# <-, =

# +, -, *, /, ^

# sqrt, exp, log, log10, log2

# round, floor, ceiling

# 自定义函数
my_add <- function(x,y){x+y}

# I/O:
# I: read.table, read.csv, read.delim
# O: print, cat, write

# 向量
v1 <- 1:10
v1 + 100  # 四则运算自动广播
v1 * 2

v2 <- 21:30
v2 - v1   # 等长向量可进行四则运算

# 数据类型: 逻辑型, 字符串, 数字 ...

# 数据结构: 向量, 矩阵, 列表, 数据框 ...

# 向量的下标和子集
v1[2]
v1[c(1,3)]
v1[3:5]
v1[c(-1,-10)]
v1[v1>5] # 逻辑下标

# 数据框 dataframe
d <- data.frame(
    name=c("李明", "张聪", "王建"), 
    age=c(30, 35, 28), 
    height=c(180, 162, 175),
    stringsAsFactors=FALSE
)
##   name age height
## 1 李明  30    180
## 2 张聪  35    162
## 3 王建  28    175

# 流程控制
## 判断
if(CONDITION1){
    EXPR1
}else if(CONDITION2){
    EXPR2
}else{
    EXPR3
}

ifelse(CONDITION, EXPR-TRUE, EXPR-FALSE) # ? : 

## 循环
for(i in 1:5){
    # do sth...
}

while(CONDITION){
    # do sth...
}

repeat{
    # do sth...
    if(CONDITION){break}
}

# 基本统计函数
min, max, median, sd, quantile

# 基本统计检验
t.test
wilcox.test
cor.test
chisq.test

# 聚类分析
kmeans
hclust, dist

# 感觉有点不对劲, 但又说不上来:
ggplot(penguins,aes(x = bill_depth_mm, y = bill_length_mm)) +
    geom_point() + 
    geom_smooth(method="lm") + 
    theme_bw(base_size=18)

# 这下舒服了:
ggplot(penguins,aes(x = bill_depth_mm, y = bill_length_mm, color = species)) + 
    geom_point() + 
    geom_smooth(method="lm") + 
    theme_bw(base_size=18)

# 加亿点点细节
ggplot(penguins, # 选择x轴,y轴数据映射, 以及颜色映射
            aes(x = bill_depth_mm,
                y = bill_length_mm,
                color = species)) + 
    geom_point(size=4,alpha=0.7) + # 点的大小和透明度
    geom_smooth(method="lm") + # 线性回归拟合
    scale_color_brewer(palette="Dark2") + # 配色方案
    labs(x = "Bill depth (mm)",   # x轴标题
         y = "Bill length (mm)",  # y轴标题
         title = "Flipper and bill length correlation" # 总标题
         ) + 
    theme_bw(base_size=18) + # 纯白主题, 总字体大小
    theme(legend.position=c(0.1, 0.15)) # 图列位置