------------20160730更新------------
在7月草草读完了这本书的后半部分。
之所以“草草”，是因为很多内容暂时没有使用的需求。
这本书是极好的。
整本书分了三部分，从基础讲到了高阶。
个人的学习体会是，不必完整、详细地钻研每个细节，而是先学习基础使用的部分，包括如何安装/载入包、如何管理数据集、如何绘制基本的图形、如何做基础的统计分析等；然后用自己的需求（工作、科研、论文等项目中需求）来驱动自己使用，在使用碰到问题时多用搜索来解决问题，进而逐步提升。
But，以上还不够。
本人犯了一个比较大的错误——没有及时把自己摸索尝试的结果记录/沉淀下来。这导致的结果是，很多时候碰到了之前碰到过的问题，需要重新搜索，耗时且易导致挫败感。
所以归纳下来，对于这本书的使用方式，如下可参考：
1）读+模仿书中例子
书中例子大部分都是使用各个package里的数据来演示的，而这些数据也是前人的实际项目，所以对咱们参考学习不同的数据需求背景、数据处理过程等都有非常直接的参考价值。
模仿书中的例子是指：在读书时，尽量把书里的经典例子挨个码一遍——这有利于记忆，也有利于给自己读书这个过程提供一个”有效反馈“，让你看到自己的收获。
2）在了解基础使用后，找自己项目中的实际需求来用R尝试处理
本人项目中经常需要针对对一堆数据做筛选，而筛选的标准可能会随时调整以达到不同的效果，所以在看到书中对数据集的处理以及如何创建自己的函数后，我写了一个简单的筛选函数用来专门处理项目中的数据筛选需求。很方便，很实用。
3）在整个过程中，养成记录/笔记的习惯
在看书时，看到和自己项目相似的case，及时把有价值的内容记录下来；在模仿和实际尝试时，把自己碰到的问题以及搜索找到的解决方案也记录下来。
本人在初次使用subset这么一个简单的函数做数据集处理的时候，以为自己用一遍就记住了，所以没做任何记录，后续又频繁搜索或找书里的case，不胜其烦。不要太相信脑袋的记忆能力，用笔记帮自己快速沉淀，帮自己快速使用所需的各类函数、包等。
在读书时也发现自己一些统计学知识比较薄弱，有需求的话还是尽快补充这块知识较好。
另外，R语言似乎不那么”规整“，不像C++等那么强调规范性，这也导致我在搜索一些问题的解决方案时，看到多种解决方案，形态各异，易理解程度各异。个人感觉，或许在后续的学习中，需要适度了解一些偏底层的内容了。
------------20160625更新------------
想尝试多学习一些数据分析的技能，于是决定从工具入手。
起初在python和R之间纠结了下：两个都不会，没太多编程底子，到底选哪个呢？
后来看了某个网站给出的 python工作者和R工作者的工资对比，貌似R较高，于是美滋滋地选了R。
在读这本书之前，我先阅读了一些别人关于学习R的读书笔记之类的材料，做了简单的浏览。说实在的，看的云里雾里。后来四处搜索书单，发现这本书对入门者似乎不错，于是趁着自己还有满满的“冲动”，赶紧学了起来。
读起来确实很不错。
在开始之前，觉得R看起来很难，这本书读起来应该会很费力，所以我最初计划分三个月大致读完。
目前进展比预想快了一些，一个月已经完成了一半多。最关键的是，已经可以动手做一些简单的事情了。
PART1 确实让我get started。这一部分介绍了一些常用的命令和一些包的安装、创建不同类型的对象、绘图的各种设置，以及数据管理方面的一些常用方式。
PART2介绍了一些最基础的统计方式，包括画图、描述统计、t检验等。
PART3则开始介绍回归等更高阶一些的方法。
在读的时候，同时也尝试着书中的例子，会感觉似乎更有“习得”感。
同时，在工作中碰到一些数据分析需求时，我也强迫自己用R来处理。一边翻书，一边google，一边敲代码，不断的碰到问题，不断的想办法解决问题。说实在的，挫折不断，但又成就满满。
后续会继续学习这本书，也会继续尝试自己的各种数据分析需求。