R语言入门：数据科学的第一步

原创于 2025-08-31 15:13:59 发布 · 1k 阅读

23 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#r语言 #开发语言 #其他

引言

当我第一次接触R语言时，说实话，我完全被它那看似陌生的语法和环境吓到了。但经过几周的摸索和实践，我发现R语言其实是数据分析领域的一把利器！如今，R已成为统计分析、数据可视化和机器学习的主流工具之一。

作为一名曾经的"R语言小白"，我深知入门的困难。今天，我想分享我的R语言入门经验，希望能为你的数据分析之旅铺平道路。

什么是R语言？

R语言是专为统计计算和图形设计的编程语言。它最初由新西兰奥克兰大学的Ross Ihaka和Robert Gentleman开发（这也是为什么叫"R"的原因之一），现在由R核心团队维护。

R语言有几个突出特点：

免费开源：任何人都可以免费使用R，而且可以查看、修改其源代码
跨平台：可在Windows、Mac OS和Linux上运行
强大的统计分析能力：内置了大量统计函数和方法
出色的可视化功能：能够生成出版质量的图表
丰富的扩展包：超过10,000个扩展包可供使用，几乎覆盖了所有数据分析场景

安装R和RStudio

要开始使用R语言，我们需要安装两样东西：R语言本身和RStudio（一个让R使用更便捷的集成开发环境）。

安装R

访问CRAN官网
根据你的操作系统，选择对应的版本
下载并安装（基本上就是不断点"下一步"）

安装RStudio

访问RStudio官网
下载免费的桌面版本
安装RStudio（同样是不断点"下一步"）

安装完成后，打开RStudio，你会看到一个分为四个区域的界面：

左上角：代码编辑器，你可以在这里写R代码
左下角：控制台，可以直接输入R命令并看到结果
右上角：环境/历史记录，显示当前会话中的对象和之前的命令
右下角：文件/图形/包/帮助，多功能区域

R语言基础知识

变量赋值

R语言中，我们可以使用<-或=来给变量赋值：

# 两种赋值方式
x <- 10
y = 20

# 打印变量
x
y

虽然两种方式都可以，但在R社区中，<-被认为是更"R范儿"的做法。

数据类型

R中常见的数据类型包括：

数值型：1, 2.5
字符型："Hello", 'R'
逻辑型：TRUE, FALSE
复数型：1+2i

示例：

# 数据类型
num <- 42
text <- "R语言很有趣！"
flag <- TRUE
comp <- 3+4i

# 查看数据类型
class(num)   # "numeric"
class(text)  # "character"
class(flag)  # "logical"
class(comp)  # "complex"

数据结构

R语言中最基本的数据结构有：

向量

向量是R中最基本的数据结构，它包含相同类型的元素。

# 创建向量
numbers <- c(1, 2, 3, 4, 5)
fruits <- c("apple", "banana", "orange")

# 向量操作
numbers * 2          # 所有元素乘以2
numbers[2]           # 访问第二个元素
numbers[numbers > 3] # 条件筛选

矩阵

矩阵是二维数据结构，同样包含相同类型的元素。

# 创建3x3矩阵
mat <- matrix(1:9, nrow=3, ncol=3)
mat
#      [,1] [,2] [,3]
# [1,]    1    4    7
# [2,]    2    5    8
# [3,]    3    6    9

# 矩阵运算
t(mat)              # 转置
mat * 2             # 元素乘以2
mat %*% mat         # 矩阵乘法

数据框

数据框是R中最常用的数据结构之一，类似于Excel中的表格。

# 创建数据框
df <- data.frame(
  name = c("Alice", "Bob", "Charlie"),
  age = c(25, 30, 35),
  height = c(165, 180, 175)
)

# 访问数据框
df$name             # 访问name列
df[1, ]             # 第一行
df[, 2]             # 第二列
df[df$age > 25, ]   # 筛选年龄大于25的行

列表

列表是R中最灵活的数据结构，可以包含不同类型的元素，甚至是其他列表。

# 创建列表
my_list <- list(
  name = "John",
  numbers = c(1, 2, 3),
  matrix = matrix(1:4, 2, 2),
  flag = TRUE
)

# 访问列表元素
my_list$name        # 访问name元素
my_list[[1]]        # 访问第一个元素
my_list$numbers[2]  # 访问numbers向量的第二个元素

基本运算

R语言支持各种基本运算：

# 算术运算
5 + 3      # 8
5 - 3      # 2
5 * 3      # 15
5 / 3      # 1.666667
5 ^ 3      # 125
5 %% 3     # 2 (取余)
5 %/% 3    # 1 (整除)

# 比较运算
5 > 3      # TRUE
5 < 3      # FALSE
5 == 3     # FALSE
5 != 3     # TRUE
5 >= 3     # TRUE
5 <= 3     # FALSE

# 逻辑运算
TRUE & FALSE  # AND: FALSE
TRUE | FALSE  # OR: TRUE
!TRUE         # NOT: FALSE

条件语句和循环

条件语句

# if语句
x <- 10
if (x > 5) {
  print("x大于5")
} else {
  print("x不大于5")
}

# if-else if-else
y <- 0
if (y > 0) {
  print("正数")
} else if (y < 0) {
  print("负数")
} else {
  print("零")
}

循环

# for循环
for (i in 1:5) {
  print(paste("这是第", i, "次迭代"))
}

# while循环
count <- 1
while (count <= 5) {
  print(count)
  count <- count + 1
}

函数

在R中，函数是非常重要的概念。R自带了很多内置函数，你也可以创建自己的函数。

# 创建函数
square <- function(x) {
  return(x^2)
}

# 调用函数
square(4)  # 16

# 带有多个参数的函数
calculate_area <- function(shape, ...) {
  if (shape == "circle") {
    args <- list(...)
    return(pi * args$radius^2)
  } else if (shape == "rectangle") {
    args <- list(...)
    return(args$length * args$width)
  } else {
    return(NA)
  }
}

# 调用函数
calculate_area("circle", radius = 5)          # 78.53982
calculate_area("rectangle", length=5, width=3) # 15

数据导入与导出

在实际工作中，我们经常需要从外部文件导入数据或将结果导出到文件。

导入数据

# 从CSV文件导入
data <- read.csv("data.csv")

# 从Excel文件导入（需要安装readxl包）
# install.packages("readxl")
library(readxl)
data <- read_excel("data.xlsx")

# 从网络导入
url <- "https://example.com/data.csv"
data <- read.csv(url)

导出数据

# 导出为CSV
write.csv(data, "output.csv")

# 导出为RDS（R专用格式）
saveRDS(data, "data.rds")

# 导出为Excel（需要安装writexl包）
# install.packages("writexl")
library(writexl)
write_xlsx(data, "output.xlsx")

数据处理：dplyr包入门

虽然基础R可以完成数据处理任务，但使用dplyr包可以让这些工作更加高效和直观。

# 安装并加载dplyr包
# install.packages("dplyr")
library(dplyr)

# 假设我们有一个数据框
df <- data.frame(
  name = c("Alice", "Bob", "Charlie", "David", "Eva"),
  age = c(25, 30, 35, 40, 45),
  city = c("New York", "Boston", "New York", "Chicago", "Boston"),
  salary = c(50000, 60000, 70000, 80000, 90000)
)

# 筛选数据
filter(df, age > 30)
# 或者使用管道操作符
df %>% filter(age > 30)

# 选择列
select(df, name, age)
# 或者
df %>% select(name, age)

# 创建新列
df %>% mutate(salary_k = salary / 1000)

# 分组计算
df %>%
  group_by(city) %>%
  summarize(avg_salary = mean(salary), count = n())

数据可视化：ggplot2包入门

R语言的数据可视化能力非常强大，特别是使用ggplot2包。

# 安装并加载ggplot2包
# install.packages("ggplot2")
library(ggplot2)

# 创建一个简单的散点图
ggplot(df, aes(x = age, y = salary)) +
  geom_point() +
  labs(title = "年龄与薪资关系",
       x = "年龄",
       y = "薪资") +
  theme_minimal()

# 创建柱状图
ggplot(df, aes(x = city, y = salary)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  labs(title = "各城市平均薪资",
       x = "城市",
       y = "薪资") +
  theme_light()

# 创建箱线图
ggplot(df, aes(x = city, y = salary)) +
  geom_boxplot() +
  labs(title = "各城市薪资分布",
       x = "城市",
       y = "薪资") +
  theme_bw()

统计分析示例

R语言最初就是为统计分析设计的，让我们看几个简单的统计分析例子：

# 描述性统计
summary(df$age)
mean(df$salary)
sd(df$salary)
cor(df$age, df$salary)

# 线性回归
model <- lm(salary ~ age, data = df)
summary(model)
plot(model)

# t检验
t.test(df$salary ~ df$city)

常见问题与解决方案

问题1：安装包时出错

如果你在安装包时遇到权限问题，可以尝试：

在Windows中以管理员身份运行RStudio
在Linux/Mac中使用sudo R命令启动R

问题2：处理缺失值

R使用NA表示缺失值：

# 检查缺失值
is.na(df)
sum(is.na(df))

# 去除缺失值
na.omit(df)

# 替换缺失值
df$age[is.na(df$age)] <- mean(df$age, na.rm = TRUE)

问题3：日期时间处理

日期时间处理可以使用lubridate包：

# install.packages("lubridate")
library(lubridate)

# 创建日期
today <- Sys.Date()
now <- Sys.time()

# 日期格式转换
ymd("2023-05-15")
mdy("05/15/2023")
dmy("15-05-2023")