第一，这一节讲什么？
这一节讲述一些关于R语言处理数据框的基本操作
根据我平时工作的经验，只将一些最常用的操作介绍给大家
第二，这一节如何讲？
我会提供一些示例数据，然后大家根据我的讲述，一一朝下操作
在操作过程中，我会强调自己认为一些比较重要的点
第三，这一节的目的？
数据框的基本操作，当然是为了后面的实际案例操作做好准备了
数据格式说明
生信分析的大部分结果是表格形式，这个表格文件的格式一般为txt文档。
这些txt文档的列通常为tab制表符分割，如果使用Notepad++打开文档的话，你可能会看到类似下面的结果
image
不同列之间的
→即上面所说tab制表符，纯文本形式表示为\t制表符一般是不可见，同样不可见的常用字符还有每行结束时的换行符
\n, 以及空格Notepad++是一个常用的文本编辑器，在视图设置里可以将所有字符显示出来，例如在上图中，空格和制表符分别被显示为
·和→
稍微啰嗦一下，为什么生信的结果多以txt文档和csv文档(以,分割的表格)？
原因有两个：
-
excel文档有行数上限，对2003版最大行数是65536行，对2007以上版本，最大行数是1048676行；生信分析结果数据量较大，有时候会有限制
-
excel不是纯文本格式（主要原因），生信分析基本都在Linux操作系统下完成，而excel文件在Linux系统下是无法直接处理的
写到这里，我实在忍不住想要吐槽一下微软，这真是一个神奇的公司……生信人员必须掌握的技能表中，
dos2unix一定是名列前茅的……感觉有点莫名其妙的同学请跳过这段吐槽哈~~~
对于大多数非生信专业同学，可以鼠标右键选择excel方式打开；或者直接将文件后缀修改为xls，然后就可以直接用excel打开了。但是请大家务必注意，excel会自动将时间类的字符进行转化，例如在excel中输入Sep 2字符会自动变为2-Sep。
测试数据说明
数据存放在百度网盘test_data目录下，链接: https://pan.baidu.com/s/1a8f7FVGtviIBebf0E_6VYg 提取码: ncxw
lncbook_disease.txt 是我从LncBook数据库下载的疾病相关lncRNA
LncRNADisease_experimental_supported_disease_2017.txt是我从LncRNADisease数据库下载的经过实验验证的疾病相关lncRNA
以lncbook_disease.txt文件为例，文件打开后有很多内容，但是我们只用下面图片显示的几列就够了
第一行是表头
第一列是LncBook数据库id，后面几列是对该LncRNA的注释，如相关的疾病和基因等
一个id可能注释有多个信息
有的单元格是空的，有的单元格内容为NA，这些都表示此处无内容
image
数据框读取
数据框读取的时候，大家可能会比较熟悉read.table函数。但是我比较推荐read.delim函数，读取我上面说的生信格式文件会更加方便。
在下面的案例中，可以看到，read.table函数会报错。
另外一点，虽然read.delim函数默认参数sep='\t',header = TRUE，但是我每次都会自己手动写出来。这样会增加自己对于即将处理的数据的熟悉度，算是个人一个小的工作习惯。
> table_df <- read.table('lncbook_disease.txt',sep='\t',header = TRUE)
Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec, :
line 10 did not have 10 elements
> delim_df <- read.delim('lncbook_disease.txt',sep='\t',header = TRUE)
为什么此处
read.table使用会出错，我暂时不做过多解释。如果有人比较纠结这个事情的话，可以尝试一下下面的代码。table_df <- read.table('lncbook_disease.txt',sep='\t',header = TRUE, quote = '')
网友评论