function(param1, ..., paramN) {
expr1
.
.
.
exprM
}
讨论
函数的定义告诉R软件“用何种方式进行计算”。例如，R软件没有内置计算变异系数的函数，因此你可以定义函数如下：
>cv <- function(x) sd(x)/mean(x)
>cv(1:10)
[1] 0.5504819
第一行定义了名为cv的函数，第二行引用该函数，以1∶10作为其参数x的值。函数对参数应用函数主体中的表达式sd(x)/mean(x)进行计算并返回结果。
定义函数后，我们可以在任何需要函数的地方应用它，例如可以作为lapply函数的第二个参数（参见方法6.2）：
>cv <- function(x) sd(x)/mean(x)
>lapply(lst, cv)
函数主体如果包含多行表达式，则需要使用大括号来确定函数内容的起始和结束位置。下面这一函数采用了欧几里德算法计算两个整数的最大公约数：
>gcd <- function(a,b) {
+ if (b == 0) return(a)
+ else return(gcd(b, a %% b))
+ }
R软件也允许使用匿名函数，匿名函数是没有函数名称但在单行的语句中很实用的函数。先前的例子中我们提到将cv函数作为lapply函数的一个参数，而若使用匿名函数直接作为lapply函数的参数，则能将原先的命令简化至同一行中：
>lapply(lst, function(x) sd(x)/mean(x))
由于本书重点不在于介绍R的编程语言，这里不对R函数编程的细微之处进行解释。下面给出几个需要注意的地方：
返回值
所有函数都有一个返回值，即函数主体最后一个表达式值。你也可以通过return(expr)命令给出函数的返回值。
值调用
函数参数是“值调用”——如果你改变了函数中的参数值，改变只是局部的，并不会影响该参数所引用的变量值。
局部变量
你可以简单地通过赋值来创建一个局部变量，函数结束后该局部变量会消失。
条件执行
R语法中包含if语句，更多详情可以使用help(Control)命令查看。
循环语句
1、首先，打开RStudio并创建一个新的文件脚本，［File］—［NewScript］。
2、这样就会发现前面代码在全局环境下留下的数据集是非常麻烦的。清洗方法如下：
3、首先，写入rm（A）以清除对应对象的数据（rm＝remove）。
4、通过比较，可以发现前一个对象已经被清除。
R语言中存在一些空值（null-able values），当我们进行数据分析时，理解这些值是非常重要的。
通常来说，R语言中存在：
这四种数据类型在R中都有相应的函数用以判断。
NA即Not available，是一个 长度为1的逻辑常数 ，通常代表缺失值。NA可以被强制转换为任意其他数据类型的向量。
可以采用is.na()进行判断。另外，NA和“NA”不可以互换。
NULL是一个 对象（object） ，当 表达式或函数产生无定义的值 或者 导入数据类型未知的数据 时就会返回NULL。
可以采用is.null()进行判断。
NaN即Not A Number，是一个 长度为1的逻辑值向量 。
可以采用is.nan()进行判断。另外，我们可以采用is.finite()或is.infinite()函数来判断元素是有限的还是无限的，而对NaN进行判断返回的结果都是False。
Inf即Infinity无穷大，通常代表一个很大的数或以0为除数的运算结果，Inf说明数据并没有缺失（NA）。
可以采用is.finite()或is.finite()进行判断。
理解完四种类型数值以后，我们来看看该采取什么方法来处理最最常见的缺失值NA。
小白学统计在推文《有缺失值怎么办？系列之二：如何处理缺失值》里说“ 处理缺失值最好的方式是什么？答案是：没有最好的方式。或者说，最好的方式只有一个，预防缺失，尽量不要缺失。 ”
在缺失数很少且数据量很大的时候，直接删除法的效率很高，而且通常对结果的影响不会太大。
如数据框df共有1000行数据，有10行包含NA，不妨直接采用函数na.omit()来去掉带有NA的行，也可以使用tidyr包的drop_na()函数来指定去除哪一列的NA。
用其他数值填充数据框中的缺失值NA。
使用tidyr包的replace_na()函数。
使用tidyr包的fill()函数将上/下一行的数值填充至选定列中NA。
除此之外，类似原理的填充法还有均值填充法（用该变量的其余数值的均值来填充）、LOCF（last observation carried forward）、BOCF（baseline observation carried forward）、WOCF（worst observation carried forward）等。
当分类自变量出现NA时，把缺失值单独作为新的一类。
在性别中，只有男和女两类，虚拟变量的话以女性为0，男性为1。如果出现了缺失值，可以把缺失值赋值为2，单独作为一类。由于将缺失值赋值，在统计时就不会把它当做缺失值删除，避免了由于这一个变量缺失而导致整个观测值被删除的情况。
假定有身高和体重两个变量，要填补体重的缺失值，我们可以把体重作为因变量，建立体重对身高的回归方程，然后根据身高的非缺失值，预测体重的缺失值。
参考资料：
