书里这一步是下载 R、一路下一步、打开输入 1+1 看有没有 [1] 2。 这台机器上没有 R，装也装不了，所以安装过程原样贴出来，标「平台不执行」。 但 R 干的那几件事（平均、标准偏差、拟合）这里全部真算，结果一一对上。
附录 B 只有一节：装 R。它属于「环境准备」，不是分析方法。 这一篇的重点不在安装，而在「同一件事换个工具怎么写」的对照。
一、装 R 的五个动作
打开 cran.r-project.org，选 Download R for Windows，点 base，下载安装包，一路下一步。 装完打开 R，输入 1+1 回车，出现 [1] 2 就算成功。 那个 [1] 是「这是输出的第 1 个元素」的意思，不是行号，也不是结果的一部分。
第一次见这个 [1] 的人几乎都会困惑一下。它只是 R 打印向量的格式。
这台机器上没有 R，Rscript 不存在，所以这一段只能原样贴，跑不了。
二、R 到底舒服在哪
三件事：向量化、图形、建模接口。 向量化：c(1,2,3) 直接当一列算，mean(c(1,2,3)) 一行出结果，不用写循环。 图形：hist(x)、plot(x, y) 一行出图，默认样式就能看。
建模：lm(y ~ x) 一行出模型，summary 直接给系数、标准误、r²。 这三件事 Python 都能做，只是写法长一点。差别在顺手程度，不在能力。
三、一张对照表
| 要做的事 | R 里怎么写 | 这里怎么写 |
|---|---|---|
| 造一列数 | c(1, 2, 3) | [1, 2, 3] |
| 求平均 | mean(x) | sum(x) / len(x) |
| 标准偏差 | sd(x) | statistics.stdev(x) |
| 画直方图 | hist(x) | matplotlib 的 ax.hist |
| 拟合直线 | lm(y ~ x) | numpy 的 polyfit |
| 取残差 | resid(m) | 实际值减预测值 |
六行里没有一行是「R 独有的能力」。 R 赢在生态和默认输出，不赢在算法。这句话想清楚，就不会纠结「该学哪个」。
四、要不要专门去装
要做正经统计建模、要现成的检验与诊断图、要交一份同行看得懂的脚本——装。 只是偶尔算平均、画柱状图——不必。 工具的重量要和任务的重量匹配。为了一次求平均去装一个统计环境，是划不来的。
学工具的顺序应该是：先知道要算什么，再挑工具。反过来会学一堆用不上的语法。
五、书里这一步为什么现在显得旧
这本书成书在 R 还没那么普及、Python 数据栈还没成型的年代。 那时候「装个 R」是门槛，现在云端笔记本打开就能算。 但方法没变：直方图还是分箱计数，回归还是最小二乘。
环境会过时，方法不会。这也是本课一直在做的事：把方法跑一遍，工具能换就换。
六、动手 Demo：R 装好就能算：那几步在这里怎么等价
先原样贴出书里的安装步骤（本沙箱不执行）。 再把 R 最常用的三行（mean、sd、lm）在这里真算一遍，结果对照。
import statistics
X = [2, 4, 4, 4, 5, 5, 7, 9]
# R: mean(X)
print("mean %.2f" % (sum(X) / float(len(X))))
# R: sd(X)
print("sd %.3f" % statistics.stdev(X))
# R: lm(Y ~ X)，这里让 Y = X，验证接口
YS = list(X)
mx = sum(X) / float(len(X))
my = sum(YS) / float(len(YS))
num = sum((x - mx) * (y - my) for x, y in zip(X, YS))
den = sum((x - mx) ** 2 for x in X)
k = num / den
b = my - k * mx
print("lm slope %.3f intercept %.3f" % (k, b))
print()
print("R 的 [1] 只是「输出第 1 个元素」，不是结果的一部分")
实跑输出：
--------------------------------------------------------------------
R 装好就能算：那几步在这里怎么等价
--------------------------------------------------------------------
① 书里怎么装 R
--------------------------------------------------------------------
[平台原样 · 本沙箱不执行]
| 1. 打开 cran.r-project.org
| 2. 选 Download R for Windows
| 3. 点 base -> Download R 4.x.x for Windows
| 4. 一路下一步，装完桌面出现 R 的图标
| 5. 打开 R，输入 1+1 回车，出现 [1] 2 就算成功
这台机器上没有 R：Rscript 不存在，装它也不是本课的任务。这一段只能原样贴。
② R 的舒服在哪
--------------------------------------------------------------------
三件事：向量化（c(1,2,3) 直接当一列算）、图形（plot 一行出图）、建模接口（lm 一行出模型）。
这三件事 Python 也都能做，只是写法不同：列表当向量、matplotlib 画图、numpy 拟合。
语言不同，动作一一对应。下面这张表就是对照。
③ 一张对照表
--------------------------------------------------------------------
| 要做的事 | R 里怎么写 | 这里怎么写 |
|---|---|---|
| 造一列数 | c(1, 2, 3) | [1, 2, 3] |
| 求平均 | mean(x) | sum(x) / len(x) |
| 标准偏差 | sd(x) | statistics.stdev(x) |
| 画直方图 | hist(x) | matplotlib 的 ax.hist |
| 拟合直线 | lm(y ~ x) | numpy 的 polyfit |
| 取残差 | resid(m) | 实际值减预测值 |
六行里没有一行是「R 独有的能力」。R 赢在生态和默认输出，不赢在算法。
④ 真跑一遍等价的那几行
--------------------------------------------------------------------
一列数：2, 4, 4, 4, 5, 5, 7, 9，共 8 个。
R 里 mean(x) 给 5.00；这里 sum/len 也是 5.00。
R 里 sd(x) 给 2.138；这里 statistics.stdev 给 2.138。
拿这列数拟合它自己（y = x）：斜率 1.000，截距 -0.000。
自拟合当然是一条 45 度线——斜率 1、截距 0。它只证明接口通着，不证明任何事。
⑤ 什么时候值得专门去装 R
--------------------------------------------------------------------
要做正经的统计建模、要现成的检验与诊断图、要交一份同行看得懂的脚本——装 R 值。
只是偶尔算个平均、画个柱状图——不必。工具的重量要和任务的重量匹配。
学工具的顺序应该是：先知道要算什么，再挑工具。反过来会学一堆用不上的语法。
lm 那段用 y = x 自拟合，斜率必然是 1、截距必然是 0。它不证明任何事，只证明接口对得上。
真正做回归时，把 Y 换成实测值就行——公式一个字符都不用改。
30 秒实验
- R 的 sd() 和 Excel 的 STDEV() 是同一种口径吗？都是除 n−1 吗？
- 如果只有一行数据，sd() 会返回什么？为什么？
- 想一想：为什么「先学方法再学工具」比反过来省时间？
常见误区
- 以为 R 有独家算法：它用的最小二乘、直方图分箱，任何语言都一样。
- 把 [1] 当结果的一部分：那只是向量下标提示。
- 为一个小任务装一整套环境：工具的重量要和任务匹配。
- 装了不用：装完不练，一周后连包怎么装都忘了。
自测三问（点开对答案）
1. R 控制台里的 [1] 是什么意思？ —— 表示「这是输出向量的第 1 个元素」。结果本身是 2，[1] 只是打印格式。 2. R 的三件舒服事是什么？ —— 向量化运算、一行出图、一行建模（lm + summary）。 3. 这一课为什么还要讲装 R？ —— 因为它出现在教材里，而且它是理解「统计工具长什么样」的入口。装不了就讲清等价做法。R 讲完，附录 C 讲另一件同类的事：Excel 的分析工具包为什么默认不出现。
- ☐ （本篇完，下一篇 C.1 在 Excel 里装上分析工具）