1、双冒号，即：“::”
要使用某个包里的函数，通常做法是先加载（library）包，再调用函数。最新加载的包的namespace会成为最新的enviroment，某些情况下可能影响函数的结果。而package name::functionname的用法，一是可以在需要用某个函数时临时直接加载包，不用事先library。另一点更重要的是尽可能减少library带来的附带作用，这一点在开发R包时影响较大。而这种写法的副作用，是会稍微慢上那么几毫秒，在需要反复循环使用一个函数时对效率有影响，其他时候除了写起来麻烦一点，基本没有显见的副作用。
2、%>% （向右操作符，forward-pipe operator）
把左侧的数据或表达式，传递给右侧的函数调用或表达式进行运行，可以连续操作。相当于将左边的作为右边函数的第一个参数。
现实原理如下图所示，使用%>%把左侧的程序的数据集A传递右侧程序的B函数，B函数的结果数据集再向右侧传递给C函数，最后完成数据计算。
例如：
- f(x,y)等价于x %>% f(y)
- g(f(x,y),z)等价于x %>% f(y) %>% g()
library(ggplot2)
library(dplyr)
cut_depth <- group_by(diamonds,cut,depth)
cut_depth <- summarise(cut_depth,n=n())
cut_depth <- filter(cut_depth,depth>55,depth<70)
cut_depth <- mutate(cut_depth,prop=n/sum(n))
cut_depth
# 使用%>%
cut_depth1 <- diamonds%>%
group_by(cut,depth)%>%
summarise(n=n())%>%
filter(depth>55,depth<70)%>%
mutate(prop=n/sum(n))
cut_depth1
# 另外一个例子
library(magrittr)
set.seed(123) #设置种子序列，保证结果可重复
n1<-rnorm(10000)
n2<-abs(n1)*50
n3<-matrix(n2,ncol = 100)
n4<-round(rowMeans(n3))
hist(n4%%7)
# 使用 %>%
set.seed(123)
rnorm(10000) %>%
abs %>% `*` (50) %>%
matrix(ncol=100) %>%
rowMeans %>% round %>%
`%%`(7) %>% hist3、%T>%（向左操作符，tee operator)
功能和 %>% 基本是一样的，只不过它是把左边的值做为传递的值，而不是当前步计算得到的值。
现实原理如下图所示，使用%T>%把左侧的程序的数据集A传递右侧程序的B函数，B函数的结果数据集不再向右侧传递，而是把B左侧的A数据集再次向右传递给C函数，最后完成数据计算。
例子：
假设我们计算如下：
library(magrittr)
set.seed(123)
rnorm(10000) %>%
abs %>% `*` (50) %>%
matrix(ncol=100) %>%
rowMeans %>% round %>%
`%%`(7) %>% hist %>% sum
提示报错。这是由于输出直方图后，返回值为空，那么再继续使用管道，就会把空值向右进行传递，这样计算最后一步时就会出错。这时我们需求的是，把除以7的余数向右传递给最后一步求和。
使用%T>%改成如下：
library(magrittr)
set.seed(123)
rnorm(10000) %>%
abs %>% `*` (50) %>%
matrix(ncol=100) %>%
rowMeans %>% round %>%
`%%`(7) %T>% hist %>% sum
计算出结果。
4、 %$% (解释操作符，exposition pipe-operator)
%$%的作用是把左侧数据的属性名传给右侧，让右侧的调用函数直接通过名字，就可以获取左侧的数据。比如，我们获得一个data.frame类型的数据集，通过使用 ，在右侧的函数中可以直接使用列名操作数据。
现实原理如下图所示，使用%$%把左侧的程序的数据集A传递右侧程序的B函数，同时传递数据集A的属性名，作为B函数的内部变量方便对A数据集进行处理，最后完成数据计算。
例子：
下面定义一个10行3列的data.frame，列名分别为x,y,z，获取x列大于5的数据集。使用 %$% 把列名x直接传到右侧进行判断。这里.代表左侧的完整数据对象。一行代码就实现了需求，而且这里不需要显示的定义中间变量。
library(magrittr)
set.seed(123)
df<-data.frame(x=1:10,y=rnorm(10),z=letters[1:10])
df[df$x>5,]
# 使用%$%后
set.seed(123)
data.frame(x=1:10,y=rnorm(10),z=letters[1:10]) %$% .[x>5,]5、%<>% (复合赋值操作符，compound assignment pipe-operator)
%<>%复合赋值操作符， 功能与 %>% 基本是一样的，多了一项额外的操作，就是把结果写回到最左侧的对象（覆盖原来的值）。比如，我们需要对一个数据集进行排序，那么需要获得排序的结果，用%<>%就是非常方便的。
现实原理如下图所示，使用%<>%把左侧的程序的数据集A传递右侧程序的B函数，B函数的结果数据集再向右侧传递给C函数，C函数结果的数据集再重新赋值给A，完成整个过程。
例子：
library(magrittr)
set.seed(123)
x<-rnorm(10)
x %>% abs %>% sort
x # 取完绝对值，排完序之后的结果并没有直接写到x里面去
# 使用%<>%
set.seed(123)
x<-rnorm(10)
x %<>% abs %>% sort
x # 但是如果使用%<>%操作符，你会发现取完绝对值，排完序之后的结果直接覆盖掉了原来的x。6、符号：$
$符号用于提取数据框（data frame）或列表（list）中的成员。它允许访问数据框或列表中的某个列（成员），并返回该列的值。
例子：
df <- data.frame(name = c("Alice", "Bob", "Charlie"),
age = c(25, 30, 35))
df$name
df$age
注意：$符号只能用于数据框和列表类型的对象，不能用于向量和其他对象。
7、as.factor 或 factor函数作用
as.factor函数用于将一个变量转换为因子（factor）类型（强制转换），分组时用的较多。因子是R语言中用于表示分类变量的数据类型。当将一个变量转换为因子时，R会自动将变量的不同取值作为因子的水平（level），并将原始变量的值替换为对应水平的编码。可以使用as.factor()函数取代factor()函数。
例子：
gender <- c("男", "女", "男", "男", "女")
gender_factor <- as.factor(gender)
gender_factor
这里返回结果包括以下两个。
- x向量，这是将转换为因子的向量。
- levels：原x向量内元素的可能值。
可以使用参数levels强制设定分类数据的顺序：
gender <- c("男", "女", "男", "男", "女")
gender_factor <- factor(gender, levels=c("女", "男"))
gender_factor如果有缺失的Levels值，也可以使用levels参数设置完整的Levels数据：
gender <- c("男", "女", "男", "男", "女")
gender_factor <- factor(gender, levels=c("女", "男", "中"))
gender_factor将因子水平进行修改：
gender <- c("男", "女", "男", "男", "女")
gender_factor <- factor(gender, levels=c("女", "男", "中"), labels = c("1","2","3"))
gender_factor注意：指定levels时，使用as.factor会报错。
8、aes 函数作用
aes函数是ggplot2包中的一个重要函数，用于创建美学映射（Aesthetic Mapping），即将数据的变量映射到图形的美学属性上。
aes函数的使用通常发生在ggplot()函数中的mapping参数中。它允许将数据的变量映射到图形的不同属性，如颜色、形状、大小、位置等。通过将美学属性与具体的数据列关联，可以创建丰富多样的图形效果，并在不同的图层中进行数据可视化。
# 映射函数，函数的最常见参数有两个
# x：x向量，将数据映射到本图层的x轴
# y：y向量，将数据映射到本图层的y轴
# …：其他向量，将数据映射到本图层的其他几何要素上
library(ggplot2)
aes(x, y, ...)9、scale_colour_manual 函数作用
scale_colour_manual是ggplot2包中的一个函数，用于手动自定义颜色映射。它允许用户指定不同数据值对应的颜色，以及设置相应的标签和图例。
scale_colour_manual函数通常与ggplot函数中的aes函数和相关的图层函数（如geom_point、geom_line等）一起使用，用于自定义颜色映射。例如，使用以下代码可以创建一个散点图，并手动指定数据值1对应的颜色为红色，数据值2对应的颜色为蓝色。
library(ggplot2)
# 创建数据框
df <- data.frame(x = c(1, 2, 1, 2), y = c(1, 2, 2, 1), group = c(1, 1, 2, 2))
# 绘制散点图，并手动指定颜色映射
ggplot(data = df, mapping = aes(x = x, y = y, color = factor(group))) +
geom_point() + # 绘制散点图
scale_color_manual(values = c("red", "blue"))上述代码首先创建了一个数据框df，其中包含了三个变量x、y和group。然后使用ggplot函数创建一个散点图，并使用aes函数将x映射到x轴，y映射到y轴，group映射到颜色属性。最后，使用geom_point函数绘制散点图，并使用scale_color_manual函数手动指定颜色映射，将group为1的数据值映射为红色，group为2的数据值映射为蓝色。
通过调整scale_color_manual函数中的values参数，可以指定更多数据值对应的颜色。
10、scale_fill_manual 函数作用
scale_fill_manual是ggplot2包中的一个函数，用于手动自定义填充颜色的映射。它允许用户指定不同数据值对应的填充颜色，以及设置相应的标签和图例。
scale_fill_manual函数通常与ggplot函数中的aes函数和相关的图层函数（如geom_bar、geom_area等）一起使用，用于自定义填充颜色映射。例如，使用以下代码可以创建一个柱状图，并手动指定不同类别的填充颜色。
library(ggplot2)
# 创建数据框
df <- data.frame(category = c("A", "B", "C", "D"),
value = c(10, 15, 20, 25))
# 创建柱状图，并手动指定填充颜色映射
ggplot(data = df, mapping = aes(x = category, y = value, fill = category)) +
geom_col() +
scale_fill_manual(values = c("red", "blue", "green", "yellow"))上述代码首先创建了一个数据框df，其中包含了两个变量category和value。然后使用ggplot函数创建一个柱状图，并使用aes函数将category映射到x轴，value映射到y轴，以及作为柱子的填充颜色。最后，使用geom_col函数绘制柱状图，并使用scale_fill_manual函数手动指定填充颜色映射，将不同的category类别映射为不同的颜色。
通过调整scale_fill_manual函数中的values参数，可以指定更多数据值对应的填充颜色。
11、stat_ellipse 函数作用
stat_ellipse是ggplot2包中的一个统计变换函数，用于在散点图上添加椭圆。它可以根据给定的数据点的均值和协方差矩阵，绘制出椭圆来表示数据的分布情况，提供了对数据集的可视化描述。
stat_ellipse函数通常与geom_point函数一起使用，用于在散点图上显示椭圆。例如，使用以下代码可以创建一个带有椭圆的散点图。
library(ggplot2)
# 创建数据框
df <- data.frame(x = rnorm(100), y = rnorm(100))
# 绘制散点图，并添加椭圆
ggplot(data = df, mapping = aes(x = x, y = y)) +
geom_point() +
stat_ellipse()上述代码首先创建了一个数据框df，其中包含了两个随机生成的变量x和y。然后使用ggplot函数创建一个散点图，并使用aes函数将x映射到x轴，y映射到y轴。最后，使用geom_point函数绘制散点图，并使用stat_ellipse函数添加椭圆。
stat_ellipse函数默认使用95%的置信区间绘制椭圆，即表示数据的大致范围。还可以通过调整参数来定制椭圆的样式，例如设置椭圆的颜色、填充、线条类型等。
完整例子：
## 设置种子
set.seed(20240208)
## R包加载
library(ggplot2)
## 数据构建(无意义)
data1<-data.frame(x=rnorm(500,mean = 15,sd=10),
y=rnorm(500,mean = 10,sd=10))
data2<-data.frame(x=rnorm(500,mean = 20,sd=10),
y=rnorm(500,mean = 15,sd=10))
data<-rbind(data1,data2)
## kmeans聚类
kmeans<-kmeans(data,2,nstart = 1000)
data$cluster<-as.factor(kmeans$cluster)
## 绘图
ggplot(data = data,aes(x=x,y=y,color=cluster))+
geom_point(alpha=0.3)+
stat_ellipse(aes(x=x,y=y,fill=cluster),geom = "polygon",level = 0.95,alpha=0.2)+
scale_colour_manual(values = c("#00AFBB","#FC4E07"))+
scale_fill_manual(values = c("#00AFBB","#FC4E07"))+
theme_bw()->p1
print(p1)
12、清理所有变量
rm(list=ls())13、查看R版本
R.version.string