豆瓣 9.2 分神作回归！R语言“圣经”第 2 版终于来了！

在数据分析与数据科学领域，有一本书，几乎没人绕得开。如果你认真查过“数据分析从入门到进阶”“数据科学必读”书单，或者接触过 R 语言或者 Python，大概率都见过它。

它就是长期位列 Amazon 数据类图书畅销榜前列，在 Amazon 保持着千人 4.7 星评、豆瓣保持着 9.2 评分、GitHub 拥有 4.9k Star 的作品——《R数据科学》。

很多分析师第一次真正“把 R 用顺”，就是从这本书开始的。

它的作者是 tidyverse 体系的奠基者 Hadley Wickham。你今天在 R 里习以为常的那套数据分析写法——清晰、可读、像在“描述数据在做什么”，本质上，正是 Hadley 和同事们多年实践形成的范式。

tidyverse 的核心设计哲学是“为人而设计，而不仅仅是为计算机”。Hadley 曾多次强调，数据科学最大的瓶颈往往不在于计算机的运行速度，而在于人脑的认知负荷。因此，这套工具致力于消除“你想要做的”与“代码能实现的”之间的鸿沟，让代码像自然语言一样流畅易读。如果用三个词来精准概括，那便是：流程化、人性化、简洁化。

过去一段时间，关于数据相关的图书，图灵编辑部收到的最多的读者提问就是：

《R 数据科学》第 2 版的中文版，什么时候上架？

今天，终于可以交卷了。

由 R 领军人物 Hadley Wickham、R领域重要导师 Mine Çetinkaya-Rundel、Garrett Grolemund 联合创作，三位长期致力于 R 语言在中国推广和应用的资深 R 专家张敬信、王小宁、黄俊文联合翻译的领域圣经级作品——《R 数据科学（第 2 版）》中文版，现已正式上市。

需要说明的是，第 2 版并不是一次简单的内容更新，而是又一次围绕现代数据工作流的系统重构。

（关于第 2 版新在哪里，我后面会用比较长的篇幅详细分析，让我们先来看看这本书能解决你的哪些问题。）

01

学了 R 和 Python

工具攒了一箩筐

却依然搞不定数据

这是很多读者都会遇到、却很少被认真解释的问题。

你可能已经：

• 背过不少函数

• 读过不止一本语法书

• 甚至能照着教程完整跑通示例代码

但一旦面对真实的业务数据，问题就接连出现：

• Excel 文件结构混乱，第一步读取就报错

• 代码写完当下能跑，隔一周自己都不想再看

• 图确实画出来了，却很难清楚地说明“这张图想表达什么”

这并不是能力不够，而是学习路径出了问题。很多教材教的是 “R 或者 Python 里有什么”，而不是——

“在真实数据面前，你应该先做什么，再做什么”。

也就是说，你一直在学“怎么操作工具”，却没人教你“怎么解决问题”。而这正是《R数据科学》一书的关注点。

Hadley Wickham 在本书中提出了一个非常重要的概念：Whole Game（全流程）。

这套框架的意义在于：
它不是要求你记住更多函数，而是帮你建立一种判断顺序：

• 现在这一步，是在“获取数据”，还是在“整理结构”？

• 我是在“探索”，还是已经进入“沟通结果”的阶段？

当顺序清楚了，你会发现：数据分析中 80% 的工作，其实是可预期、可简化的“脏活累活”。

而这本书，正是教你如何用尽量省力、清晰的方式把这些事情做好，从而把精力留给真正需要思考的“洞察”。

02

谁适合阅读这本书

本书写给所有跟数据打交道的朋友。 即使你从未写过一行代码，本书所传授的数据思维也会让你受益匪浅。但如果你正处于以下任何一种“崩溃边缘”，那么可以说，这本书就是为你量身定制的“解药”：

• 被 Base R 虐到怀疑人生的老用户

• 苦等 ggplot2 高效出图的分析师 

• 被 10 万行 Excel 卡到蓝屏的“表”哥 

• 嫌弃 Python 土味配色的“视觉控”

03

为什么这本书

只有他们能写出来

因为作者本身，就在定义 R 的“正确用法”。

Hadley Wickham——统计学界和数据科学领域传奇人物，R 语言生态系统中影响力最大的开发者（没有之一）。有人说他是“以一己之力改变R”的男人——这个说法虽然有玩笑成分，但绝不夸张。Hadley是 ggplot2、dplyr、tidyr 等核心工具的作者，这些年写了多部经典作品，一直致力于构建计算与认知工具，让数据科学变得更简单、高效、有趣。

Garrett Grolemund——本身就是 R 领域的写作和传播高手，长期专注于如何把复杂概念讲清楚；

而第 2 版加入的 Mine Çetinkaya-Rundel，是近年来非常活跃的 R 教育专家，让整本书在教学结构上更加成熟。

你在书中看到的，并不是“某个作者的个人经验”，而是 R 社区多年实践后形成的一套共识：

数据科学（数据分析），应该这样做。

04

作者 + 译者

共同决定了中文版能走多远

对于国内读者来说，译者对中文版的影响几乎能占到一半。此次升级版，我们专门邀请了国内长期致力于 R 推广与应用的三位专家执笔翻译。

他们不仅懂英语，更重要的是，他们懂 R，懂数据工作流程，也懂读者真正会卡在哪里。中文版并不是简单的字对字“翻译”，而是理解之后的转述。

张敬信——哈尔滨商业大学数学与应用数学系主任，《R语言编程：基于 tidyverse》作者。

王小宁——中国传媒大学副教授，“统计之都”秘书长，《R语言实战（第2版）》译者。

黄俊文——知名互联网公司数据科学家，具有丰富的长期一线实战经验。

05

数据神作

全球大佬力荐

它是数据科学教授与意见领袖推荐的数据分析入门首选参考书，被 MentorCruise 等技术社区公认为“数据分析必读”。从学术界大咖到实战派领袖，全球数据科学界达成了一个共识：学 R 数据分析，这一本就够了。

1. 业内顶级专家与教育家

Rafael A. Irizarry 哈佛大学数据科学教授，著名教材 Introduction to Data Science 作者

他在自己的教材中多次引用并推荐《R数据科学》，称其为“学习使用 R 进行数据整理和可视化的权威指南”。 

Kareem Carr 统计学家、哈佛大学生物统计学博士，在 X 上拥有近 20万粉丝的数据科学意见领袖

他强烈推荐这本书给初学者，认为这本书“让你在不被理论淹没的情况下，直接动手处理数据”。

Tim (@Realscientists)   资深科学家、科学传播者

他指出，虽然网上的 R 语言教程很多，但这本书“在教授数据分析方面独树一帜”，特别是对于那些刚接触 R 语法的人来说，它是弥合编程基础与应用数据科学之间鸿沟的最佳桥梁。 

2. 知名平台

BookAuthority（全球书评聚合平台）

常年位居“10 R Programming Language Books That Separate Experts from Amateurs”榜单第一名。

MentorCruise (导师平台)

该平台汇集了谷歌、亚马逊等大厂导师，他们将《R数据科学》列为“专家推荐的顶级数据分析图书”之一。评价称：“就像化学家学习如何清洗试管一样，这本书教你如何清洗数据——这是数据科学发生的前提。”

O’Reilly (出版方) 

O’Reilly 官方页面汇集了读者的长期反馈，该书被称为“重新定义了数据科学教学方式”的作品。它被认为是目前市面上将“编程”与“数据思维”结合得最好的教材。

Google Scholar（论文引用统计） 

这不仅仅是一本畅销书，它还是学术界的宠儿。根据 Google Scholar 统计，这本书已被全球研究者引用了近 2000 次。这意味着，如果你写论文用 R 做数据分析，这本书就是最标准的引用来源。

这本书不需要虚构的赞美。

它是 BookAuthority 算法评选出的R语言书单第 1 名；

它在 Google Scholar 上被学术界引用了近 2000 次；

它是哈佛、斯坦福等顶尖高校数据科学课程的指定教材；

它是 R 社区公认的“圣经”。

就像学物理绕不开牛顿定律一样，学现代数据分析，绕不开《R数据科学》。

最后，我想花比较多的篇幅聊一聊升级版。

06

第 2 版到底升级了什么

如果只用一句话来概括第 2 版的变化，那就是：

作者重新思考了：一个人要想“学会用 R 做数据科学”，真正需要经历哪些阶段。

因此，第 2 版并不是在第 1 版基础上简单增补章节，而是从结构上重排了整本书，让学习路径更贴近真实的数据工作过程。

1）拒绝盲人摸象：先看懂“全景”，再深究“细节”

第 2 版将第一部分明确命名为 “全流程”（Whole Game）。

这一调整背后的用意非常清晰：在一头扎进函数和技巧之前，先让读者建立对数据科学整体流程的直觉认识。

你会先看到一个完整的问题轮廓：数据从哪里来、如何被整理、如何被探索、结果最终怎样被表达。有了这个“全局视角”，后面每一章的学习，都会知道自己正在解决流程中的哪一环。

2）可视化进化：不只是“画图”，而是数据的“表达”

在第 2 版中，“可视化”被单独强化为一个重要部分。

相比第 1 版，这一部分：

• 覆盖了更多常见、关键的可视化工具

• 更强调实践中已经被验证的最佳做法

作者也很清楚地说明：如果你想系统、深入地研究可视化本身，依然可以去读 ggplot2: Elegant Graphics for Data Analysis。但在这本书里，他们选择把篇幅用在最核心、最常用、最容易影响分析质量的可视化方法上。

3）重构“数据变换”：魔鬼往往藏在细节里

第 2 版将第三部分命名为 “变换”，并显著扩充了内容。

新增的章节集中讨论：

• 逻辑向量

• 数值处理

• 缺失值

这些内容在第 1 版中其实已经出现过，只是分散在不同章节里。但随着 tidyverse 的发展，以及真实数据复杂度的提高，作者意识到：这些细节已经重要到值得单独、系统地讲清楚。于是，第 2 版干脆为它们腾出了完整空间。

4）告别“温室”，直面真实世界的“脏乱差”

“导入”是第 2 版新增的一个完整部分。

它的出现，本身就反映了作者对现实工作的判断——数据，早已不只是“一个干净的文本文件”。

在这一部分中，作者系统讨论了：

• 电子表格数据（Excel 等）

• 数据库中的数据

• 大数据场景

• 分层（层级）数据如何整理为二维表

• 如何从网站抓取数据

这些章节，几乎都是为真实项目准备的，而不是为了示例而存在。

5）编程思维升级：如何像工程师一样思考

“编程”这一部分在第 2 版中仍然存在，但已经从头到尾重写。

新版的重点非常明确：

• 如何写好函数

• 如何进行程序迭代

尤其是在函数编写中，作者专门讨论了：如何封装和组合 tidyverse 函数，以及如何应对整洁数据求值带来的挑战。这些问题，在近几年已经变得更加重要，也更容易被忽略。

此外，第 2 版还新增了一章，专门介绍常见且重要的 Base R 函数——
你很可能已经在各种代码里见过它们，但未必真正理解其作用。

6）减法的智慧

为什么第 2 版敢于删掉“建模”？

这是一个大家可能不太理解的点，作者给出的理由很直接：

• 从第 1 版开始，就没有足够篇幅把建模讲透

• 现在，已经有了更专业、更系统的建模资源

因此，第 2 版选择将建模部分完全移除，并明确推荐：

• 使用 tidymodels 软件包

• 阅读 Tidy Modeling with R（Max Kuhn & Julia Silge）

这并不是“回避难题”，而是尊重复杂性。

从 R Markdown 到 Quarto，是一次面向未来的升级

与“沟通”相关的部分在第 2 版中被保留，并更名为 “交流”。最大的变化在于：全面从 R Markdown 迁移到 Quarto。

Quarto 不只是工具升级，而是对“如何交付分析结果”的重新设计。值得注意的是：这本书本身，就是用 Quarto 编写的。

这也清楚地表明了作者的判断——这是一个面向未来的工作方式。

07

写在最后

很多读者把这本书称为“案头必备的长期参考书”。因为它非常克制。它不追求“把所有知识都讲完”，而是聚焦在最重要的 20% 的核心工具上——但这 20%，却足以覆盖你 80% 的真实数据科学场景。

如果你只打算认真读完一本关于数据分析的书，那么《R数据科学（第2版）》值得成为那个唯一。

它不是一本速成手册，也不是一本炫技指南，而是一套可以陪你走很久的数据科学基本功。

本书刚刚上市，我们为大家申请了新书上市福利

原价 159.8，到手价 109.8。

AI 新浪潮下，数据处理成为基本技能

如何高效处理数据？

这本书中的工具、方法、思维值得反复参考！

12 月 23 日晚 20：00

我们邀请了本书译者张敬信老师做客图灵直播间

动动手指预约吧👇