用R语言写脚本提升数据分析效率

很多人觉得R语言只是统计分析的工具，装几个包、跑跑模型就完了。其实，把R当成脚本语言来用，能省下大量重复操作的时间。比如你每周都要处理销售数据，手动打开Excel、筛选区域、算汇总、做图表，一通操作下来半小时没了。其实一段R脚本就能自动完成。

从一个简单例子开始

假设你有一堆CSV格式的销售记录，存放在一个文件夹里，需要合并成一张总表，并计算每个地区的总销售额。手动做很麻烦，但用R写个脚本，点一下就出结果。

library(readr)
library(dplyr)

# 读取目录下所有CSV文件
files <- list.files("sales_data", pattern = "*.csv", full.names = TRUE)

# 逐个读取并合并
all_data <- lapply(files, read_csv) %>% bind_rows()

# 按地区分组求和
summary <- all_data %>%
  group_by(region) %>%
  summarise(total_sales = sum(amount))

# 输出结果到CSV
write_csv(summary, "output/region_summary.csv")

这段脚本跑一次，几秒就搞定。以后新数据进来，只要放对文件夹，重新运行就行。不用再点开一堆表格复制粘贴。

让脚本更实用的小技巧

可以在脚本开头加个参数，指定数据路径，这样不同项目也能复用。比如：

args <- commandArgs(trailingOnly = TRUE)
data_path <- ifelse(length(args) > 0, args[1], "default_folder")

然后在命令行运行：Rscript process_sales.R new_project_data，脚本就会自动处理新目录下的文件。

还可以结合Windows任务计划程序或macOS的launchd，设置每天早上8点自动运行脚本，起床就能看到最新报表。这种“一次写好，长期受益”的方式，才是真正意义上的电脑优化——不是让电脑跑得更快，而是让你少动手。

别只盯着代码本身

写R脚本的关键不是语法多高级，而是理清楚自己每天在重复做什么。比如导出日志、整理用户反馈、生成周报附件……这些机械劳动都可以尝试用脚本替代。刚开始可能写得慢，但跑顺了之后，别人还在点鼠标的时候，你已经喝上咖啡了。