R 语言基础

本文介绍检查和转换小型内存数据集所需的基础 R 操作，假设已经安装 R。在控制台逐条运行表达式可以查看结果；把表达式保存成脚本，便于重复执行。统计推断和面向对象系统不在本篇范围内。语言行为以官方手册 An Introduction to R 为参考。

可以在 webR 浏览器终端中试运行这里的 base R 向量例子：先对比 1:0 和 seq_along(numeric(0))，再测试向量循环补齐。用这个小型练习环境观察语言行为，文件和项目依赖的练习再放回自己的 R 项目中。

基本语法

程序构成要素

• 数据结构：数据的容器（向量、矩阵、数据框、列表等）
• 算法：处理数据的逻辑步骤

表达式与赋值

x <- c(2, 4, 6)
x + 1                  # 3 5 7
sum(x)                 # 12
identical(1, 1L)        # FALSE

<- 把名称绑定到值，== 比较值。R 区分大小写，# 开始注释。1 通常是 double，1L 是 integer；class() 描述对象参与方法调用时的类别，typeof() 描述内部类型。组合原子值时会转为共同类型：c(1, "2") 是字符向量，不是数值与文本的混合向量。

数据结构

基本数据类型

1. 数值型 (Numeric)：包含整数和浮点数
2. 字符型 (Character)：文本数据
3. 逻辑型 (Logical)：布尔值（TRUE, FALSE）

向量 (Vectors)

原子向量的元素类型相同，普通标量是长度为 1 的向量。R 的术语中列表也属于向量，但可以容纳不同类型。

创建数值向量

c(1.70, 1.72, 1.80, 1.66, 1.65, 1.88)

检查数据类型

typeof(3.14)
class(3.14)

向量运算

heights <- c(1.70, 1.72, 1.80, 1.66, 1.65, 1.88)
mean(heights)
sd(heights)

索引、循环补齐与缺失值

取子集使用从 1 开始的下标。正下标选择元素，负下标排除元素，零不选择任何元素；除了零，不要混用正负下标。

x <- c(10, 20, NA_real_, 40)
x[c(1, 4)]                        # 10 40
x[-2]                             # 10 NA 40
x[!is.na(x) & x > 15]              # 20 40
mean(x)                           # NA
mean(x, na.rm = TRUE)              # 23.33333...
stopifnot(isTRUE(all.equal(mean(x, na.rm = TRUE), 70 / 3)))
c(1, 2, 3, 4) + c(10, 20)        # 11 22 13 24

NA 表示缺失，不是零；用 is.na() 检查，而不是 x == NA。NULL 表示不存在，长度为零；NaN 是未定义的数值结果，Inf 是无穷大。is.na() 也识别 NaN；is.finite() 排除缺失和无穷值。忽略缺失值会改变汇总所用的样本，是否适合这样做要由分析问题决定。

向量算术会循环使用较短向量。长度不是整倍数时会警告，是整倍数时即使不符合本意也可能静默补齐。对于一一对应的测量值，应检查长度相等，除非确实要把一个标量应用到所有元素。

字符向量

c("Male", "Female", "Female", "Male")

因子 (Factors)

因子用于存储分类数据，并明确其水平（Levels）。

sex <- factor(c("Male", "Female", "Female", "Male"))
levels(sex)

逻辑向量

支持向量化比较和逻辑索引。

heights > 1.7
heights[heights > 1.7]

数组与矩阵

矩阵是二维数组，数组支持更高维度。

matrix(1:12, nrow = 4, ncol = 3)

数据框 (Data Frames)

数据框是表格结构，每列可以是不同类型（如字符、数值、因子）。

df <- data.frame(
  sex = c("F", "M", "M", "F"),
  age = c(17, 29, 20, 33),
  heights = c(1.66, 1.84, 1.83, 1.56)
)
str(df)

列表 (Lists)

列表是通用容器，可混合存储不同长度和类型的对象。

l <- list(
  sex = c("F", "M"),
  age = c(17, 29, 20),
  heights = c(1.66, 1.84, 1.83, 1.56)
)
l$sex

取出容器还是其中的内容

is.list(l["sex"])                    # TRUE: a one-element list
is.character(l[["sex"]])             # TRUE: its character vector
is.data.frame(df[, "age", drop = FALSE]) # TRUE
is.numeric(df[["age"]])              # TRUE

[ 选取子集，[[ 取出一个元素；对数据框而言，这个元素通常是一列。$sex 按名称取元素。数据框各列的行数必须相同，普通列表各元素则没有这个要求。选择行列后仍需保留二维表格时，使用 drop = FALSE。矩阵默认按列填充，所以 matrix(1:12, nrow = 4) 的第一列是 1、2、3、4；按行填充需指定 byrow = TRUE。

控制结构

条件语句

If-else

age <- 16
if (age >= 18) {
  message("Meets the example age threshold")
} else {
  message("Below the example age threshold")
}

Switch

ch <- "b"
switch(EXPR = ch, a = 1, b = 2:3)

根据 R 控制流规则，if 要求一个非缺失的逻辑结果，不能直接接收 heights > 1.7 这样的向量。逐项筛选用逻辑子集；需要一个整体判断时用 any() 或 all()，并明确如何处理缺失值。& 和 | 逐元素运算；&& 和 || 对标量条件短路求值。字符形式的 switch() 按名称匹配分支；没有匹配且没有默认分支时返回 NULL。

循环结构

For 循环

for (i in 1:10) {
  print(i)
}

While 循环

v <- 10
while(v > 2) {
  print(v)
  v <- v - 1.1
}

Repeat 循环

i <- 1
repeat {
  print(i)
  i <- i * 2
  if (i > 100) break
}

按下标遍历可能为空的对象时，用 seq_along(x)，不要用 1:length(x)：长度为零时，1:0 反而产生 1、0 两个数。break 退出最内层循环，next 跳到它的下一次迭代。while 和 repeat 循环必须逐步接近停止条件。

函数与函数式编程

定义函数

customMean <- function(x) {
  s <- i <- 0
  for (j in x) {
    s <- s + j
    i <- i + 1
  }
  return(s / i)
}

这个教学版本假设输入是数值向量，每个元素只累加一次。空向量会得到 NaN（0 / 0），NA 会传播到结果；它没有实现 mean() 的选项和数值处理。实际分析应优先用 mean()。省略 return() 时，函数返回最后求值的表达式；打印一个值和返回一个值不是相同的约定。

作用域 (Scope)

函数中的普通赋值建立局部绑定。若局部找不到某个名称，R 会沿定义该函数时的外围环境查找，这称为词法作用域。下面的 a 来自外围环境，所以 Sum(10) 返回 13；下次调用前修改那个 a，结果也会变化。

a <- 3
Sum <- function(b) {
  a + b
}
Sum(10)

高阶函数

函数可以作为参数传递给其他函数。

f <- function(x, fun) {
  fun(x)
}
f(1:10, mean)

包管理

安装包

install.packages("ggplot2")
BiocManager::install("maftools")
remotes::install_github("tidyverse/ggplot2")

安装会把包代码下载到库中，与在当前会话中附加包是两件事。Bioconductor 和 GitHub 示例分别要求先安装 BiocManager 和 remotes。它们是不同来源，不是每个项目都要依次执行的三个步骤。应使用项目记录的依赖和可信包源，不要运行来历不明的安装命令。

加载包

library(ggplot2)

常见陷阱与最佳实践

复数表示

使用 i 表示虚部。

1 + 2i

= 与 <- 的区别

普通赋值用 <-，函数调用中命名参数用 =。customMean(x = 1:100) 中的 x 指函数参数，不会给调用者的变量赋值。下面故意演示另一种行为：传入值的同时给调用者的 x 赋值。这种副作用通常最好拆成单独语句。

x <- NULL
customMean(x <- 1:100)
x

命名空间调用 ::

package::function() 直接调用包内导出的函数，无需先 library() 加载整个包。

stats::median(1:5)

三冒号 package:::function() 用于访问未导出的内部函数。这些函数可能随版本变化，应用代码不应依赖它们。

因子水平管理

下面先扩充字符值，再重建因子；这是添加类别，不是重排已有因子的水平。要控制顺序，应显式指定 levels = ...。直接给因子赋一个尚不存在的标签，会产生 NA 并警告，除非先添加该水平。as.numeric(factor) 返回内部水平编码，不是看起来像数字的标签；若标签表示数值，应先转为字符再转数值。

sex <- factor(c(as.character(sex), "M", "M"))

我的阅读 · 打开过的笔记会记在当前浏览器里。