R 101 | 7 Lý do nên dùng R

Nếu bạn đang học về hoặc đang làm nghiên cứu khoa học thì có lẽ bạn đã nghe đến R. R là một “môi trường phần mềm miễn phí dành cho tính toán thống kê và đồ họa” được dùng phổ biến trong nghiên cứu khoa học. Trong bài viết này, mình sẽ nêu các lý do bạn nên dùng R cho việc thu thập, xử lý, phân tích, và trực quan hóa dữ liệu.

Miễn phí

Chính xác, lý do đầu tiên và vô cùng quan trọng cho việc dùng R là vì nó miễn phí. Chi phí của các phần mềm phân tích dữ liệu bản quyền thường rất cao. Ví dụ, phiên bản có giá thấp nhất của Stata là khoảng 89 USD/năm, SPSS là khoảng 1200 USD/năm, và ArcGIS là khoảng 100 USD/năm. Đây là một rào cản rất lớn với những người dùng là sinh viên hoặc nhà nghiên cứu nghèo nói chung và từ Việt Nam nói riêng. Sự tồn của R, hay các phần mềm mã nguồn mở khác như QGIS, đã phá bỏ rào cản này. Cộng với sự phát triển của cộng đồng người dùng, nhiều thư viện (package) đã được xây dựng và giúp việc sử dụng R cho việc thu thập, xử lý, phân tích, và trực quan hóa dữ liệu trở nên dễ dàng và có thể còn vượt trội hơn những công cụ truyền thống.

Có thể thu thập (một số) dữ liệu dễ dàng

Bạn có thể dùng R để tải trực tiếp dữ liệu từ một số cơ sở dữ liệu mở. Một số ví dụ trong ngành mình mà mình biết như dữ liệu đa dạng sinh học từ Ocean Biodiversity Information System (thư viện robis), Global Biodiverstiy Information Facility (thư viện rgbif); dữ liệu đánh bắt cá từ Global Fishing Watch (thư viện gfwr); dữ liệu ảnh vệ tinh và dữ liệu không gian từ Google Earth Engine (thư viện rgee); hoặc dữ liệu khí hậu từ European Centre for Medium-Range Weather Forecasts (thư viện ecmwfr). Những thư viện như kể trên cho phép bạn tùy biến việc tải dữ liệu theo thời gian và khu vực bạn quan tâm, thay vì phải tải từng phần hoặc toàn bộ dữ liệu (thường có kích thước rất lớn) rồi sau đó mới xử lý như cách thông thường.

Có thể xử lý dữ liệu dễ dàng và có hệ thống

Bạn có thể dùng R để xử lý dữ liệu ở các định dạng khác nhau một cách dễ dàng. Ví dụ với dữ liệu dạng bảng (giống như chúng ta hay quen trong Excel), thì bạn có thể lọc dữ liệu theo cột hoặc theo hàng, thêm cột mới bằng cách kết hợp các cột đã có, tổng hợp các dữ liệu theo nhóm, hoặc kết hợp nhiều bảng khác nhau. Một ví dụ khác với dữ liệu không gian như là trích xuất các giá trị nhiệt độ tại các vị trí lấy mẫu (dạng bảng, có cột kinh độ và vĩ độ) từ một file raster nhiệt độ (dữ liệu dạng ô lưới trên một khu vực); trước đây thì mình sẽ làm việc này trong QGIS nhưng bây giờ mình sẽ làm luôn trong R.

Bên cạnh khả năng xử lý dữ liệu thì việc dùng R giúp bạn quản lý việc xử lý dữ liệu một cách hệ thống. Từ đó bạn có thể (1) kiểm tra lại quy trình xử lý dữ liệu nếu có sai sót và (2) lặp lại quy trình một cách nhanh chóng với các dự án khác. Ví dụ, giả sử với dữ liệu đầu vào bao gồm 1 dữ liệu các vị trí lấy mẫu (với thông tin các loài và các khu vực lấy mẫu khác nhau) và 1 dữ liệu raster nhiệt độ, bạn có một quy trình xử lý dữ liệu gồm 10 bước như lọc các hàng với các loài và các khu vực quan tâm, trích xuất nhiệt độ từ file raster, kết hợp bảng gốc với bảng trích xuất nhiệt độ, tính giá trị nhiệt độ trung bình theo khu vực, …. Sau khi làm 10 bước, bạn phát hiện là bạn đã tính nhầm giá trị nhiệt độ lớn nhất chứ không phải giá trị nhiệt độ trung bình. Nếu bạn xử dụng Excel để xử lý dữ liệu thì bạn sẽ phải làm lại một hoặc nhiều bước từ đoạn tính toán, nhưng nếu bạn dùng R thì bạn chỉ việc thay đổi một vài dòng lệnh và chạy lại quy trình 1 lần. Thêm nữa, nếu bạn có một dự án khác với dữ liệu đầu vào và yêu cầu về dữ liệu đầu ra tương tự, bạn sẽ phải thực hiện lại 10 bước xử lý, nhưng nếu bạn dùng R thì bạn chỉ việc chạy lại quy trình 1 lần. Trong thực tế thì có thể sẽ có những sai sót không dễ phát hiện và có thể quy trình xử lý dữ liệu của bạn bao gồm rất nhiều bước. Khi đó, việc sử dụng R sẽ có ích rất nhiều.

Ví dụ code xử lý dữ liệu trong R

Hình 1: Ví dụ code xử lý dữ liệu trong R

Có thể phân tích dữ liệu với các phương pháp hiện đại nhất

Như mình đề cập ở phần đầu, cùng với sự phát triển của cộng đồng người dùng R, đặc biệt là các nhà nghiên cứu, thì nhiều thư viện đã được xây dựng hỗ trợ cho việc phân tích dữ liệu (cũng như thu thập, xử lý, và trực quan hóa dữ liệu). Bên cạnh những phương pháp phân tích cơ bản có sẵn trên R như t-test, anova, hồi quy tuyến tính (linear regression), bạn có thể thực hiện các phương pháp phức tạp hơn như mô hình hỗn hợp (mixed-effects model - thư viện lme4 hoặc glmmTMB), mô hình hồi quy cộng tính tổng quát (generalized additive model - thư viện mgcv), mô hình không gian (spatial model - thư viện sdmTMB hoặc INLA). Thông thường, nếu các nhà nghiên cứu phát triển một phương pháp mới hoặc ứng dụng một phương pháp có thể không mới nhưng lần đầu tiên trên R thì họ sẽ công bố kèm với thư viện hoặc file code hướng dẫn. Vì thế, người dùng R có thể cập nhật những phương pháp mới nhất trong nghiên cứu. Ví dụ, thư viện INLA được phát triển năm 2009 (Rue, Martino, and Chopin 2009) và đã mở đường cho rất nhiều các nghiên cứu ứng dụng phân tích không gian (xem Bakka et al. (2018) và Van Niekerk et al. (2023)); gần đây hơn thư viện sdmTMB được phát triển năm 2022 (Anderson et al. 2024) và được đánh giá là có thời gian chạy mô hình ngắn hơn nhiều so với INLA.

Có thể trực quan hóa (hầu hết) mọi dạng dữ liệu

Với R, bạn có thể thể trực quan hóa hầu hết hoặc thậm chí là tất cả các kiểu dữ liệu. Để dễ hình dung thì bạn có thể xem các kiểu biểu đồ tương ứng với các kiểu dữ liệu khác nhau và các đoạn code R mẫu tương ứng ở đây; hoặc xem ví dụ một hình được “vẽ” trong R mà mình thấy rất ấn tượng ở dưới. Bên cạnh đó thì bạn cũng có thể xuất các kết quả phân tích ở dạng bảng theo yêu cầu (ví dụ như theo mẫu của nhà xuất bản).

Ví dụ trực quan hóa dữ liệu trong R. Hình 1 trong @Langbehn2023

Hình 2: Ví dụ trực quan hóa dữ liệu trong R. Hình 1 trong Langbehn et al. (2023)

2 lý do khác

Các lý do mình nêu ở trên tập trung vào mô tả về R: “môi trường phần mềm miễn phí dành cho tính toán thống kê và đồ họa”. Sau đây mình sẽ nêu 2 lý do khác cho việc sử dụng R bao gồm:

Để kết luận thì R là một công cụ miễn phí và hiệu quả cho việc thu thập, xử lý, phân tích, và trực quan hóa dữ liệu nói chung và trong nghiên cứu khoa học nói riêng. Có lẽ rào cản lớn nhất khi sử dụng R là bạn phải học lập trình. Tuy nhiên với rất nhiều các tài liệu dạy R (cả miễn phí và có phí) thì mình nghĩ rào cản này không quá khó để vượt qua. Hi vọng bài viết này sẽ giúp các bạn chưa dùng R có thêm cảm hứng và động lực để tìm hiểu và sử dụng R trong nghiên cứu.

Anderson, Sean C., Eric J. Ward, Philina A. English, Lewis A. K. Barnett, and James T. Thorson. 2024. “sdmTMB: An r Package for Fast, Flexible, and User-Friendly Generalized Linear Mixed Effects Models with Spatial and Spatiotemporal Random Fields.” bioRxiv. https://doi.org/10.1101/2022.03.24.485545.
Bakka, Haakon, Håvard Rue, Geir-Arne Fuglstad, Andrea Riebler, David Bolin, Janine Illian, Elias Krainski, Daniel Simpson, and Finn Lindgren. 2018. “Spatial Modeling with r-INLA: A Review.” WIREs Computational Statistics 10 (6): e1443. https://doi.org/doi.org/10.1002/wics.1443.
Langbehn, Tom J., Johanna M. Aarflot, Jennifer J. Freer, and Øystein Varpe. 2023. “Visual Predation Risk and Spatial Distributions of Large Arctic Copepods Along Gradients of Sea Ice and Bottom Depth.” Limnology and Oceanography 68 (6): 1388–1405. https://doi.org/10.1002/lno.12354.
Rue, Håvard, Sara Martino, and Nicolas Chopin. 2009. “Approximate Bayesian Inference for Latent Gaussian Models by Using Integrated Nested Laplace Approximations.” Journal of the Royal Statistical Society: Series B (Statistical Methodology) 71 (2): 319–92. https://doi.org/doi.org/10.1111/j.1467-9868.2008.00700.x.
Van Niekerk, Janet, Elias Krainski, Denis Rustand, and Håvard Rue. 2023. “A New Avenue for Bayesian Inference with INLA.” Computational Statistics & Data Analysis 181: 107692. https://doi.org/10.1016/j.csda.2023.107692.

References