R编程语言在数字分析与机器学习领域已经成为一款重要的工具。随着机器逐步成为愈发核心的数据生成器，该语言的人气也必然会一路攀升。不过R语言当然也拥有着自己的优势与缺点，开发人员只有加以了解后才能充分发挥它的强大能力。
R语言随时间推移正呈现出愈发迅猛的发展态势，并成为能够将不同数据集、工具乃至软件包结合在一起的胶水型语言，R语言是创建可重复性及高质量分析的最佳途径。它拥有数据处理所必需的一切灵活性及强大要素
R语言拥有强大的软件包生态系统与图表优势，R语言的优势主要体现在其软件包生态系统上。庞大的软件包生态系统无疑是R语言最为突出的优势之一，其中内置有大量专门面向统计人员的实用功能，R语言具备可扩展能力且拥有丰富的功能选项，帮助开发人员构建自己的工具及方法，从而顺利实现数据分析，人们能够在无需申请权限的前提下对其进行扩展。，它最大的优势就是以自由软件的姿态出现。其源代码以及所有一切都可供，R语言在图形及图表方面的一切能够都是“无与伦比”的。
R的短板在于安全性与内存管理。说了这么多优势，R语言当然也存在着一定不足。内存管理、速度与效率可能是R语言面临的几大最为严峻的挑战，在这方面，人们仍然需要努力推动，而且也确实正在推动其进展与完善。R语言在设计思路上太太古老。这种语言的设计局限有时候会令大规模数据集处理工作遇到难题，此外，R语言无法被嵌入到网络浏览器当中，我们不能利用它开发Web类或者互联网类应用程序。再有，我们基本上没办法利用R语言当作后端服务器执行计算任务，因为它在网络层面缺乏安全性保障，长久以来，R语言当中始终缺少充足的交互元素。
R语言并不单纯面向高端程序员，我甚至并不认为R语言只适用于程序员。它非常适合那些面向数据并试图解决相关问题的用户，无论他们的实际编程能力如何
最近身体状况不太好的我，已经懒惰到不太想用脑子思考问题了，但也总不能什么事情都不做就这样蹉跎岁月吧，于是想着把自己之前的知识总结总结。今天就先把R语言的知识总结总结吧。
R语言是一个应用非常广泛的并且免费的用于统计计算和作图的计算机语言，无论什么和数据分析有关的行业，基本都会用到R。R 环境由一组数据操作，计算和图形展示的工具构成。它的特色在于：1.有效的数据处理和保存机制；2.完整的数组和矩阵计算操作符；3.连贯而又完整的数据分析工具；4.图形工具可以对数据直接进行分析和展示，同时可用于多种图形设备；5.它是一种相当完善，简洁而又高效的程序设计语言(也就是‘S’)。
基本的数据类型：
向量有一些基本运算：
求三角函数的值：sin(x)，cos(x)，tan(x)
向量开根号：sqrt(x)
求向量的和：sum(x)
向量的最大值和最小值：max(x) 和min(x)。
向量的范围：range (x)
向量的长度：length(x)
向量的均值：mean(x)
向量的方差：var(x)
向量的标准差：sd(x)
向量的累乘：prod(x)
数组可以看作是带有多个下标类型相同的元素集合，如数值型。
维度向量（dimension vector）是一个正整数向量。如果它的长度为k，那么该数组就是k-维的，例如矩阵是2-维数组。
数组只允许单一类型的值出现。
在R中数组用array()函数建立。
矩阵是一个2维的数组，一般用matrix()来构建一个矩阵，array()也可以创建一个2维数组（矩阵）。
例子：定义一个从1到20，行数为4，列数为5的矩阵。
向量的合并：
也可以用cbind()和rbind()函数将相同长度的向量接合成矩阵。
t()可以将矩阵进行转置，或用aperm()代替。
同样矩阵也可以做合并，同样是用rbind和cbind。
rbind和cbind,除能合并等长的向量外，还能合并数据框和矩阵。
矩阵工具：1).函数nrow(A) 和ncol(A) 将会分别返回矩阵A 的行数和列数.2).colnames(A)rownames(A)会分别返回矩阵A 的列名和行名。3).将一个数组强制转换成简单向量的标准方法是用函数as.vector()，或用c()。
因子（factor）是一个对等长的其他向量元素进行分类（分组）的向量对象。 R同时提供有序（ordered）和无序（unordered）因子。有序意味着以字母排序。
函数factor()引入因子。
函数levels()表示因子的水平。
有序因子：函数ordered() 用来创建有序因子。在其他方面，函数ordered() 和factor() 基本完全一样。大多数情况下，有序和无序因子的唯一差别在于前者显示的时候反应了各水平的顺序。
7.1. R 的列表（list）是一个以对象的有序集合构成的对象。列表中包含的对象又称为它的分量（components）。
7.2. 分量可以是不同的模式或类型，如一个列表可以同时包括数值向量，逻辑向量，矩阵，复向量，字符数组，函数等等。
7.3. 列表的建立采用list()函数，列表通过[[index/name]]进行访问。
8.1. 数据框（data frame）是一个属于“data.frame” 类的列表。
8.2. 数据框常常会被看作是一个由不同模式和属性的列构成的矩阵。它能以矩阵形式出现，行列可以通过矩阵的索引习惯访问。
8.3. 用data.frame()函数构建数据框。
统计学家通常将缺失数据分为三类。它们都用概率术语进行描述，但思想都非常直观。我们将用sleep研究中对做梦时长的测量(有12个动物有缺失值）来依次阐述三种类型。
在R中, NA代表缺失值, NA是不可用，not available的简称,用来存储缺失信息。这里缺失值NA表示没有，但注意没有并不一 定就是0 , NA是不知道是多少,也能是0 ,也可能是任何值，缺失值和值为零是完全不同的。
1.用NA remove条件语句即可,例如求和公式中添加na.rm=TRUE就可以把缺失值去除，向量个数也对应减少。
如果数据集中包含NA，那么所有的计算都会有问题。发现值为NA时，我们再使用 na.rm 进行处理，这样的操作是滞后的，所以需要在处理数据之前就知道数据集中是否包含了缺失值。R语言提供了 is.na（） 来进行逻辑测试，如果数据集中含NA值，对应位置返回TRUE，其余位置返回FALSE。
2. na.rm 只是函数中的一个参数，如果想去掉数据集中的这些缺失值，生成一个没有缺失值的数据集，这时可以使用 na.omit 函数
处理完之后可以输入length来观察数据集omit函数处理前后的行数变化，并可以从中获得删除了多少行包含NA的数据
1、缺失数据NaN，代表不可能的值
2、Inf表示无穷,分为正无穷 Inf 和负无穷 -Inf ，代表无穷大或者无穷小。
1、NA是存在的值,但是不知道是多少
2、NaN是不存在的
3、Inf存在,是无无穷大后者无穷小，但是表示不可能的值。
