1. 引言

R语言是一款专为统计计算和数据分析设计的开源编程语言，凭借强大的数据处理能力、丰富的可视化工具和活跃的社区生态，成为数据科学领域最常用的语言之一。本文将从环境搭建、基础语法、数据操作到可视化实战，带你系统掌握R语言的核心用法。

2. 环境准备

在开始学习之前，需要先安装R语言解释器和一款好用的集成开发环境（IDE）。推荐使用RStudio，它提供了代码编辑、运行、绘图和调试的一体化体验。

3. 基础语法

R语言的基本语法简洁直观，下面通过几个示例快速上手。

R语言 下载含安装

https://pan.quark.cn/s/704aa5b938d6

3.1 变量与赋值

R语言使用 <- 或 = 进行赋值，推荐使用 <- 以保持代码风格一致。

# 赋值与输出
x <- 10
y <- 20
z <- x + y
print(z)  # 输出 30

3.2 数据结构

R语言的核心数据结构包括向量、矩阵、数据框和列表。其中数据框是最常用的表格型数据结构，类似于Excel表格。

# 创建向量
scores <- c(85, 92, 78, 96)
创建数据框
students <- data.frame(
name = c("张三", "李四", "王五"),
score = c(85, 92, 78)
)
print(students)

3.3 条件与循环

# 条件判断
score <- 85
if (score >= 90) {
  print("优秀")
} else if (score >= 80) {
  print("良好")
} else {
  print("及格")
}
for 循环
for (i in 1:5) {
print(i ^ 2)
}

4. 数据操作

R语言配合 dplyr 包，可以高效完成数据筛选、排序、分组汇总等常见操作。首先安装并加载该包。

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

下面演示基于数据框的常用操作。

# 创建示例数据
sales <- data.frame(
  region = c("华东", "华南", "华北", "华东", "华南"),
  amount = c(120, 95, 80, 150, 110)
)
筛选金额大于100的记录
sales_high <- sales %>% filter(amount > 100)
按区域分组汇总
sales_summary <- sales %>%
group_by(region) %>%
summarise(total = sum(amount))
print(sales_summary)

5. 数据可视化

R语言拥有强大的绘图能力，ggplot2 是其中最流行的可视化包，采用图层语法，可以灵活组合出专业图表。

# 安装并加载 ggplot2
install.packages("ggplot2")
library(ggplot2)
绘制柱状图
ggplot(sales_summary, aes(x = region, y = total)) +
geom_col(fill = "steelblue") +
labs(title = "各区域销售额汇总", x = "区域", y = "销售额") +
theme_minimal()

除了柱状图，ggplot2 还支持散点图、折线图、箱线图等多种图表类型，只需更换几何对象即可。

6. 实战案例：销售数据分析

综合以上知识，完成一个完整的销售数据分析流程。

library(dplyr)
library(ggplot2)
模拟销售数据
set.seed(123)
orders <- data.frame(
date = seq.Date(as.Date("2024-01-01"), by = "day", length.out = 100),
amount = round(runif(100, 50, 500), 2)
)
按月汇总销售额
orders$month <- format(orders$date, "%Y-%m")
monthly <- orders %>%
group_by(month) %>%
summarise(total = sum(amount))
绘制月度销售趋势
ggplot(monthly, aes(x = month, y = total, group = 1)) +
geom_line(color = "darkorange", linewidth = 1) +
geom_point(color = "darkorange") +
labs(title = "月度销售趋势", x = "月份", y = "销售额") +
theme_minimal()

7. 总结

本文从环境搭建、基础语法、数据操作到可视化实战，系统介绍了R语言的核心用法。掌握这些内容后，你已经具备处理常见数据分析任务的能力。后续可以继续深入学习统计建模、机器学习以及 tidyverse 生态中的其他工具，进一步提升数据分析效率。