R 语言入门教程

R 是什么，用来做什么

R 是一门免费开源的统计计算与绘图语言及环境，源自贝尔实验室开发的 S 语言，由 R Core Team 维护。R 是向量化的：大多数运算会一次作用于整个数据向量，这让数据分析代码非常简短。

统计学家、数据科学家、生物信息学家、经济学家和研究人员用 R 进行数据清洗、统计建模、可视化和可重复的报告。CRAN（Comprehensive R Archive Network，R 综合存档网络）和 Bioconductor 上提供数千个扩展包。

安装 R 并运行 Hello, world

从 CRAN 下载适用于 Windows、macOS 或 Linux 的 R。许多人还会安装 RStudio 或 Positron，它们是带有编辑器、控制台、绘图查看器和帮助面板的 IDE。你可以直接在 R 控制台中输入代码，也可以把代码保存在 .R 文件中。

# hello.R
print("Hello, world!")
cat("Hello, world!\n")

Rscript hello.R
# [1] "Hello, world!"
# Hello, world!

print 按控制台的方式显示值，带有 [1] 这样的索引前缀。cat 输出纯文本，因此需要自己添加换行。

变量、基本类型与向量

用 <-（惯用风格）或 = 赋值。R 中没有标量：单个数字就是长度为 1 的向量。c() 把多个值组合成向量，算术运算按元素逐个进行。

x <- 42                 # numeric (double)
n <- 7L                 # integer (L suffix)
name <- "Ada"           # character
ok <- TRUE              # logical
class(x); class(n); class(name)   # "numeric" "integer" "character"
v <- c(2, 4, 6, 8)
v * 10                  # [1] 20 40 60 80
v[2]                    # [1] 4   (indexing starts at 1)
v[v > 4]                # [1] 6 8
length(v); sum(v); mean(v)        # 4 20 5
1:5                     # [1] 1 2 3 4 5
seq(0, 1, by = 0.25)    # [1] 0.00 0.25 0.50 0.75 1.00

流程控制

R 有 if/else、for、while 和 repeat。对于向量，向量化的 ifelse() 通常比循环更好。

temp <- 25
if (temp > 30) {
  print("hot")
} else if (temp > 15) {
  print("mild")         # [1] "mild"
} else {
  print("cold")
}
for (i in 1:3) {
  cat("step", i, "\n")  # step 1 / step 2 / step 3
}
scores <- c(45, 80, 62)
ifelse(scores >= 50, "pass", "fail")
# [1] "fail" "pass" "pass"

if 需要单个 TRUE 或 FALSE。在 R 4.2 及以后版本中，给 if 传入更长的向量会报错；请改用 any()、all() 或 ifelse()。

函数

函数用 function 创建，并赋给一个名字。最后求值的表达式会自动作为返回值；只有提前退出时才需要 return()。参数可以有默认值，也可以按名字传递。

bmi <- function(weight_kg, height_m = 1.75) {
  weight_kg / height_m^2
}
bmi(70)                          # [1] 22.85714
bmi(height_m = 1.6, weight_kg = 60)  # [1] 23.4375
square <- function(x) x^2
square(1:4)                      # [1] 1 4 9 16 (vectorized)
sapply(c(1, 4, 9), sqrt)         # [1] 1 2 3
(\(x) x + 1)(10)                 # [1] 11 (short lambda syntax)

简短的 lambda 语法 \(x) 自 R 4.1 起可用，原生管道 |> 同样如此，它把左侧的结果作为第一个参数传入：c(1, 4, 9) |> sqrt() |> sum() 返回 6。

核心数据结构：向量、列表与数据框

除了原子向量，R 还有列表（可以存放不同类型的值）、矩阵和数据框。数据框是一张表，每一列都是长度相同的向量，是数据分析的核心结构。

person <- list(name = "Ann", age = 31, langs = c("R", "SQL"))
person$name                 # [1] "Ann"
person[["langs"]][2]        # [1] "SQL"
df <- data.frame(
  name  = c("Ann", "Bo", "Cy"),
  age   = c(31, 25, 40),
  city  = c("Oslo", "Rome", "Oslo")
)
nrow(df)                    # [1] 3
df$age                      # [1] 31 25 40
df[df$age > 30, "name"]     # [1] "Ann" "Cy"
df$senior <- df$age >= 40   # add a column
aggregate(age ~ city, data = df, FUN = mean)
#   city  age
# 1 Oslo 35.5
# 2 Rome 25.0
str(df)                     # compact structure summary

df[rows, columns] 可按位置、名称或逻辑条件选取。某一侧留空，如 df[1, ]，表示选取所有行或所有列。

统计与绘图

R 内置了统计函数：summary、sd、quantile、cor、t.test 和 lm（线性模型）等等。基础绘图只需一次调用即可画出图形。

set.seed(1)
x <- 1:20
y <- 3 * x + rnorm(20, sd = 2)
model <- lm(y ~ x)
round(coef(model), 2)       # intercept near 0, slope near 3
summary(model)$r.squared    # close to 1
plot(x, y, main = "y vs x")
abline(model, col = "red")

公式语法 y ~ x 表示「把 y 建模为 x 的函数」，在各种建模函数中通用。对于高级图表和数据整理，大多数人会用 install.packages("tidyverse") 安装 tidyverse 系列包，如 ggplot2 和 dplyr。

错误处理

用 stop() 抛出错误，用 warning() 发出警告。用 tryCatch() 捕获它们，它接受 error、warning 的处理函数，以及可选的 finally 代码块。

safe_log <- function(x) {
  if (!is.numeric(x)) stop("x must be numeric")
  if (any(x <= 0)) warning("non-positive values give NaN or -Inf")
  log(x)
}
result <- tryCatch(
  safe_log("ten"),
  error = function(e) {
    message("Caught: ", conditionMessage(e))
    NA
  },
  finally = message("done")
)
# Caught: x must be numeric
# done
result                      # [1] NA

一个完整的小程序：销售汇总

这个脚本构建一张小型销售表，用基础 R 计算各地区的收入，并输出业绩最好的地区。

sales <- data.frame(
  region = c("North", "South", "North", "East", "South"),
  units  = c(10, 4, 6, 8, 12),
  price  = c(2.5, 3.0, 2.5, 4.0, 3.0)
)
sales$revenue <- sales$units * sales$price
by_region <- aggregate(revenue ~ region, data = sales, FUN = sum)
by_region <- by_region[order(-by_region$revenue), ]
print(by_region, row.names = FALSE)
#  region revenue
#   South      48
#   North      40
#    East      32
best <- by_region$region[1]
cat(sprintf("Best region: %s (%.2f)\n", best, max(by_region$revenue)))
# Best region: South (48.00)

接下来学什么

• 《An Introduction to R》，CRAN 上的官方手册。
• 内置帮助：在控制台输入 ?mean 或 help("lm")。
• Hadley Wickham 等人所著的《R for Data Science》，可在线免费阅读，介绍 tidyverse 的用法。
• CRAN Task Views，按计量经济学、机器学习等领域列出相关的包。