掌握基本语法和操作，推荐国内的已经翻译的比如《R语言实战》《R语言编程艺术》，这个过程中最好结合一些小例子来做一些分析的东西。其他还有《R语言实例》《R语言核心技术手册》也都是很好的书！如果需要可视化的话，强烈不推荐学习R本身的作图系统，实在是太不友好了.....还是用ggplot2吧。
掌握了上面的，就可以深入一些了，如果是做数据分析和可视化，推荐《ggplot2：数据分析与图形艺术》，这个才是作图的神器啊.....如果是空间分析相关的，推荐《Applied Spatial Data Analysis with R》，这个如果可以的话看英文版，而且要有地学的一些知识背景，中文版翻译的太次了，尽量不要看。数据挖掘机器学习之类的，可以看看比如《数据挖掘与R语言》、《机器学习——实用案例解析》，不过我觉得这几本书没上面的那几本好，但是可以大概看看是咋回事，最好还是看看专门的相关书籍，熟悉各种算法和流程，到时候搜索R的package，照着文档和例子搞定，不是特别难。
最后，强烈推荐统计之都、R-bloggers，统计之都以及谢益辉、肖凯、刘思喆等人的博客（自行Google以及到上面的网站找链接），订阅一下，会很有帮助，RStudio是个很棒的IDE，用起来很爽，功能很强大。
总之，你可以从《R语言实战》开始出发吧！
1.初级入门
《An Introduction to R》，这是官方的入门小册子。其有中文版，由丁国徽翻译，译名为《R导论》。《R4Beginners》，这本小册子有中文版应该叫《R入门》。除此之外，还可以去读刘思喆的《153分钟学会R》。这本书收集了R初学者提问频率最高的153个问题。为什么叫153分钟呢？因为最初作者写了153个问题，阅读一个问题花费1分钟时间，全局下来也就是153分钟了。有了这些基础之后，要去读一些经典书籍比较全面的入门书籍，比如《统计建模与R软件》，国外还有《R Cookbook》和《R in action》，本人没有看过，因此不便评论。
2.高级入门
读了上述书籍之后，你就可以去高级入门阶段了。这时候要读的书有两本很经典的。《Statistics with R》和《The R book》。之所以说这两本书高级，是因为这两本书已经不再限于R基础了，而是结合了数据分析的各种常见方法来写就的，比较系统的介绍了R在线性回归、方差分析、多元统计、R绘图、时间序列分析、数据挖掘等各方面的内容，看完之后你会发现，哇，原来R能做的事情这么多，而且做起来是那么简洁。读到这里已经差不多了，剩下的估计就是你要专门攻读的某个方面内容了。
3、推介你看下这位大咖的CSDN博客，里面有很多有关R语言入门类文章，一定能get到新知识，希望对你有帮助。
博主博客地址：
Data+Science+Insight的博客_CSDN博客-R语言从入门到机器学习,数据科学从0到1,机器学习面试+横扫千军领域博主
博客内容包括：数据科学从0到1、R语言从入门到机器学习、机器学习面试+横扫千军、Python编程技巧高效复用等系列
这是最后一篇讲解有关矩阵操作的博客，介绍有关矩阵的函数，主要有 rowSums() , colSums() , rowMeans() , colMeans() , apply() , rbind() , cbind() , row() , col() , rowsum() , aggregate() , sweep() , max.col() 。
下面通过例子来了解这些函数的用法：
我们知道，通过下标索引 [i, j] 可以访问矩阵的某一部分，索引如果没有提供意味着“所有行”或“所有列”。来看个例子，比如：
在R中，可以用一些特殊的函数来进行矩阵的行、列计算。来看些例子：
上述矩阵的行、列计算，还可以使用 apply() 函数来实现。 apply() 函数的原型为 apply(X, MARGIN, FUN, ...) ，其中： X 为矩阵或数组； MARGIN 用来指定是对行运算还是对列运算， MARGIN＝1 表示对行运算， MARGIN＝2 表示对列运算； FUN 用来指定运算函数； ... 用来指定 FUN 中需要的其它参数。来看些例子：
用 apply() 函数来实现上面的例子
apply() 函数功能很强大，我们可以对矩阵的行或列进行其它运算，例如：
如果矩阵存在 NA 值，可通过设置 na.rm=TRUE 来忽略 NA 值，然后再计算。比如：
甚至我们还可以自定义运算函数，来看个例子：
在R中， rbind() 和 cbind() 函数可分别为矩阵添加行和列，来看一个例子：
在R中， row() 和 col() 函数将分别返回元素的行和列下标矩阵，来看个例子：
通过这两个函数，可以获取矩阵的对角元素以及上下三角矩阵，例如：
有时，你可能需要对每行进行分组，然后组内每列求和。在R中可以用 rowsum() 函数来解决，而且效率也非常高。先看个例子：
你也可以用 aggregate() 函数获得类似结果：
有人就会问“为啥没有列分组求和的操作？”，其实你可以先将矩阵转置，然后行分组求和；这两步就等同于列分组求和。
sweep() 函数的原型为 sweep(x, MARGIN, STATS, FUN = "-", check.margin = TRUE, ...) ，其中： x 为矩阵或数组； MARGIN 用来指定是对行运算还是对列运算， MARGIN＝1 表示对行运算， MARGIN＝2 表示对列运算； STATS 表示想要清除的统计量； FUN 用来指定运算函数，默认为减法 - ； check.margin 用来核实 x 的维度是否与 STATS 的匹配，如果事先知道它们匹配的话，将其设为 FALSE 将提高运算速度； ... 用来指定 FUN 中需要的其它参数。来看些例子：
事实上，通过改变 FUN 参数的具体形式或自定义函数， sweep() 函数可以实现很多不同操作，这里就不细讲了。
max.col() 函数返回矩阵每行最大值所在的列位置（即列下标），其原型为 max.col(m, ties.method = c("random", "first", "last")) ，其中： m 为矩阵；当存在多个最大值时， ties.method 指定用哪种方式来处理这种情况，默认为"random"（随机），"first"指使用第一个最大值，"last"指使用最后一个最大值。来看个官网例子：
我们也可以结合 apply() 和 which.max() 函数来实现 max.col(mm, 'first') 。看个例子，
R矩阵的最后一部分内容就讲到这。
如若有遗漏，后期将会添加至本博客。
