主要学习R语言的专题为以下几个内容：
- 数据框排序
- 表达矩阵画箱线图
- 花里胡哨的连接
需要重点掌握：
R语言里的管道符号：%>%
str_detect()
Ifelse()
apply()
先安装R包：
options("repos" = c(CRAN="http://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
if(!require(tidyr))install.packages("tidyr",update = F,ask = F)
if(!require(dplyr))install.packages("dplyr",update = F,ask = F)
if(!require(stringr))install.packages('stringr',update = F,ask = F)
if(!require(tibble))install.packages('tibble',update = F,ask = F)
library(tidyr)
library(dplyr)
library(stringr)
library(tibble)
tidyverse：Hadley Wickham-《R for Data Science》
https://r4ds.had.co.nz/introduction.html
大佬研发了一套不需要写中括号，引号，$等符号，颠覆的R语言体系，让代码变得更简单，对初学者比较友好，但是要学习原始的基础包，tidyverse当做扩展学习，基础包里有几个函数，而tidyverse为一整套的包，包里有20多个小包，可以把这些小包分别安装，或只要安装几个核心包。
《R for Data Science》的大概介绍：
readr和data.table：数据导入
ggplot2：数据可视化。
有些包不基于ggplot2，如pheatmap包画的热图比ggplot2画得要好，给pheatmap包一个矩阵就可以，而不能给ggplot2一个矩阵，要数据框。
dplyr：专门用来处理数据框。
stringr：专门用来处理字符串。
Rmarkdown：有多余的时间可以去研究，可以做笔记，导出代码运行结果等。
专题1：数据框排序
order与sort复习：只对数据框的某一列（向量）操作
sort(iris$Sepal.Length)
iris$Sepal.Length[order(iris$Sepal.Length)]
##以上的两句代码运行的结果相同。Sepal.Length为iris的一列，也是一个向量。
#order(iris$Sepal.Length)是对Sepal.Length的下标进行排序
现在要进行整个数据框的排序，对某一列排序，它所对应的关系（其它列）也跟着动。数据框一列的下标，其实就是行号。
1.1 升序（默认）
##新建数据框：
test <- iris[c(1:2,51:52,101:102),]
rownames(test) =NULL
test
# order 可以给向量排序，也可以给数据框排序
sort(test$Sepal.Length)
test$Sepal.Length[order(test$Sepal.Length)]
##数据框一列的下标，其实就是行号，order(test$Sepal.Length)是下标打乱得到的东西，其实就是行号打乱得到的东西
##数据框升序
test[order(test$Sepal.Length),]
##test[行，列]，在数据框行到的位置放行号，实现对整个数据框的排序，也就是把某一列的下标（行号）放在数据框行的位置，实现整个数据框的排序。order默认参数为升序
#整数据框按照第一列（Sepal.Length）大小来排序，对应的整行都动
##order()既可以对本列，又可以对其它的进行列排序，还可以给整个数据框使用
1.2 降序
test[order(test$Sepal.Length,decreasing = T),]
##decreasing = T，降序，
数据框整体升序和降序，对列操作，按行号排序，整体一起排，练习，不对第一列，对其它列操作试试，数据框[行，列]，只操作数据框[order(...)，]
1.3 tidyverse让代码更易读
arrange()排序
- 数据框升序
arrange(test，Sepal.Length)，注意不加引号。
arrange(数据框名，第一列)，实现整个数据框的每一行按第一列从小到大排列起来
library(dplyr)
arrange(test, Sepal.Length)
#该函数唯一的写法，从大到小排列，没有decreasing=T
- 数据框降序
使用函数：desc()，把要降序的列写在括号里，desc()函数不能单独用，它只能和dplyr里的一些函数结合使用
arrange(test, desc(Sepal.Length))
还有强大的功能：按照多列来排序
- 双排序
先按照A列排，如果A列相同，按照B列排
arrange(test, desc(Sepal.Width),Sepal.Length)
##desc(Sepal.Width)是A列为降序，Sepal.Length是B列没有套上desc()是升序。谁在前面优先排序，Sepal.Width在前面优先排序，如果Sepal.Width没有重复值，Sepal.Length写和没写，没有区别。
##先按Sepal.Width先排，该列有两个重复的值3.2，再对重复值对应的Sepal.Length列的值进行排序，谁小谁在前
1.4 补充3个出自dplyr的函数
mutate()：数据框新增列
select()：筛选数据框的列
filter()：筛选数据框的行
1.4.1 mutate：新增列
###使用mutate给数据框新增一列
mutate(test,new=Sepal.Width*Sepal.Length)
##新增的一列的名字为new，内容为Sepal.Width与Sepal.Length的乘积:*
##在R语言里，没有赋值，就没有变化，还是原来的test
test=mutate(test,new=Sepal.Width*Sepal.Length)
###原来给数据框test新加一列的用法：
test$新的列名<-c()：
#基础包里的数据框新增列，
test$new=test$Sepal.Width*Sepal.Length
##还是tidyverse的方法好用：tidyverse里的mutate函数会减少$符号的使用
1.4.2 select()，filter()筛选数据框列，行
select()是筛选数据框的列：select(数据框名，列名)，注意不用$，引号之类的。
library(dplyr)
select(iris,Species)
#筛选出数据框的Species，只显示一列，只对某一列或是几列操作。
filter()是筛选数据框的行：filter(数据框名，逻辑值)，x==y，x!=y，x%in%y，x>y等
library(dplyr)
filter(iris,Sepal.Length>6)
##筛选出Sepal.Length大于6，把其它对应关系也显示出来，是对数据框操作。
用中括号[行,列]可以筛选数据框的行与列。
优秀的管道符号%>%
把前一句的输出作为后一句的输入。
##select(),filter()筛选数据框列，行
x1=filter(iris,Sepal.Width>3)
##filter()筛选行，筛选第二列数字大于3的行，把行提取出来还是一个表格。
x2=select(x1,c("Sepal.Width","Sepal.Length"))
##在x1的结果上筛选列，筛选第一列和第二列
x3=arrange(x2,Sepal.Length)
##排序
##以上3句代码完成的作用，从iris出发，筛选行，筛选列，排序之后得到一个新数据，并赋值给x3.
##从iris得到x3，那么x1，x2是中间产物，并不想用。
##优秀的管道符号是用来克服以上出现的x1，x2等多余的东西，让代码变得丝滑些。
##使用管道符%>%的前提是加载tidyverse里的任何一个R包，管道符号会被调出来。
x=iris %>%
filter(Sepal.Width>3)%>%
select(c("Sepal.Width","Sepal.Length"))%>%
arrange(Sepal.Length)
##从iris出发，经历筛选行，筛选列，排序得到一个新数据并且赋了值x。
##使用管道符号，没有生成中间变量，管道符号可以理解为向后传递。
##对比分析：
##filter(iris,Sepal.Width>3)与iris %>% filter(Sepal.Width>3)的意思一样
##x2=select(x1,c("Sepal.Width","Sepal.Length")) 与iris %>% filter(Sepal.Width>3)%>%select(c("Sepal.Width","Sepal.Length"))的意思一样
专题2：表达矩阵画箱线图
这里的箱线图，是指用ggplot画出来的。
一个矩阵是不可以作为ggplot画图的输入数据。
ggplot画图潜在的规律，输入数据是数据框不能是矩阵，aes(x=数值，y=数值)。
需要进行数据整理，与iris示例数据一样，怎么处理数据：
2.1 转置t
表达矩阵不能直接画图，首先进行调整，如下面的表达矩阵需要整理成数据框，gene在一列，所有的count在一列上，分组在一列上。
###新建表达矩阵
set.seed(10086)
##set.seed是保证运行生成的随机数据一样。set.seed是设置生成随机数一样
exp = matrix(rnorm(18),ncol = 6)
exp = round(exp,2)
##round函数是取小数点后几位小数，这里保持两位小数
rownames(exp) = paste0("gene",1:3)
##加行名
colnames(exp) = paste0("test",1:6)
##加列名
##画ggplot图的时候，横坐标是基因，纵坐标是count具体的数字。
exp[,1:3] = exp[,1:3]+1
##+1所有的数值加1
##前3列+1，为了让两组数据有差别，前3列为一个组，后三列为一个组，看看分组的差异，所以前3列加1
exp
转置之后，行变列，列变行，之后转换为数据框。
library(tidyr)
library(tibble)
library(dplyr)
dat = t(exp) %>% ###转置后的exp此时还是矩阵，作图都用数据框
as.data.frame() %>% ##把行名变为数据框的一列
rownames_to_column() %>% ##把原来的行名转换成列名
mutate(group = rep(c("control","treat"),each = 3))##mutate是新增一列，group 为分组，给数据框新增一列。
ggplot2语法不认行名，所以把test1..test6变为一列。
把原来的行名变成第一列
一个样本在多个基因的表达量，但是不能作图
2.2 宽变长
要把gene1..gene3变为一列，把具体的数值作为一列，test1..test6各自重复了3次。（6行3列，变成18行3列）。好处是，有横纵坐标，可传递给ggplot2，进行作图了。
pdat = dat%>%
pivot_longer(cols = starts_with("gene"),###宽变长的函数pivot_longer()三个参数，cols=合并的列
names_to = "gene",
values_to = "count")##新生的数据框新生的两个列名
## pivot_longer()为宽变长的函数，比mute()函数好用。
##宽变长需要三个参数：cols=要把那几列宽变长，就是说哪几列的列名成为新的一列，内容成为新的一列； names_to = 那一列的名字叫什么，叫gene。values_to =那些数字组成的一列且名字叫什么，为count。总结，把几列变为一列且起名字，把那几列对应的数字组成一列且取名字。
##作为初学者，不需要知道rownames_to_column()和 pivot_longer()出自哪个包。
宽边长的理解：原来是3列，现在变成1列。长变宽（同样可以实现），但是很少用。
2.3 画图
library(ggplot2)
p = ggplot(pdat,aes(gene,count))+
geom_boxplot(aes(fill = group))+
geom_jitter()+
theme_bw()
##画图，x=gene，y=count，把x=和y=都省略，fill = group，映射，theme_bw()去除背景。
2.4 图分面
p
p + facet_wrap(~gene,scales = "free")###
##facet_wrap分面函数，把gene1，gene2，gene3各自分到一张图里。
专题3：花里花哨的连接
inner_join()：交集 left_join:左连接 right_join:右连接 full_join:全连接 semi_join:半连接 anti_join:反连接
test1 <- data.frame(name = c('jimmy','nicker','Damon','Sophie'),
blood_type = c("A","B","O","AB"))
test1
test2 <- data.frame(name = c('Damon','jimmy','nicker','tony'),
group = c("group1","group1","group2","group2"),
vision = c(4.2,4.3,4.9,4.5))
test2
library(dplyr)
##连接函数需要加载的dplyr包。
3.1 inner_join:交集
合并在一起，共同的留下，不共同的都去掉。
library(dplyr)
inner_join(test1,test2,by="name")
去掉Sophie 和 tony
注意：
以下各种连接中，代码里两个test的前后顺序，写在前的为左边，写在后面的为右边：
3.2 left_join:左连接
以左边的表test1为准，连接完之后，保留左边表的所有信息，右边表的行数和左边表的行数一样多，tony在左边表没有就直接被踢掉，Sophie在左边表有，但是在右边表没有对应的信息，存在却未知，以NA值填充。
library(dplyr)
left_join(test1,test2,by="name")
3.3 right_join:右连接
以右边的表为标准，右边有的人都留下，左边表没有的就去掉，在左边的表没有值，以NA值填充。
library(dplyr)
right_join(test1,test2,by="name")
##其实与left_join(test2,test1,by="name")一样，左右连接这两个函数用一个就可以，只是把两个表的顺序调一下，以后根据自己的分析来定顺序
左右连接这两个函数用一个就可以，只是把两个表的顺序调一下，以后根据自己的分析来定表格顺序。
3.4 full_join:全连接
取全集，但凡两个表有的信息都保留下来，没有的信息，填上NA。
library(dplyr)
full_join(test1,test2,by="name")
取交集和全集的比较，取交集没有的就掉，不会有NA，取全集时，都留下，没有对应信息的用NA填充。交集没有NA，全集有NA。
以下semi_join和anti_join基本用不上：
3.5 semi_join:半连接
应用全景不广泛。虽然叫连接，其实并没有连接。意思是，把左边的表取子集，取在右边表里存在的子集，有的人才被留下，没有的去掉，其实就是%in%。
library(dplyr)
semi_join(test1,test2,by="name")
3.6 anti_join:反连接
意思是，把左边的表取子集，取在右边表里没有的子集，没有的人才被留下，有的去掉。
library(dplyr)
anti_join(test1,test2,by="name")
以上的几个连接函数相当于一个merge函数，merge函数实现交集连接，全连接等靠参数来实现的，找参数时比较麻烦。
说明
以上内容是听生信技能树小洁老师的R语言线上课，根据自己的理解记录下来，小洁老师授课非常细心，对不同水平的同学都照顾到，并且补充很多技巧，如数据框多种排序方法，还有一些注意事项，如ggplot输入数据是数据框，如果是矩阵如何处理等。
网友评论