R语言入门指南：环境配置与15本经典书籍推荐路线

第一次正经跑R，是在研究生一年级，实验室扔给我一堆OTU表格，说“跑个α多样性看看”。我那时候连R和RStudio谁是谁都分不清，稀里糊涂装好软件之后，第一件事就是去图书馆借了本《R语言实战》。啃了三周，图终于出来了，但中间报错报到我怀疑人生。后来带了几年新人，也帮不少人远程盯过屏幕，发现大家入门R语言踩的坑几乎一模一样——不是资料太少，而是书太多、太杂，不知道按什么顺序读，读到什么程度算“够用”。

所以这篇文章我想做一件事：把R语言到底是什么、入门前怎么把环境搭利索、以及15本真正值得读的入门书一次说清楚。书单里有中文也有英文，有传统的base R路线，也有现在更主流的tidyverse路线，我按学习阶段给你分好类，每本都说清楚适合谁、怎么读、有哪些坑。你哪怕完全零基础，照着这篇文章的顺序走，也能少走至少两个月的弯路。

1. R语言到底是个啥，为什么人人都说该学

1.1 R不是一种玩具语言

很多没有接触过R的人，会把它和Excel、SPSS、Python放在一起比较。其实它们不是一回事。R本质上是一门完整的编程语言，只不过它诞生之初就带着浓厚的统计学基因。1976年，John Chambers在贝尔实验室设计了S语言，R是它的开源实现，后来由Ross Ihaka和Robert Gentleman在1995年正式发布。这名字里的“R”，一半来自两位作者名字的首字母，一半就是有点致敬S语言的意思。

R语言最大的护城河，是它的包生态。CRAN（Comprehensive R Archive Network，综合R语言档案网络）上现在有超过两万个包，几乎覆盖了你能想到的任何统计方法：线性混合模型有lme4，生态学多样性分析有vegan，代谢组学里的OPLS-DA有ropls和mixOmics，时间序列里有forecast，机器学习里有caret和tidymodels。很多时候你不需要自己写算法，一个install.packages把包装好，几行代码就能调用学术界最前沿的方法。这一点SPSS做不到，Python虽然也能做，但在统计方法的社区积累上，R仍然有压倒性优势。

也正因为如此，R语言在生物信息、生态学、医学统计、经济学、社会学这些需要大量做统计建模和数据分析的领域里，几乎是默认的通用语言。很多高水平期刊的论文，审稿人甚至会在方法部分直接要求你说明用R的哪个包、哪个版本做的分析。这不是R语言“火不火”的问题，而是你在这个圈子里绕不开的工具。

1.2 R能干啥：从统计检验到论文级图表

很多人对R的认知停留在“能画图”。没错，R的可视化能力确实是它的王牌，尤其是ggplot2这个包出来之后，画出来的图表质感和Excel完全不是一个层级。但R能做的事远不止画图。

我按自己实际用到的场景给你列一下：

• 常规统计分析：t检验、方差分析、卡方检验、相关与回归，这是R最基础的功能，适合替代SPSS。
• 数据清洗与整理：用dplyr和tidyr处理数据，筛选、排序、分组汇总、长宽格式转换，体验比Excel VLOOKUP舒服太多。
• 统计建模：线性模型lm()、广义线性模型glm()、混合效应模型lme4、时间序列forecast里的ARIMA/SARIMA、结构方程模型lavaan等。
• 组学数据分析：微生物多样性（α多样性、β多样性、NMDS/PCoA）、转录组差异表达（DESeq2、edgeR）、代谢组学（OPLS-DA）、基因集富集分析等。
• 报告与自动化：R Markdown把代码、结果、图、文字揉在一份文档里，直接生成HTML、PDF或Word；Quarto是它的升级替代品。

我自己最直观的感受是：本科用SPSS做分析，每做一个新检验都要去菜单里找半天，还要记一堆按钮位置；用R之后，一个脚本跑完所有流程，换一组数据重新跑一遍就行，完全可复现。这种“把分析过程固化成脚本”的能力，是R语言真正跑赢传统统计软件的地方。

1.3 学R之前你要做的心理建设

R语言入门有一个很劝退的特点：报错信息不友好。很多自带函数报错时，英文提示写得像加密电报，新手根本看不懂。另外，R语法和通用编程语言有点不一样，尤其是“向量化”思维，需要一段时间适应。第一次看到x <- 1:10这种写法人都会懵一下，但过了这个坎就会好。

我给新手的核心建议只有一句：别背语法，直接拿真实数据跑例子。书上的代码光看不敲，三天就忘。你不需要先学完一本500页的书再动手，第一周就可以用几行代码做描述性统计、画个直方图。遇到问题再回头查书、查搜索引擎，效率比从头啃书高得多。

2. 动手之前，先把R环境搭明白

2.1 官网下载和安装包怎么选

R语言本体是免费的，官网是r-project.org，你需要从上面的CRAN镜像里下载安装包。国内用户直接从清华镜像或中科大镜像下载会快很多，速度差距不是一点半点。下载时注意选对系统版本：Windows用户下载“Download R for Windows”，macOS用户根据芯片选择对应的安装包，Apple Silicon（M1/M2/M3）用户认准arm64版本，Intel芯片用户选x86_64版本。

这里有个新手很容易忽略的细节：R每年会出两到三个大版本，版本号像4.2、4.3、4.4这样递增。大版本升级之后，你之前装的扩展包全部需要重新安装，因为这个原因很多老用户在R版本升级后都会“稳定躺平”。如果当前版本的R用得顺手，我建议你不用看到新版就立刻升级，尤其是做到一半的项目，版本稳定比版本新重要得多。

安装R本体的时候，Windows用户注意一下安装路径，尽量避开中文目录和带空格的文件夹。R本身对中文路径的支持一直不算好，后面装包、读数据都可能莫名其妙报错。macOS用户如果打算自己编译一些源码包，最好先把Command Line Tools装好，在终端里执行xcode-select --install就行，否则后面装某些包会卡在编译步骤。

2.2 强烈建议配一个IDE：RStudio还是Positron

R自带的那个图形界面，说句实话，只能勉强算“一个能跑的编辑器”。真正让R变得好用起来的，是RStudio这个IDE。RStudio是Posit公司（前身叫RStudio公司）开发的，免费开源版已经足够日常使用。它把脚本编辑器、控制台、环境变量、绘图窗口、文件管理器整合在同一个界面里，运行代码、查看对象、画图都一目了然。

RStudio有几个功能我建议新手第一时间学会：第一个是右上角的“Environment”面板，能看到当前所有变量，排查数据问题非常直观；第二个是脚本编辑器里选中代码后按Ctrl+Enter（macOS是Cmd+Enter）逐行运行，这样写代码和看结果可以同步进行；第三个是右下角的“Plots”面板，图出来了可以直接Export导出PNG或PDF，论文插图就是这么来的。

这几年Posit公司又推出了一个叫Positron的新IDE，定位是面向数据科学的多语言编辑器，本质上是一套以VS Code内核为基础的工具。它对R的支持还在快速完善中，也有不少人拿来跑Python和R混合开发。我的看法是：新手入门阶段老老实实用RStudio，别折腾新工具。RStudio从2009年到现在已经打磨十五年了，稳定性、教程数量、快捷键习惯都是最成熟的。Positron可以等你对R有一定掌控力之后，再作为“实验室里的新玩具”来尝试。

2.3 mac与Windows的安装坑

不同系统在安装R和RStudio时会遇到各自的问题，我分开说。

Windows用户最常见的问题是安装Rtools。Rtools是一套Windows下的R编译工具链，当你需要从源码安装某些包、或者安装GitHub上的开发版包时，系统会要求你安装它。Rtools的版本必须和你当前的R大版本匹配，装错了依然报错。做生信分析的朋友，这个坑大概率会踩到，建议提前了解一下。

macOS用户遇到的第一道坎是图形设备。R里很多绘图函数在Windows下直接弹窗口，在macOS下则可能提示需要X11或Quartz。解决办法一般是安装XQuartz，这是macOS下的X Window系统实现。另外，macOS上跑某些包如果报“clang: error: unsupported option”，通常也是Command Line Tools没装好或者版本不匹配。

还有一个我反复强调的问题：无论哪个系统，建议都通过镜像安装包，不要直接用官方默认源。设置方法很简单，在RStudio里执行options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))，或者直接在配置文件里改源地址。否则国内网络环境下载一个几十MB的包可能要等到天荒地老。

3. 15本入门书推荐：我按这四个阶段给你分好了

3.1 第一阶段：零基础启蒙（读这3本）

这个阶段的目标只有一个：让你不再害怕R，能跑通最基本的代码。所以选书的逻辑是语言通俗、例子多、代码完整。

《R语言实战》（Robert I. Kabacoff；人民邮电出版社）

这本书是R入门书里的常青树，也是我自己当年读的第一本书。它的特点是代码极其精简，几乎每一小节都配了一个可以直接复制的完整例子。前7章把R环境、数据结构、基本绘图、数据导入这些最核心的内容讲得明明白白，后面的章节涉及回归、方差分析、聚类、机器学习等，都是“够用就行”的实用主义风格。第3版里增加了tidyverse的内容，算是跟上了时代。我的建议是：前3章一定要精读，后面的章节当字典查，不需要从头读到尾。

《R语言入门与实践》（Jared P. Lander；中文版书名记准英文副标题R for Everyone）

这本书走的是统计应用路线，从数据加载、数据管理、统计检验到可视化，覆盖了商业分析里常见的所有场景。作者本身是数据科学咨询出身，书里的例子非常贴近实际业务，比如客户分析、销售数据预测。和《R语言实战》相比，它的覆盖面更宽，但代码风格更传统，偏base R。比较适合英语世界里的R经典路线，中文读者可以把它作为第二本补充读物。

《Hands-On Programming with R》（Garrett Grolemund；O'Reilly出版，原版免费在线可读）

这本书是我见过最适合纯小白的R入门书，没有之一。它用掷骰子和扑克牌这两个游戏案例，把变量、循环、条件判断、函数这些编程基础概念全部串起来。作者的思路特别符合认知规律：先让你写出一堆乱糟糟的代码，然后引导你一步步重构，让代码变得干净高效。这本书没有中文版，但词汇量要求很低，配合翻译软件完全可以读。强烈建议在读到这本书的时候，把每一行代码都在本地跑一遍，收获会非常大。

3.2 第二阶段：补编程底子和统计底子（4本）

启动之后，你会发现光会“抄代码”远远不够。遇到没见过的数据、需要改代码逻辑的时候，还是得理解R背后的一些设计思想。

《R语言编程艺术》（Norman Matloff；机械工业出版社）

这本书是我所有推荐里“编程味”最浓的一本。作者Matloff本身是计算机科学教授，他讲R的重点不是“统计怎么算”，而是“R这门语言到底是怎么设计的”。你会第一次真正理解什么是向量化操作、为什么R里的for循环经常很慢、怎么做性能调优。读这本书的过程有点费脑，但读完会给你的R水平带来质的提升。建议在学完入门后2~3个月再读，不要放在最前面，否则容易打击信心。

《统计建模与R软件》（薛毅、陈立萍；清华大学出版社）

国内高校用得很多的一本经典教材。它的特点是把统计学原理和R代码放在一起讲，公式推导和代码实现并重。如果你是在校学生，数理基础还没丢，这本书能帮你把概率论、数理统计、回归分析、方差分析、多元统计这些课重新捡起来，同时学会用R实现。缺点是代码风格略微陈旧，有些内容是基于R 3.x甚至更早版本写的，但不影响整体学习价值。

《高级R语言编程》（Hadley Wickham；英文原版书名Advanced R，作者个人网站免费在线阅读）

如果把R入门分成“会用”和“懂原理”两个层次，这本书就是连接两者的桥。Hadley Wickham就是tidyverse生态和ggplot2的作者，他对R内部机制的了解无人能出其右。这本书深入讲解了R的数据结构、词法作用域、函数式编程、S3/S4对象系统、Rcpp调用C++等内容。读完这本书，你不仅会写R，还能理解R为什么这么设计，甚至有能力写自己的R包。它不适合当第一本R书，但如果你想从“普通用户”进化成“R开发者”，这是必经之路。

《R语言核心技术手册》（Joseph Adler；中文版书名，英文原版R in a Nutshell）

这是一本工具书，典型的O'Reilly风格。内容覆盖极广，从R安装、基础语法到各种统计检验、绘图系统、字符串处理都有涉及。它的最大价值是“当你忘了某个函数怎么用、某个参数是什么意思时，翻一翻就能想起来”。我不建议从头到尾精读，而是把它放在手边当手册用。这本书出版年份比较早，个别函数在新版本R里可能改了叫法，使用时要留意版本差异。

3.3 第三阶段：数据可视化与数据科学（4本）

大部分学R的人，最终目标其实是做数据分析，而数据科学的现代工作流早已围绕tidyverse生态重建过了。

《R语言数据科学》（Hadley Wickham、Garrett Grolemund；人民邮电出版社，英文原版R for Data Science）

如果现在只让我给新手推荐一本书，我会选这本。它是Hadley本人写给“想在R里做数据科学”的人的完整工作流指南：导入数据、清洗数据、转换数据、可视化、建模、沟通结果，一整套流程用tidyverse的包串下来。书里没有太多高深统计理论，重点是教会你用现代、高效的方式处理数据。需要注意这本书的代码版本迭代比较快，阅读时最好对照当前版本的tidyverse包，一些老用法可能已经改成了新语法。

《ggplot2：数据分析与图形艺术》（Hadley Wickham；西安交通大学出版社）

ggplot2包的书很多，但这本是“祖师爷”自己写的。它不单纯是操作手册，而是深入讲图形语法（Grammar of Graphics）的核心思想：一张图就是数据和美学映射的组合，是标度、坐标系、分面、主题这些构件一层层叠加出来的。读完这本书，你对ggplot2的理解会从“背几个图层函数”变成“按需组装图形结构”，画任何图都不再发怵。缺点是原理讲得多，上手实操感稍弱，建议配合《R语言数据科学》里的可视化章节一起读。

《R Graphics Cookbook》（Winston Chang；O'Reilly出版，英文）

这本书和上面那本恰好互补。它不讲太多理论，就是给你200多个具体的画图场景，每个场景一段可直接复制的代码：散点图、折线图、柱状图、箱线图、直方图、热图、地图，想到的图形几乎都有。遇到“怎么让两个图并排”“怎么改图例位置”“怎么加注释”这种具体问题，直接翻目录找答案就行。我自己的习惯是：每次要画一种没画过的图，先翻这本书找模板，再改成自己的数据。如果你英文阅读不困难，这本书值得长期放在手边。中文读者需要注意区分，它和《R语言经典实例》不是同一本。

《现代统计图形》（谢益辉；人民邮电出版社）

这是我很想推荐、但常常被忽略的一本中文原创书。作者谢益辉是R社区里非常有影响力的华人统计学家，他是knitr、bookdown等著名R包的作者。这本书完全不按“操作手册”的套路来，而是从统计图形的发展演变讲起，带你理解为什么不同的图适合不同类型的数据、图形里的坐标轴和图例应该怎么设计才不误导读者。它不是一本功能速查书，更像是帮你建立“图形审美”和“统计素养”的读物，适合在学完ggplot2基础之后慢慢翻阅。

3.4 第四阶段：统计建模和行业应用（4本）

入门之后，很多人会走向具体领域。以下四本适合确定了自己方向、想深入某个领域的人。

《机器学习与R语言》（Brett Lantz；机械工业出版社）

这本书是R语言机器学习领域引用率很高的一本入门书。它从K近邻、朴素贝叶斯、决策树讲到支持向量机、神经网络、关联规则，每章用一到两个真实的业务案例，逐步示范建模、评估、优化的完整流程。代码风格简洁，运行效率不错。它的缺点是对算法背后的数学原理讲得比较浅，适合先建立机器学习直观认识。想深挖数学原理的人，读完它之后应该立刻接上下一本《统计学习导论》。

《统计学习导论：基于R应用》（Gareth James等；人民邮电出版社，英文原版ISL）

这本书是统计学习领域经典教材ESL的入门版，R语言社区里口碑极高。它系统讲解线性回归、分类、重抽样、树模型、支持向量机、无监督学习等内容，每个方法都配有R实操例子。它最大的优势是在“数学推导”和“应用操作”之间拿捏得恰到好处，一些核心公式讲清楚原理，但不至于让人陷进数学的汪洋大海。如果你想认真入门机器学习和统计学习，这本书是目前我见过最适合R用户的教材级读物。

《R语言经典实例》（Paul Teetor；中文版书名，英文原版R Cookbook）

这又是一本工具书，但它偏“数据操作”场景。书里整理了200多个常见问题，包含输入输出、数据格式转换、字符串处理、日期时间、基本统计、图形绘制等。和《R Graphics Cookbook》的区别在于，它更侧重数据处理和统计分析，画图只是其中一部分。我通常会在写数据清洗代码卡壳时翻这本书，比如“怎么把宽表转长表”“怎么批量重命名列”，翻完都能直接抄答案。适合放在案头随时查阅。

《The Book of R》（Tilman M. Davies；No Starch Press出版，英文）

这本书没有中文版，但我还是想推荐它，因为它特别适合完全没有编程基础、且希望“系统学习而不是速成”的人。全书从最基础的变量和数据类型讲起，覆盖了R语法、数据结构、统计分布、假设检验、回归建模、绘图系统，内容广度和深度都像一本大学教材。它的习题量非常大，而且答案可以在线找到，非常适合自学自测。风格偏base R，没有过多涉及tidyverse，所以读它学到的底子特别扎实，之后再学ggplot2和dplyr都会觉得毫无障碍。

4. 光看书不够，还得会动手

4.1 拿到一本书之后，正确的打开方式

不少人的学习模式是：买书、从头到尾读、读了一半放弃。为什么会放弃？因为把R当小说看，只看代码不跑代码，脑子里留不下东西。

我的建议是“三遍读书法”。第一遍，快速翻阅目录和书里的案例，知道这本书覆盖哪些内容就行，不要停下来抠细节。第二遍，边看边敲代码，每个例子都在本地跑一遍，跑了才能发现各种意外报错，报错再解决，解决的过程就是你真正理解的过程。第三遍，把它当成字典或项目参考书，遇到实际问题按索引去查对应章节。

这个思路特别适合《R语言实战》《R语言经典实例》《R Graphics Cookbook》这类书，它们不需要你线性阅读，适合“用哪查哪”。而《统计建模与R软件》《The Book of R》这类系统性强的书，则更适合用第二遍的方法从头到尾过一遍，因为它们的逻辑依赖关系比较强。

另外我强烈建议，从第一周开始就建立一个自己的“代码笔记”目录，按日期和主题命名，比如2025-06-01_替换缺失值.R、2025-06-02_ggplot2堆叠柱状图.R。每次解决一个具体问题，就把可运行代码和注释存进去。半年之后，这个目录会成为你最重要的资料库，比任何书都好用，因为里面全是你自己验证过的代码。

4.2 用真实案例分析快速上手：α多样性、OPLS-DA、SARIMA、GLMM

光学会基础语法还不行，大部分人来学R都是带着真实的“领域问题”的。我挑四个搜索高频的场景，用一个最小示例告诉你它们分别对应哪些包、怎么跑通第一行代码。

第一个场景是生态学和微生物组里的α多样性分析。很多人拿到OTU/ASV表后不知道从哪下手。α多样性衡量的就是单个样本内部物种的丰富度和均匀度，常用的指数有Shannon、Chao1、Simpson等。核心包是vegan，计算只需要几行：

library(vegan) # 假设otu是“行=样本，列=物种”的矩阵 otu <- read.csv("otu_table.csv", row.names = 1) shannon <- diversity(otu, index = "shannon") chao1 <- estimateR(otu)[1, ] # 注意estimateR输出的是矩阵

这里的坑是vegan的diversity()函数默认按行计算，如果表格格式是“行=物种，列=样本”，算出来就是错的。经常有人在这上面栽跟头。

第二个场景是代谢组学里常见的OPLS-DA分析。OPLS-DA是正交偏最小二乘判别分析，用来在两组样本之间找到能区分组别的变量，在代谢组学文章里几乎是标配。R里最常用的包是ropls和mixOmics：

library(ropls) # x是表达矩阵，y是分组向量（因子） opls_model <- opls(x, y, predI = 1, orthoI = 2) plot(opls_model)

ropls包的好处是直接给你若干关键统计指标，包括R2X、R2Y、Q2，文章中要求写清楚的就是这些值。

第三个场景是时间序列预测里的SARIMA模型。SARIMA是ARIMA模型的季节扩展，适合有周期性规律的数据，比如月度销售、季度流量。R里最常用的包是forecast，最大的福利是可以用auto.arima()自动帮你定阶，不用自己一个个试参数：

library(forecast) data_ts <- ts(your_data, start = c(2020, 1), frequency = 12) fit <- auto.arima(data_ts, seasonal = TRUE) summary(fit) forecast(fit, h = 12) |> autoplot()

这里提醒一下，auto.arima()对样本量有基本要求，数据太短（少于两三个完整季节周期）时自动定阶会很不稳定。

第四个场景是生态学、心理学、医学里常见的广义线性混合模型GLMM。当你处理的数据有分组结构、重复测量结构时，普通线性回归不能满足独立性假设，需要引入随机效应。R的lme4包是绝对主力：

library(lme4) # 假设y是二分类结果，x是固定效应，(1 | group)是随机截距 model <- glmer(y ~ x + (1 | group), family = binomial, data = df) summary(model)

lme4的坑在于它默认不输出P值，很多新手做完summary()之后找不到显著性结果就懵了。如果一定要P值，可以用library(lmerTest)包然后重新拟合lmer()，或者用confint(model, method = "Wald")看置信区间是否包含0。

4.3 遇到报错怎么排查：几个高频问题

我把这些年遇到的高频报错整理成一个速查表，每个问题附上最常见的解决思路。

这些坑看起来多，其实每个人都会踩，踩过一次就记住了。关键是报错之后别慌，把报错信息原文复制到搜索引擎里搜，绝大部分问题前人早就遇到过，Stack Overflow上都有答案。

5. 关于R语言学习路线，我的个人经验

5.1 最常踩的坑

带过的人多了，我发现大家学习R语言最大的问题不是智商，而是学习方法。概括下来有三个。

第一，贪多嚼不烂。今天看《R语言实战》，明天又翻《R语言数据科学》，再刷几篇公众号文章，最后每本书都只看了前两章，代码没跑通几个。我的建议是一个阶段只看主线一本书，其他都只是工具书，要用才翻。

第二，不注重数据清洗基本功。很多人一上来就想跑复杂的模型和画漂亮的图，结果数据读进来之后全是缺失值、类型不对、格式混乱，模型跑出来的结果自己都不敢信。数据分析里流传一句话：数据清洗占80%的工作量。先把dplyr、tidyr这套数据处理工具练熟，后面才会顺。

第三，闭门造车，从来不把报错信息贴出去。R语言的社区资源极其庞大，Stack Overflow上任何你能遇到的报错几乎都有人问过。学会用准确的关键词搜索、看懂报错信息的结构，比记住100个函数重要得多。

5.2 非要只选3本，我这样选

如果只能从15本里挑3本，按不同目标我给三套组合。

如果你想短时间上手、跑通日常统计分析和论文图表，选《R语言实战》+《R语言数据科学》+《R Graphics Cookbook》。第一本打底，第二本学现代工作流，第三本解决画图问题。

如果你有编程背景、想真正深入R语言底层，选《R语言编程艺术》+《高级R语言编程》+《统计学习导论》。读完这套，你不仅能熟练使用R，还能理解它为什么这么设计、能自己写函数写包、能理解统计学习模型到底在干什么。

如果你是完全零基础、想系统自学没有人带，选《Hands-On Programming with R》+《The Book of R》+《R语言数据科学》。前两本把编程和统计基础打得扎扎实实，最后一本带你进入现代R生态。

5.3 学完入门之后的路

学会跑通日常分析，只是一个开始。R语言的生态还在快速演进，这几年比较明显的趋势是：tidyverse已经成了事实上的数据操作标准，新书新教程基本都在用这套语法；Quarto正在取代R Markdown，成为R生态里主流的可重复报告工具；R和Python的互通也在加强，reticulate包可以直接在R里调用Python，这让R在数据科学里的位置更稳固。

如果你想继续深入，我建议从这几个方向里挑一个：数据可视化、统计建模、机器学习与深度学习、R包开发、可重复报告与Shiny应用开发。每个方向都有对应的社区和书。R语言社区在国内有统计之都（cos.name）、R语言中文社区等，国际上有R-bloggers、Stack Overflow、Posit社区，这些都是问问题、找灵感的宝藏地方。

最后再分享一个小技巧：学R的过程中，每个阶段给自己留一个“可以展示的作品”。可能是一张让别人惊艳的图，可能是一份自动生成的月度分析报告，可能是一个在线交互的Shiny应用。有作品，你才会有持续学下去的正反馈。我当年就是因为第一次用ggplot2画出一张还算漂亮的PCoA图，才下定决心在R这条路上走到底的。希望你也能遇到属于自己的那个“第一张图”，然后一路走下去。