本书分为基础篇、进阶篇、拓展篇三个模块，共9个章节，包括R语言基础知识、常用模型和特色应用。同时，本书将R语言和数据科学相结合，讲解了数据获取、数据描述、数据预处理、数据分析、数据挖掘、数据可视化的理论知识以及R语言的实现方法。除第9章外，每章配有综合实验，引导学生解决应用问题。
本书是学习R语言、数据科学类课程的基础教材，配有完备的教学资料，支持多种教学模式，可作为各类高等院校开设R语言、数据科学类课程的通识基础教材，也可供数据科学、R语言爱好者自学使用。

基础篇
第1章 R语言概述
1.1 认识R语言
1.1.1 R语言是什么
1.1.2 R语言与数据科学
1.1.3 R语言与计算思维
1.2 第一个R语言会话
1.2.1 开发环境配置
1.2.2 程序编写运行
1.3 R语言包
1.3.1 包的含义
1.3.2 包的安装和使用
1.4 R语言数据集
1.5 综合实验
1.5.1 实验1：R语言软件安装
1.5.2 实验2：RStudio安装
1.5.3 实验3：编写“Hello World！”程序
1.5.4 实验4：工作空间的管理和使用
1.5.5 实验5：使用rmarkdown包
思考与练习
第2章 数据对象
2.1 数据类型
2.1.1 数据类型分类
2.1.2 数据类型的转换
2.1.3 数据类型的查看
2.2 数据结构
2.3 向量
2.3.1 创建向量
2.3.2 向量的运算
2.3.3 向量的索引
2.3.4 向量的排序
2.4 矩阵
2.4.1 创建矩阵
2.4.2 矩阵的合并
2.4.3 矩阵的运算
2.4.4 矩阵的索引
2.5 数组
2.6 数据框
2.6.1 创建数据框
2.6.2 数据框的索引
2.7 列表
2.7.1 创建列表
2.7.2 列表的索引
2.8 因子
2.8.1 创建因子
2.8.2 创建有规律的因子
2.9 综合实验
2.9.1 实验1：熟悉向量的计算
2.9.2 实验2：灵活使用矩阵
2.9.3 实验3：综合运用数据框
2.9.4 实验4：熟悉因子
思考与练习
第3章 数据管理
3.1 控制结构
3.1.1 分支结构
3.1.2 循环结构
3.1.3 控制语句
3.2 函数
3.2.1 数学运算函数
3.2.2 字符处理函数
3.2.3 日期处理函数
3.2.4 自定义函数
3.2.5 函数的嵌套
3.3 apply函数族
3.3.1 函数族
3.3.2 apply()函数
3.3.3 tapply()函数
3.3.4 lapply()函数
3.3.5 sapply()函数
3.4 数据输入与输出
3.4.1 数据输入
3.4.2 数据输出
3.5 综合实验
3.5.1 实验1：编写自定义函数
3.5.2 实验2：百分制成绩换算
3.5.3 实验3：两种方法实现数据处理
3.5.4 实验4：实现爬虫功能
思考与练习
第4章 数据可视化
4.1 绘图基础
4.1.1 高级绘图函数
4.1.2 低级绘图函数
4.1.3 绘制图形
4.2 绘图进阶
4.2.1 ggplot2绘图包
4.2.2 使用qplot()函数绘图
4.2.3 使用ggplot()函数绘图
4.3 绘制更丰富的图形
4.4 综合实验
4.4.1 实验1：绘制鸢尾花数据图形
4.4.2 实验2：绘制汽车数据图形
4.4.3 实验3：绘制交互式图形
思考与练习
进阶篇
第5章 数据探索
5.1 数据描述
5.1.1 数据的类别
5.1.2 数据的集中趋势
5.1.3 数据的离散程度
5.1.4 数据的分布特征
5.1.5 数据的相似性
5.2 数据清洗
5.2.1 处理缺失数据
5.2.2 处理异常数据
5.2.3 处理重复数据
5.3 数据集成
5.3.1 数据集的合并
5.3.2 数据子集的获取
5.3.3 数据的分组汇总
5.3.4 数据的频数计算
5.3.5 使用SQL语句
5.4 数据规范
5.5 数据重构
5.6 综合实验
5.6.1 实验1：对mtcars数据集的初步探索
5.6.2 实验2：处理数据集中的缺失值
5.6.3 实验3：对mtcars数据集的标准化
5.6.4 实验4：数据重构
思考与练习
第6章 数据分析
6.1 随机数模拟
6.1.1 生成随机数
6.1.2 特定分布的随机数
6.1.3 随机抽样
6.2 假设检验
6.2.1 假设检验的方法
6.2.2 均值检验
6.2.3 相关性检验
6.3 方差分析
6.4 线性回归
6.4.1 变量间关系
6.4.2 一元线性回归
6.4.3 多项式回归
6.4.4 多元线性回归
6.5 广义线性模型
6.5.1 广义线性模型概况
6.5.2 Logistic回归
6.5.3 泊松回归
6.6 综合实验
6.6.1 实验1：假设检验的应用
6.6.2 实验2：方差分析
6.6.3 实验3：一元线性回归分析
6.6.4 实验4：多项式回归分析
6.6.5 实验5：泊松回归分析
6.6.6 实验6：Logistics回归分析
思考与练习
第7章 数据挖掘
7.1 相关概念
7.1.1 数据分析与数据挖掘
7.1.2 数据挖掘与机器学习
7.1.3 数据驱动为核心的机器学习
7.1.4 模型评估
7.2 分类与回归
7.2.1 决策树
7.2.2 随机森林
7.2.3 KNN