简介：这份R语言试题文档面向正在学习或备考R语言的初学者与数据分析入门者，帮助其通过做题巩固基础语法与统计概念。内容覆盖描述性统计与推断性统计的区分、名义数据与计量数据等数据类型判断，以及getwd()、head()、ls()、rm()等常用操作命令，并延伸到向量运算、因子创建、矩阵构造与索引等数据操作细节，每道题均附带参考答案，便于自测与查漏补缺。资源包内含1个docx文件，约96KB，轻量易读，适合打印练习或对照复习。目前已有11252人学习下载，热度较高，说明其题目设置与知识点覆盖获得较多学习者认可。读者可借此系统梳理R语言入门阶段的核心考点，快速检验对统计基础与R基本操作的掌握程度，为后续数据分析实践打下扎实基础。
1. 从一道“送分题”翻车说起：这套 R 试题到底考什么
先看一道题：c(1, 2, 3, 4, 5) + c(20, 200)的结果是什么？四个选项里，两个看起来都像那么回事。很多人第一反应是“向量长度不一样，肯定报错”，直接选了 A。正确答案是 C——R 的向量化运算会自动循环补齐短向量，c(20, 200)被拉长成c(20, 200, 20, 200, 20)，逐位相加得到21 202 23 204 25。这道题不考你背没背过加法，考的是你对 R 底层运算逻辑有没有形成条件反射。
这套 R 试题附带答案，覆盖绪论、R 软件入门、数据描述性分析、概率与随机变量、参数估计与假设检验五大模块。题型以选择、填空、代码结果判断为主，考的不是你会不会写复杂程序，而是你对 R 语言核心机制和统计学基本概念的掌握是否扎实。适合正在准备 R 语言相关课程期末考、数据分析岗笔试、统计学基础面试的人。下面按考点模块拆开讲，每道题都给答题思路，你直接拿去练。
2. 绪论与数据类型：统计学的“户口本”怎么定
2.1 描述性统计 vs 推断性统计：一句话分清
绪论部分反复考一个区分：用图或表描述数据，属于什么统计？答案是描述性统计。统计学分为描述性统计和推断性统计两大类。这个知识点本身不难，但出题人会换着花样问——给你一个场景，让你判断属于哪一类。
答题思路很简单：看目的是“概括当前数据”还是“由样本推总体”。画直方图、算均值、做频数表，都是描述性统计；用样本均值估计总体均值、做假设检验、构造置信区间，都是推断性统计。面试官如果问“你怎么理解描述性统计和推断性统计的区别”，别背定义，直接说“描述性统计是看手里这副牌有什么，推断性统计是猜整副牌长什么样”，对方立刻知道你懂了。
2.2 数据类型四象限：名义、有序、计数、计量
这是必考考点，而且极易混淆。原题里问“学历是什么数据”，答案是名义数据；问“身高是什么数据”，答案是计量数据。这里要建立一个清晰的分类框架：
| 大类 | 子类 | 特征 | 例子 |
|---|---|---|---|
| 定性数据 | 名义数据 | 类别无顺序 | 性别、血型、学历 |
| 定性数据 | 有序数据 | 类别有顺序 | 满意度等级、教育程度 |
| 定量数据 | 计数数据 | 只能取非负整数 | 人数、次数 |
| 定量数据 | 计量数据 | 可取任意数值 | 身高、体重、温度 |
注意一个容易翻车的点：学历在有些教材里被归为有序数据，但这套题明确给的是名义数据。考试时以题目给出的分类标准为准，不要跟出题人较劲。面试中如果被问到，你可以说“学历严格来说是有序的，但如果只区分类别不做排序，按名义数据处理也常见”，展示你知道争议点在哪。
2.3 真题演练：数据类型判断题
题目：定量数据分为计数数据和______；定性数据分为______和有序数据。
答题思路：第一空填“计量数据”，第二空填“名义数据”。这类填空题考的是分类体系的完整性，你脑子里要有一棵树：定量分两支，定性分两支，一共四个叶子节点。记忆口诀可以自己编，比如“定量计计，定性名有”，顺口就行。
另一道：L <- 3 == 5，变量 L 是什么类型，值是多少？答案是逻辑变量，FALSE。这里考的是 R 中比较运算符返回逻辑值，3 == 5不成立所以是 FALSE。面试官可能会追问“如果写L <- 3 = 5会怎样”，答案是报错，因为=在赋值语境下不能做比较。这种细节题就是用来筛掉“大概知道”的人的。
3. R 软件入门：工作空间、向量运算与函数调用
3.1 工作目录与对象管理：getwd、ls、rm 三件套
原题里连续考了三个基础命令：查看当前工作目录用getwd()，列出当前工作空间所有变量名用ls()，删除所有以字母 n 开头的对象用rm(list=ls(pat="^n"))。这三个命令是 R 入门必考，没有商量余地。
getwd()返回当前工作目录的绝对路径，setwd()用来修改。面试中如果问“你怎么管理 R 项目的工作目录”，别只说 setwd，要提“用 RStudio 项目文件或 here 包来管理相对路径，避免 setwd 写死绝对路径导致换台机器就跑不了”。这个回答直接拉开你跟背题选手的差距。
ls()列出变量名，ls.str()还会显示每个变量的结构。删除对象的rm()本身不难，但rm(list=ls(pat="^n"))这个组合考的是ls()的pat参数支持正则表达式，^n表示以 n 开头。答题时如果记不住完整写法，至少写出rm(list=ls(pattern="^n"))，pat是pattern的缩写，R 会自动做部分匹配。
3.2 向量化运算与循环补齐：R 的“玄学”之一
回到第 1 章提到的那道题：c(1,2,3,4,5) + c(20,200)。R 的向量运算默认按元素对齐，短向量自动循环补齐。这个机制叫“recycling rule”，是 R 最核心的运算逻辑之一，也是面试高频考点。
# 向量循环补齐示例 a <- c(1, 2, 3, 4, 5) b <- c(20, 200) a + b # 输出: 21 202 23 204 25 # b 被循环扩展为 c(20, 200, 20, 200, 20)逻辑说明：R 不会因为长度不匹配就报错，而是把短向量反复重复直到长度对齐。如果长向量长度不是短向量长度的整数倍，R 会给出警告但仍然计算。这个机制在数据框列运算中同样适用，但容易导致静默错误——你以为在算 A 列减 B 列，实际上 B 列被循环补齐了。面试官如果问“R 向量运算有什么坑”，这就是标准答案。
3.3 真题演练：函数嵌套与结果判断
题目：sum(seq(1,5,by=2))的运行结果是多少？
答题思路：先算seq(1,5,by=2)，生成序列 1, 3, 5；再算sum(1,3,5)，结果是 9。这类题考的是函数嵌套的求值顺序，从内到外一层层剥。面试中如果让你口算，别慌，把中间结果写出来再算下一步。
题目：mean(rep(1:3, length.out = 5))的运行结果是多少？
答题思路：rep(1:3, length.out=5)把 1,2,3 重复并截断到长度 5，得到 1,2,3,1,2；均值是(1+2+3+1+2)/5 = 1.8。注意length.out参数和times参数的区别：times控制重复次数，length.out控制最终长度。这道题如果错，大概率是把length.out=5理解成了“重复 5 次”。
题目：which(2:8 > 5)的运行结果是什么？
答题思路：2:8是 2,3,4,5,6,7,8；> 5得到 FALSE,FALSE,FALSE,FALSE,TRUE,TRUE,TRUE；which()返回 TRUE 的位置索引，即 5,6,7。答案是 B。注意which()返回的是位置，不是值，这是最常见的失分点。
4. 数据描述性分析：平均数选择与图形函数
4.1 四种平均数的适用场景：算术、加权、几何、调和
这部分是描述性统计的核心考点，原题连续出了四道平均数选择题。核心判断逻辑如下：
- 算术平均数：各观测值同等重要，直接加总除以个数。比如一周每天卖的手机数。
- 加权平均数：各观测值权重不同。比如总评成绩 = 平时 10% + 实验 20% + 期末 70%。
- 几何平均数：用于比率或增长率连乘场景。比如连续多期的平均增长率。
- 调和平均数：用于“每单位多少钱”或“每公里耗油”这类倒数关系。比如前半段时速 60、后半段时速 30，求平均速度。
原题里有一道经典题：三个农贸市场各买 1 元钱水果，价格分别是 1.00、0.90、0.90 元/千克，求平均每千克价格。答案是调和平均数。为什么？因为你花的是固定金额（1 元），买到的是不同重量，总金额除以总重量才是平均价格。如果各买 1 千克，那就用算术平均数。这个区分点面试官非常喜欢考，因为能直接看出你有没有真正理解“权重在哪”。
4.2 定性数据与定量数据的图形函数对照
原题要求填空：描述定性数据的图形主要有条形图、饼图和 Pareto 图，对应函数barplot()、pie()；描述定量数据的图形有直方图、茎叶图和箱线图，对应函数hist()、stem()、boxplot()。
这里有一个容易混的点：条形图（barplot）和直方图（hist）长得像但用途不同。条形图用于定性数据的频数展示，横轴是类别；直方图用于定量数据的分组频数，横轴是数值区间。面试中如果问“什么时候用条形图什么时候用直方图”，你就说“看横轴是类别还是数值区间”，一句话说清。
数值法描述定性数据用频数和相对频数，对应函数table()和prop.table()。table()返回频数表，prop.table()把频数转成比例。这两个函数经常配合使用，比如prop.table(table(x))直接得到相对频数表。
4.3 真题演练：图形函数填空题
题目：常见描述定量数据的图形有______、和箱线图，它们在 R 中对应的函数分别是、______和 boxplot()。
答题思路：填“直方图、茎叶图、hist()、stem()”。这类题没有捷径，就是记牢。但记忆时可以按“图形-函数”配对记：直方图 histogram 对应 hist，茎叶图 stem-and-leaf 对应 stem，箱线图 boxplot 对应 boxplot。函数名基本是英文全称的缩写，按这个逻辑记不容易混。
题目：一段路程前半段时速 60 公里，后半段时速 30 公里，两段距离相等，求平均速度应该用什么平均数？
答题思路：距离相等，时间不同，总距离除以总时间。设每段距离为 d，总时间 = d/60 + d/30，平均速度 = 2d / (d/60 + d/30) = 40。这是调和平均数的典型场景。判断口诀：固定分子用算术，固定分母用调和，比率连乘用几何。
5. 概率分布与参数估计：必考公式与易错陷阱
5.1 常见分布的期望与方差：一张表背下来
原题覆盖了二项分布、泊松分布、均匀分布、正态分布、指数分布。这些分布的期望和方差是必考内容，直接给表：
| 分布 | 记号 | 期望 E(X) | 方差 Var(X) |
|---|---|---|---|
| 二项分布 | B(n,p) | np | np(1-p) |
| 泊松分布 | P(λ) | λ | λ |
| 均匀分布 | U(a,b) | (a+b)/2 | (b-a)²/12 |
| 正态分布 | N(μ,σ²) | μ | σ² |
| 指数分布 | Exp(λ) | 1/λ | 1/λ² |
注意泊松分布的期望和方差相等，都是 λ，这个特征经常用来判断一个计数数据是否适合用泊松分布建模。指数分布是泊松分布的事件间隔分布，如果每小时到达 λ 辆车，间隔时间服从 Exp(λ)，平均间隔 1/λ 小时。原题里洗车店那道题考的就是这个关系。
5.2 离散 vs 连续：分类不能错
二项分布、泊松分布、超几何分布属于离散型随机变量；均匀分布、正态分布、指数分布属于连续型。这个分类是基础中的基础，但考试时容易在超几何分布上犹豫。记住：只要取值是可数的整数，就是离散。
二项分布适用于有放回抽样，超几何分布适用于无放回抽样。这个区别在面试中经常被追问：“为什么无放回要用超几何？”因为无放回时每次抽取会改变剩余总体中目标个体的比例，各次试验不独立，不满足二项分布的独立性假设。
5.3 易错点：这些题看着简单，错的人最多
易错点一：样本均值的分布。题目：设 X₁,X₂,…,Xₙ 来自正态总体 N(μ,σ²)，样本均值 X̄ 服从什么分布？答案是 N(μ, σ²/n)。很多人选 N(μ, σ²)，忘了样本均值的方差是总体方差除以样本量。记住：样本量越大，样本均值越集中，方差越小。
易错点二：统计量的定义。题目问哪个不是统计量。统计量是样本的函数，不能包含未知的总体参数。如果表达式里出现了未知的 μ 或 σ，那就不是统计量。这个判断标准要刻在脑子里。
易错点三：三大抽样分布。统计三大分布是 χ² 分布、t 分布、F 分布。不是均匀、正态、指数——那是连续型随机变量的常见分布。这两组概念经常被混在一起考，看清楚题目问的是“随机变量分布”还是“抽样分布”。
易错点四：点估计方法。常见点估计方法有矩估计法、最大似然估计法和最小二乘估计法。矩估计法的基本思想是用样本矩去估计总体矩。填空时注意“矩”字不要写错，最大似然估计法六个字要写全。
易错点五：1:n-1的运算优先级。原题里n <- 3; 1:n-1的结果是 0 1 2，不是 1 2。因为冒号优先级高于减号，先算1:n得到 1,2,3，再整体减 1 得到 0,1,2。如果想得到 1,2 应该写1:(n-1)。这个坑在面试中经常被用来测试你是否真的理解 R 的运算符优先级。
6. 答题技巧与押题思路：从“会做”到“做对”
考 R 语言试题，最大的敌人不是不会，而是“以为会了但写错”。我踩过最深的坑是矩阵索引：A[2:3, 3:4]和A[c(3,4), 2:3]看起来都在取子矩阵，但取出来的东西完全不同。从那以后我每次做矩阵题都强制走一遍“先行后列、逗号分隔”的口诀，确认行索引和列索引分别是什么。
给你三个答题习惯，直接拿去用：
第一，代码结果判断题，先写中间结果。比如x <- rep(c(1,4,7), c(3,2,1))，先在草稿上展开成1,1,1,4,4,7，再执行x[x>5]，得到 7。不要试图在脑子里一步到位，中间步骤写出来错误率降一半。
第二，函数参数题，先确认参数名和默认值。head(rt, n=10)和head(rt, 10)等价，因为第二个位置参数就是 n。但head(rt, n=10)更安全，因为参数名写清楚了，别人读代码不会歧义。面试中如果问“你写 R 代码有什么习惯”，就说“关键参数一定写参数名”，这是加分项。
第三，概率分布题，先画表再代入。期望和方差公式容易记混，尤其是均匀分布的方差 (b-a)²/12 和指数分布的 1/λ²。我的做法是考前把五个分布的期望方差默写一遍，考试时先写在草稿纸角落，做题时直接查表，不靠临时回忆。
押题方向上，重点看三个：向量循环补齐的运算结果、数据类型的四象限分类、常见分布的期望方差。这三个考点几乎每套 R 试题都会出现，而且变体不多，练熟就能拿分。矩阵索引和列表取值也是高频区，尤其是mylist[[3]][2,3]这种嵌套取值，考的是你对[[和[区别的理解——[[取元素本身，[取子列表。
最后说一个面试技巧：如果被问到“你 R 语言什么水平”，别只说“熟练使用”。给一个具体场景，比如“我用 R 做过描述性统计和假设检验，能熟练用 apply 家族替代循环，也踩过向量循环补齐的坑”。有细节、有踩坑经历、有反思，比任何形容词都有说服力。希望帮到你。
本文还有配套的精品资源，点击获取
