R语言作为一种功能强大的统计计算和图形绘制工具，其命令体系涵盖了从数据操作、统计分析到可视化展示的方方面面，以下将详细介绍R语言中常用的命令,帮助用户系统掌握其核心功能。
在数据读取方面，read.table()和read.csv()是最基础的命令，前者用于读取文本格式的数据文件，后者专门处理CSV格式，参数header可指定是否包含列名，sep用于分隔符设置，对于Excel文件，readxl包中的read_excel()函数提供了便捷的读取方式，需先安装并加载该包，数据库连接则可通过RODBC或DBI包实现，例如odbcConnect()建立连接后，使用sqlQuery()执行查询语句。
数据结构操作是R语言的核心，向量通过c()函数创建，如x <- c(1, 2, 3)；矩阵由matrix()生成，matrix(1:6, nrow=2, ncol=3)可创建2行3列的矩阵，数据框是最常用的结构，可通过data.frame()函数将多个向量合并，如df <- data.frame(name=c("A","B"), age=c(25,30))，列表的创建使用list()，允许存储不同类型的数据，如lst <- list(num=1:3, char="hello", mat=matrix(1:4,2))。
数据筛选与转换中，subset()函数可提取满足条件的子集，如subset(df, age>25)。which()函数返回逻辑条件的索引位置，df[which(df$age>25),]可实现筛选。transform()用于新增列，如transform(df, age_group=ifelse(age<30,"young","old"))。merge()函数实现数据框合并，类似SQL的JOIN操作，merge(df1, df2, by="id")按"id"列合并。
统计分析函数覆盖了从描述统计到推断统计的广泛需求，描述统计中，summary()输出最小值、四分位数、均值、最大值等概要信息；mean()、median()、sd()分别计算均值、中位数和标准差；table()生成频数表，如table(df$gender)，推断统计方面，t.test()执行t检验，cor.test()计算相关系数并检验显著性，lm()用于线性回归，如lm(y~x1+x2, data=df)拟合多元线性模型，anova()输出方差分析表。
概率分布函数以"r/p/q/d"为前缀，分别表示随机数生成、分布函数、分位数密度函数和概率密度函数，例如正态分布中，rnorm(10, mean=0, sd=1)生成10个标准正态分布随机数，pnorm(1.96)计算标准正态分布小于1.96的概率，qnorm(0.975)返回0.975分位数，dnorm(0)计算标准正态分布在0处的密度值。
可视化方面，基础绘图函数包括plot()绘制散点图，hist()绘制直方图，boxplot()绘制箱线图，barplot()绘制条形图。par()函数可设置图形参数，如par(mfrow=c(2,2))将绘图区域分为2x2的网格。ggplot2包提供了更强大的可视化功能，通过ggplot(data, aes(x,y)) + geom_point()构建图形,支持图层叠加和精细定制。
编程控制结构方面，ifelse()是向量化的条件函数，如ifelse(df$age>25, "adult", "minor")。for()循环用于重复执行，如for(i in 1:10){print(i)}；while()循环在条件满足时持续执行，如while(x>0){x=x-1}。apply()家族函数是向量化操作的关键，apply()应用于矩阵或数组，lapply()返回列表，sapply()简化为向量，如sapply(df, mean)计算每列均值。
以下是常用R函数的快速参考表：
| 功能类别 | 函数名 | 主要用途示例 |
|---|---|---|
| 数据读取 | read.csv() | 读取CSV文件：read.csv("data.csv") |
| 数据结构 | data.frame() | 创建数据框：df <- data.frame(x=1:3) |
| 数据筛选 | subset() | 提子集：subset(df, x>5) |
| 统计描述 | summary() | 概要统计：summary(df) |
| t检验 | t.test() | 两样本t检验：t.test(y~x, data=df) |
| 线性回归 | lm() | 回归分析：lm(y~x1+x2, data=df) |
| 正态分布随机数 | rnorm() | 生成随机数：rnorm(10, mean=0, sd=1) |
| 散点图 | plot() | 绘制散点图：plot(df$x, df$y) |
| 条件判断 | ifelse() | 向量化条件：ifelse(df$x>0, "pos", "neg") |
| 循环 | for() | 循环结构：for(i in 1:5){print(i)} |
| 应用函数 | apply() | 矩阵行均值：apply(mat, 1, mean) |
相关问答FAQs：
Q1: 如何处理R语言中的缺失值？
A: R语言中缺失值通常用NA表示，可通过is.na()检测缺失值，如sum(is.na(df$x))统计x列缺失值数量，删除缺失值可用na.omit()，如df_clean <- na.omit(df)；填充缺失值可通过mean(df$x, na.rm=TRUE)计算均值后赋值，如df$x[is.na(df$x)] <- mean(df$x, na.rm=TRUE)。
Q2: 如何提高R语言的运行效率？
A: 可采用以下方法：1) 使用向量化操作替代循环，如用1:10^6替代for(i in 1:10^6){}；2) 避免在循环中动态扩展对象，预分配内存；3) 对大数据集使用data.table包替代data.frame，其语法更高效；4) 并行计算通过parallel包实现，如mclapply()替代lapply()；5) 使用Rcpp包编写C++代码加速计算密集型任务。
