入门：R 定位、统计为核心与数据框
基于进阶语言 · 核于 2026-08
速查
- 定位：R 是专为统计计算与数据分析而生的语言，核心是统计建模与可视化。开源免费（GPL），由新西兰奥克兰大学的 Ross Ihaka 和 Robert Gentleman 于 1993 年创建（基于 S 语言）。
- 核心思想「统计是一等公民」：假设检验（
t.test）、回归（lm/glm）、方差分析（aov）、时间序列等统计函数原生内置——这是 Python（要 SciPy/statsmodels）不如 R 的地方。 - 数据框（data.frame）是核心结构：类似数据库表/Excel，每列可以是不同类型（数值/字符/因子）；配合
dplyr的管道（%>%）做数据变换。 - 赋值用
<-：R 的赋值是x <- 5（不是=，虽然=也能用但社区惯例是<-），这是 R 最独特的语法之一。 - 向量化运算：R 像 MATLAB 一样对向量天然支持向量化（
c(1,2,3) * 2得c(2,4,6)），无需循环。 - ggplot2 图形语法：
ggplot(data) + geom_point() + geom_smooth()声明式叠加图层，产出学术出版级图表，可视化能力顶级。 - CRAN 生态：Comprehensive R Archive Network，近两万个统计专用包（生物信息 Bioconductor、空间 sf、时间序列 forecast、贝叶斯 Stan）。
- 与 Python 对比：R 统计与可视化强但通用编程弱（循环慢、字符串弱）；Python 通用且 AI 强。统计味重的场景选 R，工程化/AI 选 Python。
- 与 MATLAB 对比：R 以数据框和统计为核心；MATLAB 以矩阵和工程仿真为核心。R 开源，MATLAB 商业付费。
- 进阶顺序：统计与数据框 → ggplot2 与对比 → 参考。
一、R 是什么：统计计算的语言与环境
R 的设计目标是「让统计学家用最自然的方式做数据分析」——它不是通用编程语言，而是统计领域的专用语言。从数据载入、清洗、变换、建模、检验到可视化，全在 R 内完成：
r
# 经典统计分析流程：载入 → 探索 → 建模 → 可视化
data(iris) # 内置鸢尾花数据集
summary(iris) # 描述性统计（每列的最小/最大/均值/分位数）
model <- lm(Sepal.Length ~ Species, data = iris) # 线性回归：花萼长度 vs 物种
anova(model) # 方差分析表
summary(model) # 回归结果（系数/p 值/R²）
library(ggplot2)
ggplot(iris, aes(x = Sepal.Length, y = Petal.Length, color = Species)) +
geom_point() + # 散点图层
geom_smooth(method = "lm") # 拟合线层同样的流程用 Python 要导入 pandas + scipy.stats + statsmodels + matplotlib/seaborn 四五个库，R 是原生的。R 的价值在于统计建模与可视化的原生深度——假设检验、回归诊断、生存分析、贝叶斯推断，这些在 R 里是一行函数调用，且输出格式直接适合学术报告。
R 的两大定位：①统计分析的标准工具——统计学家、生物医学研究者（临床试验、基因组学）、社会科学家的首选；②数据可视化的标杆——ggplot2 的图形语法影响了 Python 的 plotnine、seaborn 等库的设计。对开发者而言，理解 R 的价值是**「掌握统计建模思维、产出 publication-ready 图表」**。
二、统计是一等公民：R 的核心设计
R 与通用语言（Python/JS）最大的区别是统计函数原生内置，无需安装第三方库：
r
# 假设检验（Python 要 SciPy，R 原生）
t.test(x, y) # 两样本 t 检验（均值差异）
wilcox.test(x, y) # 非参数 Wilcoxon 检验
chisq.test(table) # 卡方检验（独立性）
var.test(x, y) # F 检验（方差齐性）
# 回归分析（Python 要 statsmodels，R 原生）
fit <- lm(y ~ x1 + x2, data = df) # 线性回归
glm(y ~ x, family = binomial, data = df) # 逻辑回归
summary(fit) # 系数/标准误/t 值/p 值/R²
# 方差分析
aov(y ~ group, data = df) # 单因素方差分析
TukeyHSD(aov(...)) # 事后多重比较
# 分布与抽样
rnorm(100, mean = 0, sd = 1) # 生成 100 个正态分布随机数
pnorm(1.96) # 累积概率（P(X <= 1.96)）
qnorm(0.975) # 分位数（97.5% 分位点 ≈ 1.96）- 统计函数返回完整对象：
lm()返回的模型对象含系数、残差、R²、拟合值等，可用summary()/predict()/plot()进一步分析，设计上为统计工作流优化。 - 公式语法
y ~ x：R 独有的统计公式表示法，y ~ x1 + x2表示 y 由 x1、x2 解释，y ~ .表示用所有其他变量——简洁地表达统计模型。
三、数据框：R 的核心数据结构
数据框（data.frame）是 R 处理表格数据的基础，类似数据库表或 Excel 表格——每列可以是不同类型（数值/字符/因子/逻辑），每行是一个观测：
r
# 创建数据框
df <- data.frame(
name = c("Alice", "Bob", "Carol"),
age = c(25, 30, 35),
city = c("NYC", "LA", "SF"),
stringsAsFactors = FALSE
)
# 基本操作
df$age # 取列（$ 语法）
df[1, ] # 取第 1 行
df[, "age"] # 取 age 列
df[df$age > 28, ] # 筛选年龄大于 28 的行
subset(df, age > 28, select = c(name, city)) # subset 函数
# 用 dplyr 管道（现代 R 数据变换的标准）
library(dplyr)
result <- df %>%
filter(age > 28) %>% # 筛选
mutate(age_group = ifelse(age > 32, "old", "mid")) %>% # 新增列
group_by(city) %>% # 分组
summarise(mean_age = mean(age)) # 聚合$取列：df$age取名为 age 的列（类似 Python 的df.age或df["age"]）。[行, 列]索引：df[1,2]取第 1 行第 2 列；df[1,]取第 1 行全部列；df[, "age"]取 age 列全部行。- dplyr 管道
%>%：现代 R 的数据变换主力——把多个操作用管道串联，从上到下读像流水线，比嵌套函数调用清晰（f(g(h(x)))→x %>% h() %>% g() %>% f()）。
四、赋值与向量化：R 的独特语法
R 有几个让其他语言背景开发者意外的语法：
r
# 赋值用 <-（箭头），不是 =（虽然 = 也能用）
x <- 5 # 推荐写法（社区惯例）
y = 5 # 合法但不推荐（易与函数参数 == 混淆）
# 向量化（类似 MATLAB/NumPy）
v <- c(1, 2, 3, 4, 5) # c() 合并向量
v * 2 # c(2, 4, 6, 8, 10)（每个元素乘 2）
v > 2 # c(FALSE, FALSE, TRUE, TRUE, TRUE)（逻辑向量）
v[v > 2] # c(3, 4, 5)（逻辑索引筛选）
sum(v) # 15
# 向量循环（recycling）
c(1, 2, 3) + c(1, 2) # c(2, 4, 4)：短的循环复用（3 个 + 2 个）
# 注释用 #（与 Python 一样）
# 这是注释<-赋值：R 社区强烈推荐用<-而非=（虽然两者在多数场景等价）。=在函数参数传递时易混淆，<-明确表示赋值。这是 R 最显眼的语法特征。c()函数：combine，合并元素成向量——R 最基础的函数。- 向量化：R 像 MATLAB/NumPy 一样原生支持向量化运算，
v * 2不需循环。向量化是 R 性能的关键。 - 循环回收（recycling）：两个向量运算时，短的会自动循环复用以匹配长的（
c(1,2,3) + c(1,2)=c(1,2,3) + c(1,2,1)），有时方便有时易错。
五、ggplot2：图形语法的威力
ggplot2 是 R 最著名的可视化库，基于 Leland Wilkinson 的「图形语法」（Grammar of Graphics）——把图表分解为数据、几何对象、坐标、刻度等组件，声明式叠加：
r
library(ggplot2)
ggplot(iris, aes(x = Sepal.Length, y = Petal.Length, color = Species)) +
geom_point(size = 3) + # 散点图层
geom_smooth(method = "lm") + # 拟合线
labs(title = "花萼 vs 花瓣长度", x = "花萼长度", y = "花瓣长度") +
theme_minimal() # 主题+叠加图层：ggplot2 用+把图层、刻度、主题一个个叠加——这是「图形语法」的核心：先定义数据映射（aes），再加几何对象（geom_*），再加修饰。aes()映射：把数据列映射到视觉属性（x/y/color/size/shape）。- geom_ 几何对象*：
geom_point（散点）、geom_line（折线）、geom_bar（柱状）、geom_histogram（直方图）、geom_boxplot（箱线图）、geom_smooth（拟合线）。 - 产出学术级图表：ggplot2 默认美观，稍加调整即可达到学术出版标准，是 R 在可视化上碾压 Python（matplotlib）的利器。
六、与 Python/MATLAB 的对比
R、Python、MATLAB 是数据科学/科学计算的三大语言，定位互补：
| 维度 | R | Python | MATLAB |
|---|---|---|---|
| 核心定位 | 统计分析 | 通用 + AI | 矩阵 + 工程 |
| 数据结构 | data.frame | DataFrame（Pandas） | 矩阵 |
| 统计函数 | 原生内置 | 需 SciPy/statsmodels | 较少 |
| 可视化 | ggplot2 顶级 | matplotlib/seaborn | plot（成熟） |
| AI/深度学习 | 弱 | 极强（PyTorch） | 弱 |
| 通用编程 | 弱（循环慢） | 强 | 弱（数值专精） |
| 价格 | 开源免费 | 开源免费 | 商业付费 |
| 典型用户 | 统计学家/生物医学 | 数据科学家/AI 工程师 | 工程师 |
- R 占优：统计建模深度、专业统计包（生物医学 Bioconductor）、ggplot2 可视化、学术出版图表。
- Python 占优：AI/机器学习、通用编程、工程化、大数据、社区规模。
- MATLAB 占优：矩阵/工程仿真、Simulink、控制/通信工具箱。
下一步
理解了 R 的统计优先范式后，下一步深入两个主题——统计与数据框（dplyr 管道、统计函数、CRAN 包）与ggplot2 与对比（图形语法、图层叠加、与 Python/MATLAB 深度对比）。