R 文档
简洁、以示例为主的 R 参考文档。先读概念，再看代码，然后在 Coddy 学习旅程中动手练习。
入门
- R 是什么？R 编程语言是什么、从哪里来、用来做什么，以及和 Python 相比如何，还附带第一段可以运行的 R 代码。
- 安装 R如何从 CRAN 下载 R 并安装到 Windows、macOS 或 Linux 上，以及几乎人人都用来写 R 的 IDE：RStudio。
- 运行 R 脚本运行 R 代码的所有方式：交互式控制台、命令行中的 Rscript、R 内部的 source()，以及 RStudio 中的 Run 和 Source 命令。
- R 语法R 语法的核心：用 <- 赋值，表达式与自动打印，带具名参数的函数调用，以及“一切皆向量”的规则。
- 注释R 中的注释怎么写：# 符号，为什么 R 没有真正的多行注释，RStudio 中注释掉代码块的快捷键，以及好的注释应该写什么。
变量与数据
- 变量如何在 R 中用 <- 箭头创建变量，什么时候必须改用 =，命名规则，以及如何用 ls() 和 rm() 列出和删除变量。
- 数据类型R 的基本数据类型 double、integer、character、logical，typeof() 和 class() 有什么不同，以及类型转换和强制转换是怎么进行的。
- 数字在 R 中处理数字：numeric 与 integer 的区别、取整函数家族、sqrt 和 log、取模运算符 %%，以及特殊值 Inf 和 NaN。
- 字符串在 R 中处理文本所需的一切：创建字符串，用 paste 和 paste0 拼接，用 sprintf 格式化，用 gsub、grepl 和 strsplit 查找与拆分。
- 输入与输出R 语言的输出机制：自动打印、print() 与 cat() 的区别、message()，以及如何用 readline() 和 readLines() 读取用户输入。
流程控制
- 运算符R 中你需要的所有运算符：包括 %% 和 %/% 在内的算术运算符、向量化的比较运算、& 与 && 的区别，以及用于成员检测的 %in%。
- If / ElseR 语言中的条件逻辑：if/else if/else 语法、让脚本出错的花括号陷阱、作用于整个向量的向量化 ifelse()，以及处理多分支选择的 switch()。
- for 循环R 中 for 循环的工作方式：遍历向量和索引，收集结果时避开向量增长的陷阱，next 和 break，以及什么时候向量化调用比循环更好。
- while 循环R 中的 while 循环如何工作：先判断条件再循环，用 repeat 加 break 实现 R 的 do-while，next 的用法，以及避免死循环的好习惯。
数据结构
- 向量向量是 R 的基本单位，就连单个数字也是向量。学习如何用 c() 创建向量、索引向量（从 1 开始！）、用逻辑掩码筛选，以及一次对整个向量做运算。
- 列表列表是 R 中什么都能装的容器：混合类型、嵌套结构、整个数据框。关键在于分清 [ 什么时候返回一个更小的列表，[[ 什么时候返回元素本身。
- 矩阵如何用 matrix()、cbind() 和 rbind() 构造矩阵，按行和列索引，并分清逐元素相乘的 * 与真正的矩阵乘法 %*%。
- 因子因子是 R 存储分类数据的方式：带着文本标签的整数编码。本文讲怎么创建因子、给它排序、设置参照水平，以及怎么避开因子转数值的陷阱。
- 数据框数据框就是 R 里的电子表格：一组等长的具名列，每列有自己的类型。本文讲怎么创建数据框，怎么用 str() 和 head() 快速了解它，以及怎么取出列、行和单元格。
- 缺失值（NA）NA 表示“未知”，而且它会扩散到它接触的每一次计算中。如何用 is.na() 检测它，用 na.rm = TRUE 跳过它，以及有意识地删除或替换它。
函数与包
- 函数如何在 R 中创建函数：function(x) { } 语法、返回值、默认参数和具名参数、... 点参数、匿名函数，以及作用域是怎么工作的。
- apply 函数族apply 函数族（apply、lapply、sapply、vapply、mapply 和 tapply）会对数据中的每个元素运行同一个函数。本文讲清每个函数的作用，以及什么时候该用哪个。
- 管道%>% 是什么意思，基础 R 的原生管道 |> 怎么用，两者各自的规则和占位符，以及新代码该用哪一个。
- 包R 包是怎么工作的：用 install.packages() 从 CRAN 安装，用 library() 加载，require() 和 library() 的区别，pkg::fun()，以及值得了解的常用包。
- 工作目录R 在哪里查找文件，以及如何控制它：getwd()、setwd()、list.files()，用 rm(list = ls()) 清空环境，以及为什么自动保存 .RData 是个陷阱。
数据整理
- dplyrdplyr 是什么、怎么安装，以及它的六个核心动词加上管道，如何把杂乱的数据框代码变成可读的流水线。
- 筛选与子集保留你想要的行和列的所有方法：方括号加逻辑掩码、一行搞定的 subset()、%in%、NA 陷阱，以及 dplyr 的 filter() 和 select()。
- 添加列（mutate）如何添加、转换和删除数据框的列：df$new <- ...、用 ifelse() 创建条件列、transform()，以及 dplyr 的 mutate() 与 case_when()。
- 重命名列在 R 中重命名数据框的列：names() 和 colnames()，按位置与按名字重命名，setNames()，dplyr 的 rename()，以及清理导入数据中杂乱的表头。
- 排序R 中的排序到底是怎么回事：向量用 sort()，为什么数据框需要 order() 的索引技巧，降序和多列排序，以及 dplyr 的 arrange()。
- 分组汇总在 R 中计算分组统计量的所有方法：用 table() 计数，用 tapply() 求每组的一个统计量，aggregate() 的公式接口，以及 dplyr 的 group_by() 加 summarize()。
- 合并与连接按共同的键合并数据框：用 merge() 做内连接、左连接、右连接和全连接，用 by.x/by.y 处理不同的键名，dplyr 的连接函数族，以及用 rbind() 堆叠行。
- 数据透视（重塑）宽格式和长格式数据的区别，以及如何相互转换：tidyr 的 pivot_longer() 和 pivot_wider()、旧的 spread/gather，以及基础 R 的 reshape()。
导入与导出
- 读取 CSV如何用 read.csv() 把 CSV 文件导入 R：真正重要的几个参数，导致大多数失败的工作目录陷阱，以及什么时候值得用 readr::read_csv。
- 读取 ExcelR 本身打不开 .xlsx 文件，readxl 包填补了这个空缺。如何读取工作表、单元格区域和表头，如何把数据写回 Excel，以及如何避开导入 Excel 时的经典陷阱。
- 写入 CSV 和 RDS从 R 导出数据：write.csv 搭配 row.names = FALSE（每次都要加），write.table 处理其他分隔符，saveRDS 保存后再读回时类型不会丢失。
- 日期R 的 Date 类其实是换了身装扮的天数。本文讲怎么用 as.Date 解析字符串、格式化日期输出、日期相减、生成日期序列，以及什么时候该改用 POSIXct。
图表
- plot()R 的 plot() 函数怎么用：图形类型、标题和坐标轴标签、颜色、点的符号（pch）、用 lines() 和 abline() 叠加图层，以及图例。
- 直方图如何在 R 中用 hist() 绘制直方图：选择 breaks、设置柱子样式、切换到密度刻度、叠加正态曲线，以及 ggplot2 的写法。
- 箱线图如何在 R 中用 boxplot() 画箱线图：读懂箱体和须线，用公式接口比较各组，调整样式，以及找出图背后的数字。
- 散点图如何在 R 中画散点图：用 plot() 画出两个变量，用 abline(lm()) 添加回归线，用 lowess() 画平滑曲线，以及用 pairs() 生成散点图矩阵。
- 条形图如何在 R 中用 barplot() 画条形图：从命名向量或 table() 出发，用矩阵画分组和堆叠条形图，调整样式，以及 geom_col 与 geom_bar 的区别。
- ggplot2ggplot2 的工作原理：数据 + aes() + geom 的思维模型，映射与设定美学属性的区别，labs()、facet_wrap()、主题，以及用 ggsave() 保存图形。
统计
- 描述性统计如何在 R 中汇总数据：mean()、median()、sd()、var()、summary()、quantile()，每个函数算的是什么，sd() 背后 n−1 的细节，以及为什么 R 的 mode() 是个陷阱。
- 相关分析用 cor() 衡量两个变量如何一起变化，用 cor.test() 检验这种关系是否真实存在，再用相关矩阵一次性查看多个变量。
- t 检验用 t.test() 做单样本、双样本和配对 t 检验，更重要的是读懂输出的每一行：t 值、自由度、p 值和置信区间。
- 方差分析用 aov() 比较三组或更多组的均值，逐格读懂 ANOVA 表，再用 TukeyHSD() 找出究竟是哪几组不同。
- 线性回归用 lm() 拟合回归，读懂 summary() 的每一部分（系数、标准误、p 值、R 方、F 统计量），再用 predict() 做预测。
- 逻辑回归用 glm(family = binomial) 为是/否结果建模：读懂 summary，用 exp() 把对数优势系数转换成优势比，并以正确的方式得到预测概率。
- 置信区间为均值、比例和模型系数求置信区间：t.test()、prop.test()、confint()，以及“95% 置信”到底是什么意思，样本量又如何决定区间宽度。
- 随机数用 rnorm()、runif()、rbinom() 和 sample() 生成随机数据，用 set.seed() 让结果可复现，并看懂 R 中分布函数的 d/p/q/r 命名规则。
