R 语言是什么：免费开源的统计编程语言

R 的前世今生

1993 年，奥克兰大学的两位统计学家 Ross Ihaka 与 Robert Gentleman 为了教学需要，基于贝尔实验室的 S 语言开发了 R。名字取两人名字的首字母，也暗合"R 是 S 的接棒者"。1995 年以 GPL 协议开源后，全球统计学者把新方法源源不断写成 R 包——这是一个自我强化的生态：方法学家用 R 发方法，方法用 R 的人越多，新方法越先出现在 R。2026 年，CRAN（R 的官方包仓库）收录扩展包超过两万个，统计期刊的复现材料默认 R 或 Stata 格式。

R 擅长什么、不擅长什么

维度	表现
统计方法覆盖	最全。贝叶斯、生存分析、空间统计、机器学习，新方法几乎总是先有 R 实现
可视化	ggplot2 是统计图形的事实标准，出版级图表
可复现性	RMarkdown/Quarto 把代码、结果、文字合成一份文档，审稿人可一键重跑
上手门槛	高。命令行、报错调试、包依赖管理，零基础以周为单位计算学习成本
面板计量	能做（plm 包等），但生态不如 Stata 集中

要不要学 R：按场景判断

值得学的情况：统计/数据科学专业（课程与就业都要）；计划读博或长期科研（可复现能力是长期资产）；研究方法超出菜单软件覆盖范围（贝叶斯、复杂生存分析、文本挖掘）。不值得学的情况：只为毕业论文跑一次问卷分析（学 R 的时间够你把论文写完一半）；deadline 在两个月内且统计零基础。后一种情况，在线数据分析工具的自动报告或数据分析代做是时间轴上唯一现实的选择。

折中方案也存在：R 的学习曲线最陡的是前两周（环境、数据结构、报错），如果团队里有人会 R，其余人只需读代码——这也是为什么我们的自动报告附 Python 脚本：有编程基础的用户可以核对与修改，不感兴趣的用户直接用报告。

R 与 Python 怎么选

两门语言都免费、都能做统计，分歧在基因上：R 生于统计系，统计推断与学术可视化是母语；Python 生于工程界，数据清洗、机器学习工程化、与 Web/生产环境集成是强项。纯统计研究选 R，数据科学职业路线选 Python，两个都学的人一般用 R 做分析、Python 做管道。这个分工与数据分析软件选型篇的结论一致：工具跟着研究问题走。

R 和 SPSS 的关系：不是替代，是升维

对问卷论文用户，R 与 SPSS 的关系可以这么理解：SPSS 能做的 R 都能做（且结果一致），R 能做的 SPSS 未必能做。但"能做"和"你会做"是两回事——SPSS 的价值恰恰是把统计塞进了菜单。从 SPSS 迁移到 R 的合理时机是：你需要的方法在菜单里找不到了。在那之前，点菜单的效率更高。卡在某个具体方法上的，也可以直接用数据分析公司的人工通道，不必为单一需求学一门语言。