自第三届中国R语言会议至今，已经有些时日了。说想把培训材料再好好整理一下，无奈项目比较紧张，只好简单修改了下。回顾材料——发现写的少，讲的多……
闲话少说，下面是材料的链接：slides 版本和 print 版本。
六 272010
六 082010
一则令人兴奋的简讯：
据Oracle官方博客 最近更新的 New R Interface to Oracle Data Mining Available for Download，甲骨文开始正式支持R语言在Oracle数据库中的应用（简单的非官方说法是：甲骨文贡献了一个提供Oracle和R之间接口的附加包）。
援引博客中对R-ODM(R-Oracle Data Mining)的介绍：
R-ODM is especially useful for:
- Quick prototyping of vertical or domain-based applications where the Oracle Database supports the application
- Scripting of “production” data mining methodologies
- Customizing graphics of ODM data mining results (examples: classification, regression, anomaly detection)
众所周知，R在实现原型算法方面有着不可替代的巨大优势。诚然，通过R实现的一般性数据挖掘算法都可以嵌入到数据库中，但Oracle提供的这个接口，极大地提高了挖掘算法的部署效率。
今天（2010.06.08），CRAN上更新了RODM包的1.0-2版本，支持Windows、Linux、MacOS X系统。
下面是RODM包帮助文档中的一个例子，可以初步地体会算法高效的部署：
### GLM Regression ## Not run: x1 <- 2 * runif(200) noise <- 3 * runif(200) - 1.5 y1 <- 2 + 2*x1 + x1*x1 + noise dataset <- data.frame(x1, y1) names(dataset) <- c("X1", "Y1") RODM_create_dbms_table(DB, "dataset") # Push the training table to the database glm <- RODM_create_glm_model(database = DB, # Create ODM GLM model data_table_name = "dataset", target_column_name = "Y1", mining_function = "regression") glm2 <- RODM_apply_model(database = DB, # Predict training data data_table_name = "dataset", model_name = "GLM_MODEL", supplemental_cols = "X1") windows(height=8, width=12) plot(x1, y1, pch=20, col="blue") points(x=glm2$model.apply.results[, "X1"], glm2$model.apply.results[, "PREDICTION"], pch=20, col="red") legend(0.5, 9, legend = c("actual", "GLM regression"), pch = c(20, 20), col = c("blue", "red"), pt.bg = c("blue", "red"), cex = 1.20, pt.cex=1.5, bty="n") RODM_drop_model(DB, "GLM_MODEL") # Drop the model RODM_drop_dbms_table(DB, "dataset") # Drop the database table RODM_close_dbms_connection(DB) RODM_close_dbms_connection(DB)
说一句题外话：
R的影响力除了在统计分析领域（SAS、SPSS、Statistica已经都开始支持R接口）外，已然发展到了商业数据库领域。
上周在部门内部做了一个小规模的R相关培训，大致把R的整体构架和特点做了个综述。聊得非常随意，天马行空。在这里，贴出概要（下图）和大家一起分享：
（顺序是：从右至左，由上至下）
红色是重点讲的部分，当然还穿插了一些关于R的八卦：比如R和SPSS、SAS之间的故事……。我发现大家对“八卦”还是相当感兴趣的：）
一 262010
大自然的力量永远让人敬畏，地震、海啸、陨石、雷击……因为我们在大自然的面前如此渺小，所以我们必须协作，必须发展科技，必须懂统计 ：）
说到地震，我可能比较敏感，因为我是唐山人。虽然 76 年唐山大地震时，我还没有形成碳水化合物形态，但后来，每每听到老一辈讲起当时的惨烈，心常戚戚。
讲几则作为唐山人的小故事：
- 小时候对地震的初相识：有一次刚刚从床上爬起来，正在懒洋洋的坐着穿衣服，就发觉床开始做规则的前后晃动。当时年龄小，很无知，只知道傻乎乎地沉浸在如秋千般的跳动中，那叫个带劲……
- 有一次上课，感觉课桌在晃动，没法看书，于是停下来查看周围哪个同学在晃。检查一圈发现周围几个同学没有一个再晃！结果，紧张地直接拍案而起，大呼——地震啦（事后新闻证明是真的）！在我们那儿，这点比较好：即使是课上误判地震的这种事儿，一般老师都是笑笑而过 ；）
- 每年我们那都会有地震的谣言，而且说的神乎其神，俺老爸一般会守夜（感谢俺老爸！）。或者天气好的话，干脆去广场之类空旷的地方，找地方打地铺。当然一般都是打牌、聊天到 24 点，然后回家睡觉。
恩，不多扯了，言归正传。自从汶川大地震以后，国人对地震明显敏感很多。且不说海地，单单前两天（24日）山西河津、运城地震就让然琢磨不懂：有人说，21日山西省地震局辟谣称不会有地震，但运城震感明显。为什么地震局会出来辟谣，仔细一读，原来才知——地震局指的是“破坏性”地震。
但有个问题：
国务院1995年颁布的《破坏性地震应急条例》，破坏性地震指“造成一定数量的人员伤亡和经济损失的地震事件”， 并没有规定特定的级数。
这破坏级地震可不是闹着玩的，得仔细瞧瞧最近这地震都发生在哪里了，震级多大？是不是会对我们构成威胁！？于是有了下面这张图——最近一周中国及周边版图地震情况（1月20日至1月25日共计六天）：
数据童鞋们可以在这里查看，里面的震级需要注意一下，有Ms和ML两种，换算关系如下。但具体什么意思大家直接 wiki 好了。
ml=(1.17mb+0．67)/1.13 ml=(ms+1.08)/1.13
一些说明（不是写商业报告，偷工减料啦）：
蓝色的背景是地震点的密度——也许是喜马拉雅造山运动，也许是三峡工程，不管怎样，四川地区不太平啊！弟兄们小心！
红色的点代表地震的位置，其大小表示震级的大小。
从1月20日至1月25日，版图周边共计有901条地震记录（有点吓人）！其中大于ML5级的一共两次：
2010-01-24 10:36:13.8 35.45 110.70 15 Ms4.8 天然地震 山西河津
2010-01-21 10:02:02.8 13.70 125.85 33 Ms5.1 天然地震 菲律宾群岛地区
最后我们再回头看一下，最近一周地震的震级（ML）分布：
至少可以长舒一口气，原来大部分都是小震，不具“破坏性”的居多。
一 222010
有点标题党的嫌疑，实际是介绍如何使用 R 绘制 heatmap 的文章。
今天无意间在Flowingdata看到一篇关于如何使用 R 来做 heatmap 的文章（请移步到这里）。虽然 heatmap 只是 R 中一个很普通的图形函数，但这个例子使用了2008-2009赛季 NBA 50个顶级球员数据做了一个极佳的演示，效果非常不错。对 R 大致了解的童鞋可以直接在 R console 上敲
？heatmap
直接查看帮助即可。
没有接触过 R 的童鞋继续围观，下面会仔细介绍如何使用 R 实现 NBA 50位顶级球员指标表现热图：
关于 heatmap，中文一般翻译为“热图”，其统计意义wiki上解释的很清楚：
A heat map is a graphical representation of data where the values taken by a variable in a two-dimensional map are represented as colors.Heat maps originated in 2D displays of the values in a data matrix. Larger values were represented by small dark gray or black squares (pixels) and smaller values by lighter squares.
下面这个图即是Flowingdata用一些 R 函数对2008-2009 赛季NBA 50名顶级球员指标做的一个热图（点击参看大图）：
先解释一下数据：
这里共列举了50位球员，估计爱好篮球的童鞋对上图右边的每个名字都会耳熟能详。这些球员每个人会有19个指标，包括打了几场球（G)、上场几分钟（MIN)、得分（PTS)……这样就行成了一个50行×19列的矩阵。但问题是，数据有些多，需要使用一种比较好的办法来展示，So it comes, heatmap!
简单的说明：
比如从上面的热图上观察得分前3名（Wade、James、Bryant）PTS、FGM、FGA比较高，但Bryant的FTM、FTA和前两者就差一些；Wade在这三人中STL是佼佼者；而James的DRB和TRB又比其他两人好一些……
姚明的3PP（3 Points Percentage）这条数据很有意思，非常出色！仔细查了一下这个数值，居然是100%。仔细回想一下，似乎那个赛季姚明好像投过一个3分，并且中了，然后再也没有3p。这样本可真够小的！
最后是如何做这个热图（做了些许修改）：
Step 0. Download R
R 官网：http://www.r-project.org，它是免费的。官网上面提供了Windows,Mac,Linux版本（或源代码）的R程序。
Step 1. Load the data
R 可以支持网络路径，使用读取csv文件的函数read.csv。
读取数据就这么简单：
read.csv("http://datasets.flowingdata.com/ppg2008.csv", sep=",")
Step 2. Sort data
按照球员得分，将球员从小到大排序：
nba <- nba[order(nba$PTS),]
当然也可以选择MIN,BLK,STL之类指标
Step 3. Prepare data
把行号换成行名（球员名称）：
row.names(nba) <- nba$Name
去掉第一列行号：
nba <- nba[,2:20] # or nba <- nba[,-1]
Step 4. Prepare data, again
把 data frame 转化为我们需要的矩阵格式：
nba_matrix <- data.matrix(nba)
Step 5. Make a heatmap
# R 的默认还会在图的左边和上边绘制 dendrogram，使用Rowv=NA, Colv=NA去掉
heatmap(nba_matrix, Rowv=NA, Colv=NA, col=cm.colors(256), revC=FALSE, scale='column')
这样就得到了上面的那张热图。
Step 6. Color selection
或者想把热图中的颜色换一下：
heatmap(nba_matrix, Rowv=NA, Colv=NA, col=heat.colors(256), revC=FALSE, scale="column", margins=c(5,10))
延伸阅读：
来自于kerimcan和krees这些人的讨论：
http://sekhon.polisci.berkeley.edu/stats/html/heatmap.html
http://enotacoes.wordpress.com/2007/11/16/easy-guide-to-drawing-heat-maps-to-pdf-with-r-with-color-key/
补充：
早上起来发现 David Smith 同样更新了博客。唉，这厮嗅觉也忒灵敏！哈哈
一 162010
本场比赛前7分钟火箭发挥还不错，最高取得了10分的领先（11-21），但受上一场力拼森林狼三个加时影响，火箭诸将体能逐渐不支，慢慢失去优势。虽然巴丁格整场替补发挥出色，无奈，随着阿里扎上篮不进，比分定格在了115-106。
相比热火发烫的53.6%投篮命中率，火箭发挥比较正常，48.7%。火箭唯一问题出现在了失误方面，8-15，如果火箭失误控制的好，也许结果可能是另外一个结果。
比赛过程中，杨毅提到（大致意思）：由于没有超级球星，火箭必须比其他球队付出更多的努力才能获得胜利，也就是说其他球队会从容地为季后赛调整状态。火箭没有这个资本，为了常规赛的成绩，火箭进入疲劳期的时间要更早。要保证后面的球队成绩，要么莫雷尽最大能力交易，补充火箭；要么阿德尔曼通过更加合理细致的轮转，让每个核心球员得到充分休息。
问题来了：在不改变现有火箭球员结构的前提下，火箭的战术轮转体系中，球员的位置如何？
引子：
本场比赛火箭一共20个助攻，Brooks 和 Battier 分别助攻了最高的5个和4个。每次助攻都会涉及两位球员，那么本场比赛所有助攻结果综合在一起，即我们将助攻者和被助攻者之间的关系使用社会网络关系表现出来，会有一些有趣的现象：
注释：
箭头方向是助攻方向，比如最下面的是 Shane Battier 给 Chuck Hayes 的助攻。
整理几个重要的关键点来评论一下：
- Brooks 无疑是比赛的发起者，我们发现他的助攻几乎包括了中锋、前锋位置的所有人（但不包括阿里扎，好像我记得有个镜头阿里扎要球，Brooks 没有理会）。
- Battier 既是助攻的受益者，又是助攻的发起者。个人一直比较喜欢的球员，篮球智商非常高。
- Budinger 这场比赛发挥出色，同队友给予其的帮助分不开。我们看到很多个球员对其都有直接帮助。
- Andersen 从助攻网络关系角度看，属于一个策应型中锋，而且是由里向外策应的那类。从比赛中观察，似乎球风有些偏软（本赛季我第一次看直播比赛 ^_^）
- Ariza 接受的助攻并不多，只有 Battier 的一次，其他都是给别人的助攻，和 Brooks 一样，属于个人能力比较强，擅于自己创造得分机会的球员。
假如：
我是教练组成员，我提议（单从本场比赛结果看）：
- Brooks、Battier、Ariza、Andersen 在火箭进攻体系中位置比较重要，轮转的时候尽量保证其中的两人或三人同时在场。
- Budinger 属于绝好的替补球员，但似乎不适合同 Battier、Hayes 同时在场。
- Lowry 在组织进攻方面能力欠佳，使用上须谨慎。
更新分割:
40场比赛助攻数据同时考虑，结果有些凌乱：
注：这个赛季火箭队有一些球员实际上并没有真正的进入轮转，比如”Tracy McGrady”,”Mike Harris”,”Jermaine Taylor”,”Pops Mensah-Bonsu”,”Brian Cook”。虽然有些球员（比如麦蒂）的确对球队的（被）助攻仍有帮助，但贡献非常有限。出于结果整洁性的考虑，上图已将这些球员因素剔除。
由于绘图算法使用的是 Force-based_algorithms，也就是说这种算法做出的图，边（edges）会尽可能的少。解释为，对球员关系的影响就是：
同其他球员关系比较多的球员将绘制的比较靠近中心，而关系较少的球员会绘制在相对靠外的位置。
重新观察火箭队助攻网络图，发现：
1月16日对热火比赛中，Kyle Lowry 和 Trevor Ariza 发挥的确出了问题，尤其是 Lowry 这点上。
如果我们求解这个网络中各个球员的 page rank 值，可以认为是每个球员同其他球员助攻的关键程度。
| Name | PageRank | |
|---|---|---|
| 1 | Aaron Brooks | 0.1690 |
| 2 | Trevor Ariza | 0.1496 |
| 5 | Luis Scola | 0.1334 |
| 3 | Kyle Lowry | 0.1268 |
| 7 | Shane Battier | 0.1099 |
| 8 | Carl Landry | 0.0966 |
| 9 | Chase Budinger | 0.0741 |
| 4 | Chuck Hayes | 0.0724 |
| 6 | David Andersen | 0.0681 |
Brooks、Ariza、Scola、Lowry、Battier 在助攻重要性角度上，占据球队的前五位。如何使用“田忌赛马”的策略制胜，则是教练组的问题。
让我欣慰的是 Hayes 的重要程度要比 Andersen 要好，单单从上一场比赛上看，Andersen 发挥的有些超常。
P.S. 维基百科上没有区别 “有向网络”和“无向网络”的 page rank ，上个表中的 page rank 值属于“无向网络”值，同上面的图略有区别（有向网络中，Lowry 的关键性仅比 Hayes 高，有些无奈）。
