搜索并根据排名选择自己想要的包
title: "cranpackage"
author: "wintryheart"
date: "2019/8/26"
output: html_document
knitr::opts_chunk$set(echo = TRUE)
源起
-
研究中会用到一起特殊的模型，而这些模型的包一般的教程里都不会介绍到。怎样找到这些包呢？
-
一种方法是查看CRAN任务图：CRAN task views
-
另一种方法是直接搜索CRAN的包数据库。这里主要总结这种方法。
准备
安装R包管理工具。
packagefinder包。
-
主要函数
- findPackage(keywords, mode) 函数，关键词搜索CRAN找包。例子：findPackage(c("meta","regression"), "and")
- exploreFields(fields, term) 函数，在特定的fields搜索term。例子：exploreFields(c("Package", "Title"), "logistic")
- whatsNew()函数，检查CRAN上的新包。
- go()和 packageDetails()函数，显示包信息。
-
试用感觉
- packagefinder包不论是在线搜索包，还是在线搜索包的说明，都非常慢。慎用。
- findPackage()输出的搜索结果列表图中，包括包的名称、得分和简要说明。在选择同类包时，挺实用。
library(packagefinder)
lca_pac2 <- findPackage(c("lca","lcm"))
lca_pac2
Rplot08.png
cranly包
cranly包支持分析CRAN上所有已收录的R包的相关数据，
- 主要函数：
- CRAN_package_db()， 通过提取CRAN上12000多个R包的元数据
- clean_CRAN_db()， 清理并组织“tools::CRAN_package_db()”输出中的包名和作者名
- build_network.cranly_db {cranly}， S3 method for class 'cranly_db'
- build_network(object, perspective = "package")，计算包指令和协作网络的边和节点。
- object是一个cranly_db对象。
- extractor-functions {cranly}，S3 method for class 'cranly_network'
- package_with(x, name = NULL, exact = FALSE)通过与特定字符串匹配，查找包。
- exact参数，是否精确匹配。默认为FALSE。
查找包名中包含 "glm"的包。
package_with(pkg_net, name = "glm")
可以通过与特定字符串匹配，查找包、作者、维护人员、许可证、版本等，
通过与特定字符串匹配的作者、包或名称查找包、作者、维护人员、许可证、版本等
packages_by(x, author, exact, flat)
packages_with(x, name = NULL, exact = FALSE, flat = TRUE)
authors_with(x, name = NULL, exact = FALSE, flat = TRUE)
authors_of(x, package = NULL, exact = FALSE, flat = TRUE)
emails_of(x, author = NULL, exact = FALSE, flat = TRUE)
emails_with(x, name = NULL, exact = FALSE, flat = TRUE)
descriptions_of(x, package = NULL, exact = FALSE, flat = TRUE)
titles_of(x, package = NULL, exact = FALSE, flat = TRUE)
licenses_of(x, package = NULL, exact = FALSE, flat = TRUE)
release_dates_of(x, package = NULL, exact = FALSE, flat = TRUE)
versions_of(x, package = NULL, exact = FALSE, flat = TRUE)
- subset.cranly_network {cranly}, S3 method for class 'cranly_network'
- subset(x, package = Inf, author = Inf, maintainer = Inf, directive = c("imports", "suggests", "enhances",
"depends", "linking_to"), base = TRUE, recommended = TRUE, exact = TRUE, only = FALSE, ...) - 根据包、作者和/或指令(directive)构建cranly_network子集
- only参数，如果为TRUE，子集只包括package参数和或author参数定义的包和或作者的数据。如果为FALSE，则包括所有与package和或author参数定义的包和或作者有关联节点的包和或作者。 默认为FALSE
- summary.cranly_network {cranly}，S3 method for class 'cranly_network'
- summary(object, advanced = TRUE, ...) 计算一系列包指令和协作网络统计数据。
- object是一个cranly_network对象。
- plot.summary_cranly_network {cranly}，S3 method for class 'summary_cranly_network'
- plot(x, top = 20, according_to = NULL, scale = FALSE, ...) 根据一系列网络统计数据绘制的TopN包的图
- x是一个 a summary_cranly_network对像。
- plot.cranly_network {cranly} ## S3 method for class 'cranly_network'
- plot(x, package = Inf, author = Inf, directive = c("imports", "suggests", "enhances", "depends",
"linking_to"), base = TRUE, recommended = TRUE, exact = TRUE, global = TRUE, physics_threshold = 200, height = NULL,
width = NULL, dragNodes = TRUE, dragView = TRUE, zoomView = TRUE, legend = TRUE, title = TRUE, plot = TRUE, ...) - 包或作者的cran网络（cranly_network()）的交互式可视化描述
例子：查找LCA模型包
先下载cran包的库，然后提取目标子集
library(cranly)
# 下载CRAN的包数据库
cran_db <- clean_CRAN_db()
pkg_net <- build_network(cran_db, perspective = "package")
# 根据关键字"lca"和"lcm"，搜索包。
lca_pac <- package_with(pkg_net, name=c("lca","lcm"))
方法一：先统计包的网络数据，然后根据定义的包提取子集，用ggplot2作图。
package_summaries <- summary(pkg_net)
# 由于summary之后的数据类型比较特殊，所以没法直接用subset批量提取。
lca_summaries <- data.frame()
for(i in 3:20) {lca_summaries <- rbind(lca_summaries, subset(package_summaries, package==lca_pac[i]))}
lca_summaries
# 出来的结果也不是summary_cranly_network类型，所以不能直接cranly包的plot命令。只能用ggplot对数据框作图。
ggplot(lca_summaries, aes(x=package,y=sort(page_rank)))+ geom_col()+coord_flip()
Rplot02.png
方法二：直接用cranly自带的subset()提取子集，以及自带的plot()展示统计指标帮助选择好包。
lca_net <- subset(pkg_net, package=lca_pac)
plot(lca_net)
Rplot01.png
# 注意一定要带only参数。only参数默认为FALSE，subset会把所有有关联的包都提取出来。如果only=TRUE，就只提取package定义好的包。
lca_net <- subset(pkg_net, package=lca_pac, only=TRUE)
# 画各包之间的关联网络图。
plot(lca_net)
Rplot.png
# 总结各包的网络统计数据
lca_summaries3 <- summary(lca_net)
# 根据特定指标，画重要性排序图。
plot(lca_summaries3, according_to = "page_rank")
Rplot03.png
