R语言入门笔记：第一节，快速了解R语言——文件与基础操作
上一期 R 语言入门笔记里面我简单介绍了 R 语言的安装和使用方法，以及各项避免踩坑的注意事项。我想把这个系列的笔记持续写下去。这份笔记主要是针对 R 语言学习过程中各个容易掉进去的坑进行规避，以及根据我自身的经验提供一些学习思路。
关于 R 语言的简单介绍
上一期 R 语言入门笔记里面我简单介绍了 R 语言的安装和使用方法，以及各项避免踩坑的注意事项。我想把这个系列的笔记持续写下去。
这份笔记只是我的 R 语言入门学习笔记，而不是一套 R 语言教程。换句话说：这份笔记不会事无巨细地介绍 R 语言的逐项细节，毕竟现在网上有关R的教程已经非常多了。这份笔记主要是针对 R 语言学习过程中各个容易掉进去的坑进行规避，以及根据我自身的经验提供一些学习思路。
首先，R 语言是一门特殊的、专用于统计分析和建模的编程语言。一般情况下，我猜测大家学习R语言主要可能是因为出于以下的原因：
-
主要从事统计分析的工作，将R语言作为自己的主力编程语言
-
主力编程语言不足以应对复杂的统计分析问题，需要 R 的辅助
-
你不知道，因为你只是一个普通的苦逼医学生，而身边的医学生都在使用 R
我个人比较符合第二种情况。我通常使用 Python，R 则是刚刚开始学习。因此我也希望能和这份笔记的读者们共同进步。
到什么地方去找 R 语言的教程
考虑到 R 语言是专为统计分析设计的编程语言，所以 R 语言的许多机制也和统计分析本身有关。
首先需要掌握一些有关统计分析的基本概念。一旦熟悉了统计分析的基本概念，就能基本了解R语言能够帮助你完成哪些功能（统计分析需要的那些计算机功能，R 语言几乎都可以实现。）
首先，如果是想要了解一些有关统计分析的方法论，可以试试看这个 Bilibili 网课：统计分析轻松入门（2023修订版）。
关于 R 语言本身的学习，Bilibili 平台上有一些不错的网课可供参考：
教材的话，我找到的这个 四川师范大学研究生公选课《数据科学中的R语言》 看上去也很不错。
R 语言的基本语法
略。
……别人的教程都写过了，我干嘛还要再写一遍？
哎，跳过。
文件与路径
为什么要注意路径问题？
初次体验 R Studio 的时候，一大印象就是没有非常轻便稳定的路径管理，因为 R Studio 中终端并不会默认在工作空间里开启。
相比较其他我常用的 IDE 而言，如果是在 Visual Studio Code 中移动工作空间，只需要直接关闭IDE然后直接在电脑上打开另一个文件夹，右键，选择“在 Visual Studio Code 中打开”就可以很容易地在相应的工作目录运行和调试程序。但是对于 R Studio，即使你把右下角的 Files 栏切换到了正确的工作区目录（以防止新人不了解：就是你堆放数据文件和代码脚本的文件夹），你的终端还是在原来的那个目录里面。你这个时候去敲R的实时交互命令读取某个路径下的数据，或者运行 R 的代码文件读取数据，就要报错。
遇到这种情况，如果你不想在 R 命令行里面通过敲命令再切换一次，可以考虑将所有 R 语言编程活动都变成一个个独立的项目去管理。尝试在 R Studio 右上角点击 Files，然后新建一个 R 项目，下次打开代码直接点击后缀名为 *.Rproj 的项目文件，就能正确打开 R Studio 并切换正确的工作目录。
关于文件格式
R Script 与 R Markdown
R语言的代码最常见的主要有两种文件格式：原生的R语言脚本文件（R Script），以及 R Markdown，一种R语言和Markdown相互交替书写、分段运行的奇特代码。R Script 和 R Markdown 相当于 Python 中的 *.py 脚本和 Jupyter Notebook 的关系。
R Script
R Script 是 R 语言的脚本，就是正常编写代码的方式。
主流的 R 语言的代码规范可以参照 Google的R语言编码风格指南（Google’s R Style Guide）。比如在 R Script 中 R 语言代码可以分节，用小节标题前后四个 # 加空格分割的形式：
#### hello world ####
# This is a hello world program in R
print("hello, world")
如果你有一个R脚本文件（比如 hello.R），你可以使用 source() 函数来加载它的内容到当前的工作空间中。这相当于在当前环境中运行这个文件的所有代码。
# 假设你有一个 hello.R 文件
# 定义了 Hello() 函数
source("hello.R")
Hello()
这样，definitions.R 中定义的所有函数和变量都会加载到当前的工作空间中，你可以在其他文件中使用它们。
有时你可能不希望加载所有定义到全局环境中，可以通过设置 source() 的 local 参数来控制代码加载到局部环境中。
local_env <- new.env()
source("hello.R", local = local_env)
# 使用定义在 local_env 环境中的对象
local_env$Hello()
如果你的定义文件非常复杂或包含多个功能模块，你可以考虑将其封装为一个 R 包。这样，你可以通过 library() 来引用包中的功能，并且包的组织结构可以帮助你更好地管理代码。同样地，对于下载的包也是使用 library() 导入。
还有一种方式是使用 sys.source()，这里刚刚入门，暂且不论。
R Markdown
为防止新人朋友们不知道——简单的来讲，Markdown 是用来给文章排版的，是一种极简主义的排版工具，只有标题、引用、有序列表、无序列表、斜体、加粗、超链接和图片这 8 个功能，Markdown 语法简单易学，非常适合快速编写和组织文档，足以允许我们把 R 语言代码和代码说明性文章/报告放在一起排版了。
熟悉Jupyter Notebook的朋友可能会知道：Jupyter Notebook 实际上是一种通过网页实时渲染的 JSON 文本，而R Markdown则是完完全全的纯文本，只是在 R Markdown 中 Markdown 和 R 语言的代码可以交替编写。这就意味着R Markdown不能保存代码运行的结果，但也不会因为巨大的图片文件而变得臃肿。
另一方面，尽管 Jupyter Notebook 本身就具备 R 编程的功能，但实际上很多情况下 R Markdown 比 Jupyter Notebook 的体验更好。如果你的计算机上正确配置过 \LaTeX 的话，理论上你可以通过 R Markdown 一键构建PDFL格式的报告或者论文；如果没有 \LaTeX ，Word 或者 HTML 都是没问题的。关于其详细操作方法，以后的笔记里面我们慢慢聊。
大家在新建 R Markdown 的时候生成的文件里面就会自带简单的说明信息，事实上，我在这里无需赘述。但是出于礼貌也方便大家理解，我简记一笔：
简单的来讲：一个标准的 R Markdown 文件包含三个部分：YAML 头部、Markdown 文档和可运行的代码片段。这里逐一介绍：
YAML 头部
YAML 头部位于文件的最上方，用前后三个短横线 --- 包裹。它主要用来设置文档的元信息，例如标题、作者、日期、输出格式等。
---
title: "R Markdown 入门示例"
author: "盒子online_1396529"
date: "2024-07-01"
output: pdf_document
---
R Markdown 可以被编译成多种格式的文件，包括 PDF、HTML、Word 等，从而快速生成论文或统计分析报告。这个功能被称为 knit。选择输出格式时，只需在 YAML 头部指定 output 选项即可。每种输出格式都可以进行进一步的定制，例如，选择 PDF 输出时，你可以使用 \LaTeX 语法来调整排版细节。
output:
pdf_document:
latex_engine: xelatex
toc: true # 添加目录
number_sections: true # 章节自动编号
Markdown 文档部分
Markdown 文档部分是 R Markdown 的主体内容。在这里，你可以使用 Markdown 语法编写文本、标题、列表、引用、表格、图片等。
## 标题示例
这是一个简单的段落，你可以使用 **加粗** 和 *斜体* 来突出重点。
### 列表示例
- 无序列表项1
- 无序列表项2
- 无序列表项3
1. 有序列表项1
2. 有序列表项2
3. 有序列表项3
可运行的代码块
R Markdown 的一个重要功能是可以在 Markdown 文档中嵌入 R 代码块，并在文档编译时自动运行这些代码。代码块可以生成图表、分析结果，并将这些内容直接嵌入到文档中（这个功能简直就是神了）！
代码块通常用上下两排三个反引号 ``` 包裹，并在第一排反引号后加上 {r} 指定这是一个 R 代码块（原生的 Markdown 语法在插入代码片段的时候指定编程语言的名称不加花括号）。
我在这里没有办法演示这个功能，因为这份笔记正是用 R Markdown 编写的。如果我另起一行写下 ```{r} 这段内容就会直接被识别成有待运行的 R 语言代码块，而代码块的格式也就被忽略掉不会插入笔记了。
R Markdown 结合了 Markdown 的简洁和 R 语言的强大功能，适合用来编写包含数据分析、报告、学术论文等内容的文档。它让编写文档的过程变得更加高效和灵活，无论是日常工作中的报告，还是学术研究中的论文，R Markdown 都是一个得力的工具。总的来讲： 当我们新开始一个 R 语言数据分析项目并处于数据探究阶段的时候，可以选择在一开始就直接新建 R Markdown 上手写，而不是一上来就编写 R 脚本文件。
