R: hvad det er, hvem der kan det, og hvad de tjener

R-færdighed er evnen til at bruge programmeringssproget R til at hente, strukturere, analysere, visualisere og formidle data. R er udviklet til statistisk databehandling og grafik og bruges især, når analyser skal kunne gentages og dokumenteres.

En, der kan R, kan importere data fra eksempelvis regneark, tekstfiler, databaser og API'er. Vedkommende kan undersøge datatyper, manglende værdier og fejl i data og omforme rå data til et datasæt, der kan analyseres.

Datamanipulation er en central del af færdigheden. Man kan filtrere, gruppere, aggregere, kombinere og omforme datasæt. Mange arbejder med tidyverse og pakker som dplyr og tidyr, men en stærk bruger af R forstår også de grundlæggende datastrukturer og funktioner i selve R.

Visualisering er et andet kerneområde. R bruges både til hurtig udforskning af data og til figurer, der skal indgå i rapporter og publikationer. ggplot2 er et udbredt værktøj til at bygge grafer systematisk ud fra data og variable.

Statistisk analyse fylder ofte meget. R understøtter blandt andet regression, statistiske tests, tidsserier, klassifikation og clustering. Den konkrete analyse afhænger af fagområdet. At kunne skrive R-kode er derfor ikke det samme som at kunne vælge en statistisk metode korrekt.

En erfaren bruger af R skriver funktioner, når den samme logik ellers ville blive gentaget. Man kan arbejde med loops eller funktionelle programmeringsmønstre, håndtere fejl og skrive kode, som andre kan læse og genbruge.

Fejlfinding er en vigtig del af færdigheden. Vedkommende kan læse fejlmeddelelser, undersøge objekters struktur, kontrollere mellemresultater og finde ud af, hvor en analyse eller databehandling giver et forkert resultat. Det er en anden kompetence end blot at kunne kopiere et eksempel, der allerede virker.

Professionel R-færdighed omfatter også reproducerbarhed. Kode, dataforberedelse, analyse og resultater bør kunne køres igen på en kontrolleret måde. Git bruges ofte til versionsstyring, renv kan bruges til at fastholde projektets R-pakkeafhængigheder, og Quarto kan samle kode, tekst, tabeller og figurer i reproducerbare rapporter.

På et højere niveau kan man udvikle egne R-pakker. Det giver mulighed for at samle funktioner, dokumentation og tests i en form, som kan genbruges af et team. testthat er et udbredt værktøj til automatiserede tests i R-projekter og pakker.

RStudio er et meget udbredt udviklingsmiljø til R og vedligeholdes af Posit. At kunne R er dog ikke det samme som at kunne bruge RStudio. R er programmeringssproget og beregningsmiljøet, mens RStudio er et værktøj til at skrive, køre og fejlfinde kode.

Den stærke R-færdighed viser sig derfor ikke ved, hvor mange pakker man kender. Den viser sig ved, om man kan gå fra et uklart datasæt og et fagligt spørgsmål til en korrekt, forståelig og reproducerbar analyse.

R-færdigheden er vigtig, når data skal analyseres systematisk, og analysen skal kunne gentages. Det gælder især opgaver, hvor man ellers ville ende med mange manuelle trin i regneark eller statistikprogrammer.

R bruges meget inden for statistik, forskning, data science, økonomi, sundhed, epidemiologi, bioinformatik, samfundsvidenskab, marketinganalyse og andre områder med store eller komplekse datasæt.

Færdigheden gør en særlig forskel ved gentagne analyser. Hvis den samme rapport skal opdateres med nye data, kan processen automatiseres i kode frem for at blive udført manuelt igen. Det reducerer samtidig risikoen for, at enkelte trin bliver glemt eller udført forskelligt fra gang til gang.

R er også stærkt ved eksplorativ dataanalyse. Man kan hurtigt undersøge fordelinger, sammenhænge, manglende værdier og usædvanlige observationer og kombinere beregninger med visualiseringer.

Ved statistisk modellering bliver R ofte relevant, fordi platformen har et stort økosystem af metoder og pakker. Det er især nyttigt i fagområder, hvor nyere statistiske metoder hurtigt bliver gjort tilgængelige som R-pakker.

Færdigheden er vigtig, når analyser skal kunne granskes. Koden viser, hvilke transformationer, filtreringer og beregninger der er foretaget. Det gør det lettere for en kollega at kontrollere analysen end et resultat, der er fremkommet gennem en række udokumenterede manuelle handlinger.

R kan også bruges til rapportering og dashboards. Med blandt andet Quarto og Shiny kan analyser kobles til dokumenter, præsentationer, dashboards og interaktive applikationer.

Typiske roller er data analyst, data scientist, statistiker, researcher, epidemiolog, bioinformatiker, quantitative analyst og analytiske roller inden for eksempelvis finans, marketing og offentlig forvaltning.

R læres bedst ved at analysere virkelige data. Begynd med at importere et datasæt, undersøge det og løse konkrete spørgsmål. Arbejd derefter videre med datarensning, transformation, visualisering og simple analyser.

R-projektets egen An Introduction to R er en grundig introduktion til sproget og dets centrale datastrukturer, funktioner, statistik og grafik. Den er særlig nyttig, hvis man vil forstå R og ikke kun et bestemt sæt hjælpepakker.

R for Data Science af Hadley Wickham, Mine Çetinkaya-Rundel og Garrett Grolemund er en meget anvendt praktisk vej til moderne analysearbejde i R. Den arbejder med hele forløbet fra import og oprydning til transformation, visualisering, programmering og formidling.

RStudio fra Posit er et naturligt miljø at træne i. Her kan man arbejde med scripts og projekter og samtidig bruge værktøjer til blandt andet debugging, plots og dokumentation.

Når grundprincipperne sidder fast, bør man skrive egne funktioner i stedet for at gentage kode. Tag eksempelvis en analyse, der udføres for flere afdelinger eller datasæt, og gør processen generel. Det træner både programmering og forståelsen af R's objekter og funktioner.

Derefter bør man lære reproducerbare arbejdsgange. Gem projektet i Git. Brug et klart projektsetup. Lav rapporter med Quarto. Kontrollér pakkeafhængigheder med renv, hvis projektet kræver det. Målet er, at en anden person kan forstå og genkøre arbejdet.

Testing bliver relevant, når R-koden begynder at indeholde funktioner, der bruges igen og igen. Skriv tests for centrale beregninger og særlige fejltilfælde. Det er især vigtigt, når analyser eller interne R-pakker bruges af flere personer.

For mere avanceret R-programmering er Advanced R af Hadley Wickham en anerkendt ressource. Den går blandt andet dybere i funktioner, environments, objektorientering, debugging og de mekanismer, som ligger under almindelig R-kode.

Den vigtigste træning er dog ikke at gennemføre flest mulige tutorials. Tag et rodet datasæt uden en færdig opskrift. Formulér spørgsmålene selv. Rens data, dokumentér antagelserne, skriv analysen og kontroller resultatet. Det er tættere på rigtigt arbejde.

R kan læres på et introduktionskursus, men professionel R-færdighed kommer ikke fra et kort kursus alene. Rutinen opbygges gennem mange analyser, fejl, dataproblemer og situationer, hvor koden senere skal forstås eller genbruges af andre.

Bed personen beskrive et R-projekt fra rå data til færdigt resultat. Spørg hvordan data blev hentet, renset, kontrolleret og analyseret. En erfaren person kan forklare processen og de faglige valg, ikke kun hvilke pakker der blev brugt.

Giv kandidaten et lille rodet datasæt. Se hvordan personen undersøger datatyper, manglende værdier, dubletter og mærkelige observationer, før analysen begynder. Det fortæller ofte mere end en opgave med en på forhånd kendt løsning.

Spørg hvordan personen undgår at kopiere den samme kode mange gange. En stærk bruger af R vil typisk tale om funktioner, iteration eller andre genbrugelige strukturer og kan forklare, hvornår abstrahering faktisk gør koden bedre.

Bed personen forklare forskellen mellem at få kode til at køre og at vide, at resultatet er korrekt. En erfaren analytiker kontrollerer mellemresultater, antagelser, enheder, datagrundlag og den statistiske metode frem for alene at stole på, at R ikke viser en fejl.

Spørg også, hvordan en analyse kan reproduceres af en kollega. Gode svar kan omfatte scripts, projekter, Git, dokumentation, kontrollerede pakkeversioner og en rapport, hvor beregninger og resultater hænger sammen.

Et praktisk spørgsmål er, hvad personen gør, når et script pludselig giver et andet resultat eller stopper efter en pakkeopdatering. En erfaren bruger af R kan undersøge pakkeversioner, inputdata, ændringer i kode og miljø og isolere problemet systematisk.

Ved statistiske roller bør man ikke nøjes med at teste R-syntaks. Giv kandidaten et analyseproblem og spørg, hvorfor en bestemt model eller test er passende. En person kan være stærk programmør uden at være stærk statistiker, og omvendt.

Se også på kodekvaliteten. Meningsfulde navne, små funktioner, tydelig projektstruktur og begrænset gentagelse gør arbejdet lettere at kontrollere. Et langt script, som kun forfatteren selv kan køre, er ikke et stærkt tegn på professionel R-færdighed.

Det stærkeste tegn på R-færdighed er, at personen kan tage ansvar for hele analysevejen. Vedkommende kan forstå data, skrive robust kode, vælge passende analysemetoder, kontrollere resultatet og gøre arbejdet forståeligt og reproducerbart for andre.