在计算机实验室中教授R的好方法是什么？

已经有几个很好的问题，并在集合的入门书籍的答案或方法，以学习[R如这里和这里。但是我有一个稍微不同的问题-在计算机实验室中运行一个小时的会话（或几个这样的会话）的最佳方法，这将使人们开始使用R，熟悉其基本方法等。

我目前的计划是有效地学习Verzani的SimpleR之类的入门章节，然后介绍一个熟悉的数据集，但是人们发现其他有用的方法吗？例如，直接引入真实数据还是以更抽象的方式解决问题是否很好？我应该详尽地学习如何使用方括号，还是要激发人们使用点阵图形的实例？

我的目标受众熟悉统计数据（尽管不是专家）和合格的SPSS用户；除了您在SPSS和类似功能中获得的那种宏和脚本之外，对编程语言不熟悉。

任何提示或对课程计划的引用，将不胜感激。但是，我不想复制许多介绍R的在线材料的好清单-严格参考面对面的教学问题。

我主张一种完全不同的方法。我看过R教程是从两个不同的角度讲授的：一种是构建块方法，向用户介绍R的基本概念；另一种是震撼人心的方法，向用户展示R的惊人功能，但留下了对如何做的了解相对较少。后者肯定会引起小学生更强烈的共鸣，但是在实际培养用户方面似乎没有人非常有效。

相反，我将在SPSS中执行一个常见且相对简单的任务，并逐步将其转换为R，而您则需要一点点假冒的天赋-例如，遵循西安市的出色建议，可以查找一些所需的功能，??而不仅仅是从内存中调用正确的功能。您的新手几乎可以肯定会在学习R的同时转换现有流程，而不是从头开始编写它们-那么为什么不向他们确切展示您将如何处理呢？

一个很好的例子可能包括仅加载数据，执行一些描述性操作并弹出一些基本图。 lm()可以非常非常简单，并产生他们可以理解的结果，并且可以将结果与SPSS输出进行比较，因此可能也很容易涵盖。

对于家庭作业，请他们采取行动以转换他们的简单流程之一，或者加载并浏览他们非常熟悉的数据集。给他们一些一对一的时间，找出问题出在哪里，然后在下一个会话中介绍更多示例转换。您列表中的概念将不可避免地出现（我敢打赌：因素与字符向量，相较于适用），然后您将有一个现实世界来覆盖它们。如果他们还没有提出（attach），那么他们还不是真正需要的-如果这意味着您的新手早些时候（for而不是apply）编写了一些非惯用的代码，我看不出有什么害处。

这样，您的学生可以以与外语学生一样的方式进步（或者至少是我的方式）：简单表达的粗略翻译引起了人们对更复杂表达的渴望，这引起了人们对语法的更深刻理解的渴望。 ，最终导致惯用语表达。不要太早跳到“语法”，也不要太担心教给他们他们不需要的东西，因为他们可能会忘记它。关于惯用语表达的温柔指针很棒（forvs apply），但主要的事情是让它们生成输出并自行探索。

好的，到目前为止，这是我自己的答案，我认为这将使人们入门并激发他们学习更多信息（我正在努力使他们摆脱SPSS，这实际上无法执行我们所需的某些工作，例如，复杂的调查分析，至少而不购买我拒绝做的更多模块）。

在第一节课结束时，您应该能够：

基本

• 使用界面进行简单的计算（使用R作为计算器）
• 启动，保存和加载脚本窗口并有效使用
• 在工作空间中创建和删除对象
• 查看哪个文件夹是您的工作文件夹
• 了解P：/ R / yourid文件夹的工作方式以及在退出时保存工作空间的作用
• 加载包含XXX（我们的常用数据）的工作空间的图像
• 列出内存中的对象
• 列出数据框中的列（变量）的名称
• 在屏幕上打印对象
• 附加和分离数据框
• 知道什么意思：对象，函数，参数（函数的参数），工作空间，向量，数据框，矩阵，数值，因子
• 知道如何在功能上寻求帮助
• 采用 ？？查找相关功能列表
• 在何处上网以及我们的本地书籍和局域网以获取更多资源
• 足够了解R基础知识，以参加有关特定统计技术的实验会议

资料处理

• 使用：运算符创建数字向量
• 制作一个变量的计数表
• 对两个变量进行计数交叉表
• 创建一个新对象（例如上表之一）以进行进一步操作
• 转置矩阵或表
• 使用tapply（）通过因子创建连续变量均值的向量
• 使用cbind（）或data.frame（）将多个向量绑定在一起
• 使用[]创建矩阵的子集
• 创建一个简单的变换，例如对数或平方根

统计

• 计算两个连续变量的相关性

图形

• 创建连续变量的直方图
• 创建一个图形窗口并将其分为2或4部分
• 创建连续变量的密度线图
• 创建两个连续变量的散点图
• 向散点图添加一条直线（垂直，水平或ab）
• 创建轴和标题的标签

在三节课的最后并进行一系列练习之后，您还应该能够：

基本

• 以SPSS或.csv格式导入数据
• 删除工作区中的所有对象以重新开始
• 使用软件包库
• 保存工作区图像并了解基本原理R和内存
• 产生随机变量
• 使用c（）创建向量
• 对去哪里学习新方法和技术有很好的感觉

资料处理

• 在真实的数据集上使用aggregate（），例如按月份和国家/地区划分的访问者人数
• ==，！=和％in％运算符；逻辑向量 并使用它们来子集数据
• ifelse（）并使用它来创建新变量
• 最大，最小和相似函数，以及它们如何与向量一起使用
• 创建向量或矩阵以存储大量结果
• 使用循环多次重复类似的功能
• 使用apply（）将函数应用于矩阵的每一列或每一行
• 创建有序因子
• 使用cut（）重新编码数字变量

统计

• 卡方检验列联表
• 健壮的相关性版本
• 将线性模型拟合到两个连续变量，将结果放置在对象中，然后使用anova（），summary（）和plot（）查看结果
• 对模型及其在R中的工作方式有足够的了解，以准备将您的技能应用于更广泛的模型类型
• 使用boot（）对基本功能（例如cor（），mean（）或var（））执行引导
• 在真实数据集上使用sample（）

图形

• 给定因子的不同级别，创建连续变量的晶格密度线图
• qqnorm
• 建立一个散点图，用不同的颜色和字符点显示一个因素的不同水平；向现有散点图添加点或线
• 添加图例
• 点图
• errbar（）
• 使用循环在页面上绘制多个图表

我将在Peter的列表中添加：

1. 子集数据帧：按观察子集（例如，高于3的所有响应），按变量子集。
2. 使用ifelse语句（这对我来说是一个巨大的学习曲线，我一直尝试使用if语句的类型），尤其是嵌套的ifelse。
3. 使用聚合命令将数据汇总到较小的数据框中。
4. 学习使用==运算符。
5. 使用<-而不是=
6. 重命名变量
7. 如果A是数据帧中的变量并且B是单个值，则基本矢量化陷阱（例如SAS中的max（A，B））不会执行R中的max（A，B）。为了等效于SAS代码（可能还有SPSS代码），我使用了ifelse语句。
8. 与一起使用，而不是附加。:)

更多的想法：他们可能在中使用COMPUTE很多SPSS，因此介绍如何做到这一R点将是不错的。另外，如何RECODE在R中进行变量转换。当我使用时，SPSS我认为我的大部分“非分析”工作都使用了这两个命令。