R语言基础教程1：数据类型
R语言基础教程2：散点图
R语言基础教程3：曲线图、误差线和图例
R语言基础教程4：柱形图
R语言基础教程5：图形页面排版
R语言基础教程6：程序设计基础
R语言基础教程7：数据描述性统计
使用R处理数据完全可以不了解它的编程方法，但编程可以提高效率。
一、运算符

 

R语言的数据以向量为基础。向量的运算不需要通过下标循环一个个元素来进行的。如果两个向量长度相同，是对位置相同的数据进行相应计算；如果长度不同，较短的向量要重复取值直到两个向量长度相同。如果短向量长度不是长向量的整倍数，仍可得到结果，但有警告。向量运算方式避免了使用循环，速度很快：

> (a <- 1:5)[1] 1 2 3 4 5> (b <- 2:6)[1] 2 3 4 5 6> (c <- 2:3)[1] 2 3> (d <- 2)[1] 2> a*b[1]  2  6 12 20 30> a*c[1]  2  6  6 12 10警告信息：In a * c : 长的对象长度不是短的对象长度的整倍数> a*d[1]  2  4  6  8 10

三、数学函数
R语言的默认安装包提供了大量的数学与统计函数。在R语言的定义中，运算符事实上也是函数：
1、操作符函数，包括算术函数、比较函数和逻辑函数：
算术函数：
    "+", "-", "*", "^", "%%", "%/%", "/"
比较函数：
    "==", ">", "<", "!=", "<=", ">="
逻辑函数
    "&", "|".
2、数学函数：
    "abs", "sign", "sqrt", "ceiling", "floor", "trunc", "cummax", "cummin", "cumprod", "cumsum", "log", "log10", "log2", "log1p", "acos", "acosh", "asin", "asinh", "atan", "atanh", "exp", "expm1", "cos", "cosh", "sin", "sinh", "tan", "tanh", "gamma", "lgamma", "digamma", "trigamma"
3、数学函数2：
    "round", "signif"
4、统计特征值函数：
    "max", "min", "range", "prod", "sum", "any", "all"
5、复数函数：
    "Arg", "Conj", "Im", "Mod", "Re"

四、程序流程控制：
1、if/else分支语句：
基本用法是：if (逻辑判断) { 语句 } else { 语句 }
2、switch分支语句：
基本用法是：switch(statment, list)
但具体意义和其他语言有些差别。第二个参数list可以分成多个参数，switch把2到n个参数都归为一个list。list参数分有名参数和无名参数。

> a <- 2> switch(a, log(a), a+3, a-3)      #a=2，执行列表第二项：a+3[1] 5> a <- 1> switch(a, log(a), a+3, a-3)      #a=1，执行列表第一项：log(a)[1] 0

> a <- "agi"> switch(a, gi=1030567, agi="AT1G10010", name="CBFx")      #返回a（名称）对应的列表向量值[1] "AT1G10010"

3、for循环语句
基本用法：for (name in expression) {  语句 }

> a <- 1:5> b <- NULL> for(i in a) {b <- c(b,log(i))}> b[1] 0.0000000 0.6931472 1.0986123 1.3862944 1.6094379

R语言的循环非常耗时，能使用向量运算的尽量避免使用循环。上面循环完全没有必要：

> b <-log(a)> b[1] 0.0000000 0.6931472 1.0986123 1.3862944 1.6094379

4、while和repeat语句：这两个跟其他语言差不多。
跳出循环用break，忽略后面语句进行循环用next。

五、函数方法
R语言的很多工作都由函数完成，这是保证结果准确性和可重复性的途径。我们也可以通过编写自己的函数提高工作效率。
R语言中函数定义的方法为：函数名 <- function(参数们) { R语句们 }
用法是：函数名(参数们)
函数可以有返回值，返回值就是最后一个语句的结果；也可以只完成一系列操作（如绘图）而不用返回值。
下面是一个两系列数据的柱形图绘制函数：

bar.plot <- function(y1, y2, x=1:length(y1),                     sd1=y1*0.05, sd2=y2*0.05,                     xlab="Sample", ylab="Level",                     labels=c("S1","S2")){ the.data <- rbind(y1, y2)        par(mar=c(3,3,0.5,0.5))        par(mgp=c(2,0.5,0)) pos <- barplot(the.data, ylim=c(0, max(y1,y2)*1.2),  offset=0, axis.lty=1, beside=TRUE,  names.arg = x, col=c("orange","red")) legend("topleft", legend=labels, fill=c("orange","red"),box.col="white", inset=0.02) title(xlab=xlab, ylab=ylab) bw <- 0.2 segments(pos[1,], y1-sd1, pos[1,], y1+sd1, lwd=2) segments(pos[1,]-bw, y1+sd1, pos[1,]+bw, y1+sd1, lend=2) segments(pos[1,]-bw, y1-sd1, pos[1,]+bw, y1-sd1, lend=2) segments(pos[2,], y2-sd2, pos[2,], y2+sd2, lwd=2) segments(pos[2,]-bw, y2+sd2, pos[2,]+bw, y2+sd2, lend=2) segments(pos[2,]-bw, y2-sd2, pos[2,]+bw, y2-sd2, lend=2) box()}

以mybar.R为文件名保存到D盘根目录下。重新启动R终端，你可以反复调用这个文件里面的bar.plot函数绘制出你需要的柱形图：

> source("d:/mybar.R")> NF <- c(17.44 , 2.56 , 2.70 , 18.71 , 5.61 , 32.98)> CA <- c(11.48 , 0.75 , 1.16 , 12.73 , 2.84 , 20.04)> sd.NF <- c(1.27 , 0.15 , 0.48 , 2.01 , 0.80 , 4.09)> sd.CA <- c(1.09 , 0.36 , 0.11 , 1.82 , 0.92 , 2.36)> x <- paste("S", 1:length(NF), sep="")> bar.plot(x=x, y1=NF, y2=CA, sd1=sd.NF, sd2=sd.CA, labels=c("NF", "CA"))

由于bar.plot函数除y1和y2外其他参数都有默认值，你可以只提供两个系列的数据（默认误差为数据的5%)：

> source("d:/mybar.R")> set.seed(1000)> y1 <- abs(rnorm(10))*10> y2 <- abs(rnorm(10))*5> bar.plot(y1,y2)

虽然数据更换了，但是获得的图形外观完全一样！这已经不仅仅是效率的问题了。是懒人的办法，也是聪明人的办法。比起origin作图软件，R的可重复性要好得多吧？Excel的作图方法是小儿科了，谈不上科学性（但是很多人在用，呵呵）。