1.4 安装和使用包 (packages)
1.4.1 包是什么，为什么使用它们？
包是别人写好的在R中运行的程序（以及附带的数据和文档），你可以免费安装和使用它们。
包可以增加在基础R语言中没有的功能，可以精简你代码的语句，或是提升使用体验。比如有个叫做tikzDevice的包可以将R中的图表导出成tikz语法的矢量图，方便在LaTeX中使用。本书的编写和排版也是使用R中的一个叫做bookdown的包完成的.
这个课程主要是学习tidyverse这个包，
1.4.2 如何安装包
首先我们安装tidyverse（很重要，本书接下来的部分都要使用这个包）：
install.packages("tidyverse")在console中运行以上代码，R就会从CRAN中下载tidyverse并安装到你电脑上的默认位置。因此安装包需要网络连接。
如果想安装多个包，你可以一行一行地安装，或是把多个包的名字合成一列，同时安装，比如：
install.packages(c("nycflights13", "gapminder", "Lahman")绝大多数的包都能用这个方法安装，因为它们是被存储在CRAN上的。Bioconductor 包请看第1.4.4.2节。
1.4.3 如何使用包
1.4.3.1 加载包
安装包后，有两种方法使用它们。以tidyverse为例：
library('tidyverse')或
require('tidyverse')两者的效果很大程度上都是一样的，都可以用来读取单个包。它们的不同，以及如何通过一行指令读取多个包，请参看第1.4.4.1节。
每次重启R的时候，上一次使用的包都会被清空，所以需要重新读取。因此我们要在R脚本里面记录此script需要使用的包（这个特性可以帮助你养成好习惯：当你把你的代码分享给别人的时候，要保证在别人的电脑上也能正常运行，就必须要指明要使用哪些包）.13
1.4.3.2 使用包里的内容
刚才加载tidyverse的时候，你也许注意到了这样一条提示：
── Conflicts ─────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()这是因为R本来自带了一个叫做stats的包，有俩函数名曰filter()和lag()，而dplyr（tidyverse的一部分）也有同名的俩函数，把原来的覆盖了。所以它提示你，当你使用filter()和lag()时，使用的是dplyr的版本，而不是原来stats里的。
这不意味着stats里的这两个函数就不能用了。要使用他们，用这个格式就好了：
stats::filter()同样的道理也适用于其他的包. 你可以通过
dplyr::filter()使用dplyr版本的filter()。虽然这是个好习惯，但是不强制要求。如果函数/对象名称有重叠，以包的加载顺序决定优先度；最近（即最后）被加载的包里的函数/对象胜出，而其余的要通过packageName::object的形式调取。
1.4.3.3 更新和卸载包
更新：update.packages()；卸载：remove.packages()；两者皆可在RStudio右下角的Package区进行操作。
1.4.4 其它
这小节是一些不重要的内容，因此可酌情跳到下一章（第2章）。
1.4.4.1 library()和require的区别；如何使用一行指令读取多个包
require()会返回一个逻辑值。如果包读取成功，会返回TRUE，反之则返回FALSE.library()如果读取试图读取不存在的包，会直接造成错误 (error)，而require()不会造成错误，只会产生一个警告 (warning).
这意味着require()可以用来同时读取多个包：
lapply(c("dplyr","ggplot2"), require, character.only = TRUE)或者更精简一点，
lapply(c("dplyr","ggplot2"), require, c = T)1.4.4.2 安装Bioconductor中的包
Bioconductor是一系列用于生物信息学的R包. 截止2019年7月2日，共有1741个可用的bioconductor包. 它们没有被存储在CRAN上，因此需要用特殊的方法安装。首先，安装一系列Bioconductor的核心包（可能需要几分钟）：
source("http://bioconductor.org/biocLite.R")
biocLite()然后，通过biocLite()函数安装其它包，比如：
biocLite("RforProteomics")另一个主要原因是，寻找对象时，R需要搜索所有已加载的包，而且，包都被加载在RAM里，因此加载过多的包会使R显著变慢。（虽然有一些开挂的方法）↩