زبان برنامه‌نویسی

چیت‌شیت R

مرجع سریع R برای بردارها، data frameها، فیلتر، خلاصه‌سازی و ترسیم داده. R بردارمحور است؛ عملیات روی بردارها معمولاً روی همهٔ عضوها اجرا می‌شود. recycling را بشناسید تا ناهم‌ترازی طول‌ها خطای پنهان نسازد. نوع ستون‌ها و مقدارهای گمشده را بررسی کنید. انتخاب ستون و فیلتر ردیف باید با اندازه و ساختار داده سازگار باشد. از این صفحه به‌عنوان مرجع سریع استفاده کنید و مثال‌ها و نکته‌ها را با نسخهٔ ابزار، نیاز و شرایط واقعی پروژهٔ خود تطبیق دهید.

NOVIN SKILLS / DIGITAL STUDIO

بردار و محاسبهٔ برداری

عملگرها به‌صورت عضو‌به‌عضو روی بردار عمل می‌کنند.

1values <- c(12, 18, 25, 31)2adjusted <- values * 1.13mean(adjusted)

فیلتر و انتخاب

شرط منطقی برای انتخاب عضوهای بردار استفاده می‌شود.

1scores <- c(62, 85, 91, 48)2passing <- scores[scores >= 60]

تابع با مقدار پیش‌فرض

ورودی و خروجی تابع را واضح و قابل‌بازتولید نگه دارید.

1scale_values <- function(x, center = TRUE) {2  if (center) x <- x - mean(x, na.rm = TRUE)3  x / sd(x, na.rm = TRUE)4}

ساخت tibble و ستون محاسباتی

هر ستون باید طول سازگار داشته باشد و نوع دادهٔ مناسب بگیرد.

1library(tibble)23sales <- tibble(4  product = c("A", "B", "C"),5  units = c(3L, 5L, 2L),6  price = c(10, 7.5, 12)7)8sales$total <- sales$units * sales$price

فیلتر و انتخاب با dplyr

pipe مراحل تبدیل را از ورودی تا خروجی مرتب می‌کند.

1library(dplyr)23active_users <- users |>4  filter(active, !is.na(email)) |>5  select(id, email, created_at)

مقدارهای گمشده

NA را صریح بشمارید و حذف یا جایگزینی را بر اساس منطق تحلیل انتخاب کنید.

1missing_by_column <- colSums(is.na(data))2complete_rows <- data[complete.cases(data), ]

خلاصه به تفکیک گروه

summarise خروجی را در سطح هر گروه تولید می‌کند.

1summary <- sales |>2  group_by(product) |>3  summarise(4    revenue = sum(total, na.rm = TRUE),5    .groups = "drop"6  )

نمودار پراکندگی

نام محور و عنوان، تفسیر نمودار را مستقل از متن همراه روشن می‌کند.

1library(ggplot2)23ggplot(data, aes(x = height, y = weight, color = group)) +4  geom_point() +5  labs(title = "Height and weight", x = "Height", y = "Weight")

Seed و session info

seed و نسخهٔ بسته‌ها بازاجرای تحلیل را آسان‌تر می‌کنند.

1set.seed(2026)2sampled <- sample(values, size = 10)3sessionInfo()

برای استفاده در پروژه

نکات کلیدی

۱
انتساب معمول: x <- 10؛ نوع را با class(x) یا str(x) بررسی کنید.
۲
بردار: c(1, 2, 3)؛ اندیس‌گذاری R از 1 آغاز می‌شود.
۳
داده جدولی را با data.frame() یا tibble سازمان دهید.
۴
ستون را با $ یا [[ بخوانید؛ تفاوت data frame و vector را بشناسید.
۵
فیلتر سطری را با شرط منطقی و حذف مقدار گمشده را آگاهانه انجام دهید.
۶
خلاصه‌سازی را با aggregate() یا گروه‌بندی dplyr انجام دهید.
۷
مقدار گمشده را با is.na() پیدا کنید؛ NA را با صفر اشتباه نگیرید.
۸
نمودار را با plot() یا لایه‌های ggplot2 بسازید.
۹
بذر تصادفی را با set.seed() برای بازتولیدپذیری ثبت کنید.
۱۰
نسخه بسته‌ها و مراحل تحلیل را در اسکریپت یا فایل پروژه مستند کنید.
۱۱
برای دادهٔ جدولی بزرگ، نوع ستون‌ها و مقدارهای گمشده را پیش از تحلیل بررسی و تبدیل‌های ضمنی را کنترل کنید.
۱۲
نتیجهٔ تحلیل را با seed، نسخهٔ بسته‌ها و script قابل بازاجرا ثبت کنید تا بازتولیدپذیر بماند.

چیت‌شیت R

بردار و محاسبهٔ برداری

عملگرها به‌صورت عضو‌به‌عضو روی بردار عمل می‌کنند.

1values <- c(12, 18, 25, 31)2adjusted <- values * 1.13mean(adjusted)

فیلتر و انتخاب

شرط منطقی برای انتخاب عضوهای بردار استفاده می‌شود.

1scores <- c(62, 85, 91, 48)2passing <- scores[scores >= 60]

تابع با مقدار پیش‌فرض

ورودی و خروجی تابع را واضح و قابل‌بازتولید نگه دارید.

1scale_values <- function(x, center = TRUE) {2  if (center) x <- x - mean(x, na.rm = TRUE)3  x / sd(x, na.rm = TRUE)4}

ساخت tibble و ستون محاسباتی

هر ستون باید طول سازگار داشته باشد و نوع دادهٔ مناسب بگیرد.

1library(tibble)23sales <- tibble(4  product = c("A", "B", "C"),5  units = c(3L, 5L, 2L),6  price = c(10, 7.5, 12)7)8sales$total <- sales$units * sales$price

فیلتر و انتخاب با dplyr

pipe مراحل تبدیل را از ورودی تا خروجی مرتب می‌کند.

1library(dplyr)23active_users <- users |>4  filter(active, !is.na(email)) |>5  select(id, email, created_at)

مقدارهای گمشده

NA را صریح بشمارید و حذف یا جایگزینی را بر اساس منطق تحلیل انتخاب کنید.

1missing_by_column <- colSums(is.na(data))2complete_rows <- data[complete.cases(data), ]

خلاصه به تفکیک گروه

summarise خروجی را در سطح هر گروه تولید می‌کند.

1summary <- sales |>2  group_by(product) |>3  summarise(4    revenue = sum(total, na.rm = TRUE),5    .groups = "drop"6  )

نمودار پراکندگی

نام محور و عنوان، تفسیر نمودار را مستقل از متن همراه روشن می‌کند.

1library(ggplot2)23ggplot(data, aes(x = height, y = weight, color = group)) +4  geom_point() +5  labs(title = "Height and weight", x = "Height", y = "Weight")

Seed و session info

seed و نسخهٔ بسته‌ها بازاجرای تحلیل را آسان‌تر می‌کنند.

1set.seed(2026)2sampled <- sample(values, size = 10)3sessionInfo()

برای استفاده در پروژه

نکات کلیدی

۱
انتساب معمول: x <- 10؛ نوع را با class(x) یا str(x) بررسی کنید.
۲
بردار: c(1, 2, 3)؛ اندیس‌گذاری R از 1 آغاز می‌شود.
۳
داده جدولی را با data.frame() یا tibble سازمان دهید.
۴
ستون را با $ یا [[ بخوانید؛ تفاوت data frame و vector را بشناسید.
۵
فیلتر سطری را با شرط منطقی و حذف مقدار گمشده را آگاهانه انجام دهید.
۶
خلاصه‌سازی را با aggregate() یا گروه‌بندی dplyr انجام دهید.
۷
مقدار گمشده را با is.na() پیدا کنید؛ NA را با صفر اشتباه نگیرید.
۸
نمودار را با plot() یا لایه‌های ggplot2 بسازید.
۹
بذر تصادفی را با set.seed() برای بازتولیدپذیری ثبت کنید.
۱۰
نسخه بسته‌ها و مراحل تحلیل را در اسکریپت یا فایل پروژه مستند کنید.
۱۱
برای دادهٔ جدولی بزرگ، نوع ستون‌ها و مقدارهای گمشده را پیش از تحلیل بررسی و تبدیل‌های ضمنی را کنترل کنید.
۱۲
نتیجهٔ تحلیل را با seed، نسخهٔ بسته‌ها و script قابل بازاجرا ثبت کنید تا بازتولیدپذیر بماند.