企业官网建设流程全解析

R 语言快速参考备忘清单：从环境入门到向量运算与数据可视化

【免费下载链接】reference为开发人员分享快速参考备忘清单(速查表)项目地址: https://gitcode.com/jaywcjlove/reference

本篇指南以开源仓库 jaywcjlove/reference 中的 R 语言备忘清单 为主体，系统梳理 R 语言从环境配置、基础语法、控制流、数据结构，到图形绘制与向量索引的完整速查体系。读完本篇，你将能够快速定位 R 中帮助与包管理、数据读写、循环与函数定义、常用绘图函数，以及向量创建与子集选取的全部高频用法，并可直接在仓库中查看原文与本地预览效果。

一、入门：帮助、包管理与工作目录

R 语言最常用的入门动作有三类：查阅帮助文档、安装加载第三方包、管理当前工作目录。这一部分对应 docs/r.md 的"入门"章节。

获取帮助与对象信息

R 内置了完善的帮助系统，?与help系列函数是日常排错的第一入口：

?mean # 获取特定功能的帮助 help.search('weighted mean') # 在帮助文件中搜索单词或短语 help(package = 'dplyr') # 查找软件包的帮助

• ?mean等价于help("mean")，打开对应函数的帮助文档；
• help.search()在全量帮助文档中按关键词模糊检索，适合只知道功能、不知道函数名的情况；
• help(package = 'dplyr')查看某个已安装包的全部帮助条目。

对于运行中的对象，str()与class()是最常用的"体检"工具：

str(iris) # 获取对象结构的摘要 class(iris) # 查找对象所属的类

iris是 R 内置的鸢尾花数据集（150 行 4 列数值特征加 1 列品种标签）。str()会输出对象的类型、维度与各列类型，而class()返回对象所属的类（如data.frame、numeric、character等），是判断数据结构、决定后续操作方式的第一步。

下载和使用库

R 的生态通过包（package）扩展。官方仓库 CRAN、生物信息学常用的 Bioconductor，以及 GitHub 上未发布到官方仓库的开发版包，分别有不同的安装方式：

install.packages('dplyr') # 从 CRAN 下载并安装软件包 install.packages("BiocManager") library(BiocManager) BiocManager::install("dplyr") # 使用 Bioconductor 的 BiocManager 包下载并安装软件包 devtools::install_github("clusterProfiler") # 直接从 GitHub 中下载并安装软件包 library(dplyr) # 将包加载到会话中，使其所有功能可供使用 dplyr::select # 使用包中的特定函数 data(iris) # 将内置数据集加载到环境中

几个容易混淆的要点：

• install.packages()负责安装，library()负责加载，两者缺一不可；
• BiocManager::install()中::的作用是"不加载整个包、直接调用包内的某个函数"，同理dplyr::select只取用dplyr包中的select函数，避免与其他包的同名函数冲突（例如MASS包也有select）；
• devtools::install_github()需要预先安装devtools包，且依赖本机可访问 GitHub；
• data(iris)将内置数据集载入当前环境，是练习数据操作的标准姿势。

工作目录

R 读写文件的相对路径都基于当前工作目录解析：

getwd() # 查找当前工作目录（输入从这里找到，输出发送到这里） setwd('C://file/path') # 更改当前工作目录

getwd()返回当前工作目录，setwd()修改之。备忘清单中还特别建议：使用 RStudio 中的项目（Project）功能，让 RStudio 自动把工作目录设置为项目所在文件夹，避免每次启动都手动setwd()，这是团队协作与脚本可复现性的良好实践。

二、基础语法：变量、类型、结构与控制流

这一部分是 docs/r.md 的"基础入门"章节，覆盖了编写任何 R 脚本都绕不开的核心语法。

变量和赋值

x <- 10 # 使用箭头赋值 y = 20 # 或者直接使用等号赋值

<-是 R 社区推荐的赋值方式（在 RStudio 中可用快捷键Alt + -快速输入），=也完全合法。此外还有反向箭头20 -> y与函数式赋值assign("x", 10)，但前两种足够覆盖绝大多数场景。赋值后会立即在环境（Environment）中创建对应变量。

数据类型

numeric_var <- 3.14 # 数值型 character_var <- "hello" # 字符串（字符型） logical_var <- TRUE # 逻辑型

R 的基础数据类型至少还包括：

• integer整数型（如1L，带L后缀）；
• factor因子型，用于分类变量，在统计建模中会被特殊处理；
• 缺失值NA、空值NULL、非数值NaN与无穷Inf，这些特殊值在数据清洗时经常需要判空处理。

可以用typeof()、class()与is.numeric()等函数随时检验变量类型。

向量和列表

向量（vector）是 R 中最基本的数据结构，列表（list）则可以容纳不同类型、不同长度的元素：

# 向量 numeric_vector <- c(1, 2, 3, 4) character_vector <- c("apple", "orange", "banana") # 列表 my_list <- list(name = "John", age = 30, city = "New York")

• c()（combine）用于把元素拼接成向量，同一向量内所有元素必须同类型，否则 R 会自动做类型转换（如字符与数值混合时数值会被转为字符）；
• 列表通过list()创建，每个元素可以命名，通过my_list$name或my_list[["name"]]取用；
• 向量和列表是后续数据框、矩阵等复杂结构的基础。

向量化运算

R 的向量化（vectorization）特性使其无需显式写循环即可完成批量计算：

# 创建向量 numbers <- c(1, 2, 3, 4, 5) # 计算向量的和 sum_result <- sum(numbers) # 计算向量的平均值 mean_result <- mean(numbers)

sum()、mean()等聚合函数直接作用于整个向量；min()、max()、median()、sd()、var()同理。此外，numbers + 1、numbers * 2这类逐元素运算也会自动展开，这是 R 性能与表达力兼备的原因之一。

数据框（Data Frame）

数据框是 R 中"表格"的载体，也是数据分析最常用的结构：

my_df <- data.frame(name = c("John", "Alice"), age = c(30, 25)) # 创建数据框 student_data <- data.frame( name = c("John", "Alice", "Bob"), age = c(25, 23, 22), grade = c("A", "B", "C") ) # 显示数据框 print(student_data)

数据框的每一列是一个等长向量，不同列可以有不同的类型。创建后常用的检查与操作包括：

• str(student_data)查看结构、head(student_data)查看前几行、summary(student_data)查看每列统计摘要；
• student_data$name取某一列，student_data[1, ]取某一行，student_data[, "age"]取某一列；
• nrow()/ncol()/dim()查看维度，names()查看列名。

函数

# 定义函数 add_numbers <- function(a, b) { result <- a + b return(result) } # 调用函数 sum_result <- add_numbers(10, 5)

R 函数以function(参数列表) { 函数体 }定义，return()显式返回结果；若函数体最后一行是一个表达式，其值也会被隐式返回。R 函数还支持默认参数值（如function(a, b = 1)）、命名参数调用（add_numbers(b = 5, a = 10)）以及...可变参数，这些在阅读第三方包源码时非常常见。

条件语句

if (x > 0) { print("Positive") } else { print("Non-positive") }

if/else的条件必须返回单个逻辑值TRUE或FALSE。注意：if对长度为 1 的逻辑向量生效；若条件本身是一个向量（如x > 0且x是多元素向量），if只会使用第一个元素并给出警告，此时应改用向量化的ifelse(condition, yes, no)。

for 循环语句

for (i in 1:5) { print(i) }

for循环遍历序列1:5（即 1、2、3、4、5）并逐次执行循环体。R 中的for可以遍历任意可迭代对象，例如字符向量、列表的索引等。由于向量化特性的存在，能用apply家族（lapply、sapply、vapply）或purrr包解决的遍历，通常比显式for循环更简洁。

while 循环

counter <- 1 while (counter <= 5) { print(counter) counter <- counter + 1 }

while在条件为TRUE时反复执行循环体，本例用计数器实现 1 到 5 的输出。使用while务必确保循环条件最终会被打破（如本例中counter逐次递增），否则会陷入死循环；break可提前跳出，next可跳过本次迭代。

数据读取和输出

# 读取数据 my_data <- read.csv("data.csv") # 输出数据 write.csv(my_data, "output.csv")

• read.csv()读取逗号分隔的 CSV 文件，返回数据框；默认第一行为列名，header = FALSE可关闭；
• write.csv()将数据框写出为 CSV，row.names = FALSE可避免输出多余的行号列；
• 更大规模的场景可使用read.table()读取自定义分隔符文件，或配合readxl（Excel）、data.table::fread()（超大文件）、haven（SPSS/SAS/Stata）等生态包。

清理工作空间

# 清空所有变量 rm(list = ls()) # 退出 R q()

ls()列出当前环境所有对象，rm(list = ls())将它们全部删除，是脚本收尾或切换任务时常用的"重置"手段。q()退出 R 会话，退出时 R 会询问是否保存工作空间镜像（.RData）。在交互式分析之外，建议在脚本中显式管理变量，避免依赖工作空间镜像，保证可复现性。

三、图形绘制：从散点图到直方图与线图

Base R 的绘图系统无需安装任何包即可完成基础可视化，对应 docs/r.md 的"图形绘制"章节。所有绘图函数都会在当前图形设备（窗口或文件）上输出。

散点图

plot(x, y)

plot(x, y)是散点图（scatter plot）的标准调用：x为横轴向量，y为纵轴向量，两者长度必须一致。完整版可以同时指定标题与坐标轴标签：

x <- c(1, 2, 3, 4, 5) y <- c(2, 4, 5, 6, 7) plot(x, y, main = "Scatter Plot", xlab = "X-axis", ylab = "Y-axis")

其中main设置图标题，xlab/ylab分别设置横纵轴标签。常用附加参数还包括：col（颜色）、pch（点形状）、cex（点大小）、type（图形类型）。

直方图

hist(data)

hist()用于绘制数值分布的直方图（histogram），自动将数据分箱并统计频数。带参数的完整示例：

data <- c(1, 1, 2, 2, 2, 3, 3, 3, 3, 4, 4, 5) hist(data, main = "Histogram", xlab = "Value", col = "lightblue")

col参数填充柱体颜色（本例为浅蓝色lightblue）。可通过breaks控制分箱数量，通过freq = FALSE将纵轴切换为概率密度。

折线图

plot(x, y, type = "l")

plot(x, y, type = "l")中type = "l"（line）将散点连成折线，即线图/折线图。完整示例：

x <- c(1, 2, 3, 4, 5) y <- c(2, 4, 5, 6, 7) plot(x, y, type = "l", main = "Line Plot", xlab = "X-axis", ylab = "Y-axis")

type参数的其他常用取值："p"（仅点，默认）、"b"（点线同时绘制）、"o"（线穿过点）。在折线图上叠加多组数据时，可用lines()追加，配合col区分系列。若要更现代、更美观的可视化，可在熟练掌握 Base R 绘图后进一步学习ggplot2的图层语法。

四、向量操作进阶：创建、索引与去重

向量是 R 数据操作的基石，docs/r.md 的"向量"章节以速查表形式集中给出了创建、子集选取与整理的常用写法，下面逐一展开。

创建向量

• c()拼接任意数量的元素；
• :生成连续整数序列，也常用于循环与切片；
• seq(from, to, by)按指定步长生成序列，length.out可指定生成个数；
• rep(x, times = n)整体重复n次，rep(x, each = n)则每个元素先重复n次——二者顺序完全不同，是高频易混点。

按位置选择元素

R 的索引从 1 开始（与 Python 等语言不同）；负数索引表示"排除"，x[-4]即返回除第 4 个元素外的全部元素；x[c(1, 5)]展示了下标本身也可以是向量。

按值选择元素

这一形式称为逻辑索引（logical indexing）：x == 10生成与x等长的逻辑向量，[ ]据此挑选出对应位置为TRUE的元素。%in%是 R 特有的集合匹配运算符，用于判断左侧向量的每个元素是否出现在右侧集合中，是数据筛选（如按 ID 列表取子集）的高频写法。

命名向量

向量元素可以命名，例如x <- c(apple = 1, banana = 2)。此时除按位置索引外，还可以用名称字符串x['apple']直接取值（x[["apple"]]返回去掉名字的纯值），这在字典式查询和代码可读性上非常实用。

排序、反转、计数与去重

• sort(x)默认升序，decreasing = TRUE可降序；order(x)则返回排序后的下标，常用于按某列排序整个数据框；
• rev(x)反转元素顺序；
• table(x)生成频数表，返回每个取值出现的次数，是快速统计分布的工具；
• unique(x)去除重复值后返回去重结果，常与length()组合计算唯一值个数。

五、在本仓库中查阅与本地预览这份清单

这篇 R 备忘清单位于仓库的 docs/r.md，并在首页 README.md 的"编程"分类中以R 语言卡片对外展示（卡片图标对应 assets/r.svg）。值得说明的是：

• 原文中的<!--rehype:...-->注释（如row-span-2、col-span-2、wrap-text、left-align）并非内容，而是本项目特有的排版指令，用于控制备忘清单卡片在网页上的网格跨行、跨列与文本换行样式；
• 这些排版约定在 docs/quickreference.md 中有完整的样式参考与用法说明，读者若想了解这类速查表文档的撰写规范，可参阅该文件以及 CONTRIBUTING.md；
• 如需本地预览，可在克隆仓库后执行npm install安装依赖（见 package.json），再运行npm run build编译生成 HTML 到dist目录，或使用npm start监听 Markdown 变更并实时编译。

六、延伸学习资源

备忘清单末尾还推荐了一系列深入学习方向，均以 R 官方或社区公认的权威资料为参考（此处仅作文字说明，不附外部链接）：

• 全面了解 Base R 的笔记型书籍，适合系统补全基础语法；
• R 语言官方网站，获取官方文档与 CRAN 软件包仓库入口；
• 《数据科学 R》(R for Data Science)，tidyverse 生态的入门经典；
• 《使用 R 进行整洁的建模》(Tidy Modeling with R)，面向建模流程的实践指南；
• 使用 mlr3 进行应用机器学习的在线书籍，覆盖完整机器学习工作流；
• 深度学习方向的书籍，介绍 R 中的神经网络与深度学习实现；
• rdrr.io 与 R Documentation 两个聚合检索站点，可搜索任意 R 包、函数与文档。

结合本篇速查清单，从帮助系统、包管理与基础语法起步，到向量索引与 Base R 绘图收尾，你已具备独立阅读和编写 R 脚本所需的完整语法地图；后续只需在实践中不断查阅 docs/r.md 原文，即可快速积累实战经验。

【免费下载链接】reference为开发人员分享快速参考备忘清单(速查表)项目地址: https://gitcode.com/jaywcjlove/reference