【生信技能树::作业&习题】R语言初级练习题

作者: 墨墨如 | 来源:发表于2019-03-29 15:30 被阅读275次

2019-04-19
【生信技能树::作业&习题】R语言初级练习题
【生信技能树::作业&习题】R语言初级练习题-修正
生信人的20个R语言习题--by me
【生信技能树】R语言初级练习题
R语言作业—中级
R语言作业-20题
R语言作业—初级
【生信技能树】R语言练习题 - 高级
【生信技能树】R语言练习题 - 中级

初级10 个题目，尽量根据参考代码理解及完成：http://www.bio-info-trainee.com/3793.html

打开以后好像不止10个

打开Rstudio告诉我它的工作目录

getwd()
新建6个向量，基于不同的原子类型。（重点是字符串，数值，逻辑值）
```
a <- c(1,2,3,4,5,6)
b <- c("a","b","c","d")
c <- c(T,F,F,T)
```

新建5个其它数据结构，矩阵，数组，数据框，列表，因子（重点是数据框，矩阵）

mymatrix <- matrix(1:20, nrow = 5, ncol = 4)
myarray <- array(1:24, c(2,3,4))
mydf <- data.frame(PatientID = C("pa01","pa02","pa03"),
                  age = c(22,33,44),
                  exp = c(12,23,34))
mylist <- list(mymatrix, mydf, a, b, c)
status <- c("well", "moderate", "poor")
myfactor <- factor(status, levels = c("poor", "moderate", "well"))

在你新建的数据框进行切片操作，比如首先取第1，3行，然后取第4，6列
```
df[c(1,3), ]
df[ , c(4,6)]
```

使用data函数来加载R内置数据集 rivers 描述它。并且可以查看更多的R语言内置的数据集：https://mp.weixin.qq.com/s/dZPbCXccTzuj0KkOL7R31g
```
data("rivers")
class(rivers)
str(rivers)
length(rivers)
summary(rivers)
head(rivers); tail(rivers)
```

下载 https://www.ncbi.nlm.nih.gov/sra?term=SRP133642 里面的 RunInfo Table 文件读入到R里面，了解这个数据框，多少列，每一列都是什么属性的元素。

这一步卡住了一会儿，主要是不知道这个RunInfo Table为何物，在哪里下载。要是知道文件名就好了。最开始以为是GSE页面下的serie.matix文件，这个文件的格式直接用R读取，怎么也读不好。网上搜到的代码其实都读不进去，还是用Excel好使。然而，并不是这个文件。。。

下载文件的地方

RunInfo Table文件下载位置.png

可以从这里进来

SRA入口.png

options(stringsAsFactors = F)
rit = read.table("SraRunTable.txt", sep = "\t", header = T)
dim(rit)
str(rit)

下载 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE111229 里面的样本信息读入到R里面，了解这个数据框，多少列，每一列都是什么属性的元素。

我不知道我下载的样本信息对不对，是不是GSE111229_series_matrix.txt.gz文件，如果是的就按照接下来的看

正常用read.table读都会有各式各样的报错，原因在于这个破表长成这样（Excel打开）：
series.matrix用Excel打开的样子.png
几种报错的原因：
- 0 obs. of n variables ：这里每一行都有"!"，所以comment.char="!"以后，所有行都跳过了。
- line 30 did not have 2 elements ：这个恶心的第30行是空的，行列的长度不齐
所以正确的输入应该是这样：
```
options(stringsAsFactors = F)
dat <- read.table("GSE111229_series_matrix.txt", sep = "\t", header = FALSE, 
                  fill = TRUE, # 如果长度不齐，补齐
                  skip = 30) # 前面30行没用的注释信息略过不读
str(dat)
dim(dat) # 45 obs. of 769 variables
```
读入以后我存成txt，用Excel打开看了看，不明白为什么View(b)打开会特别慢特别卡。

读入以后长这样.png

这个行列很变态，要做下一题的话还需要处理一下这个数据框，比如转置一下

dat = as.data.frame(t(b))
rownames(dat) <- NULL
colnames(dat) <- dat[1, ]
dat <- dat[2:nrow(dat), ]

把两个表关联起来，使用merge函数。

这两个表里面相同的列是rit$Sample_Name和dat$ID_REF，都是GSM number

head(rit$Sample_Name); head(dat$ID_REF) # 先来show一下相同的列的内容
c <- merge(rit, dat, by.x = "Sample_Name", by.y = "ID_REF", all.x = T)

对前面读取的 RunInfo Table 文件在R里面探索其MBases列，包括箱线图(boxplot)和五分位数(fivenum)，还有频数图(hist)，以及密度图(density) 。
```
head(rit$MBases)
str(rit$MBases)
quantile(rit$MBases)
fivenum(rit$MBases)
boxplot(rit$MBases)
hist(rit$MBases)
plot(density(rit$MBases))
```
把前面读取的样本信息表格的样本名字根据下划线分割看第3列元素的统计情况。第三列代表该样本所在的plate
根据plate把关联到的 RunInfo Table 信息的MBases列分组检验是否有统计学显著的差异。
分组绘制箱线图(boxplot)，频数图(hist)，以及密度图(density) 。
使用ggplot2把上面的图进行重新绘制。
使用ggpubr把上面的图进行重新绘制。
随机取384个MBases信息，跟前面的两个plate的信息组合成新的数据框，第一列是分组，第二列是MBases，总共是384*3行数据。