作为数据分析与统计领域的 “明星工具”，R 语言凭借开源免费、生态丰富的优势，成为数据科学家、研究者的首选。但对新手来说，入门往往卡在 “语法混乱”“数据结构不清” 上。今天这篇文章，就带大家从最核心的基础语法、数据结构入手，再结合高频实用函数，通过代码示例一步步吃透 R 语言入门要点。
一、R 语言基础语法：从 “写对代码” 开始语法是编程的 “普通话”，R 语言的语法简洁直观，但有几个核心规则必须掌握。
1. 变量赋值：数据的 “容器”变量是存储数据的载体，R 语言中推荐用<-赋值（=也可用，但在R语言编写中属于不规范），变量名需以字母开头，可包含数字、下划线（_）或点（.）。
示例 1：变量赋值与查看
# 赋值：将数值、字符、逻辑值存入变量
age <- 25 # 数值型变量
name <- "小明" # 字符型变量（必须用引号包裹）
is_student <- TRUE # 逻辑型变量（TRUE/FALSE，注意大写）
# 查看变量：直接输入变量名，或用print()函数
age # 输出：[1] 25
print(name) # 输出：[1] "小明"
注：
避免用TRUE/FALSE、mean/sum等 “关键字” 作为变量名（会覆盖内置函数）；
用ls()可查看当前所有变量，rm(变量名)可删除指定变量（如rm(age)删除 age）。
2. 数据类型：R 语言的 “基本单位”所有数据都有明确类型，R 语言最核心的原子类型有 4 种，决定了数据的处理方式：
类型描述示例检测函数数值型（numeric）整数 / 小数（默认类型）10、3.14is.numeric()字符型（character）文本数据"R语言"、"123"（带引号）is.character()逻辑型（logical）布尔值TRUE、FALSEis.logical()因子型（factor）分类数据（如性别、职业）factor(c("男","女"))is.factor()
示例 2：数据类型检测与转换
# 检测类型
x <- 3.14
is.numeric(x) # 输出：[1] TRUE
is.character(x) # 输出：[1] FALSE
# 查看类型
class(x) #输出：[1] "numeric"
# 类型转换（用as.XXX()函数）
x_char <- as.character(x) # 数值转字符
x_char # 输出：[1] "3.14"
is.character(x_char) # 输出：[1] TRUE
# 因子型示例（适合分类数据，自动记录类别）
gender <- factor(c("男", "女", "男", "男"))
gender # 输出：[1] 男 女 男 男；Levels: 女 男（自动排序类别）
3. 运算符：数据的 “计算工具” 常用运算符分三类，覆盖数学计算、条件判断和逻辑组合：
（1）算术运算符：数值计算运算符作用示例结果+-加 / 减5+38*/乘 / 除10/25^幂运算2^38%%取余7%%31%/%整除7%/%32（2）比较运算符：条件判断（返回逻辑值）运算符作用示例结果==等于5==3FALSE!=不等于5!=3TRUE><大于 / 小于5>3TRUE>=<=大于等于 / 小于等于5>=5TRUE（3）逻辑运算符：组合条件（仅对逻辑值生效）运算符作用示例结果&且（全部为真则真）TRUE & FALSEFALSE||或（一个为真则真）TRUE!非（取反）!TRUEFALSE 示例 3：运算符综合使用
# 算术运算
a 2*b # 10>6 → TRUE
# 逻辑运算：判断a是偶数且b<5
(a %% 2 == 0) & (b < 5) # TRUE & TRUE → TRUE
(a %% 2 == 0) | (b < 5) # TRUE | TRUE → TRUE
(a %% 2 != 0) | (b < 5) # FALSE | TRUE → TRUE
(a %% 2 != 0) & (b < 5) # FALSE & TRUE → FALSE
4. 流程控制：让代码 “有逻辑地跑” 当需要根据条件执行不同代码，或重复执行某段代码时，就需要流程控制语句。 （1）if-else：条件分支
# 示例：根据分数判断等级
score = 90) {
print("优秀")
} else if (score >= 80) {
print("良好")
} else {
print("继续努力")
}
# 输出：[1] "良好"
（2）for 循环：重复执行
# 示例：计算1到5的平方
for (i in 1:5) { # i依次取1、2、3、4、5
square <- i^2
print(paste("i=", i, "，平方=", square))
}
二、R 语言核心数据结构：数据的 “组织形式”如果说变量是 “小容器”，数据结构就是 “大仓库”。R 语言有 5 种核心数据结构，覆盖从一维到多维、从单一类型到混合类型的需求：
结构维度数据类型核心特点创建函数向量（Vector）1 维单一类型最基础结构，所有元素类型一致c()矩阵（Matrix）2 维单一类型行 + 列的表格，元素类型一致matrix()数组（Array）N 维单一类型矩阵的扩展（如 3 维：行 + 列 + 层）array()列表（List）1 维混合类型可存放向量、矩阵、甚至列表list()数据框（DataFrame）2 维混合类型表格形式，列可不同类型（最常用！）data.frame()1. 向量（Vector）：最基础的 “一维数组”向量是 R 语言的 “原子结构”，所有元素必须是同一类型，用c()（combine）函数创建。
示例 4：向量创建与操作
# 1. 创建向量
num_vec <- c(1, 3, 5, 7) # 数值向量
char_vec <- c("苹果", "香蕉", "橙子") # 字符向量
log_vec <- c(TRUE, FALSE, TRUE) # 逻辑向量
# 2. 访问向量元素（用“索引”，R语言索引从1开始！）
num_vec[2]
char_vec[1:2]
num_vec[-1]
log_vec[1]
# 3. 向量运算（自动对每个元素生效）
num_vec * 2 # 每个元素乘2 → 2 6 10 14
num_vec + c(2,4,6,8) #相加减要满足长对象是短对象的整数倍
num_vec + c(2,4,6)
num_vec + c(2,4)
注意：对于相加减要满足长对象是短对象的整数倍，在后续《R语言入门与实践》中同样会介绍，内容如下图所示，可提前比对学习。
2. 数据框（DataFrame）：数据分析的 “主力”数据框是表格形式的 2 维结构，列可不同类型（如一列数值、一列字符），完全对应 Excel 表格，是 R 中最常用的数据结构（内置数据集iris、mtcars都是数据框）。
示例 5：数据框创建与操作
# 1. 创建数据框（用data.frame()，每列是一个向量）
student_df <- data.frame(
name = c("小明", "小红", "小刚"), # 字符列
age = c(20, 21, 19), # 数值列
major = c("数学", "计算机", "英语") # 字符列
)
student_df # 查看数据框
# 2. 访问数据框（三种常用方式）
# （1）按列名访问（$符号，最常用）
student_df$name
# （2）按索引访问：[行, 列]
student_df[1, ]
student_df[, 2]
# （3）按列名筛选
student_df[, c("name", "major")]
# 3. 数据框常用操作
nrow(student_df)
ncol(student_df)
head(student_df, 2) # 查看前2行（后面讲head()函数）
3. 列表（List）：最灵活的 “混合容器”列表可存放不同类型、不同结构的数据（如向量 + 数据框 + 矩阵），用list()创建，适合存储复杂数据。
示例 6：列表创建与访问
# 1. 创建列表（元素可任意类型）
my_list <- list(
vec = c(1,2,3),
df = student_df,
mat = matrix(1:4, nrow=2)
)
my_list # 查看列表
# 2. 访问列表元素
# （1）按名称访问（$符号）
my_list$df
# （2）按索引访问（[[ ]]，注意双括号！）
my_list[[1]]
my_list[[2]]
4. 矩阵（Matrix）：单一类型的 “二维表格”矩阵是2 维结构，但所有元素必须是同一类型，用matrix()创建，适合数学运算（如矩阵乘法）。
示例 7：矩阵创建与操作
# 1. 创建矩阵（data=数据，nrow=行数，byrow=是否按行填充）
mat <- matrix(
data = 1:6, # 数据1-6
nrow = 2, # 2行
byrow = TRUE # 按行填充（默认FALSE：按列填充,可见上述的my_list）
)
mat # 查看矩阵
transpose <- t(mat) #（t()是转置函数）
transpose
# 2. 矩阵运算（矩阵乘法用%*%）
mat %*% transpose # 矩阵乘其转置
三、R 语言常用函数：效率提升的 “快捷键”函数是 “封装好的代码块”，调用即可实现特定功能。以下是初学者必掌握的 3 类高频函数：
1. 数据查看函数：快速了解数据函数作用示例head(x, n)查看前 n 行（默认 n=6）head(iris, 3) 查看 iris 前 3 行tail(x, n)查看后 n 行（默认 n=6）tail(student_df, 2)str(x)查看数据结构（类型、维度等）str(iris) 分析 iris 结构summary(x)查看统计摘要（均值、中位数等）summary(student_df$age)dim(x)查看维度（行数 + 列数）dim(iris) 输出 iris 的行和列示例 8：数据查看实战（用内置数据集 iris）
# 查看iris数据集前5行
head(iris, 5)
# 查看iris结构（150行、5列，最后一列是因子型）
str(iris)
# 查看iris中Sepal.Length列的统计摘要
summary(iris$Sepal.Length)
summary()函数执行后的参数类型含义如下
统计指标数值含义解释Min.（最小值）4.300所有鸢尾花样本的萼片长度中，最短的为 4.3 个单位（数据集默认单位为厘米）。1st Qu.（第一四分位数）5.100将所有萼片长度按从小到大排序后，处于 25% 位置的数值（即 25% 的样本萼片长度≤5.1）。Median（中位数）5.800排序后处于 50% 位置的数值（即一半样本萼片长度≤5.8，另一半≥5.8），反映数据 “中间水平”。Mean（均值）5.843所有样本萼片长度的平均值，计算方式为 “总长度之和 / 样本总数”，反映数据 “平均水平”。3rd Qu.（第三四分位数）6.400排序后处于 75% 位置的数值（即 75% 的样本萼片长度≤6.4，25% 的样本≥6.4）。2. 数据处理函数：清洗与筛选函数作用示例subset(x, condition)按条件筛选行subset(iris, Species=="setosa") 筛选 setosa 品种na.omit(x)删除含缺失值（NA）的行na.omit(student_df)sort(x)排序（默认升序）sort(c(3,1,5)) → 1 3 5unique(x)去重unique(c(1,1,2,3)) → 1 2 3merge(x,y, by)合并两个数据框（类似 SQL 连接）merge(df1, df2, by="name") 按 name 合并示例 9：数据筛选与合并
# 1. 筛选iris中Sepal.Length>6的setosa品种
iris_sub 6)
iris_sub # 仅返回满足条件的行
# 2. 合并两个数据框
df1 <- data.frame(
name=c("小明","小红"),
score=c(90,85)
)
df2 <- data.frame(
name=c("小明","小刚"),
age=c(20,19)
)
merge(df1, df2, by="name") # 按name合并（仅保留共同name的行）
3. 统计与可视化函数：数据分析核心（1）统计函数（描述性统计）函数作用示例mean(x)计算均值mean(iris$Petal.Length)sd(x)计算标准差sd(iris$Sepal.Width)max(x)/min(x)最大值 / 最小值max(student_df$age)cor(x,y)计算相关系数cor(iris$Sepal.Length, iris$Petal.Length)（2）基础可视化函数（plot()）plot()是 R 的基础绘图函数，支持散点图、线图等，语法简单：
# 示例：绘制iris的Sepal.Length与Petal.Length散点图
plot(
x = iris$Sepal.Length, # x轴
y = iris$Petal.Length, # y轴
main = "萼片长度vs花瓣长度", # 标题
xlab = "萼片长度(cm)", # x轴标签
ylab = "花瓣长度(cm)", # y轴标签
col = iris$Species, # 按品种着色
pch = 16 # 点的形状（16是实心圆）
)
legend("topleft", legend=unique(iris$Species), col=1:3, pch=16) # 添加图例
（3）ggplot2基础绘图（更美观的可视化）ggplot2是 R 的 “绘图神器”，基于图层语法，之后的文章也会提及，这里先补一个基础示例：
# 加载ggplot2包（需先安装：install.packages("ggplot2")）
library(ggplot2)
# 绘制散点图
ggplot(data = iris, aes(x=Sepal.Length, y=Petal.Length, color=Species)) +
geom_point(size=2) + # 散点图层
labs(
title = "萼片长度vs花瓣长度",
x = "萼片长度(cm)",
y = "花瓣长度(cm)"
) +
theme_minimal() # 简洁主题
四、实战案例：用基础语法完成一次简单分析最后，我们用一个完整案例串联前面的知识，分析 “学生成绩数据”：
# 1. 准备数据（创建数据框）
score_df 85的学生
high_math 85)
print("数学成绩>85的学生：")
print(high_math$name)
# 4. 可视化：各科成绩对比（箱线图）
# 先将数据框转换为长格式（适合箱线图）
library(reshape2) # 需安装：install.packages("reshape2")
score_long <- melt(score_clean, id="name", variable.name="subject", value.name="score")
# 绘图
ggplot(score_long, aes(x=subject, y=score, fill=subject)) +
geom_boxplot() +
labs(title="数学vs英语成绩分布", x="科目", y="成绩") +
theme_bw()
总结与进阶建议今天我们梳理了 R 语言的基础语法（变量、类型、运算符、流程控制）、核心数据结构（向量、数据框、列表等）和常用函数（查看、处理、统计、可视化），这些是所有 R 语言分析的 “地基”。后续会根据《R语言入门与实践》这本书来详细逐步的进一步学习，欢迎大家点赞关注共同学习
对初学者的进阶建议：
多练内置数据集（iris、mtcars），熟悉数据结构操作；学习dplyr包（数据处理更高效，如filter()、mutate()）；用R Markdown写分析报告，整合代码、结果和文本。如果在练习中遇到具体问题（如函数报错、数据结构混乱），欢迎在评论区交流！
可点击下方链接进入正式系统学习，打好基础后，你会发现数据分析原来这么简单～
《R语言入门与实践》第一章 基础核心知识点全解析