$是S3類的引用方式,$比較常用，當一個函數里需要返回多個值（比如有變量，有向量，有矩陣）時，我們要用list,而不是return，這時如果想提取某個變量的結果，就需要用到$，默認情況下，對於 list, environment 這兩種對象，$可以提取（extract）出里面的元素,對於自己定義的class，可以實現$ S3 Method。通常我們的data.frame, list. 向量等用$就可以。
@是S4類的引用方式。@比較少用。對於 S4 object，@可以提取出 slot。
比如
m1<-lm(Y~X,data=....(some data frame))
m1$coefficients
就會返回回歸直線的截距和斜率。
x$y 等價於 x[["y", exact = FALSE]]，用於獲取dataframe或者list里面的某個變量，
比如mtcars$cyl 和 diamonds$carat。不同之處在於 $ 可以部分匹配變量名，比如：
x <- list(abc = 1)
x$a
#> [1] 1
x[["a"]]
#> NULL
S4也有例如，有個維恩包Vennerable：S4類型，想取得里面IntersectionSets，信息必須用@符號。
@ 是R中，S4類的一個操作符，用於提取S4對象中的內容（slot），比如：
setClass("Person",
slots = list(name = "character", age = "numeric"))
alice <- new("Person", name = "Alice", age = 40)
alice@age
> [1] 40
這個時候\(是不起作用的，因為被S4類重寫了。可以自己定義\)的行為。
順便對比一下“[[” 和 $ 的效率：x <- list(axy = 1:100, b = rep(letters, each = 4))
microbenchmark(
x[["axy"]],
x$axy,
x$a,
times = 10000L,
control = list(warmup = 1000L)
)
>
Unit: nanoseconds
expr min lq mean median uq max neval
x[["axy"]] 0 0 16.2116 0 1 27584 10000
x$axy 0 0 28.7540 0 1 14113 10000
x$a 0 0 40.2570 0 1 25018 10000
三種寫法用時相差不大。不過需要極限優化的時候可以考慮用“[[”而不是 $。