rtutor.ai

RTutor是什么网站?

RTutor 是一个在浏览器里用自然语言做数据分析的在线工具，主要面向不想写代码但需要跑统计和探索性分析的人。

能做什么

• 上传自己的数据，直接提问，几秒内得到结果。
• 支持多种数据格式、多个文件，并支持 Python。
• 内置大量示例数据集（如 mtcars、iris、diamonds、RNA Seq、Air Quality 等），方便先试后传。
• 自动生成探索性分析（EDA）报告，页面列出的图表包括：DataExplorer 的 plot_bar()、plot_qq()、plot_histogram()，summarytools 的 dfSummary()，tableone 的 CreateTableOne()，corrplot 的相关图，GGally 的 ggpairs()。
• 输出 RMarkdown 代码块，可勾选要包含的分析模块（基础统计、分类、数值、汇总表、Table1、相关性、GGpairs、完整 EDA 报告）。

适合谁、什么场景用

• 学生或研究者拿到一份数据，想快速看分布、相关性和汇总表，但不想从零写 R。
• 需要用自然语言提问、又希望拿到可复现代码的人。
• 想先用内置数据集练手，再上传自己数据的新手。

上手方式 页面提供“First Time User”入口，建议先看一段 8 分钟 YouTube 视频；源码、问题反馈和安装为 R 包的方法在 GitHub 上。它由 RTutor LLC 运营，页面也提到团队规模小、欢迎学术界和工业界合作，可做 Zoom 演示和讲座。

相关替代 页面本身推荐了 Datably.ai，定位是更通用、更灵活的 AI 数据分析平台（支持通过对话分析数据）。如果你需要的不只是统计报告，而是更广的对话式数据处理，可以对比这两个。

RTutor支持哪些数据格式和编程语言?

RTutor 支持上传数据文件，官方 FAQ 提到可处理“多种不同格式的文件”，但页面没有逐一列出具体扩展名。稳妥做法是先在 Data 区上传你的文件，若格式不被识别再转为 CSV 或 Excel 常用格式。

语言方面，RTutor 主打用自然语言提问、由 AI 生成 R 代码并即时出结果，所以核心是 R 生态；页面同时提到“Python support”，但未说明具体支持范围。

使用情境：

• 不想写代码的分析者：上传数据后用中文或英文提问，直接得到统计表和图。
• 需要 R 代码的人：结果区可展开代码，方便复制到自己的脚本里。
• 需要 Python 流程的人：可尝试 Python 支持，但复杂建模前建议先小样本验证。

内置演示数据覆盖很广，包括 mtcars、iris、diamonds、penguins、starwars、gapminder 类数据集、RNA Seq、Air Quality 等，说明它面向教学和通用 EDA 场景。

下一步：打开 RTutor 2.00，在 Data 区上传文件并选择 Data Types，再提交问题即可。

在RTutor中如何上传数据并生成EDA报告?

在 RTutor 中，上传数据后按提示提问即可生成 EDA 报告；报告默认包含分类、数值、汇总表、Table1、相关性、GGpairs 等模块。

操作步骤

1. 打开 RTutor 首页，进入 “First Time User” 区域，可先看 8 分钟 YouTube 视频了解流程。
2. 在 “1. Data” 处点击 Upload 上传数据，或从 Demo 数据（MPG、Iris、Diamonds、RNA Seq 等）中直接选一个。
3. 在 “2. Data Types” 中确认或编辑各列的数据类型，避免分类/数值判断错误。
4. 在 “3. Prompt” 输入分析问题，点击 Submit 提交；需要重来时用 Reset。
5. 查看结果后，可用 “Ask About Results” 或 “Ask RTutor” 继续追问。
6. 需要完整报告时，选择 “Comprehensive EDA (Exploratory Data Analysis) Report”，并勾选要包含的代码块，输出格式可选 RMarkdown。

EDA 报告包含什么

• 基础图表：分类、数值分布
• 汇总表：Summary、Table1
• 相关性：Correlation、GGpairs
• 报告由 plot_bar()、plot_qq()、plot_histogram()、summarytools::dfSummary()、CreateTableOne()、corr_plot()、ggpairs() 等函数生成

适合谁用

不想写代码、但想快速做探索性数据分析的人：上传数据、用自然语言提问，几秒内出结果。它也支持多文件、不同格式，并有 Python 支持。

想更灵活时

RTutor 页面推荐了 Datably.ai，定位是更通用的 AI 数据分析平台；如果 RTutor 的固定 EDA 模块不够用，可以试它。RTutor 本身也在 GitHub 开源，可安装为 R 包。

RTutor的免费版和付费版有什么区别?

现有资料没有列出 RTutor 免费版与付费版的功能对照或价格信息，因此无法给出两者差异的确切结论。

从页面证据能确认的是：RTutor 的核心流程是上传数据、用自然语言提问、在几秒内得到结果，并支持数据探索与 EDA 报告生成。页面还提到可“上传多种不同格式的多个文件”以及“Python 支持”，但未说明这些是否属于付费能力。

如果你要判断自己该用哪一档，建议按以下条件去官网核对：

• 是否限制上传文件数量、格式或单文件大小
• 是否限制提问次数、报告导出或代码块展示
• 是否包含 Python 支持与多文件分析
• 是否提供 R 包安装方式与本地运行

下一步动作：在 RTutor 的定价或 FAQ 页面查找 Free/Paid 对照表；若没有公开定价页，可通过其 Contact 或 Comments & Questions 渠道询问免费版额度与付费版增量功能。

RTutor生成的报告可以导出为哪些格式?

RTutor 的 EDA 报告以 RMarkdown 为核心输出形式，页面在“Comprehensive EDA (Exploratory Data Analysis) Report”区域明确列出可勾选的代码块（RMarkdown），说明报告生成后得到的是 RMarkdown 文件。

这意味着它的导出路径是：

• RMarkdown（.Rmd）：报告的主体格式，包含可复现的分析代码块，可在 RStudio 中继续编辑、重新运行。
• 由 RMarkdown 再渲染出的文档：例如 HTML、Word、PDF——这是 RMarkdown 生态的通用能力，而不是 RTutor 页面上单独列出的按钮。

具体使用情境：

• 想继续改报告、复用代码：直接拿 RMarkdown 文件，在 RStudio 里改。
• 想交给不写代码的同事看：把 RMarkdown 渲染成 HTML 或 Word 更合适。
• 想放进论文或正式文档：渲染成 PDF 或 Word 再排版。

需要注意：页面证据只确认了 RMarkdown 这一项，其他格式属于 RMarkdown 工具链的常规做法，建议生成后先在 RStudio 里试渲染一次，确认图表和表格没有错位。

如果你只想要一个能直接分享的静态报告，可以先用 RTutor 生成 RMarkdown，再按目标格式渲染；如果只是快速看图，直接在网页上查看 EDA 报告即可，不必导出。

如何将RTutor安装为R包并在本地使用?

RTutor 提供本地 R 包安装方式，适合希望在 RStudio 或 R 命令行中直接调用、而不走网页版的用户。网页版的“First Time User”区也指向 GitHub 作为源码、问题反馈与安装说明的入口。

安装步骤

1. 打开 RTutor 官网 RTutor，进入“First Time User”或 About 区域，找到指向 GitHub 仓库的链接。
2. 在 GitHub 仓库的 README 中查看安装指令（通常是通过 remotes 或 devtools 从仓库安装，而非 CRAN）。
3. 在本地 R 会话中按 README 给出的命令执行安装，然后 library() 载入包。
4. 首次使用可先看官网嵌入的 8 分钟 YouTube 视频，了解从上传数据到出报告的完整流程。

本地使用方式

安装为 R 包后，你可以在 RMarkdown 中生成 EDA 报告，并选择要包含的代码块，例如：

• Basic Categorical / Numerical
• Summary、Table1、Correlation、GGpairs
• Comprehensive EDA Report

官网列出的报告由多个 R 包生成，包括 DataExplorer（plot_bar()、plot_qq()、plot_histogram()）、summarytools（dfSummary()）、tableone（CreateTableOne()）、corrplot（corr_plot()）和 GGally（ggpairs()）。本地跑包时，这些依赖需要一并可用。

适用场景

• 需要在 RStudio 里复用同一套分析脚本、反复跑同一数据集时。
• 想把 EDA 报告嵌入自己的 RMarkdown 文档，而不是每次打开网页。
• 数据不便上传到网页版，但可以在本地 R 环境处理时。

需要注意

• 官网只给出 GitHub 作为安装与源码入口，未列出 CRAN 安装方式，因此安装命令以仓库 README 为准。
• 网页版还提到 Datably.ai 作为更通用的聊天式数据分析平台；若你的需求不止 EDA，可对比两者定位后再选。