R语言数据分析标准化实验指引课件

R语言数据分析标准化实验指引标准化实验·数据驱动·可复现研究汇报人课程教学团队日期2026年课程导览01环境与规范搭建标准化实验环境，建立数据规范02数据预处理识别脏数据问题，掌握清洗方案03核心分析流程描述统计、推断统计与建模04结果呈现与报告规范可视化与报告输出05考核与闭环明确考核标准与持续改进01环境与规范标准化从环境开始搭建可复现的实验环境，建立统一的数据规范课程定位与课堂约定标准化是实验可信的根基，更是结论可复现的前提掌握R语言数据分析的标准化实验流程，独立完成从数据导入到报告输出的完整实验标准化三要素环境一致代码可复现结果可追溯课堂约定所有实验均使用RStudio脚本按统一命名规范保存期末产出一份完整的数据分析实验报告涵盖数据、代码、结果与结论R与RStudio安装配置掌握R与RStudio的安装与初始配置环境基础2项基础组件安装

R

运行环境与

RStudio

集成开发环境版本原则均使用近期稳定版本，避免版本差异导致结果不一致初始配置3项初始检查安装后运行

sessionInfo()

确认版本信息编码设置统一使用

UTF-8

编码处理中文数据镜像配置设置国内镜像源，提升包安装速度R包管理与工作目录“规范安装与目录，让实验从开始就清晰可复现。”“工作目录规范——setwd()

设置项目目录，独立文件夹分目录存放，数据、脚本、结果各归其位。”安装与加载3步安装使用

install.packages()

安装所需扩展包常用包tidyverse（数据处理）、ggplot2（可视化）、dplyr（数据操作）加载实验开始时用

library()

统一声明依赖包数据规范与命名约定版本记录：重要脚本保留版本号，便于回溯修改过程数据文件统一使用

CSV

格式存储，首行为列名，避免中文列名出现空格命名约定脚本名采用"实验序号_功能"格式，如

01_data_clean.R变量命名使用小写字母与下划线，如

height、age_group编码一致性数据、脚本、报告统一使用

UTF-8

编码脚本编写与版本管理脚本是标准化实验的基石01脚本编写规范按四段组织确保流程清晰可复现结构规范：脚本按“加载包、导入数据、处理数据、输出结果”四段组织注释习惯：关键步骤添加注释，说明操作目的与输入输出可复现性：避免交互式输入，所有分析步骤写入脚本一次执行版本管理：使用文件版本号或Git记录脚本修改历史输出规范：中间结果统一保存为rds或csv文件，保证流程可追溯课程定位与课堂约定标准化，让每一个实验都可复现、可追溯掌握R语言数据分析的标准化实验流程，独立完成从数据导入到报告输出的完整实验标准化三要素环境一致统一分析环境，消除运行差异代码可复现同一脚本产出同一结果结果可追溯每一步结论皆有依据可查课堂约定统一工具所有实验均使用RStudio统一规范脚本按统一命名规范保存期末产出实验报告一份完整的数据分析实验报告四要素齐全涵盖数据、代码、结果与结论R与RStudio安装配置介绍R与RStudio的安装与初始配置，正文用要点呈现关键步骤基基础环境基础组件：安装R运行环境与RStudio集成开发环境版本原则：R与RStudio均使用近期稳定版本，避免版本差异导致结果不一致检初始检查运行安装后运行

sessionInfo()

确认版本信息编编码设置UTF-8统一使用

UTF-8

编码处理中文数据镜镜像配置镜像设置国内镜像源，提升包安装速度R包管理与工作目录安装方式使用

install.packages()

安装所需扩展包常用包tidyverse：数据处理ggplot2：可视化dplyr：数据操作加载方式实验开始时用

library()

统一声明依赖包目录设置使用

setwd()

设置项目目录保持数据与脚本相对路径稳定项目化原则每个实验建立独立文件夹数据、脚本、结果分目录存放数据规范与命名约定统一规范，从源头保证数据质量统一规范，从源头保证数据质量数据文件CSV统一使用CSV格式存储，首行为列名，避免中文列名出现空格。命名约定格式脚本名采用实验序号_功能格式，如

01_data_clean.R变量命名命名使用小写字母与下划线，如

height、age_group编码一致性UTF-8数据、脚本、报告统一使用UTF-8编码。版本记录版本号重要脚本保留版本号，便于回溯修改过程。脚本编写与版本管理脚本是标准化实验的载体，规范编写与版本管理保障可复现性脚本是标准化实验的载体，规范编写与版本管理保障可复现性可复现性结构规范脚本按加载包、导入数据、处理数据、输出结果四段组织注释习惯关键步骤添加注释，说明操作目的与输入输出可复现性避免交互式输入，所有分析步骤写入脚本一次执行版本管理使用文件版本号或Git记录脚本修改历史输出规范中间结果统一保存为rds或csv文件，保证流程可追溯课程定位与课堂约定从数据到报告，一气呵成掌握标准化实验流程，独立完成从数据导入到报告输出的完整实验R语言数据分析4项课程目标掌握R语言数据分析的标准化实验流程，独立完成从数据导入到报告输出的完整实验标准化三要素环境一致、代码可复现、结果可追溯课堂约定所有实验均使用RStudio，脚本按统一命名规范保存期末产出一份完整的数据分析实验报告，涵盖数据、代码、结果与结论R与RStudio安装配置安装R与RStudio并完成初始配置安装配置要点5项基础组件安装

R

运行环境与

RStudio

集成开发环境版本原则R与RStudio均使用近期稳定版本，避免版本差异导致结果不一致初始检查安装后运行

sessionInfo()

确认版本信息编码设置统一使用

UTF-8

编码处理中文数据镜像配置设置国内镜像源，提升包安装速度R包管理与工作目录安装扩展包并规范工作目录5项安装方式使用

install.packages()

安装所需扩展包常用包tidyverse（数据处理）、ggplot2（可视化）、dplyr（数据操作）加载方式实验开始时用

library()

统一声明依赖包工作目录使用

setwd()

设置项目目录，保持数据与脚本相对路径稳定项目化原则每个实验建立独立文件夹，数据、脚本、结果分目录存放数据规范与命名约定统一数据文件与变量命名规范5项数据文件统一使用

CSV

格式存储，首行为列名，避免中文列名出现空格命名约定脚本名采用实验序号_功能格式，如01_data_clean.R变量命名使用小写字母与下划线，如height、age_group编码一致性数据、脚本、报告统一使用

UTF-8

编码版本记录重要脚本保留版本号，便于回溯修改过程脚本编写与版本管理规范脚本结构与版本管理流程5项规范结构规范脚本按"加载包、导入数据、处理数据、输出结果"四段组织注释习惯关键步骤添加注释，说明操作目的与输入输出可复现性避免交互式输入，所有分析步骤写入脚本一次执行版本管理使用文件版本号或

Git

记录脚本修改历史输出规范中间结果统一保存为

rds

或

csv

文件，保证流程可追溯02数据预处理脏数据是分析的天敌识别数据质量问题，掌握标准化清洗流程数据导入与格式导入即检查，格式即规范读导入方式read_csv()导入

CSV

数据read_excel()导入

Excel

表格检查清单校验导入检查：立即查看

head()

前几行与

str()

数据结构常用函数：read_csv默认将字符串视为字符型，需检查关键列类型列名处理：导入后统一将列名转换为小写规范格式维度确认：使用

dim()

核对行数与列数是否与原始数据一致缺失值识别与处理识别缺失值的位置与统一表示，是进入处理策略前的必要准备。识别方法使用

is.na()

统计缺失值数量与位置缺失表示统一将空值、NA等转换为R标准缺失值

NA删除策略缺失比例低于阈值时可选择

删除

对应行插补策略数值型缺失可用均值或中位数

插补记录规则：任何缺失处理步骤必须在报告中说明方法与比例重复值与异常值筛查标准化筛查是数据质量保障的关键环节重复检测使用

duplicated()

识别完全重复的记录并去重关键重复基于关键字段组合判断重复，避免误删有效记录异常识别通过

min()、max()

与分位数函数检查取值是否越界箱线图法使用

boxplot()

直观识别偏离整体分布的极值处理原则异常值需结合专业知识判断，而非机械删除数据类型转换转换前先用str()与class()确认每列数据类型，是避免强制转换产生错误的前提。数值转换as.numeric()字符型数字转为

数值型。因子转换as.factor()分类变量转为

因子型。日期转换as.Date()统一日期格式，避免字符串比较。标准化清洗流程步骤核心操作检验标准导入检查read_csv导入并查看结构行列数与原始一致缺失处理统计并删除或插补缺失比例可追溯重复清理duplicated检测去重无完全重复记录异常筛查分位数与箱线图检查极值均有合理解释类型转换as.numeric等函数转换类型符合分析要求清洗是分析质量的前提，五步标准化流程：导入检查→缺失处理→重复清理→异常筛查→类型转换数据导入与格式导入干净，分析才可信导入方式主流格式使用

read_csv()

导入CSV数据，read_excel()

导入Excel表格常用函数read_csv默认将字符串视为

字符型，需检查关键列类型导入检查导入检查导入后立即查看

head()

前几行与

str()

数据结构维度确认使用

dim()

核对行数与列数是否与原始数据一致列名规范列名处理导入后可统一将列名转换为

小写规范格式缺失值识别与处理识别缺失值并采取合理处理策略，确保数据清洗规范可追溯。识别缺失值并采取合理处理策略，确保数据清洗规范可追溯。识别与标准化2项识别方法使用

is.na()

统计缺失值数量与位置缺失表示统一将空值、NA等转换为R标准缺失值

NA处理策略与记录3项策略一缺失比例低于阈值时可选择

删除

对应行策略二数值型缺失可用均值或中位数

插补记录规则任何缺失处理步骤必须在报告中说明

方法与比例重复值与异常值筛查系统筛查重复值与异常值，避免误删有效记录、漏判极端数据。双重筛查机制，保留有效记录、识别极端数据重复检测使用

duplicated()

识别完全重复的记录并去重基于关键字段组合判断重复，避免误删有效记录异常识别通过

min()、max()

与分位数函数检查取值是否越界使用

boxplot()

箱线图法直观识别偏离整体分布的极值处理原则异常值需结合专业知识判断，而非机械删除1212数据类型转换R中的数据类型检查与转换操作校验规则：转换后再次检查，确认无因强制转换产生的NA转换前先检查，转换后再校验类型查看：使用

str()

与

class()

确认每列数据类型01数值转换as.numeric()

将字符型数字转为

数值型02因子转换as.factor()

将分类变量转为

因子型03日期转换as.Date()

统一日期格式，避免字符串比较标准化清洗流程步骤核心操作检验标准导入检查read_csv

导入并查看结构行列数与原始一致缺失处理统计并删除或插补缺失比例可追溯重复清理duplicated

检测去重无完全重复记录异常筛查分位数与箱线图检查极值均有合理解释类型转换as.numeric

等函数转换类型符合分析要求清洗是分析质量的前提，标准化五步流程确保数据可靠数据导入与格式导入数据五步检查5步主流格式使用

read_csv()

导入

CSV

数据，read_excel()

导入Excel表格导入检查导入后立即查看

head()

前几行与

str()

数据结构常用函数read_csv默认将字符串视为

字符型，需检查关键列类型列名处理导入后可统一将列名转换为

小写规范格式维度确认使用

dim()

核对行数与列数是否与原始数据一致缺失值识别与处理缺失值识别2项数量与位置统计使用

is.na()

统计缺失值数量与位置统一缺失表示将空值、NA

等统一转换为R标准缺失值

NA缺失值处理3项删除对应行缺失比例低于阈值时可选择删除对应行统计量插补数值型缺失可用均值或中位数插补记录处理规则任何缺失处理步骤须在报告中说明方法与比例重复值与异常值筛查重复值检测2项完全重复使用duplicated()识别完全重复的记录并去重关键重复基于关键字段组合判断重复，避免误删有效记录异常值筛查3项异常识别通过min()、max()与分位数函数检查取值是否越界箱线图法使用boxplot()直观识别偏离整体分布的极值处理原则异常值需结合专业知识判断，而非机械删除数据类型转换类型查看与转换3项类型查看使用

str()

与

class()

确认每列数据类型数值转换使用

as.numeric()

将字符型数字转为

数值型因子转换使用

as.factor()

将分类变量转为

因子型日期转换与校验2项日期转换使用

as.Date()

统一日期格式，避免字符串比较校验规则转换后再次检查，确认无因强制转换产生的

NA标准化清洗流程步骤核心操作检验标准导入检查read_csv导入并查看结构行列数与原始一致缺失处理统计并删除或插补缺失比例可追溯重复清理duplicated检测去重无完全重复记录异常筛查分位数与箱线图检查极值均有合理解释类型转换as.numeric等函数转换类型符合分析要求03核心分析流程让分析有章可循描述统计、推断统计与建模的标准化路径描述统计基础核核心指标Q如何计算集中趋势？A使用

mean()

计算均值，median()

计算中位数Q如何量化离散程度？A使用

sd()

计算标准差，IQR()

计算四分位距Q如何快速了解分布概况？A使用

summary()

一次性获得最小值、分位数与均值Q如何实现分组统计？A使用

group_by()

与

summarise()

按组汇总指标呈呈现规范Q描述统计结果应以何种形式呈现？A应以表格形式清晰列出数据分布可视化可视化辅助判断后续统计方法的选择依据直方图hist()观察分布形态使用

hist()

或

geom_histogram()

观察数值型变量分布形态箱线图boxplot()比较组间差异使用

boxplot()

比较不同组别的分布差异与离群点分布判断正态?是否接近正态结合图形判断数据是否接近

正态分布分组呈现facet_wrap()分面展示分布使用

facet_wrap()

按类别分面展示分布假设检验与推断统计假设检验是推断统计的核心工具，遵循标准化流程1建立假设设定

原假设

与

备择假设2选择检验依据数据形态选择

参数

或

非参数

检验3前提检查先检验数据是否满足

正态性

与

方差齐性4执行检验使用

t.test()

比较单组与目标值或两组均值差异5解读结果根据

p值

与显著性水平判断是否拒绝原假设相关性分析相关不代表因果，需结合专业背景解释相关不代表因果，需结合专业背景解释相关性分析方法4项计算方法使用

cor()

计算两个数值型变量的相关系数系数类型根据数据分布选择

Pearson

或

Spearman

相关系数显著性检验使用

cor.test()

判断相关性是否显著相关矩阵使用

corrplot

包可视化多变量相关关系方差分析适用场景：比较

三个及以上

组别的均值差异建模Step01aov()使用

aov()

建立单因素方差分析模型检验Step02F值与p值使用

summary()

查看F值与p值判断组间差异事后比较Step03TukeyHSD()差异显著时用

TukeyHSD()

进行多重比较前提验证Step04正态性·方差齐性检查各组数据是否满足正态性与方差齐性回归建模基础五步完成回归建模1模型建立使用

lm()

构建线性回归模型2公式语法使用

y~x

表达因变量与自变量的关系3系数解读通过

summary()

查看回归系数与显著性4拟合评估关注

R²

判断模型解释能力5前提检查检验残差是否满足独立、正态与同方差假设模型评估与诊断评估模型，先看拟合，再查系数，后诊残差“诊断结果异常时，考虑变量变换或模型修正。”1拟合优度使用

R²

与调整

R²

评估解释力度2系数检验检查各系数的

p值与置信区间3残差诊断用

plot()

输出残差图检查假设4异常点识别关注残差图与杠杆值判断影响点标准化分析流程分析阶段核心方法输出结果描述统计mean、sd、summary中心与离散指标推断统计t.test、aov、cor.testp值与显著性判断建模分析lm与模型诊断系数与拟合优度结果记录表格与图形结合可复现的分析结论“标准路径：描述、推断、建模三步递进，每步有明确的检查标准”描述统计基础集中趋势mean()

计算均值median()

计算中位数离散程度sd()

计算标准差IQR()

计算四分位距分布概况summary()

一次性获得最小值、分位数与均值分组统计group_by()

与

summarise()

按组汇总指标呈现规范描述统计结果应以表格形式清晰列出数据分布可视化可视化目的：用图形辅助判断后续统计方法的选择依据分布判断结合图形判断数据是否接近

正态分布分组呈现使用

facet_wrap()

按类别分面展示分布直方图使用

hist()或geom_histogram()

观察数值型变量分布形态箱线图使用

boxplot()

比较不同组别的分布差异与离群点假设检验与推断统计“假设检验是推断统计的核心工具，遵循标准化流程得出可靠结论”—推断统计方法论▶假设检验五步流程框架建立原假设与备择假设，设定显著性水平t检验使用

t.test()

比较单组与目标值或两组均值差异前提先检验数据是否满足正态性与方差齐性解读根据

p值与显著性水平判断是否拒绝原假设选型依据数据形态选择参数或非参数检验相关性分析相关不代表因果，需结合专业背景解释计算方法使用

cor()

计算两个数值型变量的相关系数cor()系数类型根据数据分布选择

Pearson

或

Spearman

相关系数PearsonSpearman显著性检验使用

cor.test()

判断相关性是否显著cor.test()相关矩阵使用

corrplot

包可视化多变量相关关系corrplot方差分析比较三个及以上组别的均值差异适用场景：比较

三个及以上

组别的均值差异01建立模型使用

aov()

建立单因素方差分析模型02检验结果使用

summary()

查看F值与p值判断组间差异03事后比较差异显著时用

TukeyHSD()

进行多重比较04前提验证检查各组数据是否满足正态性与方差齐性回归建模基础五步完成回归建模1模型建立使用

lm()

构建线性回归模型2公式语法使用

y~x

表达因变量与自变量的关系3系数解读通过

summary()

查看回归系数与显著性4拟合评估关注

R²

判断模型解释能力5前提检查检验残差是否满足独立、正态与同方差假设模型评估与诊断模型评估需从拟合优度到残差诊断层层递进，形成标准化检验闭环。标准化诊断流程5项拟合优度使用

R²

与调整

R²

评估模型解释力度系数检验检查各回归系数对应的

p值与置信区间残差诊断使用

plot()

输出残差图检查模型假设异常点识别关注残差图与杠杆值判断影响点模型改进诊断结果异常时考虑变量变换或模型修正标准化分析流程标准路径：描述、推断、建模三步递进，每步有明确的检查标准分析阶段核心方法输出结果描述统计mean、sd、summary中心与离散指标推断统计t.test、aov、cor.testp值与显著性判断建模分析lm与模型诊断系数与拟合优度结果记录表格与图形结合可复现的分析结论标准路径——描述、推断、建模三步递进，每步有明确的检查标准描述统计基础描述统计核心维度5项集中趋势使用

mean()

计算均值、median()

计算中位数离散程度使用

sd()

计算标准差、IQR()

计算四分位距分布概况使用

summary()

一次性获得最小值、分位数与均值分组统计使用

group_by()

与

summarise()

按组汇总指标呈现要点描述统计结果应以表格形式清晰列出数据分布可视化5项直方图使用

hist()

或

geom_histogram()

观察数值型变量分布形态箱线图使用

boxplot()

比较不同组别的分布差异与离群点分布判断结合图形判断数据是否接近

正态分布分组呈现使用

facet_wrap()

按类别分面展示分布可视化目的用图形辅助判断

后续统计方法的选择依据假设检验与推断统计1基本框架建立原假设与备择假设，设定显著性水平2t检验使用

t.test()

比较单组与目标值或两组均值差异3前提检查先检验数据是否满足正态性与方差齐性4结果解读根据p值与显著性水平判断是否拒绝原假设5检验选择依据数据形态选择参数或非参数检验相关性分析相关性分析方法5步计算方法使用

cor()

计算两个数值型变量的相关系数系数类型根据数据分布选择

Pearson

或

Spearman

相关系数显著性检验使用

cor.test()

判断相关性是否显著相关矩阵使用

corrplot

包可视化多变量相关关系解读注意相关不代表因果，需结合

专业背景

解释方差分析1适用场景比较

三个及以上组别

的均值差异2单因素分析使用

aov()

建立单因素方差分析模型3检验结果使用

summary()

查看

F值

与

p值

判断组间差异4事后比较差异显著时用

TukeyHSD()

进行多重比较5前提验证检查各组数据是否满足

正态性

与

方差齐性回归建模基础1模型建立使用

lm()

构建线性回归模型2公式语法使用

y~x

表达因变量与自变量的关系3系数解读通过

summary()

查看回归系数与显著性4拟合评估关注

R²

判断模型解释能力5前提检查检验残差是否满足

独立、正态与同方差

假设模型评估与诊断1拟合优度使用

R²

与调整

R²

评估模型解释力度2系数检验检查各回归系数对应的

p值与置信区间3残差诊断使用

plot()

输出残差图检查模型假设4异常点识别关注残差图与杠杆值判断影响点5模型改进诊断结果异常时考虑变量变换或模型修正标准化分析流程标准路径：描述、推断、建模三步递进，每步有明确的检查标准分析阶段核心方法输出结果描述统计mean、sd、summary中心与离散指标推断统计t.test、aov、cor.testp值与显著性判断建模分析lm

与模型诊断系数与拟合优度结果记录表格与图形结合可复现的分析结论标准路径：描述、推断、建模三步递进，每步有明确的检查标准04结果呈现与报告让结果可信可读规范可视化表达，输出可复现的分析报告图表规范原则建立结果可视化的基本原则与规范要求图表规范五原则：清晰·完整·匹配·克制·可复现清晰优先让读者快速理解核心结论避免过度装饰信息完整每张图包含标题、坐标轴标签与必要图例类型匹配对比用柱状图、趋势用折线图、构成用饼图颜色克制使用统一配色，避免过多颜色造成干扰可复现性所有图形均由代码生成，禁止手动拼贴修改ggplot2绘图基础核心思路：图形由数据、映射与几何对象分层构建基础语法绘图入门使用

ggplot()

指定数据与映射，加号连接图层geom_point、geom_bar、geom_line

对应散点、柱形与折线外观调整样式定制使用

theme

系列函数统一字体与背景样式使用

ggsave()

按指定尺寸与分辨率保存图片常见图表类型依据变量类型与表达意图选择最匹配的图形柱状柱状图均值比较频数分布适合呈现组间均值比较与频数分布折线折线图趋势适合展示随时间变化的趋势散点散点图关系分布适合观察两个数值变量的关系与分布形态箱线箱线图分布范围离群值适合展示分组数据的分布范围与离群值RMarkdown报告输出将代码、结果与文字说明整合为

可复现报告结构组成文档结构包含标题、分析步骤、结果图表与结论四部分代码嵌入代码嵌入使用代码块嵌入R代码并显示运行结果输出格式输出格式可生成

HTML、PDF或Word

等多种格式规范要求规范要求报告需完整呈现数据来源、处理步骤与结论图表规范原则**清晰优先**：图表应让读者快速理解核心结论，避免过度装饰信息完整标题每张图包含标题、坐标轴标签与必要图例坐标轴坐标轴标签与图例保证信息可读图例必要图例辅助解读，缺一不可信息完整：每张图包含标题、坐标轴标签与必要图例类型匹配：对比用柱状图、趋势用折线图、构成用饼图颜色克制统一使用统一配色，避免过多颜色造成干扰克制避免过多颜色造成视觉干扰可复现所有图形均由代码生成，禁止手动拼贴修改颜色克制：使用统一配色，避免过多颜色造成干扰可复现性：所有图形均由代码生成，禁止手动拼贴修改ggplot2绘图基础核心思路：图形由数据、映射与几何对象分层构建1基础语法指定数据使用

ggplot()

指定数据与映射，加号连接图层常用图层geom_point、geom_bar、geom_line

对应散点、柱形与折线2外观调整与输出外观调整使用

theme

系列函数统一字体与背景样式保存输出使用

ggsave()

按指定尺寸与分辨率保存图片常见图表类型柱状图柱状图适合呈现组间均值比较与频数分布折线图折线图适合展示随时间变化的趋势散点图散点图适合观察两个数值变量的关系与分布箱线图箱线图适合展示分组数据的分布范围与离群值RMarkdown报告输出将代码、结果与文字说明整合为可复现报告一次编写，反复使用，让每一份分析都经得起检验与追溯将代码、结果与文字说明整合为

可复现报告文档结构包含标题、分析步骤、结果图表与结论四部分代码嵌入使用代码块嵌入R代码并显示运行结果输出格式可生成

HTML、PDF或Word

等多种格式规范要求报告需完整呈现数据来源、处理步骤与结论图表规范原则图表规范五原则清晰优先：图表应让读者快速理解核心结论，避免过度装饰信息完整：每张图包含标题、坐标轴标签与必要图例类型匹配：对比用柱状图、趋势用折线图、构成用饼图颜色克制：使用统一配色，避免过多颜色造成干扰可复现性：所有图形均由代码生成，禁止手动拼贴修改ggplot2绘图基础ggplot2核心操作流程核心思路图形由数据、映射与几何对象分层构建基础语法使用

ggplot()

指定数据与映射，加号连接图层常用图层geom_point、geom_bar、geom_line

对应散点、柱形与折线外观调整使用

theme系列函数统一字体与背景样式保存输出使用

ggsave()

按指定尺寸与分辨率保存图片常见图表类型柱状图均值比较组间差异直观对比频数分布分类数据统计呈现折线图趋势观察连续时间段走向变化幅度上升下降一目了然散点图数值关系两变量相关性分布形态数据聚合或离散箱线图分布范围数据四分位区间离群识别异常值快速定位选型原则变量类型定类/定序/定距/定比表达意图比较/趋势/关系/分布RMarkdown报告输出将代码、结果与文字说明整合为可复现报告文档结构包含标题、分析步骤、结果图表与结论四部分代码嵌入使用代码块嵌入R代码并显示运行结果输出格式可生成

HTML、PDF或Word

等多种格式规范要求报告需完整呈现数据来源、处理步骤与结论代码与叙述同源，报告方可复现05考核与闭环以考核促成长明确考核标准，建立持续改进机制考核维度与标准过程规范与结论正确并重，鼓励严谨分析数据规范检查数据导入、命名与清洗是否标准分析流程检查分析步骤是否完整且方法正确结果呈现检查图表与报告是否清晰规范可复现性检查脚本能否一次运行得到相同结果实验报告要求数据来源不明、步骤遗漏、图表无说明——常见失分项必备内容数据来源处理步骤分析方法结果与结论代码规范脚本注释清晰命名统一逻辑分段图表规范每张图有标题与说明嵌入报告对应位置提交格式报告与脚本一并提交确保评审可