Tidyverse: R 的现代范式

这本书的定位是 data science 入门书，特点是使用了 tidyverse 的一套哲学。整体思路可借用书中的一张图来说明：

首先明确几点原则：

1. 工具不是重点，创造价值才是目的。具体到数据科学，表现形式往往是提供解决方案或者做出某种决策。至于使用什么语言，采用什么工具，不本质。所以选 tidyverse 还是 pandas，用 R 还是 Python 或者是 Julia， 都可以。

2. 但工具会影响单位时间内产出的效率。典型的数据分析场景下，生产力的标志可能并不是一开始就写一个保证高并发的服务框架，因为可能业务方向都还没定呢。所以此时的生产力标志往往是尽快发现问题，尽快验证各种模型，尽快做出合理决策。

3. 好奇心很重要。其实想说的是，一个好的 data scientist 往往需要对新事物保持开放的心态，愿意去折腾。所以试着学一下 tidyverse 哲学应该没坏处：）

安利完毕，进入正题。

夸张一点说，作者 Hadley 真正实现了凭一己之力改变了一门语言的面貌。Tidyverse 这套哲学目的就是对 R 的旧体制做一次系统的去其糟粕，取其精华，这也是我将之称作 R 的新（现代）范式的原因。各个成员 package 也是尽量按照这套统一的哲学来组织，同时底层全部重新用 C++ 实现以保证速度。而为了介绍这一套，作者在本书的编排上也是花了心思，比如并不按照真实的工作流程先讲 ETL 的一套，因为太枯燥，而是先用更有意思的可视化来吸引入门者（起码别先被吓到），然后在串联起数据分析的各个模块。

关于书中各部分的建议。

- 第 I,II 部分 Explore 与 Wrangle 介绍了 dplyr，ggplot2 等重点组成部分，建议顺序阅读。

- III Program 部分主要面向初次接触 R 的人，如果之前学过则可以快速扫一遍，重点是了解下 pipeline 机制。

- IV Model 部分讲得很浅，旨在入门。重点理解下 formula 的使用，建模时很方便，而这点在其他语言里很难看到原生的支持。另外这部分最后一章中 list-columns 的形式我见的不多，在 tidyverse 框架下的使用挺新鲜，可以留意下。至于基本统计模型还是推荐去读下 An Introduction to Statistical Learning 来快速入门。

- V Communicate 则是基于 R markdown 来做各种扩展。看完会对「R 是一个完整生态」这句话有更深的理解。的确大部分时候只用它就能解决所有问题了。但依然强烈建议看完同时了解下流行的 Jupyter 等其他形式。

Hadley 几本书写下来对于如何讲问题已经很熟练了，中间的几个例子编排也很能看出其用心程度。的确，熟悉了 tidyverse 这套，做数据分析的很多事情时确实很爽，因为往往能写出非常简洁优雅的代码。但缺点也还是很突出，那就是在其他通用领域，很多时候只是够用，的确不如某些通用语言等成熟。

这也是为什么除非你身处比较纯粹的数据或算法团队，否则，大部分工程师平时更多是在写业务功能代码，而中间偶尔有那么零星几点数据分析的活，此时很少有人会愿意花时间学一门新的「哲学范式」。

事实上，我自己 90% 甚至更多的时间也是在写 Python，因此某些情况下，虽然明知道换到 tidyverse 更简洁方便，但生产环境中并非那么自由。所以，也请 pandas/matpoltlib/sklearn 君加油，被迫用你们时还是挺想念 tidyverse 中的很多好处的。