以前的想法是使用 Google 来寻找「顶级 R 机器学习包」的列表，然后试着从列表上抓取所有包的名称，将它们结合起来，并使用该列表作为起点。但是抛开工程任务来说，当前可用的列表质量相对较差，不能满足我们的需求。它们过时了，没有明确的说明方法，并且往往是极其主观的。

确定客观指标

一个好的排名需要一个对于「最佳（best）」的定义，这需要用良好的指标来搭建。我们将「最佳」定义为「最流行」。这并不一定意味着这个包是广受欢迎的（由于糟糕的 API，用户可能经常会搜索 Stack Overflow）

我们为我们的排名选取了 3 个因素：

下载：来自于 CRAN 镜像的下载量

Github：包的主存储库页面上星星数量。

Stack Overflow: 包含程序包的名称并以 'R' 标记的问题的数量。

CRAN 下载

有一些 CRAN 的镜像，而我们使用的是 R-Studio 镜像，因为它有一个便捷的 API。RStudio 一定是 R 中使用最广泛的 IDE，但却并非是唯一的。如果我们从其他 CRAN 的镜像统计下载量，我们的排名可能会更好（但并不会有显著变化）。

GitHub

最初，我们通过在 Github 的 search API 上查询包的名字来寻找包的 Github 页面，可能会使用「language:R」，但这么做是不可靠的。有时候很难选择正确的 Github 库，而且不是所有的 R 包都是用 R 语言来实现的（在该搜索 API 中，「language:R」参数似乎指的是该存储库写入所使用的最流行的语言）

相反，我们返回 CRAN 来寻找这些 URL。每个包都有一个官方的 CRAN 页面，其中包括了一些有用的信息，比如源代码链接。这就是我们得到的包的 Github 存储库的位置。

在这之后，使用 API 就可以容易地得到 Github 的星星数。

　　Stack Overflow

从 Stack Overflow 获取有用的结果需要技巧。一些 R 包的名称，比如 tree 和 earth，存在着明显的困难：Stack Overflow 的结果可能不会被筛选到 R 包的结果当中，所以我们首先在查询中添加一个 「r」 字符串，这非常有帮助。

一个好的（最优的？）策略是在问题主题中查询包的名字，然后添加一个 『r』标签（这与添加 『r』 字符串不同）

建立排名

我们简单地将包按照 3 个指标中的每一个来排名，并取其平均值。该方法没什么特别的地方。

杂注

所有的数据都是在 2017 年 1 月 19 日下载的。CRAN 的下载量则是统计了过去 365 天的数据：从 2016 年 1 月 19 日 到 2017 年 1 月 19 日。

数据科学领域最顶级的 R 包？

一开始，这个项目是要将「数据科学」领域中所有顶级的包进行排名，但我们很快发现这个范围太大。

数据科学家做了很多不同的事情。要帮助一个数据科学家，你要将几乎所有的 R 包进行分类。那么，我们应该包含字符串操作包吗？包是如何从数据库中读取数据的呢？

也许有一天，会有一个更长的项目，它会更多地使用 「Data Science」 来为「数据科学」工作得出一个顶级 R 包的排名。

资源：

　　源代码请查看 The Data Incubator (https://www.thedataincubator.com/) 的 Github （地址：https://github.com/thedataincubator/data-science-blogs/）。如果有兴趣学习更多，请参考：

　　1.Data science corporate training

　　（地址：https://www.thedataincubator.com/training.html）

2. Free eight-week fellowship for masters and PhDs looking to enter industry

（地址：https://www.thedataincubator.com/fellowship.html）

3. Hiring Data Scientists

(地址：https://www.thedataincubator.com/hiring.html)

　　原文链接：

©本文为机器之心编译，atv，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]