TL;DR
一句话：R 是统计学家的语言——专为数据分析和可视化而生。
核心优势：
- 内置统计函数
- 一流的可视化（ggplot2）
- Tidyverse 现代数据处理
- CRAN 上有 20,000+ 包
Philosophy
R 是由统计学家为统计学家设计的：
- 向量优先 - 一切都是向量。操作默认向量化。
- 交互式分析 - 为探索性数据分析设计，不是生产系统
- 函数式风格 - 函数是一等公民，偏好不可变数据
- 领域专用 - 不是通用语言，但在其领域很出色
R 优先考虑统计正确性和分析便利性，而非原始性能。
Quick Start
安装
# macOS
brew install r
# Linux (Ubuntu)
sudo apt install r-base
# Windows - 从 r-project.org 下载验证（最新版：4.5.2）
R --version # R version 4.5.2第一个程序
创建 hello.R：
print("Hello, World!")Rscript hello.R交互式 R
R
> 2 + 2
[1] 4
> mean(c(1, 2, 3, 4, 5))
[1] 3RStudio（推荐 IDE）
从 posit.co 下载
Language Essentials
变量与类型
# 变量（用 <- 赋值）
name <- "Alice"
age <- 25
price <- 19.99
active <- TRUE
# 向量（基础数据结构）
numbers <- c(1, 2, 3, 4, 5)
names <- c("Alice", "Bob", "Carol")
# 数据框（表格）
df <- data.frame(
name = c("Alice", "Bob"),
age = c(25, 30)
)控制流
# if-else
if (age >= 18) {
print("成年人")
} else if (age >= 13) {
print("青少年")
} else {
print("儿童")
}
# ifelse（向量化）
status <- ifelse(age >= 18, "成年人", "未成年")
# for 循环
for (i in 1:5) {
print(i)
}
# 但优先使用向量化操作！函数
# 定义函数
greet <- function(name, greeting = "Hello") {
paste(greeting, name, sep = ", ")
}
greet("Alice") # "Hello, Alice"
greet("Bob", "Hi") # "Hi, Bob"
# 匿名函数（R 4.1+）
add <- \(a, b) a + b
add(2, 3) # 5向量化操作
x <- c(1, 2, 3, 4, 5)
y <- c(10, 20, 30, 40, 50)
# 操作逐元素应用
x + y # c(11, 22, 33, 44, 55)
x * 2 # c(2, 4, 6, 8, 10)
x > 3 # c(FALSE, FALSE, FALSE, TRUE, TRUE)
# 函数作用于向量
mean(x) # 3
sum(x) # 15
sqrt(x) # c(1, 1.41, 1.73, 2, 2.24)数据处理（Tidyverse）
library(dplyr)
# 管道运算符
df |>
filter(age > 25) |>
select(name, age) |>
arrange(desc(age))
# 现代 tidyverse 风格
df |>
mutate(age_group = ifelse(age >= 30, "资深", "初级")) |>
group_by(age_group) |>
summarize(count = n(), avg_age = mean(age))Gotchas
向量索引从 1 开始
x <- c(10, 20, 30)
x[1] # 10（不是 0！）
x[2:3] # c(20, 30)
x[-1] # c(20, 30) - 负数表示排除<- vs = 赋值
x <- 10 # 首选，总是有效
x = 10 # 也可以，但 <- 更地道
# 函数调用中的重要区别
mean(x = c(1,2,3)) # x 是参数
mean(x <- c(1,2,3)) # x 被赋值并传递NA 处理
x <- c(1, 2, NA, 4)
mean(x) # NA（NA 会传播！）
mean(x, na.rm = TRUE) # 2.333...
is.na(x) # c(FALSE, FALSE, TRUE, FALSE)
na.omit(x) # c(1, 2, 4)Factor 陷阱
f <- factor(c("a", "b", "a"))
levels(f) # c("a", "b")
# 转换时小心
as.numeric(factor(c("3", "1", "2"))) # c(2, 1, 3) - 不是 c(3, 1, 2)！
# 正确方式
as.numeric(as.character(factor(c("3", "1", "2")))) # c(3, 1, 2)When to Choose
适合：
- 统计分析
- 数据可视化
- 学术研究
- 探索性数据分析
不适合：
- Web 开发
- 生产系统
- 通用编程
- 实时应用
对比：
| 方面 | R | Python | Julia |
|---|---|---|---|
| 统计 | 优秀 | 良好 | 成长中 |
| 可视化 | ggplot2 | matplotlib | Makie |
| 速度 | 慢 | 中等 | 快 |
| 社区 | 统计/生物 | 通用 | 科学 |
Next Steps
Ecosystem
包管理
# 从 CRAN 安装
install.packages("tidyverse")
# 加载包
library(tidyverse)
# 查看已安装的包
installed.packages()核心包
- 数据：dplyr、tidyr、data.table
- 可视化：ggplot2、plotly
- 建模：caret、tidymodels
- 报告：rmarkdown、Quarto