推荐序1

又来一个找我写序的……感觉自己都快成了写序专业户，惭愧惭愧。以前叫我写序的作者我一般都不熟，但这次这位我还算熟，所以终于可以说点电视上不让播的内容。八年前我们一同进入爱荷华州立大学（俗称 Ames 村办大学）统计系读博，当时我们的背景完全相反：我在测度论课上奄奄一息、在 R 里如鱼得水，林荟在 R 入门课上死去活来、在理论课上羽化登仙。毫不脸红地吹个牛：要不是我当年的提携，她早就能写出这本书了。

玩笑归玩笑。总的来说，看到这本书时我还是吃了一斤。我读博的时候一定是遇到了一个假林荟。尽管上学的时候她在村办大学的牲口学院（好吧，兽医学院）有一些科研经历，但我记得也就是画画 ROC 曲线、跑跑逻辑回归而已。士别三年，竟然已经成了一只 R 语言老司机，而且还写出一本主题这么宏大的书。书里举的例子都是种子、生猪、农业论坛，鬼知道她这几年都经历了写什么。以前她抗拒写代码，主要原因是对着电脑时间长了怕脸上长痘，看来后来还是决定为（数据）科学献身了。我们假装感动三秒。

书的内容我大致看了一遍，因为都是熟人，我评价起来也就不客套了；按书的标题，分两方面说：R 语言和数据科学。

一般来说，我不在乎别人的 R 代码写得好不好，因为反正写得再好也没我写得好（明年请在我的坟头多烧两张纸）。我对计算机相关书籍的最低标准是不要把“阈值”写成“阀值”，我仔细看过了，本书作者写的是对的。看 R 相关的书籍时，我也有个怪癖，就是找有没有 if (x == TRUE) 或者 y[which(y > 3)] 这样的语句，其实语句都没错，只是看看作者的强迫癌是不是到了晚期（if (x) 和 y[y > 3] 就已足够）。本书作者似乎没有患强迫症。不过这也无妨，很多时候我觉得对代码吹毛求疵反而影响效率，而且不太老的司机分享的经验对新司机可能更有用。在我眼中，这本书在 R 方面有两个亮点：一是里面介绍了很多 R 的附加包，例如 caret，读者拿起来应该能很快上手；二是用几乎以假乱真的模拟数据，这一点可能会为人诟病（不是真实数据），但我觉得模拟数据有其独特的价值，就是你掌控着整个小宇宙，数据从生成到建模到解释，一路的过程你都可以看清楚，而且可以变着法子换新数据玩，学习模型使用方法。

数据科学我就不敢妄言了，毕竟我毕业之后已经转向纯码农，很少做有关统计或数据的一线工作。就我的快速粗读来看，我感觉话题的覆盖范围很广，但深度也比较适宜。广度和深度通常只能二选一，也没有优劣之分。我读书少，也限于篇幅，就随意翻两页点评两个例子吧，从我自己的视角管窥一下本书的价值。比如多年前我就坚信，讲主成分分析的人如果不马上讲偏最小二乘就是耍流氓，尤其是主成分回归，是流氓中的流氓，而本书作者很明确地指出了主成分回归的弊病。再比如 Bootstrap 方法，作者讲，“假如你只有 1 个样本，难道你不停有放回抽样就能得到大样本了？”这是很漂亮的一拳。很多方法因为实施简单，所以很容易让人忘了它们的先决条件。我非常反对迷信模型或方法甚至软件，世上没那么多万金油。基于同样的原因，我很欣慰看到本书不是清一色 ggplot2 图形（虽然有些图可能长得略丑，但想得美就好了）。

仔细看完本书的话应该能看出作者是苹果粉（某一页上画图时字体用的是 Songti SC）以及段子狗。都读完了博士，选电脑还这么看脸，还整天为各种段子操碎了心，这位数据科学家也是蛮拼的。

谢益辉 写于奥马哈