
R语言基本语法
按照惯例,这里将开始通过编写一个学习R语言的"Hello, World!"程序作为入门。根据不同的需要,可以进行编程或者为R命令提示符下,也可以使用一个 R脚本文件来编写程序。让我们来逐个演示这两个用法。
R命令提示符
一旦有R环境的设置,那么它很容易启动R指令提示,就在命令提示符处键入以下命令:
$ R
这将启动R解释器,会得到一个提示>,在这里,就可以开始输入你的程序了,如下:
> myString <- "Hello, World!"
> print ( myString)
[1] "Hello, World!"
在这里,第一个语句定义了一个字符串变量myString,并分配字符串"Hello, World!" 再下一个语句 print() 是用来打印存储在mystring变量的值。
R 脚本文件
通常情况下,通过编写程序的脚本文件,然后在R解释器的帮助下,Rscript在命令提示符下执行这些脚本。因此,让我们开始编写一个叫做 test.R 的代码:
# My first program in R Programming
myString <- "Hello, World!"
print ( myString)
上面的代码在一个文件 test.R 中,并在Linux命令提示符下执行下面给出命令。即使使用的是 Windows 或其他系统,语法将保持不变。
$ Rscript test.R
当运行上述程序,它产生以下结果。
yiibai@ubuntu:~$ mkdir r-study
yiibai@ubuntu:~$ cd r-study/
yiibai@ubuntu:~/r-study$ vi test.r
yiibai@ubuntu:~/r-study$ ll
total 12
drwxrwxr-x 2 yiibai yiibai 4096 Oct 8 16:50 ./
drwxr-xr-x 19 yiibai yiibai 4096 Oct 8 16:50 ../
-rw-rw-r-- 1 yiibai yiibai 84 Oct 8 16:50 test.r
yiibai@ubuntu:~/r-study$ Rscript test.r
[1] "Hello, World!"
注释就像帮助文本在R语言程序中,它们在解释器执行实际的程序时将被忽略。 单个注释用“#”符号在声明的开头,写法如下:
# My first program in R Programming
R语言不支持多行注释,但可以做一些技巧如下:
if(FALSE){
"This is a demo for multi-line comments and it should be put
inside either a single of double quote"
}
myString <- "Hello, World!"
print ( myString)
虽然上述注释将由R语言解释器执行,但它们不会干扰实际程序。应该单个或双引号引用这些注释的语句。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10