 (englisch).
  215. SWIG: SWIG Features. In: SWIG. Abgerufen am 16. August 2015 (englisch).
  216. MicroAPL: APLX: New features in Version 5. In: MicroAPL. MicroAPL Ltd., abgerufen am 16. August 2015 (englisch).
  217. Continuum Analytics: Conda Supports R and Python. In: Continuum Analytics. Continuum Analytics, Inc., abgerufen am 26. August 2015 (englisch).
  218. Dexy: R Filter. In: Dexy. Abgerufen am 26. August 2015 (englisch).
  219. R Core Team: The R Journal. About The R Journal. In: R Project. The R Foundation, abgerufen am 29. Juli 2015 (englisch).
  220. R Core Team: useR! - International R User Conference. In: R Project. The R Foundation, abgerufen am 30. Juni 2015 (englisch).
  221. Gergely Daróczi: R activity around the world. In: rapporter. Abgerufen am 7. August 2015 (englisch).
  222. R Core Team: Mailing Lists. In: R Project. The R Foundation, abgerufen am 29. Juli 2015 (englisch).
  223. 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).