Marketechlabo

Rの細かいTipsまとめ（小さいTipsの寄せ集め）

calendar Jan 10, 2018 / · 7 分で読了 · RTipsggplot2  ·
共有する: linkedin copy

概要

独立した記事にはならないが、それぞれ便利かつ重要な小さなRのTipsを紹介。

基本

qplot(x=Sepal.Width, y=Sepal.Length, data=iris, geom="point", color=Species) # 散布図
qplot(x=date, y=unemploy, data=economics, geom="line") # 折れ線グラフ
qplot(x=feed, data=chickwts, geom="bar") # 棒グラフ
qplot(x=Sepal.Width, data=iris, binwidth=0.3, geom="histogram") # ヒストグラム
qplot(x=Sepal.Width, data=iris, geom="density") # 密度プロット
qplot(y=Sepal.Length, data=iris, geom="boxplot") # 箱ひげ図
qplot(x=Species, y=Sepal.Length, data=iris, geom="boxplot") # 箱ひげ図xy
qplot(x=Species, y=Sepal.Length, data=iris, geom="violin") # バイオリンプロット
r

高度なチャート

qplot(x=Sepal.Width, y=Sepal.Length, data=iris, geom=c("point", "smooth"), facets = round(Petal.Width) ~ Species) # 共変量プロット
qplot(x=Species, y=Sepal.Length, data=iris, geom='boxplot', facets = round(Sepal.Width) ~ round(Petal.Width))
r

見た目をカスタマイズ

qplot(x=Sepal.Width, y=Sepal.Length, data=iris, color=Species, geom="point", xlim=c(0,NA), ylim=c(0,NA), main="散布図の例", xlab="がくの幅", ylab="がくの長さ")
r

基本

p1 <- ggplot(iris, aes(x=Sepal.Width, y=Sepal.Length, color=Species)) + geom_point() # 散布図
p2 <- ggplot(economics, aes(x=date, y=unemploy)) + geom_line() # 折れ線グラフ
p3 <- ggplot(chickwts, aes(x=feed)) + geom_bar() # 棒グラフ
p4 <- ggplot(iris, aes(x=Sepal.Width)) + geom_histogram(binwidth=0.3) # ヒストグラム
p5 <- ggplot(iris, aes(x=Sepal.Width)) + geom_density() # 密度プロット
p6 <- ggplot(iris, aes(y=Sepal.Length)) + geom_boxplot() # 箱ひげ図
p7 <- ggplot(iris, aes(x=Species, y=Sepal.Length)) + geom_boxplot() # 箱ひげ図xy
p8 <- ggplot(iris, aes(x=Species, y=Sepal.Length)) + geom_violin() + geom_boxplot(width=.1, fill="black", outlier.colour=NA) + stat_summary(fun=median, geom="point", fill="white", shape=21, size=2.5) # バイオリンプロット
r

高度なチャート

ggplot(iris, aes(y=Sepal.Length, x=Sepal.Width)) + geom_point() + geom_smooth() + facet_grid(round(Petal.Width) ~ Species) # 共変量プロット
ggplot(iris, aes(y=Sepal.Length, x=Sepal.Width)) + geom_point() + geom_smooth() + facet_wrap( ~ Species) # 並べるだけ
r

追加要素

ggplot(iris, aes(x=Sepal.Width, y=Sepal.Length, color=Species)) + geom_point() +
  ggtitle("散布図の例") + xlab("がくの幅") + ylab("がくの長さ") +
  geom_vline(xintercept = 3, color = "red") +
  geom_hline(yintercept = 7, color = "blue") +
  geom_abline(slope = .5, intercept = 4)
r

複数のチャートをレイアウト

require(patchwork)
(p1+p3)/p2/(p4+p5+p6)/(p7+p8)
r

doParallel/foreachを使った並列処理 最初におまじない

require(doParallel)
require(foreach)
cores <- makeCluster(detectCores(), type='PSOCK')
system <- Sys.info()['sysname']
cl <- NULL
if (system == 'Windows') {
    cl <- makeCluster(getOption('cl.cores', cores))
    registerDoParallel(cl)
    registerDoSEQ()
    on.exit(stopCluster(cl))
} else {
    options('mc.cores' = cores)
    registerDoParallel(cores)
}
r

ループ処理

coefs <- foreach(i = 1:47, # ループのインデクス
                 .packages=.packages(),
                 .export=ls(envir=parent.frame()),
                 .combine=rbind # デフォルトで結果はリストに追加していくが、結果が行単位になっている場合で行追加する場合はこのようにする
                 ) %dopar% {
  bsts_model = bsts_models[[i]]
     :
  coef <- data.frame(coef, row.names=NULL)
  coef$varname <- varnames
  coef[coef$varname!='(Intercept)',c(6,7,1:5,8)] # 最後の戻り値が結果のオブジェクトに追記されていく
}
r

1行

.file <- "result"
.path <- "//tsclient/c/home/downloads/"
.str_cmd <- paste0("x <- fread('", .path, .file, ".csv')")
eval(parse(text=.str_cmd))
r

複数行

.file <- "result"
.path <- "//tsclient/c/home/downloads/"
.str_cmd <- paste0(".tmp <- fread('", .path, .file, ".csv')"); eval(parse(text=.str_cmd)) # 一時変数に代入
.tmp <- .tmp |> ... # 具体的な処理（ネイティブパイプ）
.str_cmd <- paste0(".tmp -> t_", .f); eval(parse(text=.str_cmd)) # 一時変数から戻す
r
m <- matrix(rnorm(20), nc=4) # 例で使う行列を生成
norm1 <- drop(crossprod(abs(m), rep(1, nrow(m)))) # マンハッタンノルム
norm2 <- drop(crossprod(m^2, rep(1, nrow(m)))) # ユークリッドノルム
r
ids1_or_ids2 <- union(ids1, ids2) # 和集合
ids1_and_ids2 <- intersect(ids1, ids2) # 積集合
ids1_minus_ids2 <- setdiff(ids1, ids2) # 差集合（ids1 - ids2）
setequal(ids1, ids2) # 集合として等しいかどうか
id %in% ids # 集合に含まれるかどうか
r
vec2[which(vec1<10)] # vec1<10になるvec2の値
params[which.min(result$loss_mse),] # loss_mseが最小になる行
params[which.max(result$gain_auc),] # gain_aucが最大になる行
r
identical(x1, x2) # 全く同じ
all.equal(x1, x2) # ほぼ同じ
r
require(sampling)
strata(data, stratanames=c('層化に使うカラム1', '層化に使うカラム2'), size=c(カラム1の抽出率, カラム2の抽出率), method=抽出方法)
r

抽出方法は

  • 'srswor': 非復元ランダムサンプリング（デフォルト）
  • 'srswr': 復元ランダムサンプリング
  • 'poisson': ポアソンサンプリング
  • 'systematic': 系統抽出

Rの繰り返し処理などでコマンドの一部のみを書き換えて同様の処理を行いたい、たとえば対象のデータフレームのみ変えて同じ処理を実行したい場合がある。 そういう場合には動的な部分（データフレームオブジェクト名）を変数として含むコマンドの文字列を生成し、その文字列をコマンドとして実行することになる。 言葉にするとややこしいが、他の言語でもあるeval処理である。

最も単純なケースである。

ファイル名に動的部分を含むテキストファイル（activity_type1.txt）を読み込み、名前に動的部分を含むテーブル（t_activity_type1）に格納する例

.f <- 'activity_type1'
eval(parse(text=paste0("t_", .f, " <- fread('/path/to/datadir/", .f, ".txt', encoding='UTF-8', sep='\t', na.strings='')")))
r

.fが動的部分で、ファイル名である。 そして動的部分を

.f <- 'activity_type2'
r

などと変えても同様に実行できる。 eval(parse(text=paste0("固定文字列", 動的部分, "固定文字列"))) が基本になる。paste0()関数がパーツを結合して文字列を生成する関数で、それ以外はおまじないだと思っておけばいい。コマンドの固定文字列部分にクォーテーションマーク'を含む場合、文字列全体はダブルクォーテーションマーク"で囲む。

この記法だとソースコードの中で動的部分が見えにくく、コマンドの一部を書き換えたり繰り返し利用したりするのに向かない（特にカッコの数がわからなくなる）ので、コマンド部分を変数として取り出したのが以下になる。

.f <- 'activity_type1'
.str_cmd <- paste0("t_", .f, " <- fread('/path/to/datadir/", .f, ".csv', encoding='UTF-8', sep='\t', na.strings='')")
eval(parse(text=.str_cmd))
r

.str_cmdがコマンドの文字列になる。こうすると

.f <- 'activity_type1'
.str_cmd <- paste0("t_", .f, " <- fread('/path/to/datadir/", .f, ".csv', encoding='UTF-8', sep='\t', na.strings='')")
eval(parse(text=.str_cmd))
.str_cmd <- paste0("t_", .f, " <- t_", .f, " |> mutate(across(ends_with('_date'), as.Date))")
eval(parse(text=.str_cmd))
r

のように動的コマンドを複数生成して実行しやすくなる。

上記の方法だと繰り返しeval(parse(text=.str_cmd))が必要になってしまう。動的に実行するコマンドが複数行の場合でも毎回必要になり、あまりイケてない。 そこで一時ファイルを生成して、一時ファイルに対して処理を行う。

.f <- 'activity_type1'
.str_cmd <- paste0(".tmp <- fread('/path/to/datadir/", .f, ".csv', encoding='UTF-8', sep='\t', na.strings='')")
eval(parse(text=.str_cmd)) # .tmpという一時変数に代入
# .tmpに対する処理
.tmp <- .tmp |>
  mutate(across(ends_with('_date'), as.Date)) |>
  mutate(across(ends_with('_type'), as.factor)) |>
  mutate(across(where(is.logical), as.integer))
# .tmpの内容を個別の永続テーブルに入れる
.str_cmd <- paste0(".tmp -> t_", .f); eval(parse(text=.str_cmd))
r

.tmpに対する処理の部分が動的ではない普通のコマンドとなり、ソースコードの可読性も上がり、再利用やメンテナンスもしやすくなった。 シンプルなコマンド１行であれば動的にする必要もあまりないが、複数行のコマンドを繰り返し実行したい場合にはこの方法が力を発揮する。

以上の例を複数のファイルに対して繰り返し実行する。 動的な部分をベクトルに代入し、forループの中に先の処理を入れる。

# 動的な部分の定義
filenames <- c('activity_type1', 'activity_type7', 'activity_click', 'event_unsubscribe', 'event_old')
# 繰り返し
for (.f in filenames) {
  # いったんdata.tableオブジェクトとして取り込む
  .str_cmd <- paste0("t_", .f, " <- fread('/path/to/datadir/", .f, ".csv', encoding='UTF-8', sep='\t', na.strings='')")
  eval(parse(text=.str_cmd))
  # 作業用オブジェクトを生成
  eval(parse(text=paste(".tmp <- t_", .f, sep="")))
  .tmp <- .tmp |>
    mutate(across(ends_with('_date'), as.Date)) |>
    mutate(across(ends_with('_type'), as.factor)) |>
    mutate(across(where(is.logical), as.integer))
  .tmp[mail_type %like% '購入お礼', c('mail_type', 'mail_type2', 'mail_type3', 'channel'):=data.table('SAF', '購入お礼', NA, NA)]
  # 作業用オブジェクトから元のオブジェクトに戻す
  eval(parse(text=paste0(".tmp -> t_", .f)))
}
r

ソースコードがかなり洗練される。

# 条件に合致したオブジェクトに対して一括処理
for (.i in ls(pattern='t1_.*_r_')) {
  .str_cmd <- paste('class(', .i, ') <- "matrix"', sep='')
  eval(parse(text=.str_cmd))
}
r
try(for (i in unique(creatives.sampled$campaignId)) {
  for (j in adsize.sampled) {
    assign(paste0("result", i, "_", j, "_20161010"), myFunc(i, j, "2016-10-10"))
  }
})
r
rm(list=ls(pattern="^result.*")) # 正規表現にマッチしたオブジェクトのみ一括で削除
rm(list=ls(all=T)) # ドットで始まる隠しオブジェクトを含むすべてのオブジェクトを削除
for(f in system("ls prcomp*.RData", TRUE)) load(f) # ローカルの特定の形式に当てはまるファイル名のイメージを一括ロード
r

RとPythonの間でのデータをやり取りするとき、CSVファイルではなく変数の型などを内包したデータフレームで直接やりとりできると便利。 これを実現するのがApache Arrow形式。従来のfeatherパッケージは非推奨となり、arrowパッケージ（Apache Arrow）に移行済み。Parquet形式も推奨される。

Rで

install.packages('arrow')
r

Pythonで

pip install pyarrow
r

Rで（arrowパッケージ）

require(arrow)
arrow::write_feather(iris, 'iris.feather') # 書き出し（Feather形式）
iris2 <- arrow::read_feather('iris.feather') # 読み込み
arrow::write_parquet(iris, 'iris.parquet') # Parquet形式（推奨、圧縮でファイルサイズ削減）
iris3 <- arrow::read_parquet('iris.parquet') # 読み込み
r

Pythonで（pyarrow）

import pyarrow as pa
import pyarrow.feather as feather
import pandas as pd
iris_df = pd.read_csv('https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv') # irisのデータセットを準備
feather.write_feather(pa.Table.from_pandas(iris_df), 'iris.feather') # 書き出し
iris_df = feather.read_feather('iris.feather').to_pandas() # 読み込み
# Parquet形式の場合
import pyarrow.parquet as pq
pq.write_table(pa.Table.from_pandas(iris_df), 'iris.parquet')
iris_df = pq.read_table('iris.parquet').to_pandas()
python

分析用のデータの中には地域名がほしい形（都道府県名、市区町村名で区切られた形）で含まれておらず、一方で郵便番号が含まれていることもある。 その場合郵便番号から地域名を取得することになるが、その都度そのコードを書くのは面倒。 しかも郵便番号が更新されることもあるので、常に最新版を持ってくるようにしたい。 そこでコピペでそのまま郵便番号マスタを生成できるコードを用意した。 日本郵便の郵便番号データから最新版のCSVを取得してきて、郵便番号マスタを生成するものである。 これがあればRの中で常に最新版の郵便番号マスタを生成できる。 分析用データと結合して地域名を付けることも簡単である。 日本郵便の郵便番号データから最新版のCSVを取得する。 CSVファイルに含まれるカラムと形式の詳細は以下参照。 https://www.post.japanpost.jp/zipcode/dl/readme.html 必要なカラムのみ取得すればいい。 ここでは郵便番号（2列目）と市区町村コード（1列目）、都道府県名（7列目）、市区町村名（8列目）を取得する。なお郵便番号の形式はハイフンを含まない7ケタの数字列。

require(curl)
temp <- tempfile()
download.file("https://www.post.japanpost.jp/zipcode/dl/kogaki/zip/ken_all.zip", temp)
files <- unzip(temp)
df.zipcode <- read.csv(files[1], na.strings="", header=F, skip=0, fileEncoding = "shift-jis", colClasses = c("character", "NULL", "character", "NULL", "NULL", "NULL", "character", "character", "NULL", "NULL", "NULL", "NULL", "NULL", "NULL", "NULL"))
unlink(files)
unlink(temp)
rm(files, temp)
colnames(df.zipcode) <- c("citycode","zipcode","prefecture","city")
r

ちなみにdata.tableを使う場合はこんな感じ。 CSVファイルのエンコーディングがShift-JISでfread()が対応していないため、 一度read.csv()でデータフレームとして読み込んでからdata.tableに変換する。

require(curl)
require(data.table)
require(dplyr)
temp <- tempfile()
download.file("https://www.post.japanpost.jp/zipcode/dl/kogaki/zip/ken_all.zip", temp)
files <- unzip(temp)
dt.zipcode <- read.csv(files[1], na.strings="", header=F, skip=0, fileEncoding = "shift-jis", colClasses = c("character", "NULL", "character", "NULL", "NULL", "NULL", "character", "character", "NULL", "NULL", "NULL", "NULL", "NULL", "NULL", "NULL")) |> as.data.table()
unlink(files)
unlink(temp)
rm(files, temp)
setnames(dt.zipcode, c("V1", "V2", "V3", "V4"), c("citycode", "zipcode", "prefecture", "city"))
r

こんなふうにすれば郵便番号を含むデータから都道府県、市区町村名も紐付けできる。 ちなみに元データの郵便番号の形式がハイフンを含む999-9999形式の場合

require(stringr)
require(dplyr)
dt.data <- dt.data |>
  mutate(zipcode = str_replace(zipcode, "([0-9]{3})-([0-9]{4})", "\\1\\2")) |>
  left_join(dt.zipcode)
r
anova(単純なモデル, 複雑なモデル)
r

のp-valueを見る

fread("gzip -dc df.txt")
r

度数で

ftable(Species ~ round(Sepal.Width) + round(Sepal.Length), data = iris)

                                       Species setosa versicolor virginica
round(Sepal.Width) round(Sepal.Length)
2                  4                                1          0         0
                   5                                0          4         1
                   6                                0          9         3
                   7                                0          0         1
                   8                                0          0         0
3                  4                                4          0         0
                   5                               23          2         0
                   6                                0         27        24
                   7                                0          8        14
                   8                                0          0         4
4                  4                                0          0         0
                   5                               17          0         0
                   6                                5          0         0
                   7                                0          0         1
                   8                                0          0         2
r

比率で

round(prop.table(ftable(Species ~ round(Sepal.Width) + round(Sepal.Length), data = iris), margin=1) *100, 2)
r
  • margin=1で行方向の合計＝1、margin=2で列方向の合計＝1とする。
  • useNA="no"でNAは集計対象から除外、useNA="always"でNAも集計対象に含める。

条件付散布図

coplot(Sepal.Length ~ Sepal.Width | Species * Petal.Width, data=iris, panel = panel.smooth)
r

箱ひげ図

boxplot(Sepal.Length ~ Species + round(Petal.Width), data=iris, outline = FALSE)
r
  • apply()は内部でforの処理が入っている→
  • forが遅いのは、都度オブジェクトを拡張するから。for+rbind()などは最悪。
  • 最初にサイズを決めておくと速くなる。apply()を使うよりも速くなることもある。
  • ベクトル処理は高速
library(Rmpi)
library(snow)

# 1. apply (faster)
mat.matched <- mat.data==apply(mat.data, 1, max)

# 2. for (slower)
mat.matched <- matrix(nrow=nrow(mat.data), ncol=ncol(mat.data))
for(i in 1:nrow(mat.data)){ mat.matched[i,] <- mat.data[i,] == max(mat.data[i,]) }

# 3. parApply
cl <- makeCluster(4, type="SOCK")
clusterExport(cl, "mat.data")
mat.matched <- parApply(cl, mat.data, 1, max)
stopCluster(cl)
r

https://abicky.net/2012/04/25/090953/

RHEL/CentOS/Amazon Linux（yum）

yum install openblas
alternatives --install /usr/lib64/libblas.so.3 libblas.so.3 /usr/lib64/libopenblas.so.0 30
alternatives --install /usr/lib64/libblas.so.3 libblas.so.3 /usr/lib64/libblas.3.2.1 10
alternatives --config libblas.so.3
r

Ubuntu/Debian（apt）

sudo apt install libopenblas-dev
sudo update-alternatives --config libblas.so.3-x86_64-linux-gnu
r
yum install -y openmpi-devel
r

事前にコマンドラインで環境変数をしてから

export LD_LIBRARY_PATH=/usr/lib64/openmpi/lib:$LD_LIBRARY_PATH
R
r

コンパイル時に3個の引数を渡す

install.packages("Rmpi", configure.args=c("--with-Rmpi-libpath=/usr/lib64/openmpi/lib", "--with-Rmpi-include=/usr/include/openmpi-x86_64", "--with-Rmpi-type=OPENMPI"))
library("Rmpi")
install.packages("snow")
library("snow")
r

使い方 https://www.sfu.ca/~sblay/R/snow.html

要素のほとんどがゼロの行列→sparse matrix 普通のmatrixやデータフレーム形式で扱うとすべてのセルに対してメモリが割り当てられる つまり行数×列数だけのメモリが消費される ログデータを集計したもの（1000万UID×10万アイテム）などではメモリが足りないことに 行数と列数は膨大な割りに、実は値（の入るところ）が少ない→sparse matrix（疎行列） もっと効率的にメモリを扱えないものか…値の入るセルだけメモリを使えないものか… →これを実現したのが{Matrix}パッケージのsparse matrix形式（dgCMatrixクラスなど）

  • NAを除外
  • 集計関数（max(), min(), range(), mean(), median(), quantile(), var()）で使用。NAが入っているとデフォルトではNAを返すが、na.rm=TでNAを除外してカウントする
  • cov(), cor()ではna.rmを指定できないので
cov(x[!is.na(x)], y[!is.na(y)])
r

とする。

  • NAを含む行を除外
  • データフレームで使う
x <- data.frame(a=1:3, b=c(2,NA,4), c=rep(3,3))
na.omit(x)
r
aggregate(nExpected ~ category + type + audience + period, data = data1, FUN = sum)

aggregate(
    cbind(imp, click, cv) ~ segmentId + creativeId,
    data = creatives.sampled,
    FUN = sum
)
r

このようにformulaを使った集計ができるし、アウトプットもデータフレームになる。tapply()だと多次元配列になり扱いにくい。 ※tapply()の戻り値はarray

似た処理なのに同じ引数の与え方で異なる挙動

RとRtoolsはスペースを含まないパスに設置する。 \Program Filesなどはダメ。コンパイルエラーになることがある Macなどとの互換性のためにWindowsでは必須

options(encoding='UTF-8')
r

R 4.4以降ではRtools44が現行。R 4.5ではRtools45。パッケージをソースからビルドする場合に必要。

Rtools44をCRANからダウンロードしてインストール。デフォルトのインストール先C:\rtools44を使用すれば、Rの標準インストーラで入れたRからは追加設定なしでパッケージをビルドできる。

R 4.0系など古いRを使う場合、Rtools40をインストールしたうえで、PATHに${RTOOLS40_HOME}\usr\binを追加する必要がある。以下を実行すると起動時に読み込む.Renvironを生成してくれる。

writeLines('PATH="${RTOOLS40_HOME}\\usr\\bin;${PATH}"', con = "~/.Renviron")
text

確認

Sys.which("make")
r

rstanはCRANからバイナリで正常にインストールできる。まずは以下を試す。

install.packages("rstan", repos = "https://cloud.r-project.org/", type = "win.binary")
text

ソースからビルドが必要な場合（バイナリが利用できないRのバージョンなど）は、Rtoolsを正しく設定したうえでtype = "source"でインストールする。

Stanを使うもう一つの選択肢としてCmdStanRがある。rstanより軽量で、CmdStanをバックエンドとして使う。インストールは以下。

install.packages("cmdstanr", repos = c("https://stan-dev.r-universe.dev", getOption("repos")))
text

その後、CmdStan本体をインストールする。

cmdstanr::install_cmdstan(cores = 2)
r
# そのセッション内では永続的に
options(Ncpus=4) # 4コアを使って同時に複数パッケージをコンパイル
options(repos = c(CRAN = "https://packagemanager.posit.co/cran/YYYY-MM-DD")) # 特定の日付を指定
options(repos = c("https://mc-stan.org/r-packages/", getOption("repos"))) # レポジトリの追加

# そのパッケージ限りで
## レポジトリを指定してインストール
install.packages("xml2", repos = c("https://mran.revolutionanalytics.com/snapshot/YYYY-MM-DD")) # 特定の日付を指定
install.packages("cmdstanr", repos = c("https://stan-dev.r-universe.dev", getOption("repos"))) # レポジトリの追加

## ソースかバイナリか
install.packages("xml2", repos = c("https://mc-stan.org/r-packages/"), type='source') # ソースからコンパイル
install.packages("xml2", repos = c("https://mc-stan.org/r-packages/"), type='win.binary') # バイナリ

## コンパイル時のオプションの指定
install.packages("xml2", configure.vars = "INCLUDE_DIR=/usr/include/libxml2/libxml LIB_DIR=/usr/lib/x86_64-linux-gnu")
install.packages("xml2", configure.args = '--enable-aaa --bbb=bb')
r
devtools::install_version("rstan", version = "2.18.1", repos = "https://cloud.r-project.org/")
text

R自体をアップグレードすると、古いバージョンで使っていたパッケージが削除されてしまう。 それを防ぐ方法。

  1. Rをアップグレードする前に現在のパッケージの一覧を一時ファイルに保存しておく
tmp <- installed.packages()
installedpkgs <- as.vector(tmp[is.na(tmp[,"Priority"]), 1])
save(installedpkgs, file="installed_old.rda")
r
  1. Rの新しいバージョンをインストールする
  2. 新しいバージョンのRを起動し、先に保存した古いパッケージ一覧を読み込んでCRANから再インストール
tmp <- installed.packages()
installedpkgs.new <- as.vector(tmp[is.na(tmp[,"Priority"]), 1])
missing <- setdiff(installedpkgs, installedpkgs.new)
install.packages(missing)
update.packages()
r
  1. BioConductorのパッケージを使っている場合、追加で以下を実行。biocLite()は廃止済み。BiocManager::install()を使用する。
if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")
load("installed_old.rda")
tmp <- installed.packages()
installedpkgs.new <- as.vector(tmp[is.na(tmp[,"Priority"]), 1])
missing <- setdiff(installedpkgs, installedpkgs.new)
BiocManager::install(missing)
r

https://www.r-bloggers.com/how-to-upgrade-r-without-losing-your-packages/