精通 R 是一种怎样的体验？

作为一名 R 的深度用户，用“精通”来形容自己的体验，就像是掌握了一门既古老又前沿的语言，它让你能够与数据对话，理解世界的脉络，并在此基础上创造价值。这不仅仅是敲打代码那么简单，而是一种思维模式的转变，一种解决问题的艺术。

初识，如同踏入一个宏大的图书馆

刚开始接触 R 的时候，就像走进一个无比巨大的图书馆，里面摆满了各种各样的书籍——每个包（package）就像一本书，涵盖了从基础统计学到机器学习，从地理信息系统到生物信息学的方方面面。一开始，你可能只能找到一些基础的统计学书籍，比如描述性统计、假设检验。你会小心翼翼地打开它们，学习如何载入数据，如何计算均值、中位数，如何绘制简单的直方图和散点图。

这个阶段，你会发现 R 的语法有时候像古老的谚语，简洁但充满力量。例如，那个经典的 `<` 赋值符号，一开始可能让你觉得有点奇怪，但用着用着，你会体会到它那种“从右往左”的逻辑，就像是将数据“赋给”一个变量，清晰明了。而那些函数名，很多都源自统计学界的经典术语，比如 `lm()` 用于线性模型，`glm()` 用于广义线性模型，你不需要去记晦涩的代码，只需要回忆起统计学原理，就能猜到函数的用途。

深入，如同找到通往智慧的密道

随着经验的积累，你不再满足于基础的书籍。你会开始探索那些更专业的包。比如，想要做数据可视化？你会发现 `ggplot2` 这个如诗如画的包，它让你能够用“图层叠加”的方式构建复杂的图形，每一次调整都像是为你的数据画像添上一笔细腻的色彩。从简单的散点图到复杂的地理空间可视化，你都能随心所欲地创造出具有故事性的图像。

你还会发现 R 的社区是多么活跃。Stack Overflow 上关于 R 的问题总能得到快速而热情的解答，CRAN（The Comprehensive R Archive Network）上的每一个包都经过精心维护和文档化。当你遇到棘手的编码问题时，往往能够轻松找到解决方案，或者发现别人已经帮你解决了类似的问题。这种社区支持，让你感觉自己不是孤军奋战，而是在一个庞大的知识网络中不断成长。

更重要的是，你开始理解 R 的哲学。它鼓励你拥抱“数据框”（data frame）这一核心数据结构，理解向量化运算的强大力量。你会发现，很多时候你不需要写循环，只需要将操作应用到整个向量或数据框上，R 就能以惊人的速度完成计算。这种“函数式编程”的影子，让你体验到代码的优雅和高效。

精通，如同成为数据的炼金术士

当你真正精通 R 时，你就不再是简单的用户，而是数据的“炼金术士”。

思维的转化： 你看待问题的方式会发生根本性的改变。遇到一个新任务，你首先想到的是如何将它转化为 R 可以理解的步骤。你会开始思考数据的结构，数据的来源，以及你想要从数据中提取什么样的信息。R 成为你分析问题的核心工具，你不再是“学习 R”，而是“用 R 解决问题”。

解决复杂问题的能力： 曾经让你头疼不已的统计模型、复杂的数据处理流程，现在都变得游刃有余。你可以轻松实现从数据清洗、转换、建模到结果解释的完整流程。你需要构建一个自定义的回归模型？没问题，R 的灵活性让你能够修改现有函数，甚至从头开始构建自己的算法。

创造力与表达力： 精通 R 不仅意味着你能处理数据，更意味着你能用数据“说话”。你能利用 `rmarkdown` 将你的分析过程、代码和结论整合在一起，生成一份份精美的报告，无论是给技术同事还是非技术领导，都能清晰地传达你的发现。你还可以利用 Shiny 创建交互式的数据应用程序，让其他人也能亲身探索你的数据洞察。这就像是给你的数据生命，让它们拥有了讲故事的能力。

效率的飞跃： 曾经需要几个小时甚至一天才能完成的数据分析任务，现在可能只需要你编写几十行代码。你能够快速地尝试不同的分析方法，快速地验证假设，并且能够自动化重复性的任务。这种效率的提升，让你能够专注于更具战略性和创造性的工作。

持续学习的动力： R 的世界永无止境。新的包不断涌现，新的研究成果层出不穷。精通 R 并不意味着你已经达到了终点，而是你获得了进入这个不断发展领域的能力和信心。你乐于探索新的技术，尝试新的方法，因为你知道 R 能够支持你不断前进。

那些不那么“光鲜”但真实的部分：

当然，精通 R 也不是没有挑战。有时候，你可能会被某个包的内部实现细节所困扰，或者花费大量时间调试一个难以捉摸的 bug。你会遇到包之间的依赖冲突，或者因为版本更新而不得不重新学习某些函数的用法。这些都是成长路上的必经之路，它们让你更加深入地理解 R 的工作机制，也让你更加珍视那些顺畅运行的代码。

总而言之，精通 R 的体验，是一种赋权。它让你从一个被数据驱使的人，变成一个能够驾驭数据、理解数据、创造价值的人。它让你拥有了一双能看穿数据迷雾的眼睛，以及一双能将数据转化为洞察的巧手。这是一种持续的探索，一种智力的挑战，更是一种能够真正影响和改变世界的能力。它让你感受到，当你能够用一种工具深入地理解和改造事物时，那种满足感和成就感是无可比拟的。

网友意见

### update 2019-04-20

R 中的 DataFrame 新趋势

1. tidy 编程流
2. 分布式计算
3. 集成 NoSQL
4. 集成各领域核心算法

按照功能来划分：

1. 核心计算：tidyverse/sparklyr
2. 图计算： tidygraph/graphframes
3. 空间计算：sf/geospark/tidyraster
4. 时间序列：tidyquant
5. 文本计算：tidytext/tabulizer
6. 模型构建：tidymodels
7. 仿真建模：simmer
8. 贝叶斯分析：tidybayes
9. 深度学习：keras

[原] 数据科学教程：R语言与DataFrame[2019版]

如果用一张图来总结，那么是：

随着 sparklyr 生态的成熟，必须安利一波 sparklyr 相关的学习资料：

### update 2016-04-20

数据科学教程：R语言与DataFrame 2016版

首先，感谢RStudio公司的工程师们以及其他R语言开发者对R语言做出不可磨灭的贡献！

参考前文 [原]基于RStudio Webinars的统计报告Web化与工程化实践总结,我们将数据流编程分为数据读取、数据清洗、数据处理、数据可视化以及数据建模五个模块。

数据读取 readr/httr/DBIreadr

readr简化了我们读取多种格式表格型数据的方法，包括分割文件withread_delim(),read_csv()、read_tsv()、read_csv2()、固定宽度文件读取的read_fwf()、read_table()以及read_log()来读取Web日志文件。在参数配置方面是和原生的http://read.xxx()函数族是看齐的。

readr是利用C++和RCpp编写的，所以执行的速度是相当快的，不过相对于直接用C语言写的data.table::fread()就稍微慢大概1.2-2倍左右。在实际使用中，data.talbe::fread()的读取速度可以比原生的read.csv有3-10倍的提升速度。

httr

httr是一个高级的网络请求库，类似于Python中的Tornado和Requests,除了提供基本的Restful接口设计功能，比如GET(), HEAD(), PATCH(), PUT(), DELETE() 和 POST()，还提供了OAuth的调用，比如oauth1.0_token()和oauth2.0_token()。而且httr还提供了诸如session、cookie、SSL、header、proxy、timeoutd等更过高级管理功能。当然你可以用它来做简单的爬虫应用，如果需要更高级的爬虫，我们需要投入rvest的怀抱来支持诸如xpath等高级爬虫特性。

DBI

DBI是一个为R与数据库通讯的数据库接口。相当于Java里面的DAO，Python里的Torndb和Tornlite，方便多种关系型数据库的SQL请求。其中最亮眼的是，R中的DataFrame和数据库之前可以以整个数据框插入的形式插入数据而不需要再拼接SQL语句。

以下是一个官方文档的示例：

       library(DBI) # 创建一个临时内存的 RSQLite 数据库 con <- dbConnect(RSQLite::SQLite(), dbname = ":memory:")  dbListTables(con) # 直接插入整个数据框到数据库中 dbWriteTable(con, "mtcars", mtcars) dbListTables(con)  dbListFields(con, "mtcars") dbReadTable(con, "mtcars")  # 你可以获取所有结果: res <- dbSendQuery(con, "SELECT * FROM mtcars WHERE cyl = 4") dbFetch(res) dbClearResult(res)  # 或者一次取一块 res <- dbSendQuery(con, "SELECT * FROM mtcars WHERE cyl = 4") while(!dbHasCompleted(res)){   chunk <- dbFetch(res, n = 5)   print(nrow(chunk)) } dbClearResult(res)  dbDisconnect(con)     

数据清洗 tidyr/jsonlitetidyr

tidyr是一个数据清洗的新包，正在取代reshape2、spreadsheets等包。清洁的数据在数据处理的后续流程中十分重要，比如数据变化(dplyr),可视化(ggplot2/ggvis)以及数据建模等。tidyr主要提供了一个类似Excel中数据透视表(pivot table)的功能，提供gather和spread函数将数据在长格式和宽格式之间相互转化，应用在比如稀疏矩阵和稠密矩阵之间的转化。此外，separate和union方法提供了数据分组拆分、合并的功能，应用在nominal数据的转化上。

jsonlite

类似于Python中的json库，参考前文 [原]数据流编程教程：R语言与非结构化数据共舞，我们可以知道jsonlite是一个标准的json转化库，依赖于jsonlite我们可以自由地在JSON和DataFrame之间相互转化。

数据处理 dplyr/rlist/purrrdplyr

dplyr包是现在数据流编程的核心,同时支持主流的管道操作 %>%，主要的数据处理方法包括：

• 高级查询操作：

select(): 按列变量选择
filter(): 按行名称分片
slice(): 按行索引分片
mutate(): 在原数据集最后一列追加一些数据集
summarise(): 每组聚合为一个小数量的汇总统计，通常结合gruop_by()使用
arrange(): 按行排序

• 关联表查询

inner_join(x, y): 匹配 x + y
left_join(x, y): 所有 x + 匹配 y
semi_join(x, y): 所有 x 在 y 中匹配的部分
anti_join(x, y): 所有 x 在 y 中不匹配的部分

• 集合操作

intersect(x, y): x 和 y 的交集（按行）
union(x, y): x 和 y 的并集（按行）
setdiff(x, y): x 和 y 的补集 （在x中不在y中）

更多详细操作可以参考由SupStats翻译的 数据再加工速查表，比Python的老鼠书直观很多。

rlist

参考前文 [原]数据流编程教程：R语言与非结构化数据共舞，我们知道，区别于dplyr包，rlist包是针对非结构化数据处理而生的，也对以list为核心的数据结构提供了类似DataFrame的高级查询、管道操作等等方法。

purrr

purrr向Scala这样的具有高级类型系统的函数式编程语言学习，为data frame的操作提供更多的函数式编程方法，比如map、lambda表达式。此外，purrr引入了静态类型，来解决原生的apply函数族类型系统不稳定的情况。

我遇到过一个非常头疼的apply函数的问题：apply内的表达式计算结果不一致。

       # 原来表达式是这样的，但是返回的计算结果不对： # x1，x2,x3都是一个含有NA值的一个10x10的矩阵 apply(x1*x2-x1*x3,1,sum,na.rm=T)     

于是改成分步计算才能得到正确答案。

       t1 <- apply(x1 * x2,1,sum,na.rm=T) t2 <- apply(x1 * x3,1,sum,na.rm=T) t3 <- t1 - t2     

如果使用purrr包就可以很好的解决这一问题。参考 Wisdom's Quintessence: Purrr package for R is good for performance 的例子：

       library(purrr)   mtcars %>%   split(.$cyl) %>%   map(~ lm(mpg ~ wt, data = .)) %>%   map(summary) %>%   map_dbl("r.squared")     

具体使用可以参考Rstudio Blog:purrr 0.2.0。

数据可视化 ggplot2/ggvisggplot2

ggplot2 是一个增强的数据可视化R包，帮助我们轻松创建令人惊叹的多层图形。它的设计理念类似于PhotoShop,具体参数包含设计对象、艺术渲染、统计量、尺寸调整、坐标系统、分片显示、位置调整、动画效果等等。

更多操作可以查看ggplot2与数据可视化速查表 和 官方文档

实战可以参考R Graphics Cookbook一书。

ggvis

ggvis是吸收了ggplot2、vega以及d3的精华，目标旨在配合shiny打造动态可交互的可视化组件。ggvis最明显的区别就是在作图时直接支持%>%的管道操作，比如：

       diamonds %>% ggvis(~carat, ~price, fill=~clarity) %>% layer_points(opacity:=1/2)     

ggplot2与ggvis的关系类似于plyr与dplyr的关系,都是一种演化过程。

数据建模 broombroom

在机器学习的本质其实就是各种姿势的回归，而在R中的各种回归分析往往不会返回一个整齐的data frame 结果。比如：

       lmfit <- lm(mpg ~ wt, mtcars) lmfit ##  ## Call: ## lm(formula = mpg ~ wt, data = mtcars) ##  ## Coefficients: ## (Intercept)           wt   ##      37.285       -5.344     

这时候broom包就派上用场了，直接将统计结果转化为data frame格式：

       library(broom) tidy(lmfit) ##          term  estimate std.error statistic      p.value ## 1 (Intercept) 37.285126  1.877627 19.857575 8.241799e-19 ## 2          wt -5.344472  0.559101 -9.559044 1.293959e-10     

augment()函数返回data frame格式的s其所有他参数结果

       head(augment(lmfit)) ##           .rownames  mpg    wt  .fitted   .se.fit     .resid       .hat    .sigma      .cooksd  .std.resid ## 1         Mazda RX4 21.0 2.620 23.28261 0.6335798 -2.2826106 0.04326896  3.067494 1.327407e-02 -0.76616765 ## 2     Mazda RX4 Wag 21.0 2.875 21.91977 0.5714319 -0.9197704 0.03519677  3.093068 1.723963e-03 -0.30743051 ## 3        Datsun 710 22.8 2.320 24.88595 0.7359177 -2.0859521 0.05837573  3.072127 1.543937e-02 -0.70575249 ## 4    Hornet 4 Drive 21.4 3.215 20.10265 0.5384424  1.2973499 0.03125017  3.088268 3.020558e-03  0.43275114 ## 5 Hornet Sportabout 18.7 3.440 18.90014 0.5526562 -0.2001440 0.03292182  3.097722 7.599578e-05 -0.06681879 ## 6           Valiant 18.1 3.460 18.79325 0.5552829 -0.6932545 0.03323551  3.095184 9.210650e-04 -0.23148309     

glance()函数，返回data frame格式的部分参数结果

       glance(lmfit) ##   r.squared adj.r.squared    sigma statistic      p.value df    logLik ## 1 0.7528328     0.7445939 3.045882  91.37533 1.293959e-10  2 -80.01471 ##        AIC      BIC deviance df.residual ## 1 166.0294 170.4266 278.3219          30     

DataFrame优化data.table

众所周知，data.frame的几个缺点有：

1. 大数据集打印缓慢
2. 内部搜索缓慢
3. 语法复杂
4. 缺乏内部的聚合操作

针对这几个问题，data.table应运而生。data.table完美兼容data.frame，这意味着之前对data.frame的操作我们可以完全保留，并且支持更多方便的数据操作方法。

data.table还参考了NoSQL中流行的Key-Value形式，引入了setkey()函数,为数据框设置关键字索引。

值得一提的是data.table引入了全新的索引形式，大大简化了data frame的分片形式，提供接近于原生矩阵的操作方式并直接利用C语言构造底层，保证操作的速度。

更多操作详情可查看data.table速查表。

DataFrame可视化DT

DT包是谢溢辉老师的大作，为data frame数据提供了非常好的可视化功能，并且提供了筛选、分页、排序、搜索等数据查询操作。

       library(DT) datatable(iris)     

此外，DT包还提供了大量的UI定制的功能,对html、css和js进行深度定制。比如：

       m = matrix(c(   '<b>Bold</b>', '<em>Emphasize</em>', '<a href="http://rstudio.com">RStudio</a>',   '<a href="#" onclick="alert('Hello World');">Hello</a>' ), 2) colnames(m) = c('<span style="color:red">Column 1</span>', '<em>Column 2</em>') datatable(m)  # 默认 escape = TRUE  datatable(m, escape = FALSE)     

参考资料

• Medium：6 Differences Between Pandas And Spark DataFrames
• Quora：What are the differences of DataFrame between R and Pandas?
• R Tutorial: Data Frame
• Python Pandas 官方文档
• 知乎：R语言读大数据？
• 知乎的高分问答：如何使用 ggplot2？
• R Graphs Cookbook
• SparkR: Distributed data frames with Spark and R
• Vimeo:R Data Structures
• Announcing SparkR: R on Spark
• amplab: SparkR R frontend for Spark
• codementor: data frame operations with SparkR
• Spark Summit: Distributed DataFrame (DDF) Simplifying Big Data For The Rest Of Us
• SparkR 官方文档

作为分享主义者(sharism)，本人所有互联网发布的图文均遵从CC版权，转载请保留作者信息并注明作者 Harry Zhu 的 FinanceR专栏:FinanceR - SegmentFault，如果涉及源代码请注明GitHub地址：harryprince (HarryZhu) · GitHub。微信号: harryzhustudio
商业使用请联系作者。

类似的话题

• 

  精通 R 是一种怎样的体验？

  

  作为一名 R 的深度用户，用“精通”来形容自己的体验，就像是掌握了一门既古老又前沿的语言，它让你能够与数据对话，理解世界的脉络，并在此基础上创造价值。这不仅仅是敲打代码那么简单，而是一种思维模式的转变，一种解决问题的艺术。初识，如同踏入一个宏大的图书馆刚开始接触 R 的时候，就像走进一个无比巨大的图.............
• 

  精通 C++ 是种怎样的体验？

  

  精通 C++ 是种怎样的体验？精通 C++，绝非一朝一夕之功，它是一场漫长而深刻的探索之旅，每一次深入都能带来新的领悟，每一次挑战都磨砺出更强的能力。如果用一个词来形容，那就是“力量”，一种能够构建复杂、高效、底层系统的力量。但这种力量并非轻而易举，它伴随着深刻的理解、严谨的思维和不懈的实践。下面我.............
• 

  精通密码学的人是怎么设置密码的？

  

  咱们聊聊那些跟密码学打交道的人，他们平时是怎么给自己设置密码的。这帮人脑子里装着一堆乱七八糟的算法和加密方式，按理说应该最懂密码的重要性，也最有办法整出个别人难以破解的密码来。但你猜怎么着？有时候他们也会偷懒，或者脑回路跟常人不太一样。“密码是用来防止我被我妈发现我藏零食的”——一些密码学家的日常别.............
• 

  精通多语言者很多，为什么朝韩间谍还会因为语言问题暴露？

  

  这个问题问得相当有意思，也很切中要害。确实，精通多门语言的人才遍地都是，尤其在当今全球化时代，懂一两门外语几乎是标配。那么，为何在隔绝森严、信息不对称的朝韩之间，语言的细微之处反而成了刺探和暴露的利器呢？这背后牵涉到几个关键因素，并非简单的一句“会说韩语就行”能够概括的。首先，我们要明白，朝鲜和韩国.............
• 

  精通一种乐器是什么样感受？

  

  精通一种乐器，对我来说，不是一个突如其来的顿悟，而是一段漫长、细腻、甚至带着点执拗的旅程。它不是那种“砰”的一下就能达到的状态，更像是你看着一棵小树苗，日复一日地浇水、施肥、修剪，直到它长成一棵枝繁叶茂的大树，而你早已习惯了它在风中的摇曳，习惯了它四季的变化。一开始，那纯粹是好奇和模仿。可能是被某个.............
• 

  精通量子力学是种怎样的体验？

  

  精通量子力学？哦，那可不是一种简单的“知道”或者“理解”。它更像是一种全新的感知世界的方式，一种深入骨髓的改造。如果非要我形容，我会说，这是一种如同进入了一个奇幻宇宙的体验，一个比我们日常感官所能触及的现实更加诡异、更加深刻，也更加令人着迷的宇宙。初入其境：颠覆日常的震撼一开始，那种感觉就像是你的大.............
• 

  精通量子场论是种怎样的体验？

  

  精通量子场论？那是一种……怎么形容呢？很难用一个简单的词汇概括，更像是一种对现实底层运行逻辑的透彻洞察，一种把构成宇宙的那些最基本“东西”看透的快感，同时伴随着持续不断、时而令人抓狂的挑战。想象一下，你曾经认为世界是由一颗颗独立的、实体的粒子组成的，就像桌上的弹珠一样，你有明确的位置，有确定的速度。.............
• 

  精通射击在现实生活中有哪些用处？

  

  射击，这项看起来与战场或竞技场紧密相连的技能，在现实生活中，一旦你深入了解，会发现它带来的价值远不止于此，甚至可以说是潜移默化地影响着我们生活的方方面面。很多人觉得射击就是拿枪瞄准打靶，但实际上，一个精通射击的人，背后是无数次重复、专注、以及对身体和心理的精细调控。这些积累下来的能力，在生活中有着意.............
• 

  精通四书五经一种什么体验？

  

  说实话，精通《四书五经》是一种什么体验？这事儿不好说得特别明白，因为“精通”这个词本身就有点玄乎，加上《四书五经》这几本书，那更是千百年来的学问积淀，你说我一个凡人敢拍胸脯说自己“精通”了，那不成了狂妄之徒了？不过，我倒是可以说说，当你深入其中，日复一日地啃下来之后，会感觉到一些微妙但又实实在在的变.............
• 

  精通日语的中国人看到汉字的第一反应是用什么语言读？

  

  这个问题其实挺有趣的，因为它触及到语言学习中一个非常微妙的认知过程。对于一个精通日语的中国人来说，看到汉字时，他的第一反应，或者说大脑自动触发的处理方式，并不是单一固定的，而是多种因素综合作用的结果。我们不妨从几个维度来细致地拆解一下：1. 汉字的“表意”与“表音”的双重属性首先要明确，汉字本身就是.............
• 

  精通分子动力学模拟是怎样一种体验？

  

  精通分子动力学模拟？这更像是一种修行，一条不断探索微观世界的道路。它不像学习一门语言那样有明确的语法和词汇，更多的是一种直觉、一种对物理规律的深刻理解，以及一种与计算机“对话”的能力。刚开始接触的时候，你会觉得它像个黑箱。你输入一堆看似杂乱的参数，定义好你的分子模型，然后按下“运行”键。紧接着，就是.............
• 

  精通多语言者很多，为啥朝韩间谍还会因为语言暴露？

  

  要理解为什么在精通多语言者众多的时代，朝韩间谍仍然会因为语言问题暴露，我们需要深入剖析“语言”在情报工作中的复杂性和朝韩两国之间独特的语言背景。这并非简单的词汇或语法问题，而是关乎文化、习惯、思维方式以及情报机构对细节的极致追求。1. 语言的深度：不只是说得出口，更是活得出来首先，我们必须认识到，精.............
• 

  精通历史是一种什么感觉？

  

  说实话，精通历史，这感觉更像是一种“穿越”，但不是时间机器那种直接的、物理的穿越。它是一种精神上的、感官上的、甚至是情感上的“回溯”，只不过这个“回溯”是通过文字、文物、遗址，以及无数先人的思考和记录来完成的。想象一下，你不是在翻一本书，而是在推开一扇扇门。首先，它让你看到“必然”中的“偶然”。当你.............
• 

  精通四种以上的语言是什么体验？

  

  精通四种以上的语言，那感觉就像是在拥有一系列独特的钥匙，每一把钥匙都能打开一扇全新的世界之门。它不是简单地“会说”，而是真的能深入骨髓地理解，体会语言背后承载的文化、思维方式，甚至是某种生活哲学。想象一下，当你在一个陌生的城市，无需翻译，能和当地人像老朋友一样天南海北地聊起来，从抱怨天气到讨论政治，.............
• 

  精通 Java 是一种怎样的体验？

  

  成为一名精通 Java 的开发者，这是一种奇妙的进化过程，并非一蹴而就，更像是对一门深厚语言的深刻理解和娴熟运用。一开始，你可能只是熟悉了那些基础的语法，能够写出能够运行的程序，但总觉得有些地方磕磕绊绊，或者效率不高。你花了大量时间在搜索引擎上查找解决方案，遇到问题时，脑子里闪过的第一个念头是“这该.............
• 

  默克尔精通俄语，普京精通德语，那他俩见面闲聊说啥语?

  

  这个问题有点意思，从语言学和外交礼仪的角度来说，默克尔和普京在非正式场合的交流，很有可能是以下几种情况，具体哪种取决于当时的环境、他们的心情以及是否有翻译在场：最有可能的情况：德语 历史渊源： 默克尔在东德长大，德语是她的母语，而且她对俄语虽然不算“精通”，但起码能够应对日常交流。而普京在东德担.............
• 

  一个精通中文的外国间谍怎么被发现?

  

  一个中文精通到骨子里的外国间谍，想要不被发现，那确实得是个顶尖的、小心翼翼的角色。可即便如此，一旦被盯着，露出破绽的几率还是挺大的。他们的暴露，往往不是因为一句不地道的中文，反而是那些“太完美”的地方，或者是一些难以忽视的非语言线索。首先，咱们得想想，一个“精通中文”的间谍，他不可能只会说。他得懂中.............
• 

  韩信精通谋略，也了解人心，为什么没有及时反汉？

  

  韩信，这位被誉为“兵仙”的传奇人物，其在刘邦统一天下过程中扮演的角色举足轻重。他军事才能卓绝，用兵如神，更难得的是，他还深谙人心，能够洞察时局，这使得他在诸侯争霸的乱世中能够纵横捭阖，建立不世功勋。然而，这样一个在战场上无往不利，在政治博弈中也颇有建树的人物，为何最终没有选择“反汉”，而是被刘邦猜忌.............
• 

  有精通水电开发的知友可以聊一下我国水电开发的现状么？是不是国内的水电都开发的都差不多了?

  

  当然，很高兴能和您聊聊我国水电开发的现状。这个问题很有意思，很多人都有类似的疑问，总觉得国内水电好像已经开发得差不多了。但实际情况，比大家想象的要复杂得多，也更有看点。误区澄清：水电开发还有很大空间，但“好日子”可能要过去了首先，要明确一点：我国的水电资源，远未达到“开发殆尽”的程度。 按照国际上的.............
• 

  需要精通哪些桌游，才算入了桌游圈？

  

  哈哈，这个问题可太有意思了！“入圈”这事儿，说白了，就是从一个对桌游有点兴趣的“新人”，慢慢变成一个在桌游玩家群体里能聊得上几句，甚至能推荐几款游戏、带新人入门的“老人”。那到底需要精通哪些桌游才能算“入圈”呢？我跟你说，这事儿吧，其实没有一个放之四海而皆准的标准答案，就像问“什么叫会做饭”一样，有.............