我的 R 學習歷程

接觸 R 的時間大約五個月了，從原本對電腦、程式一竅不通到現在能有效率的 debug、寫出簡潔有條理的 R code、甚至用 R 與 Markdown 架站寫部落格。算一算，我每週通常至少 3 天會用到 R，不是督促自己熟悉 R，是因為它太有魅力了。

學 R 語言很有趣¹，但也相當耗時耗力。我在學習 R 上花了大量的時間，若不是運氣好找到對的方向，我不可能花費那麼多力氣去學 R，甚至可能直接放棄。雖然如此，我還是感到有點可惜，若能更早知道有效率的學習方式，就不必花費如此大量的時間(及紙張)在學習上。因此，我希望將學習 R 的心路歷程寫下，給想學 R 的人做為參考，或許可以減短學習初期耗費精神的時期。接下來，我將說明：

1. 我學習 R 的動力來源

2. R 學習路徑：若從頭來過，我會如何學習 R、挑選哪些資源，讓自己更有效率地學習。

為何我能持續學習 R 而未放棄？其實現在我比較頭大的問題是：要怎麼克制自己不要一直打開 Rstudio？正是因為我學 R 的過程如同打電動一樣歡樂，所以放棄這個問題根本不存在。但事實上，剛開始學 R 時並不如何歡樂，直到上了課才越來越喜歡 R。

課程回顧

106學年上學期，我最喜歡、也意外收穫最多的課是謝舒凱老師開設的 R 語言與資料科學導論，或許會是我大學生涯最喜歡的課吧。

起初是抱著學好 R 語言(加上通識快修不完)的心情去加簽這門課的，但課堂上 R 語言的語法卻教得不多。然正是這種不聚焦在程式語法的課程安排，讓我把 R 學得非常好。如果課程從頭到尾都在教 R 語言，到期末我一定會受不了越顯複雜的語法，最後便隨意敷衍了事。我在這門課收穫最大的，反而不是課堂學到的技巧，而是老師、助教們傳達的一些概念與想法，以及自己探索這些概念想法的樂趣與收穫：

• Open Source² 以及 R 的生態圈³

• 資料科學與 Story telling: Coding 於資料科學中的應用，不僅是傳統所強調的功能性，Coding 亦於美觀及呈現上扮演重要的角色。資料科學透過 Coding 處理、分析資料；同時也透過 Coding 作圖將資料視覺化，好將資料科學上的發現說成故事給其他人聽。

• 文本分析: 我本來對這部分最沒有興趣，直到我意識到文本資料是研究人類行為、社會與文化最重要的資料來源之一^{4 5}。

• Reproducibility: Rmarkdown (.Rmd) 是我見過最強大的文件格式，可以輸出成網頁、投影片、PDF、Word、Markdown 等。這讓使用者可以在一份文件中做事情(Rmd)，並依據所需輸出成各種文件，而不用剪剪貼貼(從 Word 貼到 PPT)，也省下排版所花費的心力。例如，要報告可輸出成投影片 (.html)、要列印可輸出成 PDF、要放到網路上可輸出成網頁。Rmarkdown 讓使用者能以簡單有效率的方式工作，這是達到 Reproducibility 的前提與重要基礎。 ⁶

課程起手式

這門課與我個性相符，完全顯現在第一堂課實習課(Lab Session)的作業上。作業與 R 並無相關，而是要使用 Markdown 格式撰寫自我介紹。由於我對簡約風有點痴迷⁷ (受 Markdown 影響後更為痴迷)，在 Markdown 上花了一些時間研究。目前，透過 R 與 Pandoc Markdown 語法的整合(即 Rmarkdown)，我可以快速簡潔地寫出含有上下標、Footnotes、超連結、citation 的精美文件⁸或文章(例如，這篇部落格)而完全不須使用 html 語法。這讓我在寫許多作業時，效率提高不少。

對 Rmarkdown 的痴迷與熱愛可說是我R語言功力進步的關鍵。Rmarkdown 賦予每個人將想法傳達給其他人的能力⁹，因此，能做出美好的東西並與其他人分享成為我學習 R 最強烈的動機之一。例如，當初在做這門課的期末專案時，發覺 R 可以畫出很多種互動式圖表(不須懂 JavaScript)，於是我開始尋找最適合呈現資料的方式。由於不同種類的圖，常有不同資料格式的要求¹⁰，因此為了畫出最適合的圖，我反覆整理許多資料以符合格式。這使得我在 data wrangling 上，能力大幅提升。

R 學習路徑

起步

我剛開始學 R 時不算順遂¹¹。剛進到 R 的世界，一定會被為數眾多的 function¹² (以及更多的學習資源) 搞得迷失方向，不知從何開始。事實上，這不是我們的錯，因為連 R 的社群內也有相關的爭論：Base R first vs. Tidyverse first(詳細可參考此文)。R 真的是一個使用門檻不低的軟體，要精通它不是一、兩年內的事情¹³，所以一定要對 R 有熱情，才可能持續支撐對於 R 的學習¹⁴。

R 語言的基礎 ─ Base R 是剛開始學 R 的一大障礙，這也是為何會有 Base R first vs. Tidyverse first debate。由於學好 R (更精確地說，是學好 Base R)需一段時間，我認為 Base R first 的學習方式很容易造成放棄。但學習 R 不可能不接觸 Base R ，因為它是 R 語言最重要的基礎。因此，我覺得最好的方式是交錯並進：

Base R 學到一定的基礎後(不必精通)¹⁵，開始學習用tidyverse套件處理資料。之後隨著時間，自然而然就會熟悉這兩者。

維持

學習一項困難的技能最關鍵的地方大概就是要能持續穩定前進。我認為有幾種方法可以幫助自己：

1. 參考書：一本好的參考書，能作為一個參照指標，幫助自己安排進度，也讓自己知道學到了哪裡。參考書指出了一條方向，比較不會在學習的路途中迷失(相比零散的網路資源)。

2. 修課：我非常建議在學校修一門 R 語言的課(最好 3 學分以上)，但不建議線上課程¹⁶。修課的話，有老師和助教提供經驗，能省下許多摸索的時間；每週有固定進度，或多或少可迫使自己持續接觸程式；若有期末專案，這會是 R 功力突飛猛進的最佳機會(效果比起純粹練習好太多)。

3. 讓自己喜歡 R：初學 R 時因為不知道這項的重要性，所以學得有點辛苦。這點真的很微妙，有時候太過專注於學習某項”技能”，反而會過於專注實用性而忽略了趣味性，於是只剩理性說服自己：學這很有用，你一定要堅持下去。通常開始這樣想，代表離放棄不遠了。這也是為何我很推 R 語言與資料科學導論這門課的原因 ─ 老師真的很有智慧，不斷鼓勵學生們去想有趣又可用資料科學回答的問題，也常介紹一些 R 意想不到的有趣應用，但從未將焦點放在程式的硬實力。我自己由 R 善於呈現的特質切入，從 Rmarkdown 開始，擴展到資料視覺化，又到網頁設計(縱使我html和css基礎很差)，每一項對我來說都非常有趣，R 學起來因而樂此不疲。

實作：專案

看再多參考書、修再多課、做再多練習題都比不上實際去完成一個專案。在實作專案的過程中，會遇到一缸子自己不知如何解決的問題，因此過程中就是在不斷吸收新知識、學習如何問問題¹⁷，如此的學習效果是零散練習題的好幾倍。此外，做專案是自頭至尾走過一次資料科學的流程，從爬資料、整理、分析到呈現，將先前習得的零碎技巧組織在一起，會讓 R 的功力大增；同時，資料科學專案是在實際解決(回答)一個問題，這不僅對於自己，且對於社會有實質的意義與價值。

對於專案的一些建議

我認為要從實作專案收穫那麼多，不可或缺的因素同樣是興趣與熱情。沒有這些一定不可能堅持完美，不能堅持完美，專案就會淪落為練習題(反正只要跑出東西就好)。題目的選擇因而會是成敗的關鍵；與組員(若為團體專案)的溝通與共識更是關鍵中的關鍵，一定要在專案中找到最適合自己的角色，否則專案只是浪費時間。

學習資源

起初學 R 印的兩本書及聽的線上課程效果頗糟，讓我覺得自己起步不算順遂。這是因為當時對 R 不太了解，也不知如何觸及其社群，因而並未慎選書籍及課程即步入學習歷程。

學習歷程

若回到五個多月前，我會如此安排 R 的學習歷程：

1. 基礎參考書 (若有餘力的話 + swirl¹⁸ 當練習題)

   • Hands-On Programming with R：這是一本寫得非常好且相當簡單的書，目標讀者是沒有程式經驗的初學者(雖然我覺得縱使有程式經驗也可看這本書了解 R 的邏輯)。此書內容僅聚焦在非常基礎的 Base R，但重點是其將 R 的邏輯寫得非常清楚。我是在學 R 一陣子之後才看了這本書，對我有莫大的幫助。這本書相當短，可以很快看完，更多資訊請 google 書名。

   • R for Data Science：這本書應該只會越來越紅(不知道會不會變成 standard recommendation)。如同其名，這本書就在教 R 於資料科學上的應用。與上本書不同的是，這本書以tidyverse套件為基礎而非 Base R。雖然如此，此書並不需要 Base R 的基礎(有的話會更好，所以我才推薦Hands-On)，需要的基礎書中都有介紹。

   • 我建議可以先從 Hands-On Programming with R 開始，因為這本書很短可以快速看完。之後再按照章節慢慢看 R for Data Science (可配合學校上課進度，這本書短時間內看不完)，逐步累積自己的功力。

     • 上述的書都是英文的，或許有些人很抗拒英文，但中文書並非一個好選擇。當 R 學到某個程度後，更進階的資源幾乎全為英文；此外，google 問題解決方法時，用中文十之八九會找不到答案。看英文書可讓自己熟悉 R 的英文用語，而且這些書的英文都很簡單。

   • 如果有志探索 R 的其它可能性，可以參考 bookdown.org 網站上的書(僅推薦 Star 100 以上，上面還是有一些雷書)。這裡的書都是用bookdown套件寫的，而且皆為 open source，可以在網頁上看或下載到電腦(詳見bookdown套件)。

2. 學校課程：如課程回顧所提及，一門 R 的課可以讓自己視野更加廣博。僅是自修閉門造車進步很慢、常常會落掉進度、而且頗為苦悶。有人帶領比較不會走偏方向，同時還能學到許多有趣的東西。

3. 將 R 當玩具：如果學 R 如同遊戲一般好玩，那就沒有堅不堅持的問題了，這也是我自認學 R 相當成功的地方。以下，我將介紹一些我知道的有趣資源，不見得直接與資料分析相關，但一定可與 R 結合。

   • R Graph Gallery、htmlwidgets for R: R 最為吸引人的特徵之一就是其強大的繪圖功能，加上其它套件的擴充，幾乎所有跟資料有關的圖都可以用 R 畫。沒事多多欣賞其他人用 R 畫出的圖，不僅療癒放鬆，同時對 R 的能力有個大概的想像、未來更有可能會有使用需求。

   • Rmarkdown: 先前提過 Rmarkdown 很強大，可以點進 gallery 感受一下其生產力。我認為不會用 Rmarkdown 比起不會用 R 還要可惜。

   • Blogdown: 我目前的網站(一部份)是透過 blogdown 套件在經營¹⁹的。Blogdown 大幅降低了架站的門檻，即使完全不懂 HTML/CSS 也能快速上手，同時配合 Git/GitHub 能讓發表(及修改)文章的過程非常有效率。此外，以 blogdown 架設的網頁是靜態的，不同於 Wordpress 等的動態網頁，靜態網頁的速度要快許多、不需要付費伺服器，而且容易搬遷。

4. 集大成：專案製作

   • 如實作：專案所述，專案是讓自己快速進步的最佳方案。同時，結合上述的學習資源：

     • 資料分析：R for Data Science

     • 視覺化：R Graph Gallery, htmlwidgets

     • 網頁製作：Rmarkdown, Blogdown

   • 這些都可以透過 R 完成，並且讓自己更有動機實作專案、讓專案看起來更完美、甚至還可造福社會。

更上一層樓：Following and Followers

Following and Followers 是我直接借用 GitHub 上的用詞：

• Following: 該用戶追蹤的其他用戶

• Followers: 追蹤該用戶的其他用戶

透過追蹤 R 社群是一個讓自己跟上快速成長的 R 的好方法，讓自己每日都長一些知識。例如，我透過臉書追蹤 R bloggers，裡面常出現優質好文，且內容通常清楚易讀。

另一個讓 R 功力快速成長的方式，就是自己成為 R bloggers：我不是指寫的文章要登上R bloggers，而是像那些作者一樣在部落格上寫文章。寫文章是一種很好的學習方式，能幫自己重新組織所學，同時也可檢視是否真正了解正在撰寫的主題。文章不見得是寫給別人看的，有時忘記一些東西，透過自己的文字重新學習相當方便。推薦兩篇簡短的優質文說明寫 blog 的好處：Yihui Xie、David Robertson。

小結

我真的很慶幸能在大三時接觸到 R。以往我都把時間花在讀書上，也不知何時才能用得上。R 讓我發現了自己的嗜好²⁰，也讓我體驗到為了處理想解決的問題而學習的感覺。我也才慢慢體會到為了興趣所學與為了其它目的(競爭力、考試、學分、跟風？)所學，能帶來的可觀差異。當然，興趣與其它目的並非不能同時存在，只是有時專注在其它目的會抑制興趣，而最能讓學習持續的動力來源卻是興趣。

這篇文章的目的，旨在提供有志學 R 卻不確定如何開始的人作參考。文章介紹的學習資源(或是任何嘮叨的內容)，不只是(我認為)有用的，且能強烈引起我的興趣。希望讀過這篇文章的人，不僅僅獲益於文章介紹的學習資源，且能為了興趣而學 R ─ 這是此篇文章最想傳達的想法。

附註