在学习数据分析之初看过一遍 R语言实战（前8章），并且把其中的代码敲了一遍，当时没有做笔记。后来基本上用python
作为工具。这篇文章是为了总结回顾当时的学习重点内容和一些感想（以后要提醒自己，不动笔墨不读书哦~），通过对R语言的学习，也能更加深入的理解统计这门学问。
与python相比，R更倾向于专业的统计分析，而python有更强的软件工程能力。
当时在R上花费的时间不少，其实更应该在python上多放些精力。这又是一个没有全局观的例子。
一 R的使用
第一章让我对R环境有一个整体的感觉。这种熟悉的感觉能让人克服学习中的无意识恐惧感，对增加学习效率是很有帮助的。
试图去解决问题也是这样，想得越多，尝试得越多，恐惧感越少，问题被解决的可能性也越大。就像狐狸对小王子说的：驯化就是创造关系，成为真正的朋友之后就会住在心里。
1.1 赋值符：<-
1.2 R 提供了强大的帮助功能，在语言学习过程中，我越发意识到，遇到问题时与其在网页上七搜八索，
不如认认真真看看第一手的帮助文档。
1.3 工作目录：读写文件的目录。
getwd()：查询；setwd():设置
路径格式：
1.4 R也可以保存历史命令：savehistory()
1.3 输入输出：
执行脚本文件source('filename')
图形输出：文件类型明（"filename.文件类型''）
1.4 R中有大量扩展包（如同python），这些包提供了横跨各种领域、数量惊人的新功能，包括分析地理数据、处理蛋白质质谱，甚至是心理测验分析的功能。为什么有的人精通python还要了解R，不是这种语言本身的魅力，而是因为这个社区凝结了大量开放的的知识和经验。再次重申，有了一个想法，不需要从零开始去构建，要善于搜索和学习。综合性的学习应用能力是我们人类最了不起的地方。
包的安装、更新和载入：
install.packages()/updata.packages()/library()
通过包的小演示来学习如何使用一个包。
1.5 批处理和交互式处理。
交互式处理就是结果随着指令而输出；批处理是写好一段程序，然后执行。
1.5 R可以处理GB到TB级别的数据，但是需要特别的统计手段。
我发现这本书其中的内容绝大多数是关于R代码。对启发我的项目思路并没有什么帮助，暂且放下了。
以后用到R再补来补充。这本书（工具书）更适合查询。