R语言作为一种广泛应用于统计分析、数据可视化和机器学习的编程语言，其强大功能离不开一系列常用命令的支撑，这些命令涵盖了数据操作、统计分析、图形绘制等多个方面，熟练掌握它们能够显著提升数据分析的效率，以下将从数据结构、数据读取与处理、统计分析、数据可视化及编程控制等方面,详细介绍R语言的常用命令。
在R语言中，基本数据结构是数据处理的基础，向量是R语言中最基本的数据结构，通过c()函数可以创建向量，例如x <- c(1, 2, 3)创建了一个数值向量，矩阵通过matrix()函数生成，如matrix(1:6, nrow=2, ncol=3)创建一个2行3列的矩阵，数据框是数据分析中最常用的结构，使用data.frame()函数创建，例如df <- data.frame(name=c("Alice", "Bob"), age=c(25, 30))，列表则可以存储不同类型的数据，通过list()函数创建，如lst <- list(a=1, b="hello", c=c(2,3)),理解这些数据结构的特点及创建方法是进行后续操作的前提。
数据读取与处理是数据分析的关键环节，R语言提供了多种读取数据文件的命令，最常用的是read.csv()用于读取CSV文件，例如data <- read.csv("data.csv", header=TRUE)，其中header=TRUE表示第一行是列名，对于Excel文件，可使用read.xlsx()函数（需安装openxlsx包），读取数据后，常需进行数据筛选与整理，subset()函数用于提取子集，如subset(df, age>25)选取年龄大于25的记录。na.omit()函数用于删除缺失值，如na.omit(df)返回无缺失值的数据框，数据转换方面，as.numeric()、as.factor()等函数可将数据转换为指定类型，mutate()函数（来自dplyr包）可方便地新增列，如df <- mutate(df, age_group=ifelse(age<30, "young", "old"))。
统计分析是R语言的核心应用之一，描述性统计可通过summary()函数快速获取，如summary(df)输出各列的最小值、最大值、中位数等。mean()、median()、sd()（标准差）、var()（方差）等函数用于计算基本统计量，例如mean(df$age)计算平均年龄，假设检验方面，t.test()用于t检验，如t.test(df$age~df$gender)比较不同性别的年龄差异；chisq.test()用于卡方检验，如chisq.test(table(df$gender, df$age_group))检验性别与年龄组的关联性，相关分析使用cor()函数计算相关系数，如cor(df$age, df$income)，cor.test()则可进行显著性检验，回归分析中，lm()函数用于线性回归，如model <- lm(income~age+education, data=df)，summary(model)输出回归结果。
数据可视化方面，R语言拥有强大的图形系统，基础绘图函数包括plot()用于绘制散点图，如plot(df$age, df$income, xlab="Age", ylab="Income")；hist()绘制直方图，如hist(df$age, breaks=5)；boxplot()绘制箱线图，如boxplot(df$age~df$gender)。ggplot2包是可视化的高级工具，通过“图层”概念实现复杂图形，例如library(ggplot2); ggplot(df, aes(x=age, y=income)) + geom_point() + geom_smooth(method="lm")绘制带回归线的散点图。barplot()用于条形图，如barplot(table(df$gender))；pie()用于饼图，如pie(table(df$age_group))。
编程控制命令是编写高效R脚本的基础，条件判断使用if-else结构，如if (mean(df$age)>25) {print("Average age >25")} else {print("Average age <=25")}，循环语句包括for循环和while循环，例如for (i in 1:5) {print(i)}或i <- 1; while (i<=5) {print(i); i<-i+1}，函数定义通过function()实现，如my_mean <- function(x) {sum(x)/length(x)}。apply()家族函数（apply(), lapply(), sapply()）用于对数组或列表的元素批量操作，例如apply(matrix(1:9, nrow=3), 2, sum)计算矩阵各列之和。library()用于加载包，如library(dplyr)；help()或用于查看帮助文档，如?mean。
以下是相关问答FAQs：
Q1: 如何处理R语言中的缺失值？
A1: R语言中缺失值通常表示为NA，处理缺失值的方法包括：删除缺失值（na.omit(df)删除含缺失值的行；df[complete.cases(df), ]选取无缺失值的行）；填充缺失值（如用均值填充：df$age[is.na(df$age)] <- mean(df$age, na.rm=TRUE)）；或使用tidyr包的fill()函数填充相邻值,选择方法需根据数据特点和分析目的决定。
Q2: 如何在R语言中安装和使用第三方包？
A2: 安装包使用install.packages()函数，例如install.packages("ggplot2")安装ggplot2包，安装后需使用library()或require()加载包到当前环境，如library(ggplot2)，若需更新包，可用update.packages()；查看已安装包列表用installed.packages()；卸载包用remove.packages("包名")，部分包依赖R特定版本,需确保R版本兼容。
