学习R包学习笔记：
思维导图：

image.png

问题总结：

1. 安装包和在哪个project下无关。
2. 要使用dplyr包里的函数，就需要先library这个包（就是说，dplyr这个R包安装好了后，每次运用的时候都需要加载，那么后面运行的函数才会包含“dplyr包”来运行）。
3. 如果library报错，就重新安装。
4. 学习R语言-dplyr; R--dplyr包介绍学习；group by详解；R语言中管道操作 %>%, %T>%, %$% 和 %%；R语言环境变量的设置:options();R语言数据框中的stringsAsFactors参数;CAT_6430笔记;R语言data.frame基本操作

尚待学习：
（1）如果要对每一行进行均值计算，怎么搞？
（2）semi_join；
（3）anti_join。

课程内容：学习R包

【以dplyr为例】

1. 安装和加载R包

1.1 镜像设置

根据你还在每次配置Rstudio的下载镜像吗？，但这个方法并不适用于每个电脑，有一部分会失败。随缘，失败的话就每次需要下载R包时运行这两句代码即可。

1.2 安装

联网

R包安装命令是install.packages(“包”)或者BiocManager::install(“包”)。取决于你要安装的包存在于CRAN网站还是Biocductor，存在于哪里？可以谷歌搜到。

1.3 加载

下面两个命令均可。

library(包)
require(包)

2. 安装加载三部曲

options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) #镜像设置
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") #镜像设置
install.packages("dplyr") #安装
library(dplyr) #加载

3. dplyr五个基础函数

3.1 赋值：<-

以示例数据为例，示例数据直接使用内置数据集iris的简化版：

• 复习一下Day5 内容：
  提取元素部分内容：
  X[c(a,b)] #提取第a列和第b列，X[a:b] #提取第a列到第b列

test <- iris[c(1:2,51:52,101:102),]

• 查看帮助：

 ?iris

image.png image.png

3.2 新增列：mutate()

mutate(test, new = Sepal.Length * Sepal.Width)

说明：新增列名new, 值=第一列乘以第二列

image.png

3.3 按列筛选：select()

3.3.1 按列号筛选
eg. (1)选择test的第1列；(2)第1,5列；

select(test,1) #选择test的第1列

select(test,c(1,5)) #选择test的第1,5列

image.png

3.3.2 按列名筛选

eg. (1)选择test的“Sepal.Length”这一列；(2)选择test的“Sepal.Length、Petal.Width”这两列；(3)

select(test,Sepal.Length) #选择test的“Sepal.Length”这一列。

select(test, Petal.Length, Petal.Width) #选择test的“Sepal.Length、Petal.Width”这两列。

vars <- c("Petal.Length", "Petal.Width") #设置vars为Petal.Length, Petal.Width字符串向量；
select(test, one_of(vars)) #

r语言中one_of()函数的作用:one_of()是用来声明选择对象的。比如one_of("x","y")就是表明选择x,y变量。

image.png

3.4 筛选行：filter()

filter(test, Species == "setosa") #筛选species这一列，值为setosa的行。

filter(test, Species == "setosa"&Sepal.Length > 5 ) #双重筛选：筛选species这一列值为setosa且Sepal.Length这一列值大于5的行。

filter(test, Species %in% c("setosa","versicolor")) #筛选Species这一列，值为setosa和versicolor的行。

复习Day5内容：
(1) 双等号“==”表示等于，单等号“=”为赋值；
(2) %in%x：【例如：[x %in% c(1,2,5)]#存在于向量c（1，2，5）中的元素】

image.png

3.5 按某1列或某几列对整个表格进行排序：arrange()

arrange(test, Sepal.Length) #对test中的Sepal.Length这一列进行排序（默认从小到大排序）
arrange(test, desc(Sepal.Length))#用desc从大到小

image.png

3.6 汇总：summarise()

对数据进行汇总操作,结合group_by使用实用性强。
group_by的意思是根据by对数据按照哪个字段进行分组，或者是哪几个字段进行分组。来源：group by详解

summarise(test, mean(Sepal.Length), sd(Sepal.Length)) #对数据进行简单的统计汇总，计算Sepal.Length的平均值和标准差

group_by(test, Species)
summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length)) # 先对test按Species分组，分组后分别计算每组Sepal.Length的平均值和标准差

image.png

4. dplyr两个实用技能

4.1 管道操作 %>% (快捷键：cmd/ctr + shift + M)

（加载任意一个tidyverse包即可用管道符号）
我们对同一个数据块的要进行次行的处理，一条语句是很难完成的，

%>%传递到函数：把一个数据集传给一个匿名函数，进行复杂的数据的操作。在这里，我们会显示的定义数据集的名字作为匿名函数的参数。

test %>%  #将test数据集传给下一个函数；
  group_by(Species) %>% #对test按Species分组，再将此数据集传给下一个函数；
  summarise(mean(Sepal.Length), sd(Sepal.Length)) #分别计算上个数据集的每组Sepal.Length的平均值和标准差

image.png

4.2 count统计某列的unique值

count(test,Species) #count 用于计算某一列的唯一的值。

image.png

5.dplyr处理关系数据

即将2个表进行连接，注意：不要引入factor

options(stringsAsFactors = F)

test1 <- data.frame(x = c('b','e','f','x'), # 新建数据框test1，test2，注意数据框中不能有factor。
                    z = c("A","B","C",'D'),
                    stringsAsFactors = F)
test1

test2 <- data.frame(x = c('a','b','c','d','e','f'), 
                    y = c(1,2,3,4,5,6),
                    stringsAsFactors = F)
test2 

image.png

5.1 取交集:內连inner_join

inner_join(test1, test2, by = "x") #取数据框test1 and test2中，x列相同的行和列。

image.png

5.2 左连left_join

left_join(test1, test2, by = 'x') 
#以test1的x列为参照，合并两个表格，注意，这里x是两个数据框都有的。
#并且以test1的x列全部列出，不管test2的x比test1多还是少，均以test1为主。

left_join(test2, test1, by = 'x')

image.png

5.3 全连full_join

full_join(test1,test2,by='x') #两个数据框按共有的x列，全部合并，注意，这里by=也只能选两个数据框都有的列名。

image.png

5.4 半连接：返回能够与y表匹配的x表所有记录：semi_join

semi_join(x = test1, y = test2, by = 'x') #这里我也没弄懂。

image.png

5.5 反连接：返回无法与y表匹配的x表的所记录anti_join

anti_join(x = test2, y = test1, by = 'x') #这里依旧没弄懂。

image.png

5.6 简单合并

test1 <- data.frame(x = c(1,2,3,4), y = c(10,20,30,40))
test1

test2 <- data.frame(x = c(5,6), y = c(50,60))
test2

test3 <- data.frame(z = c(100,200,300,400))
test3

bind_rows(test1, test2) # 注意，bind_rows()函数需要两个数据框列数相同；

bind_cols(test1, test3) #注意，bind_cols()函数需要两个数据框行数相同；

image.png

感谢老师指导🌹🌹🌹🌹🌹🌹🌹🌹