1 Вступ до R

---

Мова програмування R — потужний інструмент, що широко використовується в різних сферах: статистика, візуалізація, наука про дані, машинне навчання, глибоке навчання тощо. Це безплатна система з відкритим кодом, з широкими можливостями, які досягаються внаслідок різноманіття пакетів (packages) доповнень. R повністю безплатний та доступний для встановлення на більшість операційних систем. Крім того, є можливість працювати у хмарних додатках. Разом з тим, R ідеально підходить для проведення економетричних досліджень. Вивчити R не складно і цей розділ підготовить Вас до базових операцій.

1.1 Встановлення R

---

Варіантів роботи з мовою програмування R існує досить багато. Розберемо основні.

1.1.1 Встановлення на комп’ютер

Для початку необхідно встановити саму мову програмування під свою операційну систему:

• Windows
• MacOS
• Linux

Для роботи в R, також слід встановити інтегроване середовище розробки (IDE) RStudio, що значно підвищує зручність, швидкість та ефективність роботи.

Щоб встановити RStudio, завантажте останню версію інсталятора для Вашої операційної системи з сайту https://rstudio.com/products/rstudio/download/

1.1.2 Використання хмарних сервісів

У випадках, коли не має можливості або бажання щось додатково встановлювати на ПК є декілька хмарних сервісів:

• RStudio Cloud
• Google Colab

1.2 RStudio

---

Я пропоную використовувати саме RStudio, оскільки це найзручніший інструмент для роботи з даними. При чому в ній можна працювати з різними мовами програмування, в тому числі й Python.

Якщо ваша операційна система — Windows, то після встановлення R та RStudio, на робочому столі у вас буде дві іконки:

та

Перша належати до самої мови програмування і не буде використовуватись в роботі, друга відноситься до RStudio і саме вона нам потрібна.

Після першого запуску RStudio ви побачите інтерфейс на рисунку 1.1

Рисунок 1.1: Базовий інтерфейс RStudio

Як правило код пишуть у скрипті (такий собі аналог текстового редактора), тож для його створення необхідно натиснути зелений хрестик в лівому верхньому куті та обрати пункт R Script або натиснути комбінацію клавіш Ctrl+Shift+N:

Рисунок 1.2: Створення скрипта в RStudio

Після чого, з’явиться додаткове вікно скрипту, де можна писати код, зберігати його та повертатися до нього за потреби.

Розберімо отриманий інтерфейс (рис. 1.3)

Рисунок 1.3: Інтерфейс RStudio

1. СКРИПТ — відбувається основна робота з кодом.

2. КОНСОЛЬ — повертаються результати виконання скриптів. Хоча тут так само писати код, проте він не буде збережений.

3. РОБОЧИЙ ПРОСТІР — тут зберігаються змінні, завантажені дата сети та побудовані моделі. Крім того, є окрема вкладинка історії останніх команд.

4. ГРАФІКИ та ФАЙЛИ — тут в окремих закладинках демонструються графіки, є невеличкий файловий менеджер, менеджер пакетів (про них трошки пізніше) та довідка по функціях (сюди будемо звертатися досить часто).

1.3 Базові операції

---

R - мова програмування з широкими можливостями. З її допомогою можна будувати математичні моделі, проводити статистичні тести, візуалізувати дані тощо. Але почнемо з чогось максимально простого, наприклад, арифметики.

1.3.1 R та арифметика

Вже з “коробки,” без додаткових пакетів, R надає можливість проводити арифметичні розрахунки. Всі ці операції виконуються за допомогою типових операторів, до яких ми звикли ще з часів навчання в школі або використання Excel.

Так, додавання двох чисел використовується оператор +:

2 + 2
## [1] 4

Для віднімання — оператор -:

5 - 2
## [1] 3

Множення через оператор *:

3 * 5
## [1] 15

Ділення — /:

25 / 5
## [1] 5

Піднесення до степеня через ^:

3 ^ 3 
## [1] 27

Як бачимо, нічого складного. Розгляньмо ще два оператори.

Залишок від ділення — %%:

5 %% 3
## [1] 2

Цілочисельне ділення — %/%:

17 %/% 5
## [1] 3

Узагальнений перелік арифметичних операторів я помістив у наступну таблицю.

Оператор	Опис	Приклад
+	Додавання	a + b
-	Віднімання	a - b
*	Множення	a * b
/	Ділення	a / b
^	Степінь	a ^ b
%%	Залишок від ділення	a %% b
%/%	Цілочисельне ділення	a %/% b

1.3.2 Коментарі до коду

Важливою складовою написання коду, окрім його зрозумілості та лаконічності, є коментарі, які допомагають орієнтуватися, що відбувається в даному шматку коду.

Для додавання коментарів використовується знак решітки або, як його ще називають, дієз — #. Все, що написано у рядку після # ігнорується R:

# look at this awesome code
2 + 2 - 3 + 1
## [1] 2

Якщо необхідно “закоментувати” частину коду, тобто поставити # на початку кожного рядка, то для цього є комбінація клавіш Ctrl + Shift + C.

1.3.3 Пріоритети розрахунків

Після знайомства з арифметикою в R постає логічне питання з приводу пріоритетів операторів. На справді тут все просто, пріоритети працюють як в математиці. Тож не забувайте правильно розставляти дужки.

2 + 3 * 4
## [1] 14

(2 + 3) * 4
## [1] 20

1.3.4 Готові функції

Крім звичайних арифметичних операторів в мові програмування R одразу вбудовано багато різноманітних функцій, в тому числі й математичних.

Для розрахунку кореня квадратного з числа використовується функція sqrt(), яка може бути вам знайома, якщо ви користувалися англомовною версією Excel.

9^0.5
## [1] 3

9^(1/2)
## [1] 3

sqrt(9)
## [1] 3

Мова програмування R чутлива до регістру, тож варіанти Sqrt(9), SQRT(9) працювати не будуть.

Разом з тим, в середині функції можна проводити математичні розрахунки:

sqrt((2 + 3) * 4)
## [1] 4.472136

Функція abs() розраховує абсолютне значення:

abs(3 - 5)
## [1] 2

Розрахунок натурального логарифма через функцію log():

log(15)
## [1] 2.70805

Але це ще не все, оскільки для логарифма притаманно мати основу, то в таких випадках слід додати в середині дужок додатковий аргумент base =:

log(x = 10, base = 3)
## [1] 2.095903

Аргументи функцій можна змінювати місцями:

log(base = 3, x = 10)
## [1] 2.095903

До речі не обов’язково писати назви аргументів функцій. Якщо ви впевнені в їх порядку запис може виглядати наступним чином:

log(10, 3)
## [1] 2.095903

Взагалі використання функцій — важлива особливість мови програмування R. Ми можемо створювати власні функції, використовувати функції як аргументи інших функцій тощо.

1.3.5 Вбудована документація

Вже на цьому етапі може виникнути ряд питань:

• де знайти опис функції?
• які існують аргументи функцій?
• чи є якісь приклади використання функцій?

Відповідь досить проста — всі функції супроводжуються детальною документацією. Для її виклику можна скористуватися функцією help(), де в середині дужок вказати назву функції:

help(abs)

Інший варіант — це написати в консолі знак питання і після цього назву функції:

?abs()

Але на мою думку, найшвидший варіант — це написати функцію і натиснути клавішу F1 на клавіатурі.

Всі зазначені варіанти приведуть вас до вікна документації у правому нижньому куті RStudio:

1.3.6 Створення змінних

Ще один важливий пункт у багатьох мовах програмування — можливість зберігати значення у змінних.

В R це робиться за допомогою символів <-. Для швидкого написання існує зручна комбінація клавіш Alt + -.

Ліворуч від символу <- записується назва майбутньої змінної. Праворуч — значення або вираз, яке необхідно зберегти в цю змінну.

x <- 2
y <- 4
z <- sqrt(x^2 + y^3)

Для присвоювання можна використовувати і знак = але серед спільноти користувачів R це не прийнято.

Слід звернути увагу, що при присвоюванні результат розрахунку не виводиться в консоль. Якщо ж хочеться переглянути результат слід використати функцію print() або просто звернутися до створеної змінної:

print(z)
## [1] 8.246211

z
## [1] 8.246211

Після створення змінна з’являється у вкладинці Environment робочого простору RStudio:

1.3.7 Оператори порівняння

В процесі роботи з даними, досить часто працюємо з задачами порівняння. Для розв’язання таких питань в мові програмування R є зручні та зрозумілі оператори:

Оператор порівняння	Опис	Приклад
==	Дорівнює	a == b
!=	Не дорівнює	a != b
>	Більше	a > b
<	Менше	a < b
>=	Більше або дорівнює	a >= b
<=	Менше або дорівнює	a <= b

Окремо зауважу, що для порівняння двох змінних використовується оператор з подвійним знаком дорівнює ==, а не з одним =. Це досить популярна помилка.

1.4 Типи даних

---

Інформація зберігається в різних типах даних. Це може бути число, текст, булева змінна тощо.

1. Один з найпопулярніших варіантів збереження даних — це числовий формат. В мові програмування R для нього є окремий клас — numeric. При цьому існує три типи numeric:

• Цілі - integer.
• Дробові - double.
• Комплексні - complex.

В більшості випадків R буде сам конвертувати числа в потрібний формат. Але якщо необхідно задати конкретний тип числа, то можна використати функції as.integer(), as.double() та as.complex().

В мові програмування R досить багато функцій, які починаються на as., які переводять об’єкт до конкретного класу. Іншими словами просить читати дані в середині дужок у відповідному форматі.

Для створення цілочислового значення можна в кінці поставити символ L, щоб примусово оголосити число як integer:

is.integer(10)
## [1] FALSE

is.integer(10L)
## [1] TRUE

Функції, що починаються на is. перевіряють, чи належить об’єкт до обраного класу.

2. Для роботи з текстовими даними є клас character. Вони записуються в лапках, при цьому можна використовувати як подвійні ", так і одинарні '.

is.character("Ash nazg durbatulûk, ash nazg gimbatul,
             ash nazg thrakatulûk, agh burzum-ishi krimpatul.")
## [1] TRUE

3. Логічні (logical) данні - це тип даних які приймають лише значення TRUE або FALSE. Ми з ними вже зустрічалися коли використовували оператори порівняння.

Для перевірки типу даних використовується функція class():

class(5)
## [1] "numeric"

1.5 Структури даних

R працює з багатьма структурами даних: вектори, матриці, масиви, дата фрейми та списки. Вони відрізняються за способом створення, структурою, складністю будови та способом звернення до їх елементів. Схематично ці структури даних зображено на рисунку 1.4

Рисунок 1.4: Структури даних R

1.5.1 Вектор

Почнемо з найпростішого. Вектор - це одновимірна послідовність елементів одного типу. Для створення вектору використовується функція c().

c(2, 4, 8, -2, -6, 0)
## [1]  2  4  8 -2 -6  0

c("два", "чотири", "шість")
## [1] "два"    "чотири" "шість"

c(TRUE, TRUE, FALSE)
## [1]  TRUE  TRUE FALSE

Для створення послідовностей з кроком 1 зручно використовувати оператор :

-5:5
##  [1] -5 -4 -3 -2 -1  0  1  2  3
## [10]  4  5

3:-2
## [1]  3  2  1  0 -1 -2

Для складніших послідовностей є вбудована функція seq() (не забувайте дивитися довідку по функціях)

seq(1, 10, by = 2)
## [1] 1 3 5 7 9

Крім того, можна задати не лише крок послідовності (аргумент by =), а й довжину (аргумент length.out =)

seq(1, 10, length.out = 3)
## [1]  1.0  5.5 10.0

Інша корисна функція rep() дозволяє створити вектор з повторюваними значеннями. Перший аргумент - значення яке слід повторювати, другий аргумент - скільки разів повторювати.

rep(3, 5)
## [1] 3 3 3 3 3

При цьому і перший і другий аргумент може бути вектором:

rep(1:3, 5)
##  [1] 1 2 3 1 2 3 1 2 3 1 2 3 1 2
## [15] 3

rep(1:3, 1:3)
## [1] 1 2 2 3 3 3

Крім того, можна об’єднувати вектори:

v1 <- c("Say", "friend")

v2 <- c("and", "enter")

c(v1, v2)
## [1] "Say"    "friend" "and"   
## [4] "enter"

В означенні вектора в мові програмування R сказано, що всі елементи вектори мають бути одного типу. Одразу хочеться перевірити, що буде, якщо ця умова не буде виконуватись. В більшості мов програмування ми б отримали помилку. Мова програмування R, при розбіжності типів, буде зводити все до “спільного знаменника,” тобто конвертувати дані за певними правилами - приведення типів (coercion).

Виділяють два типи:

• неявне приведення типів (implicit coercion), коли все відбувається автоматично за вбудованими правилами.
• явне приведення типів (explicit coercion), коли ми самі вирішуємо до якого типу перевести дані, якщо це можливо.

Приклад неявного приведення типів:

c(TRUE, 2, FALSE)
## [1] 1 2 0

3 - TRUE
## [1] 2

TRUE перетворився в 1, а FALSE в 0. В цьому випадку всі дані приведено до текстового типу:

c(TRUE, 2, "Hello")
## [1] "TRUE"  "2"     "Hello"

В R є своя ієрархія типів: NULL < raw < logical < integer < double < complex < character < list < expression

Для явного приведення типів даних використовується сімейство функцій, що починається на as.:

as.numeric(c(TRUE, 2, FALSE, FALSE))
## [1] 1 2 0 0

as.character(c(TRUE, 2, FALSE, FALSE))
## [1] "1" "2" "0" "0"

1.5.1.1 Операції з векторами

Всі арифметичні операції, що ми розглядали раніше, можна використовувати й до векторів однакової довжини:

q <- 1:5

w <- 2:6

q + w
## [1]  3  5  7  9 11

q - w
## [1] -1 -1 -1 -1 -1

q * w
## [1]  2  6 12 20 30

q / w
## [1] 0.5000000 0.6666667
## [3] 0.7500000 0.8000000
## [5] 0.8333333

w ^ q + q - w * q
## [1]    1    5   55  609 7751

sqrt(q)
## [1] 1.000000 1.414214 1.732051
## [4] 2.000000 2.236068

1.5.1.2 Правило переписування

Якщо вектори не однакової довжини й ми хочемо провести з ними певні операції, то в такому випадку спрацює правило переписування (recycling rule): якщо коротший вектор кратний довжині довшого, короткий буде повторюватися необхідну кількість разів.

q <- 1:2
w <- 1:4
q * w
## [1] 1 4 3 8

Операції з вектором та окремим значенням можна вважати окремим випадком рестайлінгу: окреме значення буде повторюватися необхідну кількість разів:

w * 2
## [1] 2 4 6 8

Якщо коротший вектор не кратний довшому (наприклад, перший довжиною 2, а інший - 3), то R все одно порахує результат, але видасть попередження:

q + c(1, 5, 7)
## Warning in q + c(1, 5, 7):
## longer object length is not
## a multiple of shorter object
## length
## [1] 2 7 8

1.5.1.3 Індексація векторів

Індексація - задача вибору окремого елемента структури даних. Для цього використовуються квадратні дужки [].

Найпростіший варіант індексація по номеру, тобто порядкове значення елемента:

e <- c(-5:-3, 2, 7, -6, 4:2)
e[1]
## [1] -5

e[5]
## [1] 7

Важливий факт - індексація в мові програмування R починається з 1.

За допомогою індексації можна не лише звертатися до окремого елементу, а й заміняти його значення:

e[5] <- 15

Можна використовувати цілі вектори для індексації:

e[2:5]
## [1] -4 -3  2 15

e[6:1]
## [1] -6 15  2 -3 -4 -5

Індексація зі знаком мінус видасть всі значення вектора крім обраних:

e[-1]
## [1] -4 -3  2 15 -6  4  3  2

e[c(-1, -5)]
## [1] -4 -3  2 -6  4  3  2

1.5.2 Матриці

Матриця (matrix) — це двовимірний масив даних, в якому кожен елемент має однаковий тип (числовий, текстовий, логічний). Іншими словами, матриця - це двовимірний вектор, у якого є довжина та ширина.

Створення матриці відбувається за допомогою функції matrix(), в якій слід вказати кількість рядків та стовпчиків:

matrix(1:16, nrow = 4, ncol = 4)
##      [,1] [,2] [,3] [,4]
## [1,]    1    5    9   13
## [2,]    2    6   10   14
## [3,]    3    7   11   15
## [4,]    4    8   12   16

За замовчуванням значення матриці заповнюються по стовпчиках. Але це можна змінити за допомогою аргументу byrow = TRUE

matrix(1:16, nrow = 4, ncol = 4, byrow = TRUE)
##      [,1] [,2] [,3] [,4]
## [1,]    1    2    3    4
## [2,]    5    6    7    8
## [3,]    9   10   11   12
## [4,]   13   14   15   16

Оскільки матриця — це двовимірний масив, то для індексації використовуються два індекси, що розділені комою: перший відповідає за рядок, другий за стовпчик.

my_matrix <- matrix(1:16, nrow = 4, ncol = 4)
my_matrix
##      [,1] [,2] [,3] [,4]
## [1,]    1    5    9   13
## [2,]    2    6   10   14
## [3,]    3    7   11   15
## [4,]    4    8   12   16

my_matrix[2, 3]
## [1] 10

my_matrix[1:2, 3:4]
##      [,1] [,2]
## [1,]    9   13
## [2,]   10   14

Якщо один з індексів залишити пустим — отримаємо всі значення рядка/стовпчика в залежності від того, який індекс ми не вказуємо.

my_matrix[, 1:2]
##      [,1] [,2]
## [1,]    1    5
## [2,]    2    6
## [3,]    3    7
## [4,]    4    8

my_matrix[1:2, ]
##      [,1] [,2] [,3] [,4]
## [1,]    1    5    9   13
## [2,]    2    6   10   14

Аналогічно до вектора, за допомогою індексації можна переписувати частину матриці:

my_matrix[1:2, 3:4] <- 0
my_matrix
##      [,1] [,2] [,3] [,4]
## [1,]    1    5    0    0
## [2,]    2    6    0    0
## [3,]    3    7   11   15
## [4,]    4    8   12   16

1.5.3 Масиви

Масиви даних (array) — схожі на матриці, але мають понад два виміри. Створюються вони за допомогою функції array(), де слід вказати вектор, з якого буде створено масив, і його розмірність:

my_array <- array(1:16, c(4, 2, 2))
my_array
## , , 1
## 
##      [,1] [,2]
## [1,]    1    5
## [2,]    2    6
## [3,]    3    7
## [4,]    4    8
## 
## , , 2
## 
##      [,1] [,2]
## [1,]    9   13
## [2,]   10   14
## [3,]   11   15
## [4,]   12   16

1.5.4 Списки

Списки — це впорядкований набір об’єктів. Я представляю собі списки, як блокнот, в якому на кожній сторінці зберігається інформація у певному форматі. Вони можуть зберігати різні дані, в тому числі вектори, матриці, дата фрейми й інші списки.

Списки створюються за допомогою функції list():

my_list <- list(vec = c(1:5),
                gendalf = "You shall not pass",
                my_matrix = matrix(1:4, ncol = 2))
my_list
## $vec
## [1] 1 2 3 4 5
## 
## $gendalf
## [1] "You shall not pass"
## 
## $my_matrix
##      [,1] [,2]
## [1,]    1    3
## [2,]    2    4

В цьому випадку vec, gendalf та my_matrix — назви елементів списку.

Для звернення до елементів списку можна використовувати індекси або імена (через символ $). При зверненні через індекс необхідно використовувати подвійні квадратні дужки, наприклад:

my_list[[2]]
## [1] "You shall not pass"

my_list$gendalf
## [1] "You shall not pass"

my_list[['gendalf']]
## [1] "You shall not pass"

Списки досить часто використовуються в R, наприклад результати побудови математичних моделей, статистичних тестів зберігаються у вигляді списків. тож важливо вміти з ними працювати.

1.5.5 Дата фрейми

Нарешті ми перейшли до найголовнішого - дата фрейми (data frames). Саме з такою структурою даних працюють найчастіше. Головною особливістю їх є те, що різні стовпчики можуть містити різний тип даних (але їх довжина має бути однаковою). Для створення дата фрейму використовується функція data.frame().

my_df <- data.frame(name = c("Frodo", "Eowyn", "Legolas", "Arwen"),
                    sex = c("male", "female", "male", "female"),
                    age = c(51, 24, 2931, 2700),
                    one_ring = c(TRUE, FALSE, FALSE, FALSE))
my_df

name	sex	age	one_ring
Frodo	male	51	TRUE
Eowyn	female	24	FALSE
Legolas	male	2931	FALSE
Arwen	female	2700	FALSE

Переглянути структуру дата фрейму можна за допомогою функції str():

str(my_df)
## 'data.frame':    4 obs. of  4 variables:
##  $ name    : chr  "Frodo" "Eowyn" "Legolas" "Arwen"
##  $ sex     : chr  "male" "female" "male" "female"
##  $ age     : num  51 24 2931 2700
##  $ one_ring: logi  TRUE FALSE FALSE FALSE

В нашому випадку перший та другий стовпчик - текстові, третя - числова, четверта - логічна.

Переглянути назви стовпців або надати їм нову назву можна за допомогою функції names().

names(my_df)
## [1] "name"     "sex"     
## [3] "age"      "one_ring"

Індексація аналогічно до матриці та списків можлива через [] та знак $.

my_df$name
## [1] "Frodo"   "Eowyn"  
## [3] "Legolas" "Arwen"

my_df$name[2:3]
## [1] "Eowyn"   "Legolas"

my_df[2,3]
## [1] 24

my_df[2:3, "name"]
## [1] "Eowyn"   "Legolas"

Для перегляду дата фрейму в RStudio використовується функція View() або можна просто натиснути на назву змінної у розділі Environment. Ви побачите таблицю, дещо схожу на Excel або Google Spreadsheets.

1.6 Пакети в R

---

R - мова програмування з дуже широкими можливостями. Однак рано чи пізно ми почнемо стикатися з задачами, які потребуватимуть додаткових можливостей. Ці можливості можна розширити за допомогою додаткових пакетів (packages).

В більшості випадків основним змістом пакетів є набір додаткових функцій, даних або нових структур даних.

До найпопулярніших пакетів у сфері науки про дані (data science) можна віднести екосистему пакетів tidyverse, пакети data.table, mlr3 та ще багато-багато інших.

1.6.1 Вбудовані пакети

Разом з самою мовою програмування R поставляються пакети, які не потрібно встановлювати: основний base та декілька інших, такі як stats, utils, graphics та інші. Повний перелік можна переглянути за наступним кодом:

rownames(installed.packages(priority = "base"))
##  [1] "base"      "compiler" 
##  [3] "datasets"  "graphics" 
##  [5] "grDevices" "grid"     
##  [7] "methods"   "parallel" 
##  [9] "splines"   "stats"    
## [11] "stats4"    "tcltk"    
## [13] "tools"     "utils"

1.6.2 Встановлення пакетів з CRAN

Пакети які пройшли перевірку зберігаються в Comprehensive R Archive Network (CRAN). Для перегляду кількості опублікованих пакетів на CRAN можна використати наступний код:

nrow(available.packages())
## [1] 18309

І з кожним роком їх стає все більше: Функція install.packages() дозволяє звантажувати та встановлювати пакети з CRAN. Для прикладу встановимо пакет vroom, для зчитування файлів

install.packages("vroom")

Інший спосіб встановлення пакетів - через окреме меню Tools -> Install Packages (рис.1.5)

Рисунок 1.5: Меню встановлення пакетів в RStudio

Або через кнопку в розділі Packages (рис. 1.6)

Рисунок 1.6: Кнопка встановлення пакетів

Після чого з’явиться меню (рис. 1.7) в якому можна вказати назву потрібного пакету. Бажано залишити галочку “install dependencies”, оскільки деякі пакети мають залежність від інших пакетів і їх також слід встановити. Може статися ситуація, коли завантажуючи один пакет разом з ним буде додатково встановлено ще десятки інших. присоювання

Рисунок 1.7: Меню встановлення пакетів

1.6.3 Встановлення пакетів з GitHub

Бувають випадки, коли автори пакетів не пройшли або не захотіли проходити перевірку через CRAN (насправді причин може бути безліч). В таких випадках пакет (який ви напевно знайшли через пошук в Google) скоріш за все буде зберігатися на репозиторію GitHub. Для таких випадків нам необхідно встановити пакет devtools та використати з нього функцію install_github(). Покажу на прикладі пакету xaringan, який я використовую для створення інтерактивних презентацій.

devtools::install_github('yihui/xaringan')

Посилання yihui/xaringan — це адреса пакету в GitHub

1.6.4 Підключення пакетів

Після завантаження пакета, для того щоб почати користуватися його функціоналом необхідно його підключити до поточної сесії. Для цього використовується функція library(). Назву пакету можна писати як в лапках так і без них.

library(vroom)

Як правило, підключення пакетів записується на початку скрипта, що дає можливість зрозуміти який інструментарій використовується в ньому.

1.6.5 Виклик функції через ::

У випадках, коли функцію з пакету буде використано вcього декілька разів, є сенс не підключати весь пакет, а завантажити тільки окрему його функцію. Для цього використовується спеціальний оператор ::, ліворуч від якого вказується назва пакету, а праворуч відповідна функція з обраного пакету.

vroom::vroom_example()

Крім того оператор :: корисний у випадках, коли в різних пакетах присутні функції з однаковою назвою. Наприклад в пакеті dplyr є функція filter(). Функція з такою ж назвою є в базовому пакеті stats, який використовується у зовсім інших задачах. В таких просто вкажіть з якого пакету ви хочете використати функцію:

stats::filter(1:10, rep(1,3))

Пріоритет надається функціоналу пакету, який був підключений останній.