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 im kommerziellen als auch im wissenschaftlichen Bereich (obwohl vor allem im kommerziellen Bereich SAS ebenfalls populär ist)[1][2]. Im aktuellen TIOBE-Index (Stand: Juni 2015) belegt R Platz 13[3]. Beschäftigte mit guten R-Kenntnissen, die an der Dice Tech Salary Survey (2013) teilnahmen, hatten ein höheres Durchschnittseinkommen als Beschäftigte mit anderen IT-Fertigkeiten[4].

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, so dass die Mehrzahl der für S geschriebenen Programme auch unter R lauffähig ist. Dabei fand insbesondere die S-Version 4 Berücksichtigung, allerdings 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]

Eigenschaften[Bearbeiten]

R ist eine case sensitive (also Groß- und Kleinschreibung beachtende) Interpretersprache, die Benutzereingaben in der Kommandozeilenkonsole nach Betätigen der Enter-Taste unmittelbar zur Ausführung bringt. Es lassen sich auch Programme in Skripten zur Ausführung bringen. Die Eingabe von 2*4 sieht folgendermaßen aus:

 > 2*4
 [1] 8

Die Ausgabe [1] 8 bedeutet, dass es sich beim Ergebnis 8 um das erste Element eines Vektors handelt. Die einfachste Datenstruktur in R stellt einen Vektor dar. Die Elemente von Vektoren (eindimensional), Matrizen (ein- oder zweidimensional) und Arrays (beliebig dimensional) müssen Elemente gleichen Typs sein, beispielsweise numerisch, komplex oder Zeichenketten (character). Rechenoperationen werden auf alle Elemente dieser Datenstrukturen angewendet:

 > a <- c(1,2,3)    # Vektor mit den Werten 1, 2 und 3
 > 3 * a + 2        # multipliziere mit 3, addiere 2
 [1]  5  8 11

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 für Datensätze bei statistischen Analysen verwendet. Data frames sind matrizenförmig, können jedoch Spalten unterschiedlicher Datentypen enthalten.

 > Name <- c("Heinz", "Vanessa", "Felix") # erzeugt einen Vektor aus Namen
 > Alter <- c(43,38,17)                   # dasselbe mit dem Alter
 > b <- data.frame(Name, Alter)           # speichert beide Vektoren als data frame
 > b                                      # Zeigt "b" an
      Name Alter
 1   Heinz    43
 2 Vanessa    38
 3   Felix    17
 > b$Alter                                # Spalte "Alter" aus dem data frame abrufen
 [1] 43 38 17
 > mean(b$Alter)                          # Mittelwert des Alters berechnen
 [1] 32.66667

Darüber hinaus gibt es Listen. In Listenstrukturen können Daten beliebiger R-Strukturen und Typen enthalten sein. Sehr viele statistische Analysefunktionen erzeugen Listen.

Vor- und Nachteile[Bearbeiten]

Vor- und Nachteile von R finden sich vor allem dort, wo die Sprache sich von ihren Alternativen unterscheidet: [6][7]

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. Auch die Datentypen 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 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 nicht in R implementiert und die Sprache erfordert somit Programmierfertigkeiten um sie nutzen zu können. R-Editoren kommen dem teilweise entgegen, nicht jedoch in dem Umfang wie andere Statistik-Software. R hat eine steile Lernkurve und ist ohne statistisches Verständnis schwierig zu nutzen. 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 Nicht-Funktionieren einer Funktion kann niemand zur Rechenschaft gezogen werden oder ist für eine schnelle Verbesserung verantwortlich. Performance-Optimierung spielt bei R nur eine nachgeordnete Rolle, daher sind höhere Programmiersprachen oft schneller.

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 dem Bereich der Bioinformatik, insbesondere der Analyse von Genexpressionsdaten. Es gibt über 6817 Pakete auf CRAN[8] und 1024 Pakete auf Bioconductor[9].

Das Paket foreign[10] 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[11] unterstützt die Übersetzung von SPSS-Code nach R. sas7bdat[12] ermöglicht das Einlesen von SAS-Dateien, R.matlab[13] das von Matlab-Dateien. Zudem kann Matlab dadurch über R gesteuert werden. Mit hexView[14] können unter Anderem EViews-Dateien eingelesen werden. Für XML-Dateien gibt es das Paket XML[15]. Mit readxl[16] können Microsoft Excel-Dateien eingelesen werden, mit gnumeric[17] Open Documents.

Mehrere Pakete liefern Schnittstellen um auf Datenbanken zuzugreifen. Dazu zählen RODBC[18] (ODBC), das Front-End DBI [19] sowie RMySQL[20] (MySQL), RPostgreSQL[21] (PostgreSQL), RSQLite[22] (SQLite), RJDBC[23] (JDBC) und ROracle[24] für Oracle-Datenbanken. rmongodb[25] bietet eine Schnittstelle zu MongoDB. Mit PL/R[26][27] kann die Programmiersprache auch als Erweiterung von PostgreSQL zur serverseitigen Programmierung eingesetzt werden. SQL-ähnliche Abfragen können mit sqldf[28] innerhalb von R genutzt werden.

Verschiedene Pakete bieten Schnittstellen zu anderen Programmiersprachen, die vorwiegend zur Performance-Optimierung eingesetzt werden, etwa Rcpp[29] für C++ oder rPython[30] für Python. rJava[31] bietet eine Schnittstelle zu Java.

Das Paket twitteR[32] erlaubt einen Zugriff auf Beiträge bei Twitter, Rfacebook[33] greift auf die Facebook API zu. Mit googleVis[34] können die Google Charts genutzt werden.

Für Reporting-Zwecke lässt sich R-Code in LaTeX (knitr[35][36], Sweave) oder HTML beziehungsweise Markdown (knitr, rmarkdown[37]) einbinden. xtable[38] erlaubt es Tabellen mit R-Daten zu designen und liefert deren LaTeX- sowie HTML-Code. Mit dem Paket ReporteRs[39] lassen sich unter Anderem Vektorgrafiken erstellen, die auch nachträglich in Microsoft Word und PowerPoint bearbeitet werden können. jsonlite[40] ermöglicht es, Data frames als JSON-Objekte zu speichern.

Zwei verbreitete Grafikerweiterungen für R sind die Pakete lattice und ggplot2, die durch größere Abstraktion schneller komplexe Grafiken erstellen lassen. lattice[41][42] setzt die Idee der Trellis-Grafiken[43] zur Visualisierungen von multivariaten Daten um. ggplot2[44][45] ist eine Implementierung von Leland Wilkinsons Grammar of Graphics[46]. Mit ggvis[47] (basiert auf ggplot2) und shiny[48] lassen sich interaktive, web-basierte Grafiken erstellen. rgl[49] eignet sich für interaktive dreidimensionale Grafiken.

Im Bereich Datenmanagement vereinfacht dplyr[50] das Bearbeiten von Data frames, plyr[51] das von Listen, tidyr[52] das Anpassen von Data frames (Wide vs. Long-Datenformat), stringr[53] die Bearbeitung von Zeichenketten und lubridate[54] das Editieren von Datums- und Zeitangaben. data.table[55] ist eine effizientere Version an Stelle von Data frames.

Mit devtools[56] können eigene Pakete erstellt, installiert und überprüft werden. roxygen2[57] unterstützt ihre Dokumentierung. installr[58] aktualisiert R und andere Software (unter Windows).

Unter der Rubrik Task Views[59] 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, beispielsweise RStudio,[60] Statistiklabor, JGR (Jaguar),[61] RKWard, StatET (Eclipse)[62] und andere.

Zwei grafische Benutzeroberflächen, die als Pakete in R bereitgestellt werden, sind der R-Commander (Paketname: Rcmdr[63]) und relax[64]. Beide bieten, über ein Menüsystem aufrufbar, einige wichtige Prozeduren der explorativen und analytischen Statistik. Ebenso können über das Menü Standardgrafiken erzeugt werden. Der R-Commander erleichtert das Datenmanagement und hilft beim Schreiben von Skripten. Er ist betriebssystemunabhängig geschrieben[65]. relax ist speziell darauf konzipiert die Datenanalyse und Dokumentation der Ergebnisse in einem Dokument zu integrieren (siehe Sweave). Weiterhin wird als R-Paket die rattle-GUI[66][67] vertrieben. Sie bietet den Einstieg in Data-Mining-Projekte.

Die plattformunabhängige Java-basierte Benutzeroberfläche JGR (Java GUI for R) ermöglicht eine unterstützte Befehlseingabe, die beispielsweise die Anzahl der Klammern prüft und über Autovervollständigung verfügt. Eine zusätzliche hilfreiche Erweiterung stellt das Paket Deducer[68] dar, das Möglichkeiten der Datenbearbeitung durch einen Data Viewer enthält.

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!")

Für zahlreiche Editoren wie Tinn,[69] Vim,[70] Emacs,[71] TextWrangler,[72] SubEthaEdit[72] oder Notepad++[73] gibt es R-Erweiterungen.

Beispiel[Bearbeiten]

Als einfaches Beispiel soll der Korrelationskoeffizient zweier Datenreihen berechnet werden:

# 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. Text nach dem Doppelkreuz „#“ wird vom R-Interpreter als Kommentar behandelt.

Grafikausgabe des Beispiels

Als weitergehende Analyse kann eine lineare Regression durchgeführt werden. Dies kann in R durch den lm-Befehl ausgeführt werden, wobei die abhängige Variable von den unabhängigen Variablen durch eine Tilde „~“ getrennt wird. Der summary-Befehl 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:

# Punktdiagramm der Daten:
plot(Gewicht~Groesse)
# Regressionsgerade:
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[74]:

Jahr Ort 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

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
  • www.r-project.org Offizielle Website zu R mit Informationen, Download-Möglichkeit, Dokumentationen und ähnlichem

Einzelnachweise[Bearbeiten]

  1. Ashlee Vance: Data Analysts Captivated by R's Power. In: The New York Times. The New York Times Company, 7. Januar 2009, abgerufen am 1. Juli 2015 (englisch).
  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 June 2015. In: TIOBE Software. TIOBE Software BV, abgerufen am 30. Juni 2015 (englisch).
  4. 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).
  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 (stat.auckland.ac.nz (PDF), abgerufen am 29. September 2010).
  6.  Graham Williams: Data Mining with Rattle and R. Springer, New York 2011, ISBN 978-1-4419-9889-7, S. 15-17.
  7.  Robert A. Muenchen: R for SAS and SPSS Users. Springer, New York 2011, ISBN 978-1-4614-0684-6, S. 2-5.
  8. R Core Team et al.: Contributed Packages. In: CRAN. The R Foundation, abgerufen am 29. Juni 2015 (englisch).
  9. Biocunductor Core Team: All Packages. In: Biocunductor. Biocunductor, abgerufen am 29. Juni 2015 (englisch).
  10. 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).
  11. 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).
  12. Matt Shotwell: R-Paket sas7bdat. SAS Database Reader (experimental). In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.5).
  13. 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).
  14. Paul Murrell: R-Paket hexView. Viewing Binary Files. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.3-3).
  15. 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).
  16. 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).
  17. Karoly Antal: R-Paket gnumeric. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.7-2).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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:).
  24. 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).
  25. 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).
  26. PL/R. Abgerufen am 22. Oktober 2011.
  27. Philipp L. Rautenberg, Andrey Sobolev, Andreas V.M. Herz, Thomas Wachtler: A Database System for Electrophysiological Data. Large-Scale Data and Knowledge Centered Systems IV. Springer-Verlag, 2011, ISBN 978-3-642-23740-9, books.google.at
  28. 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).
  29. 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).
  30. 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).
  31. 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).
  32. 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).
  33. 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).
  34. 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).
  35. 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).
  36.  Yihui Xie: Dynamic Documents with R and knitr. CRC Press - Taylor & Francis Group, Boca Raton 2014, ISBN 978-1-4822-0354-7.
  37. 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).
  38. 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).
  39. 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).
  40. 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).
  41. Deepayan Sarkar: R-Paket lattice. Lattice Graphics. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch, aktuelle Version: 0.20-31).
  42.  Deepayan Sarkar: Lattice: multivariate data visualization with R. Springer, New York, London 2008, ISBN 978-0-387-75968-5.
  43.  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.
  44. 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).
  45.  Hadley Wickham: ggplot2 : elegant graphics for data analysis. Springer New York, New York, NY 2009, ISBN 978-0-387-98140-6.
  46.  Leland I Wilkinson: The grammar of graphics. Springer, New York 1999, ISBN 978-0-387-98774-3.
  47. 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).
  48. 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).
  49. 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).
  50. 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).
  51. 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).
  52. 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).
  53. 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).
  54. 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).
  55. 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).
  56. 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).
  57. 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).
  58. 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).
  59. R Core Team: CRAN Task Views. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch).
  60. RStudio
  61. JGR (Java)
  62. StatET (Eclipse)
  63. 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).
  64. 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).
  65.  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.
  66. 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).
  67.  Graham Williams: Data Mining with Rattle and R. Springer, New York 2011, ISBN 978-1-4419-9889-7.
  68. deducer.org
  69. Tinn-R. Homepage. Abgerufen am 23. Januar 2012.
  70. Vim R Plugin. Homepage. Abgerufen am 26. Mai 2014.
  71. ESS – Emacs Speaks Statistics. Homepage. Abgerufen am 23. Januar 2012.
  72. a b How to speed up R on Mac OS X with an external editor. Homepage. Abgerufen am 12. Februar 2012.
  73. NppToR – R in Notepad++. Homepage. Abgerufen am 23. Januar 2012.
  74. R Core Team: useR! - International R User Conference. In: CRAN. The R Foundation, abgerufen am 30. Juni 2015 (englisch).