美团 R 语言数据运营实战
一、引言
近年来，随着分布式数据处理技术的不断革新，Hive、Spark、Kylin、Impala、Presto 等工具不断推陈出新，对大数据集合的计算和存储成为现实，数据仓库/商业分析部门日益成为各类企业和机构的标配。在这种背景下，是否能探索和挖掘数据价值，具备精细化数据运营的能力，就成为判定一个数据团队成功与否的关键。
在数据从后台走向前台的过程中，数据展示是最后一步关键环节。与冰冷的表格展示相比，将数据转化成图表并进行适当的内容组织，往往能更快速、更直观的传递信息，进而更好的提供决策支持。从结构化数据到最终的展示，需要通过一系列的探索和分析过程去完成产品思路的沉淀，这个过程也伴随着大量的数据二次处理。
上述这些场合 R 语言有着独特的优势。本文将基于美团到店餐饮技术部的精细化数据运营实践，介绍 R 在数据分析与可视化方面的工程能力，希望能够抛砖引玉，也欢迎业界同行给我们提供更多的建议。
二、数据运营产品分类与 R 的优势
2.1 数据运营产品分类
在企业数据运营过程中，考虑使用场景、产品特点、实施角色以及可利用的工具，大致可以将数据运营需求分为四类，如下表所示：
表一 数据运营需求分类
| 产品 | 应用场景 | 产品特点 | 实施角色 | 工具 |
|---|---|---|---|---|
| 分析报告 | 对模式不固定的数据进行探索、组织与解释，形成一次性数据分析报告并提供决策支持 | 基于人对数据的解读；需求发散 | 数据分析师、数据工程师 | Excel、SQL、R、Tableau 等 |
| 报表型产品 | 通过拖拽式或简单代码方式进行开发，对模式固定的数据组装和报表展现 | 开发效率高，开发门槛低；报表表达能力差 | 数据分析师 | 报表工具 |
| 定制式分析型产品 | 对固定模式的数据和分析方法，形成可重复式的数据分析产品并提供决策支持 | 开发效率较高，支持对数据的深度应用，开发过程可复用、可扩展，对有一定编程能力的开发者开发门槛较低；产品交互能力较弱 | 数据分析师、数据工程师 | Python、R、Tableau 等 |
| 定制式展示型产品 | 对固定模式的数据进行产品的高度定制，通过强化交互和用户体验，满足个性化的数据展示需求 | 展现样式丰富、交互能力强；仅适合有前端能力的开发者，开发效率较低，数据二次处理能力较差 | 前端工程师 | ECharts、Highcharts 等 |
2.2 R 在数据运营上的优势
如上节所述，在精细化数据运营过程中，经常需要使用高度定制的数据处理、可视化、分析等手段，这些过程 Excel、Tableau、企业级报表工具都无法面面俱到，而恰好是 R 的强项。一般来说，R 具备的如下特征，让其有了“数据分析领域的瑞士军刀”的名号：
- 免费、开源、可扩展：截至到 2018-08-02，“The CRAN package repository features 12858 available packages. ”，CRAN 上的软件包涉及贝叶斯分析、运筹学、金融、基因分析、遗传学等方方面面，并在持续新增和迭代。
- 可编程：R 本身是一门解释型语言，可以通过代码控制执行过程，并能通过 rPython、rJava 等软件包实现和 Python、Java 语言的互相调用。
- 强大的数据操控能力：
- 数据源接入：通过 RMySQL、SparkR、elastic 等软件包，可以实现从 MySQL、Spark、Elasticsearch 等外部数据引擎获取数据。
- 数据处理：内置 vector、list、matrix、data.frame 等数据结构，并能通过 sqldf、tidyr、dplyr、reshape2 等软件包实现对数据的二次加工。
- 数据可视化：ggplot2、plotly、dygraph 等可视化包可以实现高度定制化的图表渲染。
- 数据分析与挖掘：R 本身是一门由统计学家发起的面向统计分析的语言，通过自行编程实现或者第三方软件包调用，可以轻松实现线性回归、方差分析、主成分分析等分析与挖掘功能。
- 初具雏形的服务框架：
- Web 编程框架：例如不精通前端和系统开发的同学，通过 shiny 软件包开发自己的数据应用。
- 服务化能力：例如通过 rserve 包，可以实现 R 和其他语言通信的 C/S 架构服务。
对于以数据为中心的应用来说，Python 和 R 都是不错的选择，两门语言在发展过程中也互有借鉴。“越接近统计研究与数据分析，越倾向 R；越接近工程开发工程环境的人，越倾向 Python”，Python 是一个全能型“运动员”，R 则更像是一个统计分析领域的“剑客”，“Python 并未建立起一个能与 CRAN 媲美的巨大的代码库，R 在这方面具有绝对领先优势。统计学并不是 Python 的核心使命”。各技术网站上有大量“Python VS R ”的讨论，感兴趣的读者可以自行了解和作出选择。
三、R 的数据处理、可视化、可重复性数据分析能力
对于具备编程能力的分析师或者具备分析能力的开发人员来说，在进行一系列长期的数据分析工程时，使用 R 既可以满足“一次开发，终身受用”，又可以满足“调整灵活，图形丰富”的要求。下文将分别介绍 R 的数据处理能力、可视化能力和可重复性数据分析能力。
3.1 数据处理
在企业级数据系统中，数据清洗、计算和整合工作会通过数据仓库、Hive、Spark、Kylin 等工具完成。对于数据运营项目，虽然 R 操作的是结果数据集，但也不能避免需要在查询层进行二次数据处理。
在数据查询层，R 生态现成就存在众多的组件支持，例如可以通过 RMySQL 包进行 MySQL 库表的查询，可以使用 Elastic 包对 Elasticsearch 索引文档进行搜索。对于 Kylin 等新技术，在 R 生态的组件支持没有跟上时，可以通过使用 Python、Java 等系统语言进行查询接口封装，在 R 内部使用 rPython、rJava 组件进行第三方查询接口调用。通过查询组件获取的数据一般以 data.frame、list 等类型对象存在。
另外 R 本身也拥有比较完备的二次数据处理能力。例如可以通过 sqldf 使用 sql 对 data.frame 对象进行数据处理，可以使用 reshape2 进行宽格式和窄格式的转化，可以使用 stringr 完成各种字符串处理，其他如排序、分组处理、缺失值填充等功能，也都具备完善的语言本身和生态的支持。
3.2 数据可视化
数据可视化是数据探索过程和结果呈现的关键环节，而 “R is a free software environment for statistical computing and graphics. ”，绘图（可视化）系统也是 R 的最大优势之一。
目前 R 主流支持的有三套可视化系统：
- 内置系统：包括有 base、grid 和 lattice 三个内置发行包，支持以相对比较朴素的方式完成图形绘制。
- ggplot2：由 RStudio 的首席科学家 Hadley Wickham 开发，ggplot2 通过一套图形语法支持，支持通过图层叠加以组合的方式支持高度定制的可视化。这一理念也逐步影响了包括 Plotly、阿里 AntV 等国内外数据可视化解决方案。截至到 2018-08-02，CRAN 已经落地了 40 个 ggplot2 扩展包，参考链接。
- htmlwidgets for R：这一系统是在 RStudio 支持下于 2016 年开始逐步发展壮大，提供基于 JavaScript 可视化的 R 接口。htmlwidgets for R 作为前端可视化（for 前端工程师）和数据分析可视化（for 数据工程师）的桥梁，发挥了两套技术领域之间的组合优势。截至到 2018-08-02，经过两年多的发展，目前 CRAN 上已经有 101 个基于 htmlwidgets 开发的第三方包，参考链接。
实际数据运营分析过程中，可以固化常规的图表展现和可视化分析过程，实现代码复用，提高开发效率。下图是美团到店餐饮技术部数据团队积累的部分可视化组件示例：
基于可视化组件库，一个可视化过程只需要一行代码即可完成，能极大提升开发效率。上图中最后的四象限矩阵分析示例图的代码如下：
vis_4quadrant(iris, 'Sepal.Length', 'Petal.Length', label = 'Species', tooltip = 'tooltip', title = '', xtitle = '萼片长度', ytitle = '花瓣长度', pointSize = 1, annotationSize = 1)
茲再附四象限矩阵分析可视化组件的函数声明：
vis_4quadrant <- function(df, x, y,
label = '', tooltip = '', title = '', xtitle = '', ytitle = '',
showLegend = T, jitter = T, centerType = 'mean',
pointShape = 19, pointSize = 5, pointColors = collocatcolors2,
lineSize = 0.4, lineType = 'dashed', lineColor = 'black',
annotationFace = 'sans serif', annotationSize = 5, annotationColor = 'black', annotationDeviationRatio = 15,
gridAnnotationFace = 'sans serif', gridAnnotationSize = 6, gridAnnotationColor = 'black', gridAnnotationAlpha = 0.6,
titleFace = 'sans serif', titleSize = 12, titleColor = 'black',
xyTitleFace = 'sans serif', xyTitleSize = 8, xyTitleColor = 'black',
gridDesc = c('A 区', 'B 区', 'C 区', 'D 区'), dataMissingInfo = '数据不完整', renderType = 'widget') {
# 绘制分组散点图
#
# Args:
# df: 数据框；必要字段；需要进行图形绘制的数据，至少应该有三列
# x: 字符串；必要字段；映射到 X 轴的列名，对应 df 的某一列，此列必须是数值类型或日期类型
# y: 字符串；必要字段；映射到 Y 轴的列名，对应 df 的某一列
# label: 字符串；映射到点上的文字注释
# tooltip: 字符串；映射到点上的悬浮信息
# title: 字符串；标题
# xtitle: 字符串；X 轴标题
# ytitle: 字符串；Y 轴标题
# showLegend: bool；定义分区图例是否展示
# jitter: bool；定义是否扰动
# centerType: 字符串；定义中心点类型，mean 代表平均值，median 代表中位数
# pointShape: 整形；定义点型
# pointSize: 数值；定义点大小
# lineSize: 数值；定义线宽
# lineType: 字符串；定义线型
# lineColor: 字符串；定义线色
# annotationFace: 字符串；定义注释字体
# annotationSize: 数值；定义注释字体大小
# annotationColor: 字符串；定义注释字体颜色
# annotationDeviationRatio: 数值；定义注释文本向上偏移系数
# gridAnnotationFace: 字符串；定义网格注释字体
# gridAnnotationSize: 数值；定义网格注释字体大小
# gridAnnotationColor: 字符串；定义网格注释字体颜色
# gridAnnotationAlpha: 数值；定义网格注释文本透明度
# titleFace: 字符串；定义标题字体
# titleSize: 数值；定义标题字体大小
# titleColor: 字符串；定义标题字体颜色
# xyTitleFace: 字符串；定义 X、Y 轴标题字体
# xyTitleSize: 数值；定义 X、Y 轴标题字体大小
# xyTitleColor: 字符串；定义 X、Y 轴标题字体颜色
# gridDesc: 长度为 4 的字符串向量
# dataMissingInfo: 字符串；数据问题提示文本
# renderType: 字符串；定义渲染结果类型，widget 对应 htmlwidget 组件，html 对应 html 内容
# 代码实现略
}
3.3 可重复性数据分析
数据运营分析往往是一个重复性的、重人工参与的过程，最终会落地一套数据分析框架，这套数据分析框架适配具体的数据，用于支持企业数据决策。
RStudio 通过 rmarkdown + knitr 的方式提供了一套基于文学编程的数据分析报告产出方案，开发者可以将 R 代码嵌入 Markdown 文档中执行并得到渲染结果（渲染结果可以是 HTML、PDF、Word 文档格式），实际数据分析过程中，开发者最终能形成一套数据分析模版，每次适配不同的数据，就能产出一份新的数据分析报告。
rmarkdown 本身具备简单的页面布局能力并可以使用 flexdashboard 进行扩展，因此这套方案不仅能实现重复性分析过程，还能实现分析结果的高度定制化展示，可以使用 HTML、CSS、JavaScript 前端三大件对数据分析报告进行展示和交互的细节调整。最终实现人力的节省和数据分析结果的快速、高效产出。
四、R 服务化改造
4.1 R 服务化框架
R 本身既是一门语言、也是一个跨平台的操作环境，具备强大的数据处理、数据分析、和数据可视化能力。除了在个人电脑的 Windows/MacOS 环境中上充当个人统计分析工具外，也可以运行在 Linux 服务环境中，因此可以将 R 作为分析展现引擎，外围通过 Java 等系统开发语言完成缓存、安全检查、权限控制等功能，开发企业报表系统或数据分析（挖掘）框架，而不仅仅只是将 R 作为一个桌面软件。
企业报表系统或数据分析（挖掘）框架设计方案如下图所示：
4.2 foreach + doParallel 多核并行方案
作为一门统计学家开发的解释性语言，R 运行的是 CPU 单核上的单线程程序、并且需要将全部数据加载到内存进行处理，因此和 Java、Python 等系统语言相比，计算性能是 R 的软肋。对于大数据集合的计算场景，需要尽量将数据计算部分通过 Hive、Kylin 等分布式计算引擎完成，尽量让 R 只处理结果数据集；另外也可以通过 doParallel + foreach 方案，通过多核并行提升计算效率，代码示例如下：
library(doParallel)
library(foreach)
registerDoParallel(cores = detectCores())
vis_process1 <- function() {
# 可视化过程1 ...
}
vis_process2 <- function() {
# 可视化过程2 ...
}
data_process1 <- function() {
# 数据处理过程1 ...
}
data_process2 <- function() {
# 数据处理过程2 ...
}
processes <- c('vis_process1', 'vis_process2', 'data_process1', 'data_process2')
process_res <- foreach(i = 1:length(process), .packages = c('magrittr')) %dopar% {
do.call(processes[i], list())
}
vis_process1_res <- process_res[[1]]
vis_process2_res <- process_res[[2]]
data_process1_res <- process_res[[3]]
data_process2_res <- process_res[[4]]
4.3 图形化数据报告渲染性能
在数据分析过程中，R 最重要的是充当图形引擎的角色，因此有必要了解其图形渲染性能。针对主流的基于 rmarkdown + flexdashboard 的数据分析报告渲染方案，其性能测试结果如下：
系统环境：
* 4 核 CPU，8 G 内存，2.20GHz 主频。
* Linux version 3.10.0-123.el7.x86_64。
测试方法：
* 测试在不同并发度下、不同复杂度的渲染模式下，重复渲染 100 次的耗时。
测试结果：
表二 数据分析报告渲染性能测试
| 渲染模式 | 并发度 1 | 并发度 2 | 并发度 3 | 并发度 4 | 并发度 5 | 并发度 6 |
|---|---|---|---|---|---|---|
| rmarkdown + flexdashboard | 1m14.087s | 0m39.192s | 0m28.299s | 0m20.795s | 0m21.471s | 0m19.755s |
| rmarkdown + flexdashboard + dygraphs | 1m48.771s | 0m52.716s | 0m39.051s | 0m27.012s | 0m30.224s | 0m28.948s |
| rmarkdown + flexdashboard + ggplot2 | 2m6.840s | 1m1.529s | 0m42.351s | 0m31.596s | 0m35.546s | 0m34.992s |
| rmarkdown + flexdashboard + ggplot2 + dygraph | 2m30.586s | 1m16.696s | 0m51.277s | 0m40.651s | 0m41.406s | 0m41.288s |
根据测试结果可知：
* 单应用平均渲染时长在 0.74s 以上，具体的渲染时长视计算复杂度而定（可以通过上节介绍的“foreach + doParallel 多核并行方案 ”加快处理过程）。根据经验，大部分应用能在秒级完成渲染。
* 由于单核单线程模式所限，当并发请求超过 CPU 核数时，渲染吞吐量并不会相应提升。需要根据实际业务场景匹配对应的服务端机器配置，并在请求转发时设置并发执行上限。对于内部运营性质的数据系统，单台 4 核 8 G 机器基本能满足要求。
五、R 在美团数据产品中的落地实践
美团到店餐饮数据团队从 2015 年开始逐步将 R 作为数据产品的辅助开发语言，截至 2018 年 8 月，已经成功应用在面向管理层的日周月数据报告、面向数据仓库治理的分析工具、面向内部运营与分析师的数据 Dashboard、面向大客户销售的品牌商家数据分析系统等多个项目中。目前所有的面向部门内部的定制式分析型产品，都首选使用 R 进行开发。
另外我们也在逐步沉淀 R 可视化与分析组件、开发基于 R 引擎的配置化 BI 产品开发框架，以期进一步降低 R 的使用门槛、提升 R 的普及范围。
下图是美团到店餐饮数据团队在数据治理过程中，使用 R 开发的 ETL 间依赖关系可视化工具：
六、结语
综上所述，R 可以在企业数据运营实践中扮演关键技术杠杆，但作为一门面向统计分析的领域语言，在很长一段时间，R 的发展主要由统计学家驱动。随着近年的数据爆发式增长与应用浪潮，R 得到越来越多工业界的支持，譬如微软收购基于 R 的企业级数据解决方案提供商 Revolution Analytics、在 SQL Server 2016 集成 R、并从 Visual Studio 2015 开始正式通过 RTVS 集成了 R 开发环境，一系列事件标志着微软在数据分析领域对 R 的高度重视。
在国内，由统计之都发起的中国 R 会议，从 2008 年起已举办了 11 届，推动了 R 用户在国内的发展壮大。截至 2018 年 8 月，美团的 R 开发者大致在 200 人左右。但相比 Java/Python 等系统语言，R 的用户和应用面仍相对狭窄。
作者撰写本文的目的，也是希望给从事数据相关工作的同学们一个新的、更具优势的可选项。
关于作者
喻灿，美团到店餐饮技术部数据系统与数据产品团队负责人，2015 年加入美团，长期从事数据平台、数据仓库、数据应用方面的开发工作。从 2013 年开始接触 R，在利用 R 快速满足业务需求和节省研发成本上，有一些心得和产出。同时也在美团研发和商业分析团队中积极推动 R 的发展。
招聘小广告
对数据工程和将数据通过服务业务释放价值感兴趣的同学，可以发送简历到 yucan@meituan.com。我们在数据仓库、数据治理、数据产品开发框架、数据可视化、面向销售和商家侧的数据型创新产品层面，都有很多未知但有意义的领域等你来开拓。
背景 Squirrel（松鼠）是美团技术团队基于Redis Cluster打造的缓存系统。经过不断的迭代研发，目前已形成一整套自动化运维体系：涵盖一键运维集群、细粒度的监控、支持自动扩缩容以 ...