虽然R中的向量化计算函数可以省掉写很多循环的功夫，但是常见的语法还是要掌握的。

控制语句

if(a %% 2 == 0) cat(a, "is odd") 
#若if后的语句只有一行，可以不用大括号

if(a %% 2 == 0){
  cat(a, "is odd")
} else {
  cat(a, "is even")
}
#若if后有多个分支，则需要用if- else if - else控制 

ifelse(vec %% 2 == 0, 'even', 'odd')
#ifelse函数可以对向量进行计算

ifelse(vec %%2 == 0, 'even', ifelse(vec %%3 == 0, 'yes', 'no'))
#ifelse函数还可以嵌套使用

switch(expr, value1, value2, ....)
#switch函数可以用于多重分支的条件判断，第一个参数是表达式，
#根据表达式的值返回后面对应位置的值

switch('apple', apple = 10, banana = 15)
#若switch第一个参数是字符串，会和后面的参数匹配，返回对应数值

循环

#for循环
for(i in 1:1000){
  ...
}

#while循环
while(expr){
  ...
}
#while循环的不同在于要在循环体中增加对循环条件的更新操作

# repeat循环
repeat{
  ... next  
  ... break
}
# repeat循环没有循环条件，要在循环体内进行判断
#next结束本次循环，break退出循环

在R中尽量使用向量化，使用循环会降低效率。

函数

一般情况下函数可接收的参数只能是一个数值，但返回值可以是各种形式
函数中定义的变量是局部变量，即使变量名与全局变量相同，也无法对全局变量造成影响。
但是还是可以在函数中修改全局变量的，只需要用<<-赋值符号就行了
函数参数中还可以加入省略号，表示可能需要传递给其他函数的参数

myfunc <- function(x, type = 'sample' ...){
  n <- length(x)
  m <- mean(x, ...)
  if(type == 'sample'){
    sd <- sqrt(sum((x-m)^2))/(n-1)
} else{
    sd <- sqrt(sum(x-m)^2))/n
}
return(sd)
}
#在函数参数中增加省略符
#在mean函数中也有省略符，表示函数可以在函数中设置mean函数的参数
#如本函数可以设置mean函数中的na.rm = T参数

匿名函数：只使用一次的函数，常常会在向量化计算中看到

set.seed(1)
m <- matrix(rnorm(100), 10,10)
apply(m, 1, function(x) max(x) - min(x)

函数式编程：R中另一个特点就是万物皆对象，函数自然也可以作为对象，地位和数据框、向量是完全相同的，自然也可以放到列表中存储，还能用循环语句调用，甚至还能在别的函数中当做参数使用

Funclist <- list(base = function(x) mean(x),
                med = function(x) median(x),
            manual = function(x) {
              n <- length(x)
              x <- sort(x)[c(-1,-n)]
              mean(x)
          })
set.seed(1)
x <- sample(1:100,10)
for( f in Funclist){
print(f(x))
}
# 这种将函数当做对象循环调用的真的很有特点
# 当然甚至还可以和向量化计算结合
sapply(Funclist, function(f) f(x))

工厂函数：函数的返回值是函数

SdFunc <- function(func, type){
  function(x) {
  x <- x[!is.na(x)]
  n <- length(x)
  m <- func(x)
  if(type == 'sample') n <- n -1
  sd <- sqrt(sum(x-m)^2/(n))
  return(sd)
  }
}
#没有return语句时，函数默认返回最后一个位置上的值