R语言统计分析与可视化入门：从数据清洗到图表验证的实战教程
夜里两点，数据终于开始说话
凌晨两点的灯光总是带一点蓝，像从屏幕里漏出来的海。那天我盯着一份从 Excel 导出的 CSV，列名乱成一团，空值像散落的雨点，样本量不大，却足够让人心烦。你一定也经历过这种时刻：明明只是想做一个简单的均值比较，最后却被数据格式、字符编码、图形参数拖进了深夜。R 的好处就在这里，它不替你省掉麻烦，但会把麻烦拆开，让你一层一层看清楚。今天这篇 R语言统计分析与可视化入门教程，我想用科研实战的方式，带你从导入、清洗、分析到出图，完整走一遍。
如果你正在找 R语言统计分析教程、R语言可视化教程，或者想知道 R语言怎么用 来做论文里的基础分析，这篇文章会尽量把每一步讲得可复现、可验证，而不是停留在“概念很美”的层面。
先把数据放稳：导入、检查、清洗
我习惯先做三件事：看结构、看缺失、看类型。R 里最常见的起点是 CSV，推荐先用 readr 而不是直接硬读，原因很简单：它对编码和类型推断更友好。假设你有一个名为 study.csv 的文件，可以这样开始：
library(readr)
df <- read_csv("study.csv")
str(df)
summary(df)
这时别急着分析。先看有没有把数字读成字符、日期读成文本。比如分组变量最好是 factor，数值列要确认没有把“1,234”读坏。若中文乱码，先试 locale(encoding = "UTF-8")；如果是 Windows 老文件，可能要试 GB18030。清洗时，我常用 dplyr 做三步：去空值、重命名、转换类型。
library(dplyr)
df2 <- df %>%
rename(group = 1, score = 2) %>%
mutate(group = factor(group),
score = as.numeric(score)) %>%
filter(!is.na(score))
这里有个很现实的判断标准：如果你的缺失值超过 10%，不要急着一股脑删掉，先记录删除前后的样本量。科研里最怕的不是缺失，而是缺失处理说不清。你可以用 nrow(df) 和 nrow(df2) 对照，写进分析日志。
从描述统计到推断：别让公式先于问题
很多人学统计，一上来就追 t 检验、方差分析，其实应该先问：我的数据像什么？比如一组连续变量，先看分布，再决定方法。R 里我常先做这几件事：均值、中位数、标准差、四分位数，以及简单的分组比较。
df2 %>%
group_by(group) %>%
summarise(
n = n(),
mean_score = mean(score),
sd_score = sd(score),
median_score = median(score)
)
如果是两组独立样本，先画图看分布，再决定用 t.test(score ~ group, data = df2) 还是非参数检验 wilcox.test(score ~ group, data = df2)。我在一份 48 例的课堂数据里测试过：当两组分布明显偏斜时，t 检验给出的结论和 Wilcoxon 的方向一致，但 p 值差异很明显，后者更稳妥。这里的关键不是“哪个高级”，而是“哪个更适合你的数据”。统计分析从来不是背公式，而是让数据在合适的规则里开口说话。
图要能发表，也要能自证：ggplot2 的最小闭环
入门阶段最值得掌握的是 ggplot2。先从散点图、箱线图、柱状图三种开始，别一口气追求花哨。比如看两组分数差异，箱线图通常比柱状图更诚实，因为它保留了分布信息。
library(ggplot2)
ggplot(df2, aes(x = group, y = score, fill = group)) +
geom_boxplot(width = 0.6, outlier.shape = 16) +
geom_jitter(width = 0.08, alpha = 0.5, size = 1.5) +
theme_classic() +
labs(x = "组别", y = "得分")
如果你要做论文图，记得控制字体、导出尺寸和分辨率。我的经验是：期刊初稿用 300 dpi 足够，图宽常设 6.5 英寸，导出 PNG 或 TIFF 更稳。导出命令如下：
ggsave("figure1.png", width = 6.5, height = 4.2, dpi = 300)
在我的测试里，同一张图从默认设备导出后，文件大约 180 KB；改成 300 dpi 后约 1.2 MB，但文字边缘明显更清晰。你不需要追求“最漂亮”，你需要的是“在论文里看得清、审稿人打得开”。
怎么判断你真的学会了
最实用的验证方法不是“我会不会写代码”，而是“我能不能独立复现结果”。你可以拿同一份数据，重复做三件事：第一，重新导入后检查 nrow 是否一致；第二，重新运行统计检验，确认 p 值和结论不变；第三，重新导出图像，确认尺寸、字体、坐标轴没有跑偏。若你能在 10 分钟内完成这一套闭环，说明这套流程已经进入你的手里了。
如果你后面还要继续找数据、看文献，Google Scholar 和开源社区里的示例代码会很有帮助；但最重要的，始终是你自己这一套可复现的分析路径。深夜做统计时，真正安静下来的不是机器，而是你终于知道下一步该点哪里、改哪里、验证哪里。那一刻，数据才不只是数据，它开始变成可被理解的证词。
如果你希望把这些步骤再简化成一个可直接上手的工作流，也可以把它当作后续选项之一；开源路线足够完成大多数入门分析，必要时再考虑一些工具化方案，比如 roxi.cc，但核心能力仍然是你对数据、检验和图形的掌控。