初始R語(yǔ)言

、R 語(yǔ)言是什么？

R 語(yǔ)言是一個(gè)專門(mén)為統(tǒng)計(jì)而開(kāi)發(fā)出來(lái)的一個(gè)計(jì)算機(jī)編程語(yǔ)言，它是一種解釋性型的面向數(shù)學(xué)理論研究工作者的語(yǔ)言。類似于MATLAB，他在語(yǔ)言層面提供了更加豐富的數(shù)據(jù)結(jié)構(gòu)，且能夠十分方便地輸出文字和圖形信息，所以廣泛應(yīng)用于數(shù)據(jù)分析，尤其是統(tǒng)計(jì)學(xué)領(lǐng)域。

我們使用R 語(yǔ)言一般都會(huì)搭配 Rstudio 使用（它是一款 R 語(yǔ)言的操作界面，具有代碼調(diào)試、可視化等功能）

Rstudio操作界面介紹

2、R 語(yǔ)言能做什么？

現(xiàn)在的 R 語(yǔ)言可以做 統(tǒng)計(jì)分析、數(shù)據(jù)可視化、機(jī)器學(xué)習(xí)（包括深度學(xué)習(xí)）。

—— R 語(yǔ)言的系統(tǒng)學(xué)習(xí)可以參考[R 語(yǔ)言教程](https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/intro.html#intro-hist-char)

統(tǒng)計(jì)分析：R 的統(tǒng)計(jì)分析能力尤為突出，它內(nèi)嵌了許多實(shí)用的統(tǒng)計(jì)分析函數(shù)（比如，線性回歸等）。分析的結(jié)果也可以直接顯示在界面上。

數(shù)據(jù)可視化：內(nèi)置了多個(gè)作圖函數(shù)，同時(shí)還有大量的作圖函數(shù)包（package），比如，ggplot2（Nature、Science 和 Cell上有大量的圖表都是使用 R 語(yǔ)言繪制的）。這些工具的存在使得 R 可以做出各種美觀漂亮的圖表（比如，熱圖、動(dòng)態(tài)統(tǒng)計(jì)圖等），而且可以保存為 jpg、png、bmp、ps、pdf、emf 等多種格式文件。

R語(yǔ)言出的圖

——（關(guān)于 R 語(yǔ)言學(xué)術(shù)表格的繪制方法可以參考[《R 語(yǔ)言數(shù)據(jù)可視化之美》](https://read.douban.com/reader/ebook/130453795/)）

同時(shí)R 語(yǔ)言還能實(shí)現(xiàn)地理可視化（GIS），通過(guò)“arcgisbinding”包可以實(shí)現(xiàn)在 R 語(yǔ)言中導(dǎo)入、轉(zhuǎn)化和導(dǎo)出 ArcGis 數(shù)據(jù)集。還有專門(mén)為 R 和 ArcGis 開(kāi)發(fā)的軟件[R-ArcGis](https://r.esri.com/)

機(jī)器學(xué)習(xí)：得益于 R 的開(kāi)源社區(qū)（CRAN），許多的機(jī)器學(xué)習(xí)“package”被開(kāi)發(fā)出來(lái)供人們免費(fèi)使用（比如 nnet、randomForst等），可以實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)，隨機(jī)森林等**各種機(jī)器學(xué)習(xí)**模型等建模。通過(guò)與 keras（深度學(xué)習(xí)框架）的結(jié)合，使得 R 還可以實(shí)現(xiàn)深度學(xué)習(xí)建模，讓 R 的應(yīng)用范圍又更進(jìn)一步拓寬。

```

如果你想做 Bayesian，只要在 R 里面調(diào)用 OpenBUGS，WinBUGS，JAGS 等這些已經(jīng)成熟的 package 來(lái)進(jìn)行貝葉斯分析。

```

怎么樣R 語(yǔ)言是不是非常有用，那我們趕快學(xué)起來(lái)吧！

下篇文章來(lái)教大家怎么利用R語(yǔ)言進(jìn)行簡(jiǎn)單 BP神經(jīng)網(wǎng)絡(luò) 建模

R 語(yǔ)言幾乎不需要編程，大部分的操作只需要調(diào)用 package 來(lái)執(zhí)行就可以了.我們只需要了解R的基礎(chǔ)語(yǔ)法

家好，這是從知乎《一個(gè)大學(xué)生的日常筆記》中遷移過(guò)來(lái)的R語(yǔ)言教程的第一篇。

這一份筆記follow了兩本非常優(yōu)秀的R語(yǔ)言教材，分別是Robert I.Kabacoff的《R語(yǔ)言實(shí)戰(zhàn)》和Peter Dalgaard的《R語(yǔ)言統(tǒng)計(jì)入門(mén)》，兩本教材的思路有所不同，我會(huì)根據(jù)我自己的思路盡量降低學(xué)習(xí)門(mén)檻，綜合來(lái)寫(xiě)教程。（畢竟提高了門(mén)檻，我就不知道自己在寫(xiě)什么了……那就真的沒(méi)卵用了……）

閱讀教程的時(shí)候我有自己的思路，看過(guò)我的LaTeX入門(mén)筆記的同學(xué)們會(huì)明白，如果我想到了一些可能會(huì)讓入門(mén)新手迷糊的地方，我會(huì)以注意：這樣的形式去標(biāo)記出來(lái)，而且有的時(shí)候，可能這些小插曲更加重要，請(qǐng)不要忽略它們。

例子大部分都是摘抄的，但是我會(huì)做一些解釋和細(xì)節(jié)上的調(diào)整，同時(shí)考慮到代碼規(guī)范的問(wèn)題，我很多例子不會(huì)提供符號(hào)可選的余地，比如"和'，用于標(biāo)記字符都可以，但是代碼規(guī)范推薦使用"

目前我已經(jīng)是準(zhǔn)大二學(xué)生，統(tǒng)計(jì)的先修課只有一門(mén)學(xué)校上的《概率論與數(shù)理統(tǒng)計(jì)》，事實(shí)上，這門(mén)課學(xué)完之后，R的大部分內(nèi)容就已經(jīng)可以上手操作了。因此我們不會(huì)在這門(mén)課程已有的理論部分下功夫去解釋。但是，礙于我自己本科生的視野，我們不會(huì)把太復(fù)雜，或者根本不可能涉及到的的內(nèi)容搬到這里，因此這對(duì)于真正的statistician，或者是統(tǒng)計(jì)學(xué)專業(yè)的大牛來(lái)說(shuō)，可能最多只是一份入門(mén)筆記而已。

不過(guò)也還是有些亮點(diǎn)的，我可能會(huì)在教程里夾雜點(diǎn)別的語(yǔ)言的新奇玩意做些互相的對(duì)比2333

引言到此為止，下面我們開(kāi)始正題。

R語(yǔ)言環(huán)境初探

細(xì)心的同學(xué)可能已經(jīng)看到了封面的那個(gè)圖，那個(gè)就是我們推薦下載的R語(yǔ)言編輯器——Rstudio，但是這僅僅是個(gè)編輯器，必須下載安裝真正的R語(yǔ)言編譯器才能夠運(yùn)行。至于如何下載——百度搜索R和Rstudio關(guān)鍵字就好。那兩個(gè)玩意的圖標(biāo)大概長(zhǎng)這樣

我們主要使用的編輯器是Rstudio，但是為了教程的完整性(integrity)，這里展示一張R語(yǔ)言的打開(kāi)界面

輸入一行命令試試？

plot(rnorm(1000))

（居然沒(méi)提供R語(yǔ)言的選項(xiàng)……）

系統(tǒng)會(huì)為你畫(huà)一張圖

這是一張含有1000個(gè)按正態(tài)分布排列的隨機(jī)數(shù)的圖。

R的環(huán)境到此結(jié)束，下面我們回到Rstudio來(lái)看看

我們可以看到Rstduio有四個(gè)區(qū)域。分別的功能是

左上角，是Rstudio的腳本區(qū)域（但是遠(yuǎn)不止寫(xiě)腳本那么簡(jiǎn)單，其實(shí)還可以用來(lái)寫(xiě)Rmarkdown，RNotebook等，這些是很實(shí)用的插件，但這里我們不詳談）
左下角，是命令行（command）窗口，剛才我們?cè)赗中展示的窗口就是這個(gè)。
右上角是R的目前的變量環(huán)境
右下角是R的畫(huà)圖，裝包，瀏覽文件的區(qū)域。

可以看出，綜合的功能是比R要強(qiáng)大很多的，而且根據(jù)我們網(wǎng)站組的大佬的反應(yīng)，這玩意其實(shí)是一個(gè)html……也就是說(shuō)你會(huì)JS你就可以惡搞它的界面啦

對(duì)了，在你關(guān)掉R/Rstudio的時(shí)候，系統(tǒng)會(huì)問(wèn)你是否要保存空間映像，那個(gè)其實(shí)就是保存歷史記錄，方便以后繼續(xù)使用而設(shè)置的。

一些基本的素養(yǎng)和操作

R語(yǔ)言是一個(gè)統(tǒng)計(jì)語(yǔ)言。統(tǒng)計(jì)數(shù)據(jù)離不開(kāi)一個(gè)良好的用于儲(chǔ)存的結(jié)構(gòu)和標(biāo)識(shí)。我們會(huì)先從它的基本操作講起，在其中夾雜著數(shù)據(jù)類型，數(shù)據(jù)框等大量的結(jié)構(gòu)和細(xì)節(jié)。

首先說(shuō)說(shuō)幫助文檔

R語(yǔ)言和C++/python不一樣，R語(yǔ)言非常瑣碎，因此seek for help是必要的，但是R的official document很難懂，因此不推薦拿那個(gè)去當(dāng)作你學(xué)習(xí)的教程。我們推薦的是以下三種尋求幫助的命令

help("function") or ?function
help.search("function") or ??function
example("function")

第一個(gè)是查函數(shù)的幫助文檔，第二個(gè)是以某一個(gè)function為關(guān)鍵字搜索幫助文檔。第三個(gè)會(huì)給出某一個(gè)函數(shù)的使用示例。在對(duì)函數(shù)不熟悉的時(shí)候一定要學(xué)會(huì)使用它。

不管是什么樣的計(jì)算機(jī)語(yǔ)言，賦值都是最基礎(chǔ)的工作。但是賦值符號(hào)不是C++里的=，而是<-，比如

r <- 2

注意：用=賦值是不會(huì)被編譯器報(bào)錯(cuò)的，但是由于這個(gè)語(yǔ)法不標(biāo)準(zhǔn)，所以有的時(shí)候會(huì)出問(wèn)題。

隨著賦值而來(lái)的就是數(shù)值運(yùn)算，但是我們不強(qiáng)調(diào)那種單變?cè)臄?shù)值運(yùn)算，R有個(gè)很強(qiáng)大的功能是向量化操作（當(dāng)然matlab也有）。（向量理解為一系列變量的按序組合（比如數(shù)值向量可以理解為數(shù)列）就好）比如說(shuō)給予五個(gè)人身高體重的例子，我們計(jì)算一個(gè)BMI。

A <- c(1.84,1.74,1.65,1.58,1.81)
B <- c(86.2,65,51.5,45,56)
BMI <- (B/(A^2))
BMI

最后顯示的結(jié)果是

確實(shí)是一個(gè)向量。

注意：R語(yǔ)言構(gòu)造向量的方法是c(...)

注意：如果不輸入某一個(gè)變量的名稱，R默認(rèn)是不顯示結(jié)果的，因此我最后一行又加了一個(gè)BMI變量名顯示它。

注意：我們推薦寫(xiě)多行R代碼的時(shí)候使用腳本，之后在Rstudio中，腳本區(qū)域的右上角有三個(gè)按鈕，第一個(gè)run是逐行運(yùn)行代碼，第三個(gè)source是運(yùn)行全部代碼（但是要在下拉框選擇source with echo，否則依然顯示不了結(jié)果），大家注意回去找找看。

注意：如果你真的點(diǎn)擊了source去運(yùn)行代碼的話，可以在command區(qū)域看到這樣的命令

source('C:/Users/Asus/Desktop/A.R')

拿出來(lái)說(shuō)的原因是想強(qiáng)調(diào)：如果你要輸入一個(gè)文件路徑，一定要輸入正斜杠/，因?yàn)榉葱备苁?strong>轉(zhuǎn)義字符（escaped character），在""中間輸入字符，如果想讓它打印出"，就可以輸入\"。

我們回到向量這個(gè)問(wèn)題上來(lái)

常用的R的數(shù)據(jù)類型有三種：數(shù)字，字符，邏輯真假（當(dāng)然還有個(gè)缺失值類型，我們?cè)谥髸?huì)說(shuō)）。因此我們也可以創(chuàng)建字符和邏輯向量。

關(guān)于字符向量，我們列舉下面三個(gè)例子

c("A","B","C")
cat(c("A","B","C"))
cat(c("A","B","C"),'\n')

顯示的結(jié)果如下

哎？二和三有什么區(qū)別嗎？

如果你在R中運(yùn)行的話，第二行的命令是默認(rèn)不換行的，所以就會(huì)出現(xiàn)

的情況，不過(guò)在Rstudio里，這種情況得到了改善。

注意：cat是連接+輸出的函數(shù)，而c只負(fù)責(zé)連接，在例子中，cat可以消除字符串的""符號(hào)。你可以連接任何東西，包括向量。

注意：R的向量要求內(nèi)部的所有元素?cái)?shù)據(jù)類型相同。如果通過(guò)cat/c連接兩個(gè)不同數(shù)據(jù)類型的向量，系統(tǒng)會(huì)進(jìn)行強(qiáng)制轉(zhuǎn)換。比如

A <- c("A","B","C")
B <- c(1,2,3)
c(A,B)

結(jié)果留給大家自己觀察。（這里原來(lái)出了一處錯(cuò)誤，已經(jīng)修正，謝謝

@快走姑娘

提醒）

和數(shù)值運(yùn)算類比的就是邏輯運(yùn)算，但是我不打算在這里先說(shuō)這些。

伴隨著向量的就是索引，目的自然是為了取用這些元素。索引的方法是[]，舉2個(gè)例子

A <- c("A","B","C")
A[2]
B <- c("A"=1,"B"=2,"C"=3)
B["B"]

顯示的結(jié)果如下

注意：向量?jī)?nèi)的元素是有序的，這里A[2]索引的就是第二個(gè)，不是程序員認(rèn)為的第三個(gè)！

注意：第二個(gè)例子中，我們相當(dāng)于人工設(shè)置了索引（在python里，有個(gè)專門(mén)的數(shù)據(jù)結(jié)構(gòu)叫字典（dict））為"A","B","C"，它們叫這些變量的名稱（name），一一對(duì)應(yīng)1，2，3。和自然索引1，2，3不同的是，這里的人工索引在查看變量的時(shí)候會(huì)顯示。

注意：索引也可以索引一個(gè)向量，也就是索引多個(gè)元素（和matlab一樣），比如說(shuō)，試著運(yùn)行一下下面這個(gè)命令。

A <- c("A","B","C")
A[c(2,3)]

結(jié)果留給你們自己去發(fā)現(xiàn)。

注意：索引也可以是負(fù)索引！它不是python里“倒數(shù)第幾個(gè)”的含義，它的意思是“索引除標(biāo)記以外的所有元素”。在數(shù)據(jù)清洗中非常常見(jiàn)，可以用一個(gè)例子去幫助理解

A <- c("A","B","C")
A[-c(2,3)]

自己去敲敲代碼看看結(jié)果吧

注意：你甚至可以使用索引進(jìn)行賦值，即使它已經(jīng)超出了這個(gè)向量的長(zhǎng)度，比如說(shuō)

A[7]="D"

那么，A這個(gè)時(shí)候第7個(gè)確實(shí)是字符D，但是原來(lái)的第4-6個(gè)呢？實(shí)際上它們是缺失值。也就是NA。至于缺失值是什么樣的數(shù)據(jù)類型，這會(huì)在之后提到。

注意：對(duì)于名稱，字符串中的""要求會(huì)放寬，也就是說(shuō)，你還可以這么寫(xiě)。

B <- c(A=1,B=2,C=3)

結(jié)果是一樣的

對(duì)于我這種懶人來(lái)說(shuō)，這可真是個(gè)福音。

下面我們說(shuō)說(shuō)矩陣和數(shù)組。

矩陣可以理解為二維的向量。但是創(chuàng)建矩陣的參數(shù)就一下子多了很多，因此可能會(huì)稍有點(diǎn)難理解，我們用兩組例子結(jié)束這一切。

第一組：

S <- c(1,2,3,4,5,6,7,8,9)
rnames <- c(1,2,3)
cnames <- c("A","B","C")
C=matrix(S,nrow=3,ncol=3,byrow=TRUE,dimnames=list(rnames,cnames))
C=matrix(S,nrow=3,ncol=3,byrow=FALSE,dimnames=list(rnames,cnames))
C=matrix(S,nrow=2,ncol=4,byrow=TRUE,dimnames=list(rnames,cnames))

顯示的結(jié)果如下

我改變的參數(shù)在byrow這里，它提示我們應(yīng)該按行填充還是按列填充。TRUE自然就是按行存儲(chǔ)的意思。

Oh，第三個(gè)報(bào)錯(cuò)了，看一下報(bào)錯(cuò)信息。

data length [9] is not a sub-multiple or multiple of the number of rows [2]數(shù)據(jù)長(zhǎng)度9不是行數(shù)2的因數(shù)或倍數(shù)

哇哦，我有一些額外的發(fā)現(xiàn)

報(bào)錯(cuò)信息的數(shù)字會(huì)用[]標(biāo)識(shí)出來(lái)，是有意義的。同時(shí)本身也不是特別難懂。

興奮完之后，回到命令本身，參數(shù)解釋如下：

第一個(gè)是源向量。
第二個(gè)是nrow和ncol參數(shù)，row是行，col是列（column），代表需要組合的行數(shù)和列數(shù)。
第三個(gè)是byrow參數(shù)，上面已經(jīng)解釋過(guò)了。
第四個(gè)是dimnames，用于標(biāo)記行名稱和列名稱。

我們可以看到，在矩陣?yán)铮Q就非常重要了，它更接近于我們平常做數(shù)據(jù)分析時(shí)所需要使用的表。

注意：看到那個(gè)TRUE了沒(méi)，對(duì)比一下C里的true和python里的True就知道，R語(yǔ)言也是一個(gè)大小寫(xiě)敏感的語(yǔ)言。因此要注意代碼的嚴(yán)格的大小寫(xiě)。

注意：第三，四個(gè)參數(shù)不是必需的，第三個(gè)不寫(xiě)的話，默認(rèn)是FALSE，也就是按列填充。（和TeX的語(yǔ)法差別在于，可選不可選并不能通過(guò)直觀的方式看出來(lái)，需要靠人的主觀能動(dòng)性去理解）

注意：在dimnames里有一個(gè)list函數(shù)，這是為了創(chuàng)建列表，它的目的是把多個(gè)變量的集合聚合成為單個(gè)變量，這是為了方便給函數(shù)的參數(shù)提供值，傳參時(shí)會(huì)經(jīng)常用。形式上倒沒(méi)有太大的差別。

下面是第二個(gè)例子。

cbind(A=1:4,B=5:8,C=9:12)
rbind(A=1:4,B=5:8,C=9:12)

顯示的結(jié)果如下

bind是捆綁的意思，cbind理解為“把列捆綁在一起”，所以提供的向量自然是列向量，那么對(duì)應(yīng)的名稱索引就是行索引。同樣的，rbind就是“把行捆綁在一起”。

注意：有的人會(huì)問(wèn)[1,]和[,1]是什么？我們要強(qiáng)調(diào)，這種位置上的東西不管是名稱還是數(shù)字，都是索引！但是這是矩陣的索引，對(duì)于矩陣的索引，我們可以舉幾個(gè)例子。

A=matrix(1:24,nrow=4,ncol=6)
A[,6]
A[3,]
A[3,4]
B=A[c(2,3),c(3,4)]
B
dimnames(B)=list(c(1,2),c(1,2))
B

顯示的結(jié)果如下

索引項(xiàng)中，第一個(gè)是行索引，第二個(gè)是列索引。同樣，你也可以給索引設(shè)置為向量。

在敲這個(gè)代碼的時(shí)候，摸索了一個(gè)很有趣的用法。我們注意到，B依然是一個(gè)矩陣，但是使用matrix是創(chuàng)建一個(gè)矩陣，如果我要修改B這個(gè)矩陣的參數(shù)怎么辦呢？就可以使用paramater(B)=，其中paramater是在函數(shù)中的參數(shù)，可以通過(guò)這種方法賦值。

注意：1:4，5:8等等，這個(gè)是什么？根據(jù)例子可以看出，這會(huì)生成1:4的公差為1的等差數(shù)列。你不用去擔(dān)心看不懂，我會(huì)點(diǎn)出來(lái)，然后告訴你，這些有趣的用法在之后的筆記中會(huì)講解到。

接著說(shuō)數(shù)組，R中給的定義是多于2維的向量。我們拿矩陣去做對(duì)比，對(duì)數(shù)組就很好理解了。

同樣舉個(gè)例子

A <- c('A','B')
B <- c(1,2,3)
C <- c('!','@','#','
)
z <- array(1:24,c(2,3,4),dimnames=list(A,B,C))
z

顯示的結(jié)果如下

我們可以看出，第三維是單獨(dú)被拉出來(lái)的，第一二維就是行和列。第三維我們一般稱為頁(yè)。

有了矩陣鋪墊，這個(gè)每個(gè)參數(shù)的含義就好理解多了，但我們還是做一個(gè)簡(jiǎn)單的解釋。

第一個(gè)paramater是源向量。
第二個(gè)是三維中每一維的長(zhǎng)度
第三個(gè)是每一維的名稱

注意：我還沒(méi)有找到讓數(shù)組元素按行填充的辦法。可能本身就沒(méi)有設(shè)置吧。

注意：在介紹matrix函數(shù)的時(shí)候，每一個(gè)參數(shù)都是paramater=...的形式，但是這里似乎不是。在R里，如果不加這樣的形式，R會(huì)按默認(rèn)的參數(shù)順序設(shè)置，如果記不住就很容易亂。使用這樣的形式可以防止這個(gè)問(wèn)題（同樣在python，C++里也可以這么做，其中python里叫已知參數(shù)）當(dāng)然不是因?yàn)樗鼪](méi)有paramater，這只是寫(xiě)的人的習(xí)慣，因?yàn)檫@三個(gè)參數(shù)不容易混（性質(zhì)完全不同），所以用熟的人自然不會(huì)再想著加paramater本身。

好的，問(wèn)題來(lái)了，如果我是小白呢？我想加paramater怎么辦？

乖，讓你的心到最開(kāi)始的地方看看？

小結(jié)

再次強(qiáng)調(diào)，不要忽略所有注意的地方！我已經(jīng)寫(xiě)了很長(zhǎng)時(shí)間了，但是實(shí)際上回到書(shū)本，其實(shí)只是書(shū)本一二兩章的內(nèi)容的部分。還有很多有趣的東西還沒(méi)有涉及到，因此這只是基本操作總覽的第一部分。我們會(huì)在之后的筆記涉及到剩下的部分。

下一節(jié)我們會(huì)說(shuō)函數(shù)，常用函數(shù)集合，向量中的因子，排序，數(shù)據(jù)框，存儲(chǔ)與導(dǎo)入外部數(shù)據(jù)等其余的基本操作。

感謝支持我的各位！筆芯~~

TML 代碼約定

很多 Web 開(kāi)發(fā)人員對(duì) HTML 的代碼規(guī)范知之甚少。

在2000年至2010年，許多Web開(kāi)發(fā)人員從 HTML 轉(zhuǎn)換到 XHTML。

使用 XHTML 開(kāi)發(fā)人員逐漸養(yǎng)成了比較好的 HTML 編寫(xiě)規(guī)范。

而針對(duì)于 HTML5 ，我們應(yīng)該形成比較好的代碼規(guī)范，以下提供了幾種規(guī)范的建議。

使用正確的文檔類型

文檔類型聲明位于HTML文檔的第一行：

<!DOCTYPE html>

如果你想跟其他標(biāo)簽一樣使用小寫(xiě)，可以使用以下代碼：

<!doctype html>

使用小寫(xiě)元素名

HTML5 元素名可以使用大寫(xiě)和小寫(xiě)字母。

推薦使用小寫(xiě)字母：

混合了大小寫(xiě)的風(fēng)格是非常糟糕的。
開(kāi)發(fā)人員通常使用小寫(xiě) (類似 XHTML)。
小寫(xiě)風(fēng)格看起來(lái)更加清爽。
小寫(xiě)字母容易編寫(xiě)。

不推薦:

</SECTION>

非常糟糕:

</SECTION>

	現(xiàn)在省略 head 標(biāo)簽還不推薦使用。

	在逗號(hào)和分號(hào)后添加空格是常用的一個(gè)規(guī)則。

您的項(xiàng)目需求

*請(qǐng)認(rèn)真填寫(xiě)需求信息，我們會(huì)在24小時(shí)內(nèi)與您取得聯(lián)系。

整合營(yíng)銷服務(wù)商

初始R語(yǔ)言

目錄

R語(yǔ)言環(huán)境初探

一些基本的素養(yǎng)和操作

小結(jié)

您的項(xiàng)目需求