式中，Bi为物种i的生态位宽度值，其范围在[0-1]之间，值越大说明该物种生态位宽度越宽；Pij为物种i在第j资源状态下的个体数占该种所有个体数的比例，r为资源总数。
生态位重叠指数 生态位重叠指数采用Pianka指数（Pianka et al ., 1973）：
式中， Oik 为物种i与物种k的生态位重叠指数，其值越大表示生态位重叠程度越高，取值范围为[0,1]；Pij为物种i利用资源状态 j 的个体数占该种个体总数的比例，r为资源(季节或样点)的总数；Pkj为物种k利用资源状态j的个体数占该种个体总数的比例。 R 表示生态响应速率。
下面我们进行R语言操作：
library(spaa) ##加载包
df1=read.csv("物种丰度.csv") #读取丰度数据
这里的丰度数据为：行为样本，列为物种；
（1）计算生态位宽度:levins指数
b=as.data.frame(niche.width(df1, method ="levins")) #计算生态位宽度
colnames(b)="levins" #重新命名
由于spaa包中的niche.width()函数是没有/r的，如图一，公式中，因此继续用"levins"/r，（r为样点总个数）
b$levins1=b$levins/nrow(df1) #计算加权的levins生态位指数，既公式一（图一）的生态位指数
参考文献：
Colwell RK, Futuyma DJ. 1971. On the measurement of Niche Breadth and Overlap. Ecology, 52(4): 567-576．
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
R语言的软件包涉及领域非常广，包括社会网络分析，统计，绘图，自然语言处理，生物相关统计等等，而它们共用一套R语言的语法和语义规则，学了R，可以免去学spss，matalab，ucinet等等众多的软件，可以减少不少的学习时间，前景应该不错
