为了提高您在 R 面试中成功的机会，无论您是在找工作还是负责招聘，提前了解可能会被问到的问题（或可以问候选人的问题）总是有益的。
本文汇总了40道基础的 R 编程面试题及其参考答案，涵盖从入门到高级的各个资历水平，并包含若干通用面试问题。为便于阅读，所有技术问题分为三类：入门、进阶和高级问题。
作为准备 R 编程面试的补充资源，您可以参考以下博客和课程：
R 编程通用面试问题
在 R 面试的开场阶段，面试官可能会就候选人整体的 R 使用经验提出一些非技术性问题，例如：
您使用 R 多久了？ 您在 R 中通常完成哪些类型的任务？ 您如何评估自己在 R 方面的熟练程度？
如果您是求职者，应当提前思考这些及类似问题并准备答案。即便您尚无实际的 R 工作经验也不必担心：描述您在 R 编程方面的实习，或您在校期间完成的个人或团队R 项目 ，同样有效。
此外，如果您应聘的是入门级岗位，面试官并不一定期望您具备丰富（甚至任何）的 R 工作经验。请记住，既然您已收到面试邀请，说明公司已对您的简历表示认可。
入门级 R 编程面试问题
让我们从一些基础的技术性 R 面试题开始，这些问题常见于潜在雇主的考察中。它们要求您掌握基础知识，并具有一定的 R 实操经验。
1. 什么是 R？它有哪些主要特性？
R 是一种广泛用于解决数据科学问题的编程语言与环境，特别为统计计算与数据可视化而设计。其主要特性包括：
开源
解释型（即同时支持函数式与面向对象编程）
凭借庞大的数据科学包生态而具有高度可扩展性
函数化且灵活（用户可自定义函数，并可调节现有函数的多种参数）
兼容多种操作系统
易于与其他编程语言和框架集成
支持强大的统计计算
提供多样的数据可视化工具，可创建出版级图表
配备命令行界面
拥有强大的在线社区支持
2. 使用 R 有哪些劣势？
语法不直观，学习曲线较陡，尤其对编程初学者
相对较慢
内存使用效率不高
部分包的文档不一致且常较难阅读
一些包质量不高或维护不佳
由于开源属性，可能存在安全性隐患
3. 列举并定义 R 中的一些基本数据类型。
R 中有若干数据类型 ，包括：
Numeric（数值） —十进制数。Integer（整数） —整型数。Character（字符） —字母、数字或符号，或它们的任意组合，用双引号或单引号括起。Factor（因子） —来自预定义可能值集合的类别，通常具有内在顺序。Logical（逻辑） —布尔值 TRUE 和 FALSE，在底层分别用 1 和 0 表示。
4. 列举并定义 R 中的一些基本数据结构。
Vector（向量） —一维数据结构，用于存储同一数据类型的值。List（列表） —多维数据结构，可存储任意数据类型和值以及其他数据结构。Matrix（矩阵） —二维数据结构，用于存储同一数据类型的值。Data frame（数据框） —二维数据结构，可存储任意数据类型的值，但每列必须是相同的数据类型。
5. 如何在 R 中导入数据？
基础 R 提供了导入数据的核心函数：
read.table()—基础 R 中最通用的导入函数，读取以任意分隔符（包括自定义如 |）分隔的表格数据。
read.csv()—读取以逗号分隔（CSV）的文件，小数点分隔符为 .。
read.csv2()—读取以分号分隔的文件，小数点分隔符为 ,。
read.delim()—读取以制表符分隔（TSV）的文件，小数点分隔符为 .。
read.delim2()—读取以制表符分隔（TSV）的文件，小数点分隔符为 ,。
实际中，这些函数都可用于导入具有任意字段与小数点分隔符的表格数据：按约定与默认设置用于指定格式而已。例如，第一个函数的语法为：read.table(file, header = FALSE, sep = "", dec = ".")。其余函数拥有相同参数，但默认值不同，且总可显式覆盖。
tidyverse 的 readr 和 readxl 包提供了用于特定文件格式的其他函数。每个函数都可通过设置可选参数进行进一步微调。
readr
readxl
要更深入了解 R 中的数据加载，请查看教程 如何将数据导入 R 。
6. R 中的包是什么？如何安装和加载包？
R 包是函数、代码、数据和文档的集合，是对 R 编程语言的扩展，用于解决特定类型的任务。R 自带若干预装包，其他包可由用户从仓库安装。最受欢迎的集中式仓库是 CRAN（Comprehensive R Archive Network，综合 R 存档网络）。
要直接从 CRAN 安装 R 包，需要将包名用引号括起并传给 install.packages() 函数，如：install.packages("package_name")。要一次安装多个包，需使用包含包名的字符向量，如：install.packages(c("package_name_1", "package_name_2")。若要手动安装 R 包，需先将包下载为本地 zip 文件，然后运行 install.packages() 函数：
install.packages( "path_to_the_locally_stored_zipped_package_file" , repos= NULL , type= "source" ) 技术支持 要在当前 R 工作环境中加载已安装的包，可使用 library() 或 require()。两者都接收不带引号的包名并加载包，例如 library(caret)。不同之处在于找不到包时的行为：library() 会抛出错误并停止程序执行，而 require() 会给出警告并继续执行。
7. 如何在 R 中创建数据框？
1. 由一个或多个向量 （长度相同）—使用 data.frame() 函数：
df <- data.frame( vector_1, vector_2) 技术支持 2. 由矩阵 —使用 data.frame() 函数：
df <- data.frame( my_matrix) 技术支持 3. 由向量列表 （长度相同）—使用 data.frame() 函数：
df <- data.frame( list_of_vectors) 技术支持 4. 由其他数据框 ：
df <- cbind( df1, df2) 技术支持 df <- rbind( df1, df2) 技术支持 8. 如何在 R 的数据框中添加新列？
使用 $ 符号：
df <- data.frame( col_1= 10 : 13 , col_2= c( "a" , "b" , "c" , "d" ) )
print( df)
df$ col_3 <- c( 5 , 1 , 18 , 16 )
print( df) 技术支持 输出：
col_1 col_2
1 10 a
2 11 b
3 12 c
4 13 d
col_1 col_2 col_3
1 10 a 5
2 11 b 1
3 12 c 18
4 13 d 16 技术支持
使用方括号：
df <- data.frame( col_1= 10 : 13 , col_2= c( "a" , "b" , "c" , "d" ) )
print( df)
df[ "col_3" ] <- c( 5 , 1 , 18 , 16 )
print( df) 技术支持 输出：
col_1 col_2
1 10 a
2 11 b
3 12 c
4 13 d
col_1 col_2 col_3
1 10 a 5
2 11 b 1
3 12 c 18
4 13 d 16 技术支持
使用 cbind() 函数：
df <- data.frame( col_1= 10 : 13 , col_2= c( "a" , "b" , "c" , "d" ) )
print( df)
df <- cbind( df, col_3= c( 5 , 1 , 18 , 16 ) )
print( df) 技术支持 输出：
col_1 col_2
1 10 a
2 11 b
3 12 c
4 13 d
col_1 col_2 col_3
1 10 a 5
2 11 b 1
3 12 c 18
4 13 d 16 技术支持 在上述三种方法中，既可以赋单个值，也可以赋向量，或基于该数据框或其他数据框的现有列计算新列。
9. 如何在 R 的数据框中删除列？
1. 使用 tidyverse 集合中 dplyr 包的 select() 函数。每个要删除的列名前加负号：
df <- select( df, - col_1, - col_3) 技术支持 如果待删除的列太多，更合理的方式是只保留其余列而不是删除目标列。此时语法类似，但保留的列名不加负号：
df <- select( df, col_2, col_4) 技术支持 2. 使用基础 R 的内置 subset() 函数。若只需删除一列，将带负号的列名赋给函数的 select 参数。要删除多列，则将带负号的列名构成向量赋给该参数：
df <- subset( df, select= - col_1)
df <- subset( df, select= - c( col_1, col_3) ) 技术支持 如果待删除的列太多，更合理的方式是只保留其余列。此时语法类似，但不加负号：
df <- subset( df, select= col_2)
df <- subset( df, select= c( col_2, col_4) ) 技术支持 10. R 中的因子（factor）是什么？
因子是 R 中的一种特定数据类型，接受来自预定义可能值集合的类别（也称水平）。这些类别看起来像字符，但底层以整数存储。此类类别通常具有内在顺序。例如，数据框中用于表达观点的李克特量表选项（"strongly agree"、"agree"、"somewhat agree"、"neither agree nor disagree"、"somewhat disagree"、"disagree"、"strongly disagree"）应设为因子类型，以捕捉这种内在顺序，并在各类图表中得到恰当反映。
11. 什么是 RStudio？
RStudio 是一个开源 IDE（集成开发环境），自 3.0.1 版本起被广泛用作 R 的图形化前端。它拥有诸多实用功能，因此备受 R 用户青睐：
用户友好
灵活
多功能
支持创建可复用脚本
记录操作历史
代码自动补全
为任意对象提供详细完整的帮助
便捷访问所有导入数据与构建对象
便于在终端与控制台间切换
支持绘图预览
支持高效的项目创建与共享
可与其他编程语言（Python、SQL 等）配合使用
欲了解 RStudio 是什么、如何安装并开始使用，请参阅RStudio 教程 。
12. 什么是 R Markdown？
R Markdown 是一个免费开源的 R 包，为构建数据科学项目提供创作框架。使用它，我们可以编写一个同时包含叙述、代码和图形的 .rmd 文件，并将其渲染为所选输出格式。其主要特点包括：
结果文档可分享、完全可复现且具备出版质量。
支持广泛的静态和动态输出及格式，如 HTML、PDF、Microsoft Word、交互式文档、仪表板、报告、文章、书籍、演示、应用、网站、可复用模板等。
便于版本控制。
支持多种编程语言，包括 R、Python 和 SQL。
13. 如何在 R 中创建自定义函数？
在 R 中创建自定义函数，需要使用关键字 function，语法如下：
function_name <- function ( parameters) {
function body
} 技术支持
函数名 —定义后用于调用该函数的对象名。函数参数 —放在圆括号中、以逗号分隔的变量，每次调用函数时会被设置为实际实参。函数体 —位于花括号中的代码块，按预定义顺序对输入参数执行操作。通常包含 return()（返回函数输出）或 print()（打印输出）。
一个简单的 R 自定义函数示例：
my_function <- function ( x, y) {
return( x + y)
} 技术支持 14. 列举一些 R 中常用的数据可视化包。
ggplot2 —最流行的 R 可视化包，可创建多种图表。Lattice —以平铺面板（trellis）方式展示多元数据。Plotly —创建交互式、出版级图表。highcharter —便于动态绘图，提供众多灵活特性、插件与主题；可用一个函数绘制不同 R 对象。Leaflet —创建交互式地图。ggvis —创建可交互且高度可定制的图表，可借助 Shiny 基础设施在任意浏览器中访问。patchwork —将多个（通常类型各异的）图表组合于同一画面。
进阶 R 编程面试问题
对于更有经验的从业者，面试官很可能会提出需要更深入 R 知识的问题。以下是一些需要准备的内容：
15. 如何在 R 中给变量赋值？
使用赋值运算符 <-，如 my_var <- 1—R 中最常见的赋值方式。
使用等号运算符 =，如 my_var = 1—多用于函数定义内为参数赋值。
使用右向赋值运算符 ->，如 my_var -> 1—可用于管道中。
使用全局赋值运算符，左向（<<-）或右向（->>），如 my_var <<- 1—用于在函数定义内创建全局变量。
16. R 中变量命名有哪些要求？
在课程 高效 R 代码编写 中，您将学习更多 R 代码编写的最佳实践。
17. R 中有哪些类型的循环？各自语法是什么？
1. for 循环 —对序列进行迭代，次数等于其长度（除非使用 break 和/或 next 语句），对序列的每个元素执行相同操作。这是最常见的循环类型。语法如下：
for ( variable in sequence) {
operations
} 技术支持 2. while 循环 —在满足预先定义的逻辑条件（可为多个）之前，反复执行相同操作（除非使用 break 和/或 next 语句）。与 for 不同，while 在执行前并不知晓迭代次数。运行 while 前需先赋初值，并在循环体内每次迭代更新。语法如下：
variable assignment
while ( logical condition) {
operations
variable update
} 技术支持 3. repeat 循环 —重复执行相同操作，直至满足预定义的中断条件（可为多个）。为引入中断条件，repeat 循环需包含 if 语句代码块，且其中必须含有 break。与 while 相似，repeat 的迭代次数也无法事先知晓。语法如下：
repeat {
operations
if ( break condition) {
break
}
} 技术支持 您可在教程 R 中的循环 中了解更多。
18. 如何在 R 中聚合数据？
在 R 中使用 aggregate() 函数聚合数据。该函数的关键参数依次为：
19. 如何在 R 中合并数据？
1. 使用 cbind() 函数—仅当数据框行数一致且记录相同且顺序一致：
df <- cbind( df1, df2) 技术支持 2. 使用 rbind() 函数将数据框纵向合并—仅当它们具有数量相等、名称一致、数据类型相同且顺序一致的列：
df <- rbind( df1, df2) 技术支持 3. 使用 merge() 函数按共有列（通常是 ID 列）合并数据框：
df <- merge( df1, df2, by= "ID" ) 技术支持 df <- merge( df1, df2, by= "ID" , all.x= TRUE ) 技术支持 df <- merge( df1, df2, by= "ID" , all.y= TRUE ) 技术支持 df <- merge( df1, df2, by= "ID" , all= TRUE ) 技术支持 4. 使用 dplyr 包的 join() 函数按共有列（通常为 ID）合并数据框：
df <- join( df1, df2, by= "ID" , type= "type_of_join" ) 技术支持 type 参数可取：inner、left、right 或 full。
20. 如何在 R 中拼接字符串？
可使用 paste() 或 cat() 函数拼接两个或更多字符串。前者更常用。两者均可接收任意数量的待拼接字符串，并可接收可选参数 sep（以及其他可选参数）—用于指定结果字符串中各部分的分隔符（默认空格）。
21. 如何在 R 中转置二维数据？
我们可以对数据框或矩阵进行转置，使列变为行、行变为列。可使用基础 R 的 t() 函数，例如：
df <- data.frame( col_1= c( 10 , 20 , 30 ) , col_2= c( 11 , 22 , 33 ) )
print( df)
transposed_df <- t( df)
print( transposed_df) 技术支持 输出：
col_1 col_2
1 10 11
2 20 22
3 30 33
[ , 1 ] [ , 2 ] [ , 3 ]
col_1 10 20 30
col_2 11 22 33 技术支持 22. 如何在 R 中将多个操作串联起来？
可使用 tidyverse 提供的管道运算符（%>%）将多个操作串联。使用该运算符可以构建函数流水线：第一个函数的输出作为第二个函数的输入，依此类推，直至流水线结束。这样无需创建额外变量，并显著提升代码可读性。
在数据框上使用管道运算符的示例：
df <- data.frame( a= 1 : 4 , b= 11 : 14 , c= 21 : 24 )
print( df)
df_new <- df %>% select( a, b) %>% filter( a > 2 )
print( df_new) 技术支持 输出：
a b c
1 1 11 21
2 2 12 22
3 3 13 23
4 4 14 24
a b
1 3 12
2 4 13 技术支持 23. 在 R 中可以创建哪些类型的图表？
数据可视化是 R 语言的一大强项，几乎所有类型的图表都能用 R 创建：
常见图表类型：
条形图（Bar plot） —展示分类数据的数值。折线图（Line plot） —展示变量的变化过程，通常随时间。散点图（Scatter plot） —展示两个变量之间的关系。面积图（Area plot） —基于折线图，对曲线下方区域进行填充。饼图（Pie chart） —以整体中的占比展示每个类别。箱线图（Box plot） —展示数据的一组描述性统计。
高级图表类型：
小提琴图（Violin plot） —同时展示数据的描述性统计与分布形状。热图（Heatmap） —展示数据集中每个数值点的大小。矩形树图（Treemap） —展示分类数据的数值，常用于整体-部分关系。树状图（Dendrogram） —展示数据的层级结构与聚类。气泡图（Bubble plot） —展示三个变量之间的关系。六边形箱图（Hexbin plot） —在相对较大的数据集中展示两个数值变量的关系。词云（Word cloud） —展示文本中词语的频率。分级着色地图（Choropleth map） —展示地理数据的聚合主题统计。圆形打包图（Circular packing chart） —展示数据的层级结构及数据点数值等等。
技能路径 使用 R 进行数据可视化 将助您拓展 R 图形的视野。若您希望在更广的语境下学习 R 的数据可视化，请探索全面且对初学者友好的职业路径 R 数据科学家 。
24. 什么是 R 中的向量回收（vector recycling）？
当我们尝试对两个长度不同的 R 向量进行运算时，R 解释器会在底层识别较短的向量，按相同顺序循环重复其元素，直到与较长向量长度匹配，然后再执行运算。在开始回收前，解释器会就向量长度不匹配给出警告。
例如，若尝试执行如下加法：
c( 1 , 2 , 3 , 4 , 5 ) + c( 1 , 2 , 3 ) 技术支持 由于向量回收，第二个向量会被转换为 c(1, 2, 3, 1, 2)。因此，最终结果为 c(2, 4, 6, 5, 7)。
虽然有时向量回收很有用（如当我们期望值呈周期性时），但更多情况下并不合适且易误导。因此，在对向量执行运算前，应留意它们的长度。
25. R 中的 next 和 break 语句有什么作用？
next 语句用于在满足某条件时跳过某次迭代，进入下一次。break 语句用于在满足某条件时停止并退出循环。若用于嵌套循环中的内层循环，它只会退出该内层循环。
在 R 的任意循环类型（for、while、repeat）中都可使用 next 与 break。它们也可在同一循环中同时使用，例如：
for ( i in 1 : 10 ) {
if ( i < 5 )
next
if ( i == 8 )
break
print( i) } 技术支持 输出：
[ 1 ] 5
[ 1 ] 6
[ 1 ] 7 技术支持 26. R 中 str() 与 summary() 函数有何区别？
str() 返回 R 对象的结构及总体信息，具体内容取决于对象的数据结构。例如，对向量，它会返回其元素类型、索引范围和元素值（若过长则显示前若干个）；对数据框，它会返回其类（data.frame）、观测数与变量数、列名、各列的数据类型以及每列的前若干个值。
summary() 返回 R 对象的汇总统计。它多用于数据框和矩阵：对数值列返回最小值、最大值、均值、中位数以及第 1、3 四分位数；对因子列返回各水平的计数。
27. R 中 subset() 和 sample() 函数有何不同？
subset() 用于基于特定条件从数据框或矩阵中抽取行列，或从向量中抽取元素，例如：subset(my_vector, my_vector > 10)。
而 sample() 只能用于向量。它从向量元素中抽取预定义大小的随机样本，可放回或不放回。例如：sample(my_vector, size=5, replace=TRUE)
高级 R 编程面试问题
28. 如何基于其他列在 R 的数据框中创建新列？
1. 使用基础 R 的 transform() 与 ifelse()：
df <- data.frame( col_1 = c( 1 , 3 , 5 , 7 ) , col_2 = c( 8 , 6 , 4 , 2 ) )
print( df)
df <- transform( df, col_3 = ifelse( col_1 < col_2, col_1 + col_2, col_1 * col_2) )
print( df) 技术支持 输出：
col_1 col_2
1 1 8
2 3 6
3 5 4
4 7 2
col_1 col_2 col_3
1 1 8 9
2 3 6 9
3 5 4 20
4 7 2 14 技术支持 2. 使用基础 R 的 with() 与 ifelse()：
df <- data.frame( col_1 = c( 1 , 3 , 5 , 7 ) , col_2 = c( 8 , 6 , 4 , 2 ) )
print( df)
df[ "col_3" ] <- with( df, ifelse( col_1 < col_2, col_1 + col_2, col_1 * col_2) )
print( df) 技术支持 输出：
col_1 col_2
1 1 8
2 3 6
3 5 4
4 7 2
col_1 col_2 col_3
1 1 8 9
2 3 6 9
3 5 4 20
4 7 2 14 技术支持 3. 使用基础 R 的 apply()：
df <- data.frame( col_1 = c( 1 , 3 , 5 , 7 ) , col_2 = c( 8 , 6 , 4 , 2 ) )
print( df)
df[ "col_3" ] <- apply( df, 1 , FUN = function ( x) if ( x[ 1 ] < x[ 2 ] ) x[ 1 ] + x[ 2 ] else x[ 1 ] * x[ 2 ] )
print( df) 技术支持 输出：
col_1 col_2
1 1 8
2 3 6
3 5 4
4 7 2
col_1 col_2 col_3
1 1 8 9
2 3 6 9
3 5 4 20
4 7 2 14 技术支持 4. 使用 dplyr 的 mutate() 配合基础 R 的 ifelse()：
df <- data.frame( col_1 = c( 1 , 3 , 5 , 7 ) , col_2 = c( 8 , 6 , 4 , 2 ) )
print( df)
df <- mutate( df, col_3 = ifelse( col_1 < col_2, col_1 + col_2, col_1 * col_2) )
print( df) 技术支持 输出：
col_1 col_2
1 1 8
2 3 6
3 5 4
4 7 2
col_1 col_2 col_3
1 1 8 9
2 3 6 9
3 5 4 20
4 7 2 14 技术支持 29. 如何在 R 中从字符串解析日期？
在 R 中解析日期字符串，应使用 tidyverse 中的 lubridate 包。该包提供多种函数，可依据字符串中的日期模式进行解析并提取标准日期。这些函数包括 ymd()、ymd_hm()、ymd_hms()、dmy()、dmy_hm()、dmy_hms()、mdy()、mdy_hm()、mdy_hms() 等，其中 y、m、d、h、m、s 分别代表年、月、日、时、分、秒。
例如，如果我们对字符串 "05-11-2023"、"05/11/2023" 或 "05.11.2023" 运行 dmy()，都将得到相同结果：2023-11-05。因为三者尽管分隔符不同，但模式一致：日-月-年。
30. R 中 switch() 函数的用途是什么？
switch() 是一种多分支控制语句，用于将表达式与列表项进行匹配并返回相应值。语法如下：
switch( expression, case_1, case_2, case_3... .) 技术支持 传给 switch() 的表达式可以求值为数字或字符串，函数行为因此不同。
1. 若表达式求值为数字，switch() 将按位置匹配返回列表中的项（其索引等于该数字）。若数字大于列表项数量，则返回 NULL。例如：
switch( 2 , "circle" , "triangle" , "square" ) 技术支持 输出：
"triangle" 技术支持 2. 若表达式求值为字符串，switch() 将根据名称返回值：
switch( "red" , "green" = "apple" , "orange" = "carot" , "red" = "tomato" , "yellow" = "lemon" ) 技术支持 输出：
"tomato" 技术支持 若存在多重匹配，将返回第一个匹配值。还可以在 switch() 的最后一个参数添加未命名项，作为无匹配时的默认回退。若未设置默认项且无匹配，函数返回 NULL。
switch() 是冗长 if-else 语句的高效替代方案，可减少重复并提升可读性。它通常用于评估单个表达式。我们也可编写更复杂的嵌套 switch 结构以评估多个表达式，但在这种情况下，代码很快会变得难读，从而丧失相对 if-else 的主要优势。
31. apply()、lapply()、sapply() 与 tapply() 有何区别？
这些函数都能在不显式编写循环的情况下，对数据结构迭代并对各元素执行相同操作，但它们在输入输出类型与功能上有所不同。
apply()—接收数据框、矩阵或数组，返回向量、列表、矩阵或数组。可按行、按列或双向应用。
lapply()—接收向量、列表或数据框，始终返回列表。若输入为数据框，仅按列应用。
sapply()—接收向量、列表或数据框，返回尽可能简化的数据结构：输入为向量则返回向量，输入为列表则返回列表，输入为数据框则返回矩阵。
tapply()—对不同因子（即分类数据）计算汇总统计。
32. 列举并定义 R 中的控制语句。
R 中有三类控制语句：条件语句、循环语句和跳转语句。
条件语句：
if—测试给定条件是否为真，并提供相应操作。
if-else—测试给定条件是否为真，为真时执行一组操作，否则执行另一组操作。
if... else if... else—逐一测试一系列条件，对每个为真的条件执行相应操作；若均不为真，则执行回退操作。
switch—将表达式与列表项匹配，并据此返回列表中的值。
循环语句：
跳转语句：
33. 什么是正则表达式？在 R 中如何使用？
正则表达式（regex）是在 R 或其他编程语言中用于描述特定文本模式的字符或字符序列，常用于文本挖掘。在 R 中，处理正则主要有两种方式：
使用基础 R 及其函数（如 grep()、regexpr()、gsub()、regmatches() 等）来定位、匹配、提取和替换正则。
使用 tidyverse 的专用包 stringr 。它提供更直观的函数命名与语法，并具备更丰富的功能，使用更便利。
R 正则表达式指南 提供了更多细节。
34. R 中用于机器学习的包有哪些？
caret —多种分类与回归算法。e1071 —支持向量机（SVM）、朴素贝叶斯、袋装聚类、模糊聚类与 KNN。kernlab —提供基于核的方法用于分类、回归与聚类。randomForest —随机森林分类与回归。xgboost —梯度提升、线性回归与决策树。rpart —分类、回归与生存树的递归分割。glmnet —对线性回归、逻辑回归与多项式回归使用 lasso 与弹性网正则化。nnet —神经网络与多项对数线性模型。tensorflow —TensorFlow 的 R 接口，用于深度神经网络与基于数据流图的数值计算。Keras —Keras 的 R 接口，用于深度神经网络。
35. 如何在 R 中进行特征选择？
我们以 caret 包为例，介绍三种方法及其实现。
检测并移除数据集中高度相关的特征。
需要创建所有特征的相关矩阵，然后识别高度相关的特征，通常相关系数大于 0.75：
corr_matrix <- cor( features)
highly_correlated <- findCorrelation( corr_matrix, cutoff= 0.75 )
print( highly_correlated) 技术支持
按重要性对数据框的特征进行排序。
需要创建一个训练方案来控制训练参数，用其构建选定模型，然后评估该模型的变量重要性：
control <- trainControl( method= "repeatedcv" , number= 10 , repeats= 5 )
model <- train( response_variable~ ., data= df, method= "lvq" , preProcess= "scale" , trControl= control)
importance <- varImp( model)
print( importance) 技术支持
自动选择最优特征。
caret 提供的最流行方法之一是向后选择算法——递归特征消除（RFE）。
需要用选定的重采样方法与预定义函数列表计算控制参数，将特征、目标变量、保留特征数量与控制参数传入 RFE 算法，然后提取选出的预测变量：
control <- rfeControl( functions= caretFuncs, method= "cv" , number= 10 )
results <- rfe( features, target_variable, sizes= c( 1 : 8 ) , rfeControl= control)
print( predictors( results) ) 技术支持 若您需要强化在 R 中的机器学习技能，这里有一份扎实全面的资源：机器学习科学家（R） 。
36. 什么是相关与协方差？如何在 R 中计算？
相关性衡量两个变量线性关系的强度与方向，取值范围为 -1（完全负相关）到 1（完全正相关）。协方差衡量两个变量相对变化的程度以及线性关系的方向。与相关不同，协方差没有取值范围限制。
在 R 中，计算相关用 cor()，计算协方差用 cov()。两者语法相同：传入想要计算的两个变量（向量）（如 cor(vector_1, vector_2) 或 cov(vector_1, vector_2)），或直接传入整个数据框（如 cor(df) 或 cov(df)）以计算各变量之间的相关或协方差。对于两个向量，结果是单个值；对于数据框，结果是相关（或协方差）矩阵。
37. 列举并定义在 R 中评估模型准确性的多种方法。
以下列出若干方法及其在 R 的 caret 包中的实现。
数据划分 —将整个数据集划分为训练集与测试集。训练集用于拟合模型，测试集用于在未见数据上评估性能。此方法在大数据上尤其有效。在 R 中实现数据划分，可使用 createDataPartition() 并将 p 参数设为训练集所占比例。自助法重采样（Bootstrap） —从数据集中随机抽样并在样本上估计模型。重采样迭代多次，且采用放回抽样。在 R 中实现时，在定义模型训练控制时将 trainControl() 的 method 参数设为 "boot"。交叉验证方法
k 折交叉验证 —将数据集分为 k 个子集。模型在 k-1 个子集上训练，并在剩余一个子集上测试。对所有子集重复上述过程，最后评估模型准确性。重复 k 折交叉验证 —与 k 折原理相同，但将数据集多次划分为 k 个子集。每次重复计算模型准确性，最终的准确性取所有重复的平均值。留一法交叉验证（LOOCV） —每次留出一个观测作为测试，其余观测用于训练；对所有观测重复。
在 R 中实现这些交叉验证方法时，在定义训练控制时将 trainControl() 的 method 参数分别设为 "cv"、"repeatedcv" 或 "LOOCV"。
38. 什么是卡方检验？如何在 R 中执行？
卡方假设检验用于判断两个分类变量是否独立，或它们之间是否存在相关性。在 R 中使用 stats 包的 chisq.test() 完成。步骤如下：
1. 使用基础 R 的 table() 函数，以目标分类变量创建列联表：
table = table( df[ "var_1" ] , df[ "var_2" ] ) 技术支持 2. 将列联表传入 chisq.test()：
chisq.test( table) 技术支持 您可以在我们的课程 R 中的假设检验 中复习卡方检验与其他假设检验。
39. R 中的 Shiny 是什么？
Shiny 是一个开源 R 包，使得仅用 R（无需 HTML、CSS 或 JavaScript 知识）即可轻松快速构建完全交互的 Web 应用与网页。Shiny 提供丰富的基础与高级特性、组件、布局、示例应用及其底层代码供扩展与自定义，并汇集了来自各领域（技术、体育、银行、教育等）的用户作品展示。
40. with() 与 within() 函数有何区别？
with() 会在数据框的一列或多列上评估 R 表达式，并输出结果，但不修改数据框 。within() 会在数据框的一列或多列上评估表达式，修改数据框 ，并输出结果。下面以示例数据框展示二者：
df <- data.frame( a = c( 1 , 2 , 3 ) , b = c( 10 , 20 , 30 ) )
print( df)
with( df, a * b)
print( within( df, c <- a * b) )
技术支持 输出：
a b
1 1 10
2 2 20
3 3 30
10 40 90
a b c
1 1 10 10
2 2 20 40
3 3 30 90 技术支持 使用 within() 时，如需保留修改，需要将函数输出赋给变量。
结语
总之，本文梳理了 40 道最常见的 R 编程面试题及其参考答案。希望借助这些信息，无论您是在寻找 R 相关的工作，还是在为公司招募合适的候选人，都能更有信心，顺利应对面试。
若想通过实战练习回答问题，请查看我们的课程 用 R 练习统计学面试题 。
为了提高您在 R 面试中成功的机会，无论您是在找工作还是负责招聘，提前了解可能会被问到的问题（或可以问候选人的问题）总是有益的。
本文汇总了40道基础的 R 编程面试题及其参考答案，涵盖从入门到高级的各个资历水平，并包含若干通用面试问题。为便于阅读，所有技术问题分为三类：入门、进阶和高级问题。
作为准备 R 编程面试的补充资源，您可以参考以下博客和课程：
R 编程通用面试问题
在 R 面试的开场阶段，面试官可能会就候选人整体的 R 使用经验提出一些非技术性问题，例如：
如果您是求职者，应当提前思考这些及类似问题并准备答案。即便您尚无实际的 R 工作经验也不必担心：描述您在 R 编程方面的实习，或您在校期间完成的个人或团队R 项目，同样有效。
此外，如果您应聘的是入门级岗位，面试官并不一定期望您具备丰富（甚至任何）的 R 工作经验。请记住，既然您已收到面试邀请，说明公司已对您的简历表示认可。
入门级 R 编程面试问题
让我们从一些基础的技术性 R 面试题开始，这些问题常见于潜在雇主的考察中。它们要求您掌握基础知识，并具有一定的 R 实操经验。
1. 什么是 R？它有哪些主要特性？
R 是一种广泛用于解决数据科学问题的编程语言与环境，特别为统计计算与数据可视化而设计。其主要特性包括：
2. 使用 R 有哪些劣势？
3. 列举并定义 R 中的一些基本数据类型。
R 中有若干数据类型，包括：
TRUE和FALSE，在底层分别用 1 和 0 表示。4. 列举并定义 R 中的一些基本数据结构。
5. 如何在 R 中导入数据？
基础 R 提供了导入数据的核心函数：
read.table()—基础 R 中最通用的导入函数，读取以任意分隔符（包括自定义如 |）分隔的表格数据。read.csv()—读取以逗号分隔（CSV）的文件，小数点分隔符为.。read.csv2()—读取以分号分隔的文件，小数点分隔符为,。read.delim()—读取以制表符分隔（TSV）的文件，小数点分隔符为.。read.delim2()—读取以制表符分隔（TSV）的文件，小数点分隔符为,。实际中，这些函数都可用于导入具有任意字段与小数点分隔符的表格数据：按约定与默认设置用于指定格式而已。例如，第一个函数的语法为：
read.table(file, header = FALSE, sep = "", dec = ".")。其余函数拥有相同参数，但默认值不同，且总可显式覆盖。tidyverse 的 readr 和 readxl 包提供了用于特定文件格式的其他函数。每个函数都可通过设置可选参数进行进一步微调。
readr
read_tsv()—读取 TSV 文件。read_fwf()—读取定宽文件。read_log()—读取 Web 日志文件。read_table()、read_csv()、read_csv2()和read_delim()—与基础 R 的同名函数等效。readxl
read_excel()—读取 Excel 文件。read_csv()—等效于基础 R 的同名函数。要更深入了解 R 中的数据加载，请查看教程 如何将数据导入 R。
6. R 中的包是什么？如何安装和加载包？
R 包是函数、代码、数据和文档的集合，是对 R 编程语言的扩展，用于解决特定类型的任务。R 自带若干预装包，其他包可由用户从仓库安装。最受欢迎的集中式仓库是 CRAN（Comprehensive R Archive Network，综合 R 存档网络）。
要直接从 CRAN 安装 R 包，需要将包名用引号括起并传给
install.packages()函数，如：install.packages("package_name")。要一次安装多个包，需使用包含包名的字符向量，如：install.packages(c("package_name_1", "package_name_2")。若要手动安装 R 包，需先将包下载为本地 zip 文件，然后运行install.packages() 函数：要在当前 R 工作环境中加载已安装的包，可使用
library()或require()。两者都接收不带引号的包名并加载包，例如library(caret)。不同之处在于找不到包时的行为：library()会抛出错误并停止程序执行，而require()会给出警告并继续执行。7. 如何在 R 中创建数据框？
1. 由一个或多个向量（长度相同）—使用
data.frame()函数：2. 由矩阵—使用
data.frame()函数：3. 由向量列表（长度相同）—使用
data.frame()函数：4. 由其他数据框：
将数据框横向合并（仅当数据框行数相同，且记录相同且顺序一致）—使用
cbind()函数：将数据框纵向合并（仅当它们具有数量相等、名称一致、数据类型相同且顺序一致的列）—使用
rbind()函数：8. 如何在 R 的数据框中添加新列？
$符号：输出：
输出：
使用
cbind()函数：输出：
在上述三种方法中，既可以赋单个值，也可以赋向量，或基于该数据框或其他数据框的现有列计算新列。
9. 如何在 R 的数据框中删除列？
1. 使用 tidyverse 集合中 dplyr 包的
select()函数。每个要删除的列名前加负号：如果待删除的列太多，更合理的方式是只保留其余列而不是删除目标列。此时语法类似，但保留的列名不加负号：
2. 使用基础 R 的内置 subset() 函数。若只需删除一列，将带负号的列名赋给函数的 select 参数。要删除多列，则将带负号的列名构成向量赋给该参数：
如果待删除的列太多，更合理的方式是只保留其余列。此时语法类似，但不加负号：
10. R 中的因子（factor）是什么？
因子是 R 中的一种特定数据类型，接受来自预定义可能值集合的类别（也称水平）。这些类别看起来像字符，但底层以整数存储。此类类别通常具有内在顺序。例如，数据框中用于表达观点的李克特量表选项（"strongly agree"、"agree"、"somewhat agree"、"neither agree nor disagree"、"somewhat disagree"、"disagree"、"strongly disagree"）应设为因子类型，以捕捉这种内在顺序，并在各类图表中得到恰当反映。
11. 什么是 RStudio？
RStudio 是一个开源 IDE（集成开发环境），自 3.0.1 版本起被广泛用作 R 的图形化前端。它拥有诸多实用功能，因此备受 R 用户青睐：
欲了解 RStudio 是什么、如何安装并开始使用，请参阅RStudio 教程。
12. 什么是 R Markdown？
R Markdown 是一个免费开源的 R 包，为构建数据科学项目提供创作框架。使用它，我们可以编写一个同时包含叙述、代码和图形的 .rmd 文件，并将其渲染为所选输出格式。其主要特点包括：
13. 如何在 R 中创建自定义函数？
在 R 中创建自定义函数，需要使用关键字
function，语法如下：return()（返回函数输出）或print()（打印输出）。一个简单的 R 自定义函数示例：
14. 列举一些 R 中常用的数据可视化包。
进阶 R 编程面试问题
对于更有经验的从业者，面试官很可能会提出需要更深入 R 知识的问题。以下是一些需要准备的内容：
15. 如何在 R 中给变量赋值？
使用赋值运算符
<-，如my_var <- 1—R 中最常见的赋值方式。使用等号运算符
=，如my_var = 1—多用于函数定义内为参数赋值。使用右向赋值运算符
->，如my_var -> 1—可用于管道中。使用全局赋值运算符，左向（
<<-）或右向（->>），如my_var <<- 1—用于在函数定义内创建全局变量。16. R 中变量命名有哪些要求？
变量名可由字母、数字、点与下划线组合而成。不能包含其他符号，包括空格。
变量名必须以字母或点开头。
若以点开头，点后不能紧跟数字。
R 中的保留字（如
TRUE、for、NULL等）不能作为变量名。变量名区分大小写。
在课程 高效 R 代码编写 中，您将学习更多 R 代码编写的最佳实践。
17. R 中有哪些类型的循环？各自语法是什么？
1. for 循环—对序列进行迭代，次数等于其长度（除非使用
break和/或next语句），对序列的每个元素执行相同操作。这是最常见的循环类型。语法如下：2. while 循环—在满足预先定义的逻辑条件（可为多个）之前，反复执行相同操作（除非使用
break和/或next语句）。与 for 不同，while 在执行前并不知晓迭代次数。运行 while 前需先赋初值，并在循环体内每次迭代更新。语法如下：3. repeat 循环—重复执行相同操作，直至满足预定义的中断条件（可为多个）。为引入中断条件，repeat 循环需包含 if 语句代码块，且其中必须含有
break。与 while 相似，repeat 的迭代次数也无法事先知晓。语法如下：您可在教程 R 中的循环 中了解更多。
18. 如何在 R 中聚合数据？
在 R 中使用
aggregate()函数聚合数据。该函数的关键参数依次为：x—要聚合的数据框。by—按哪些因子分组的列表。FUN—对每组计算汇总统计的聚合函数（如mean、max、min、count、sum）。19. 如何在 R 中合并数据？
1. 使用
cbind()函数—仅当数据框行数一致且记录相同且顺序一致：2. 使用
rbind()函数将数据框纵向合并—仅当它们具有数量相等、名称一致、数据类型相同且顺序一致的列：3. 使用
merge()函数按共有列（通常是 ID 列）合并数据框：4. 使用 dplyr 包的
join()函数按共有列（通常为 ID）合并数据框：type参数可取：inner、left、right或full。20. 如何在 R 中拼接字符串？
可使用
paste()或cat()函数拼接两个或更多字符串。前者更常用。两者均可接收任意数量的待拼接字符串，并可接收可选参数sep（以及其他可选参数）—用于指定结果字符串中各部分的分隔符（默认空格）。21. 如何在 R 中转置二维数据？
我们可以对数据框或矩阵进行转置，使列变为行、行变为列。可使用基础 R 的
t()函数，例如：输出：
22. 如何在 R 中将多个操作串联起来？
可使用 tidyverse 提供的管道运算符（
%>%）将多个操作串联。使用该运算符可以构建函数流水线：第一个函数的输出作为第二个函数的输入，依此类推，直至流水线结束。这样无需创建额外变量，并显著提升代码可读性。在数据框上使用管道运算符的示例：
输出：
23. 在 R 中可以创建哪些类型的图表？
数据可视化是 R 语言的一大强项，几乎所有类型的图表都能用 R 创建：
技能路径 使用 R 进行数据可视化 将助您拓展 R 图形的视野。若您希望在更广的语境下学习 R 的数据可视化，请探索全面且对初学者友好的职业路径 R 数据科学家。
24. 什么是 R 中的向量回收（vector recycling）？
当我们尝试对两个长度不同的 R 向量进行运算时，R 解释器会在底层识别较短的向量，按相同顺序循环重复其元素，直到与较长向量长度匹配，然后再执行运算。在开始回收前，解释器会就向量长度不匹配给出警告。
例如，若尝试执行如下加法：
由于向量回收，第二个向量会被转换为
c(1, 2, 3, 1, 2)。因此，最终结果为c(2, 4, 6, 5, 7)。虽然有时向量回收很有用（如当我们期望值呈周期性时），但更多情况下并不合适且易误导。因此，在对向量执行运算前，应留意它们的长度。
25. R 中的 next 和 break 语句有什么作用？
next语句用于在满足某条件时跳过某次迭代，进入下一次。break语句用于在满足某条件时停止并退出循环。若用于嵌套循环中的内层循环，它只会退出该内层循环。在 R 的任意循环类型（for、while、repeat）中都可使用
next与break。它们也可在同一循环中同时使用，例如：输出：
26. R 中
str()与summary()函数有何区别？str()返回 R 对象的结构及总体信息，具体内容取决于对象的数据结构。例如，对向量，它会返回其元素类型、索引范围和元素值（若过长则显示前若干个）；对数据框，它会返回其类（data.frame）、观测数与变量数、列名、各列的数据类型以及每列的前若干个值。summary()返回 R 对象的汇总统计。它多用于数据框和矩阵：对数值列返回最小值、最大值、均值、中位数以及第 1、3 四分位数；对因子列返回各水平的计数。27. R 中
subset()和sample()函数有何不同？subset()用于基于特定条件从数据框或矩阵中抽取行列，或从向量中抽取元素，例如：subset(my_vector, my_vector > 10)。而
sample()只能用于向量。它从向量元素中抽取预定义大小的随机样本，可放回或不放回。例如：sample(my_vector, size=5, replace=TRUE)高级 R 编程面试问题
28. 如何基于其他列在 R 的数据框中创建新列？
1. 使用基础 R 的
transform()与ifelse()：输出：
2. 使用基础 R 的
with()与ifelse()：输出：
3. 使用基础 R 的
apply()：输出：
4. 使用 dplyr 的
mutate()配合基础 R 的ifelse()：输出：
29. 如何在 R 中从字符串解析日期？
在 R 中解析日期字符串，应使用 tidyverse 中的 lubridate 包。该包提供多种函数，可依据字符串中的日期模式进行解析并提取标准日期。这些函数包括
ymd()、ymd_hm()、ymd_hms()、dmy()、dmy_hm()、dmy_hms()、mdy()、mdy_hm()、mdy_hms()等，其中 y、m、d、h、m、s 分别代表年、月、日、时、分、秒。例如，如果我们对字符串 "05-11-2023"、"05/11/2023" 或 "05.11.2023" 运行
dmy()，都将得到相同结果：2023-11-05。因为三者尽管分隔符不同，但模式一致：日-月-年。30. R 中
switch()函数的用途是什么？switch()是一种多分支控制语句，用于将表达式与列表项进行匹配并返回相应值。语法如下：传给
switch()的表达式可以求值为数字或字符串，函数行为因此不同。1. 若表达式求值为数字，
switch()将按位置匹配返回列表中的项（其索引等于该数字）。若数字大于列表项数量，则返回NULL。例如：输出：
2. 若表达式求值为字符串，
switch()将根据名称返回值：输出：
若存在多重匹配，将返回第一个匹配值。还可以在
switch()的最后一个参数添加未命名项，作为无匹配时的默认回退。若未设置默认项且无匹配，函数返回NULL。switch()是冗长 if-else 语句的高效替代方案，可减少重复并提升可读性。它通常用于评估单个表达式。我们也可编写更复杂的嵌套 switch 结构以评估多个表达式，但在这种情况下，代码很快会变得难读，从而丧失相对 if-else 的主要优势。31.
apply()、lapply()、sapply()与tapply()有何区别？这些函数都能在不显式编写循环的情况下，对数据结构迭代并对各元素执行相同操作，但它们在输入输出类型与功能上有所不同。
apply()—接收数据框、矩阵或数组，返回向量、列表、矩阵或数组。可按行、按列或双向应用。lapply()—接收向量、列表或数据框，始终返回列表。若输入为数据框，仅按列应用。sapply()—接收向量、列表或数据框，返回尽可能简化的数据结构：输入为向量则返回向量，输入为列表则返回列表，输入为数据框则返回矩阵。tapply()—对不同因子（即分类数据）计算汇总统计。32. 列举并定义 R 中的控制语句。
R 中有三类控制语句：条件语句、循环语句和跳转语句。
条件语句：
if—测试给定条件是否为真，并提供相应操作。if-else—测试给定条件是否为真，为真时执行一组操作，否则执行另一组操作。if... else if... else—逐一测试一系列条件，对每个为真的条件执行相应操作；若均不为真，则执行回退操作。switch—将表达式与列表项匹配，并据此返回列表中的值。循环语句：
for—在 for 循环中对序列进行迭代。while—在 while 循环中检查当前迭代是否满足预定义逻辑条件（可为多个）。repeat—在 repeat 循环中持续执行相同操作，直到满足中断条件（可为多个）。跳转语句：
next—在满足条件时跳过某次迭代并进入下一次。break—在满足条件时于当前迭代停止并退出循环。return—退出函数并返回结果。33. 什么是正则表达式？在 R 中如何使用？
正则表达式（regex）是在 R 或其他编程语言中用于描述特定文本模式的字符或字符序列，常用于文本挖掘。在 R 中，处理正则主要有两种方式：
grep()、regexpr()、gsub()、regmatches()等）来定位、匹配、提取和替换正则。R 正则表达式指南提供了更多细节。
34. R 中用于机器学习的包有哪些？
35. 如何在 R 中进行特征选择？
我们以 caret 包为例，介绍三种方法及其实现。
需要创建所有特征的相关矩阵，然后识别高度相关的特征，通常相关系数大于 0.75：
需要创建一个训练方案来控制训练参数，用其构建选定模型，然后评估该模型的变量重要性：
caret 提供的最流行方法之一是向后选择算法——递归特征消除（RFE）。
需要用选定的重采样方法与预定义函数列表计算控制参数，将特征、目标变量、保留特征数量与控制参数传入 RFE 算法，然后提取选出的预测变量：
若您需要强化在 R 中的机器学习技能，这里有一份扎实全面的资源：机器学习科学家（R）。
36. 什么是相关与协方差？如何在 R 中计算？
相关性衡量两个变量线性关系的强度与方向，取值范围为 -1（完全负相关）到 1（完全正相关）。协方差衡量两个变量相对变化的程度以及线性关系的方向。与相关不同，协方差没有取值范围限制。
在 R 中，计算相关用
cor()，计算协方差用cov()。两者语法相同：传入想要计算的两个变量（向量）（如cor(vector_1, vector_2)或cov(vector_1, vector_2)），或直接传入整个数据框（如cor(df) 或 cov(df)）以计算各变量之间的相关或协方差。对于两个向量，结果是单个值；对于数据框，结果是相关（或协方差）矩阵。37. 列举并定义在 R 中评估模型准确性的多种方法。
以下列出若干方法及其在 R 的 caret 包中的实现。
createDataPartition()并将 p 参数设为训练集所占比例。trainControl()的method参数设为"boot"。在 R 中实现这些交叉验证方法时，在定义训练控制时将
trainControl()的method参数分别设为"cv"、"repeatedcv"或"LOOCV"。38. 什么是卡方检验？如何在 R 中执行？
卡方假设检验用于判断两个分类变量是否独立，或它们之间是否存在相关性。在 R 中使用 stats 包的
chisq.test()完成。步骤如下：1. 使用基础 R 的
table()函数，以目标分类变量创建列联表：2. 将列联表传入
chisq.test()：您可以在我们的课程 R 中的假设检验 中复习卡方检验与其他假设检验。
39. R 中的 Shiny 是什么？
Shiny 是一个开源 R 包，使得仅用 R（无需 HTML、CSS 或 JavaScript 知识）即可轻松快速构建完全交互的 Web 应用与网页。Shiny 提供丰富的基础与高级特性、组件、布局、示例应用及其底层代码供扩展与自定义，并汇集了来自各领域（技术、体育、银行、教育等）的用户作品展示。
40.
with()与within()函数有何区别？with()会在数据框的一列或多列上评估 R 表达式，并输出结果，但不修改数据框。within()会在数据框的一列或多列上评估表达式，修改数据框，并输出结果。下面以示例数据框展示二者：输出：
使用
within()时，如需保留修改，需要将函数输出赋给变量。结语
总之，本文梳理了 40 道最常见的 R 编程面试题及其参考答案。希望借助这些信息，无论您是在寻找 R 相关的工作，还是在为公司招募合适的候选人，都能更有信心，顺利应对面试。
若想通过实战练习回答问题，请查看我们的课程 用 R 练习统计学面试题。