1. 利用r做数据分析
语言中的五种常用统计分析方法
1、分组分析aggregation
2、分布分析cut
3、交叉分析tapply（相当于excel里的数据透视表）
4、结构分析prop.table
5、相关分析prop.table
补充：R中基本统计分析方法整理
面对一大堆的数据，往往会让人眼花缭乱。但是只要使用一些简单图形和运算，就可以了解数据更多的特征。R提供了很多关于数据描述的函数，通过这些函数可以对数据进行一个简单地初步分析。
2. R语言做数据分析
SAS和R是统计软件，更偏向于统计分析，MATLAB是数学软件，应用区域更广，但在统计方面没有那么专业。
R语言和SAS语言在统计方面的比较：
1.R语言上手比较容易，SAS语言较为晦涩
2.R针对行与行之间的运算比SAS容易
3.SAS比R要成熟，很多分析都可以直接用，而不用自己写函数
4.SAS处理大数据更有优势
你可以根据自己的情况选择
3. R做数据分析和挖掘
分析数据有两种，
1列表法
将实验数据按一定规律用列表方式表达出来是记录和处理实验数据最常用的方法。表格的设计要求对应关系清楚、简单明了、有利于发现相关量之间的物理关系；此外还要求在标题栏中注明物理量名称、符号、数量级和单位等；根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。最后还要求写明表格名称、主要测量仪器的型号、量程和准确度等级、有关环境条件参数如温度、湿度等。
2作图法
作图法可以最醒目地表达物理量间的变化关系。从图线上还可以简便求出实验需要的某些结果（如直线的斜率和截距值等），读出没有进行观测的对应点（内插法），或在一定条件下从图线的延伸部分读到测量范围以外的对应点（外推法）。此外，还可以把某些复杂的函数关系，通过一定的变换用直线图表示出来。例如半导体热敏电阻的电阻与温度关系为，取对数后得到，若用半对数坐标纸，以lgR为纵轴，以1／T为横轴画图，则为一条直线。
这个要看你分析什么数据。
分析大数据，R语言和Linux系统比较有帮助，运用到的方法原理可以翻翻大学的统计学，不需要完全理解，重在应用。
分析简单数据，Excel就可以了。Excel本意就是智能，功能很强，容易上手。我没有见过有人说自己精通Excel的，最多是熟悉Excel。Excel的函数可以帮助你处理大部分数据。
一、掌握基础、更新知识。
基本技术怎么强调都不过分。这里的术更多是（计算机、统计知识），多年做数据分析、数据挖掘的经历来看、以及业界朋友的交流来看，这点大家深有感触的。
数据库查询—sql
数据分析师在计算机的层面的技能要求较低，主要是会sql，因为这里解决一个数据提取的问题。有机会可以去逛逛一些专业的数据论坛，学习一些sql技巧、新的函数，对你工作效率的提高是很有帮助的。
统计知识与数据挖掘
你要掌握基础的、成熟的数据建模方法、数据挖掘方法。例如：多元统计：回归分析、因子分析、离散等，数据挖掘中的：决策树、聚类、关联规则、神经网络等。但是还是应该关注一些博客、论坛中大家对于最新方法的介绍，或者是对老方法的新运用，不断更新自己知识，才能跟上时代，也许你工作中根本不会用到，但是未来呢？
行业知识
如果数据不结合具体的行业、业务知识，数据就是一堆数字，不代表任何东西。是冷冰冰，是不会产生任何价值的，数据驱动营销、提高科学决策一切都是空的。
一名数据分析师，一定要对所在行业知识、业务知识有深入的了解。例如：看到某个数据，你首先必须要知道，这个数据的统计口径是什么？是如何取出来的？这个数据在这个行业，在相应的业务是在哪个环节是产生的？数值的代表业务发生了什么（背景是什么）？对于a部门来说，本月新会员有10万，10万好还是不好呢？先问问上面的这个问题：
对于a部门，
1、新会员的统计口径是什么。第一次在使用a部门的产品的会员？还是在站在公司角度上说，第一次在公司发展业务接触的会员？
2、是如何统计出来的。a：时间；是通过创建时间，还是业务完成时间。b：业务场景。是只要与业务发接触，例如下了单，还是要业务完成后，到成功支付。
3、这个数据是在哪个环节统计出来。在注册环节，在下单环节，在成功支付环节。
4、这个数据代表着什么。10万高吗？与历史相同比较？是否做了营销活动？这个行业处理行业生命同期哪个阶段？
在前面二点，更多要求你能按业务逻辑，来进行数据的提取（更多是写sql代码从数据库取出数据）。后面二点，更重要是对业务了解，更行业知识了解，你才能进行相应的数据解读，才能让数据产生真正的价值，不是吗？
对于新进入数据行业或者刚进入数据行业的朋友来说：
行业知识都重要，也许你看到很多的数据行业的同仁，在微博或者写文章说，数据分析思想、行业知识、业务知识很重要。我非常同意。因为作为数据分析师，在发表任何观点的时候，都不要忘记你居于的背景是什么？
但大家一定不要忘记了一些基本的技术，不要把基础去忘记了，如果一名数据分析师不会写sql，那麻烦就大了。哈哈。。你只有把数据先取对了，才能正确的分析，否则一切都是错误了，甚至会导致致命的结论。新同学，还是好好花时间把基础技能学好。因为基础技能你可以在短期内快速提高，但是在行业、业务知识的是一点一滴的积累起来的，有时候是急不来的，这更需要花时间慢慢去沉淀下来。
不要过于追求很高级、高深的统计方法，我提倡有空还是要多去学习基本的统计学知识，从而提高工作效率，达到事半功倍。以我经验来说，我负责任告诉新进的同学，永远不要忘记基本知识、基本技能的学习。
二、要有三心。
1、细心。
2、耐心。
3、静心。
数据分析师其实是一个细活，特别是在前文提到的例子中的前面二点。而且在数据分析过程中，是一个不断循环迭代的过程，所以一定在耐心，不怕麻烦，能静下心来不断去修改自己的分析思路。
三、形成自己结构化的思维。
数据分析师一定要严谨。而严谨一定要很强的结构化思维，如何提高结构化思维，也许只需要工作队中不断的实践。但是我推荐你用mindmanagement，首先把你的整个思路整理出来，然后根据分析不断深入、得到的信息不断增加的情况下去完善你的结构，慢慢你会形成一套自己的思想。当然有空的时候去看看《麦肯锡思维》、结构化逻辑思维训练的书也不错。在我以为多看看你身边更资深同事的报告，多问问他们是怎么去考虑这个问题的，别人的思想是怎么样的？他是怎么构建整个分析体系的。
四、业务、行业、商业知识。
当你掌握好前面的基本知识和一些技巧性东西的时候，你应该在业务、行业、商业知识的学习与积累上了。
这个放在最后，不是不重要，而且非常重要，如果前面三点是决定你能否进入这个行业，那么这则是你进入这个行业后，能否成功的最根本的因素。数据与具体行业知识的关系，比作池塘中鱼与水的关系一点都不过分，数据（鱼）离开了行业、业务背景（水）是死的，是不可能是“活”。而没有“鱼”的水，更像是“死”水，你去根本不知道看什么（方向在哪）。
如何提高业务知识，特别是没有相关背景的同学。很简单，我总结了几点：
1、多向业务部门的同事请教，多沟通。多向他们请教，数据分析师与业务部门没有利益冲突，而更向是共生体，所以如果你态度好，相信业务部门的同事也很愿意把他们知道的告诉你。
2、永远不要忘记了google大神，定制一些行业的关键字，每天都先看看定制的邮件。
3、每天有空去浏览行业相关的网站。看看行业都发生了什么，主要竞争对手或者相关行业都发展什么大事，把这些大事与你公司的业务，数据结合起来。
4、有机会走向一线，多向一线的客户沟通，这才是最根本的。
标题写着告诫，其实谈不上，更多我自己的一些心得的总结。希望对新进的朋友有帮助，数据分析行业绝对是一个朝阳行业，特别是互联网的不断发展，一个不谈数据的公司根本不叫互联网公司，数据分析师已经成为一个互联网公司必备的职位了。
4. r 如何进行数据分析
rstudio中分析导入的数据方法：
1.
键盘输入 方法:step1> mydata <- data.frame() %创建一个名为mydata的空的数据框 step2> fix(mydata) %手动改变量名、数据类型及输入数据
2.
直接导入 步骤:File->Import Dataset->选择导数的数据格式,按照系统提示进行即可。
5. 用r进行数据分析的论文
1：excel虽然内置有数据分析模块，但是毕竟不是专业的数据统计分析软件，功能上受限很多。
2：当然我们平时的大部分数据分析工作，无论是课程、毕业论文需要的，大家可能更习惯于使用专业的Eviews、SPSS、Stata、Minitab，甚至计量和统计科班的大神们都在用SAS、MATLAB或者R语言、Python语言。
3：今天给大家推荐的两款excel数据分析插件内存小，内置于excel工具栏随点随用，仅仅包含常用功能，界面简洁。
4：第一款6SQ统计是国内一家叫做六西格玛网的公司开发的，主要用于品质管理，不过常用的统计功能和数据分析模块都具备。一共有两个版本：开发版（收费）和个人版（免费），经过试用，两个版本功能差别不大。
6. 利用r做数据分析方法
在做meta分析时，对于计数资料有OR、RR、RD等效应指标可供选择。OR、RR、RD这些指标的选择依赖于文献的结局变量是什么指标。OR是优势比，RR是相对危险度，RD是率差，这三种指标的选择需根据具体的专业问题来选择。在处理组阳性率比较小时，OR和RR差别不大；RR是在两个率都不太小时使用。 在对OR、RR、RD等进行分析时，Mantel-Haenszel可以使用；Peto法适用于结局变量是OR的资料，该法计算较为简单，但一般认为，OR均大于5或小于0.2时，或四格表数据很不平衡时，计算结果不理想；Fleiss法也可于OR值的计算（在只是已知各种率时使用）；广义的基于方差的方法选用于对RD和RR的分析。
7. 用R软件进行数据分析
ir soft是一款利用数据分析得出结论的软件，ir soft这款软件可以运用内置栏目统计表来组织数据并得出可靠的结论，可以自动为用户的测量结果分类和分等，或者从数据中删除多余对象，从140个工作表函数中选出合适的函数来转换用户的数据等等。
8. 利用r做数据分析软件
1、对于网页为csv文件的页面，可以直接用read.csv函数导入网页数据并转为数据框的形式。html格式的网页也可以读取。
例如：
data <- read.csv(text="it is a page")#text是要查看的文本
head(data,10)
#读取网页数据的代码data <- read.csv("page")，page可以是要查看的网址或文本。
2、R基础包中的readLines可以读取网页或文本数据。
#输入文本
cat("asqsd\n1213",file="a1")
readLines("a1") #读取文本数据
#cat中"\n"表示换行。
3、RCurl包中的getURL()函数获取网页数据。
library(RCurl)
data<-getURL("a1")#a1为某个具体的网址。
head(data)
4、通过getURL直接获取的数据有些凌乱，可以借助library(XML)解析树函数htmlTreeParse处理。
library(XML)#解析树函数htmlTreeParse
data_Parse<-htmlTreeParse(data)
head(data_Parse,2)
5、对于复杂网站的文本数据，用rvest包中的read_html函数来提取文本数据。
library(rvest)
page<-read_html("a1")#a1为某个具体的网址
data<-html_nodes(page,"table")
head(data)
#本例中没有输入网址，所以结果为空。
6、通过html_nodes获得的数据不能直接投入使用。
table<-html_table(data);table #提取表格数据，可以得到多个表格结果
table[1]#查看第1个表
text<-html_text(data);text #提取文本数据
#在实际应用中，可以发现提取表格后的数据或文本是非常便于分析的。