这是根据我之前学习R的系列总结

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("one","two","three","four","five","six")
b<-c(1,2,3,4,5,6)
c<-c(TRUE,TRUE,FALSE,FALSE,TRUE,FALSE)

显示目前所在位置

getwd()

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）

构建矩阵

d<- matrix(1:12,nrow = 3)

清空工作目录

rm(list = ls())

构建数组 > myarray <- array(vector,dimensions,dimnames)

myarray<- array(1:24,c(2,3,4))
myarray

构建数据框 mydata <- data.frame(col1,col2,col3,…)

ID<- c(1,2,3,4,5,6)
sex<- c("female","male","female","male","female","male")
genetype<- c("type1","type2","type3","type4","type5","type6")
mydata<- data.frame(ID,sex,genetype)
mydata

构建列表mylist <- list(object1,object2,…)

g<- "My First List"
h<- c(25,26,27,28)
j<- matrix(1:10,nrow = 5) 
k<- c("one","two","three")
mylist <- list(title=g,ages=h,chengji=j,dengji=k)
mylist

构建因子status <- factor(status, ordered=TRUE)

status <- factor(1,2,3,order=TRUE)
print(status)

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

rm(list=ls())
mydata[c(1,3),]
mydata[,c(1,2)]

##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)
rivers

导入txt数据

platformMap1 <- read.table("SraRunTable.txt",header = T,stringsAsFactors = F,sep = "\t")
platformMap2 <- read.table("GSE111229_Mammary_Tumor_fibroblasts_768samples_rawCounts.txt",header = T,stringsAsFactors = F,sep = "\t'')

可视化

数据汇总与画图

准备数据

cars<- mtcars[c(1,2,9,10)]
cars$gear<- ordered(cars$gear)
cars$am<- factor(cars$am,labels=c('auto','manual'))
str(cars)

计算平均值

mean(cars$mpg)

计算中间数

median(cars$cyl)

计算标准差

sd(cars$mpg)

计算范围

range(cars$mpg)

计算百分数

quantile(cars$mpg)

也可以一次性获取如5%和95%位置的值

quantile(cars$mpg,probs = c(0.05,0.95))

##############

描述分类

amtable<- table(cars$am)
amtable

绘制直方图

hist(cars$mpg,col = 'grey')
hist(cars$mpg,breaks = c(5,15,25,35))

创建密度图

mpgdens<- density(cars$mpg)
plot(mpgdens)

在直方图中绘制密度

hist(cars$mpg,col = 'grey',freq = FALSE)
lines(mpgdens)
summary(cars)
cars$cyl<- as.factor(cars$cyl)

绘制箱型图

boxplot(mpg ~ cyl, data = cars)

记录相关性

1.观察关联性

plot(iris[-5])

2.获得数据

with(iris,cor(Petal.Width,Petal.Length))

3.计算多个变量的相关性

iris.cor<- cor(iris[-5])
str(iris.cor)
iris.cor['Petal.Width','Petal.Length']

##############################

使用表格

1.由两个变量创建表

with(cars,table(am,gear))

2.从矩阵创建表

trial<- matrix(c(34,11,9,32),ncol = 2)
colnames(trial)<- c('sick','healthy')
rownames(trial)<- c('risk','no_risk')
trial.table<- as.table(trial)

3.提取结果

trial.table['risk','sick']

##########

将表格转换为数据帧

trial.df<- as.data.frame(trial)
str(trial.df)

例2

trial.table.df<- as.data.frame(trial.table)
str(trial.table.df)

#################

边际与占比,默认等于2是讲每一行后边相加，建立新的sum列.等于1是将每一列相加，建立新的sum行

addmargins(trial.table)
addmargins(trial.table,margin = 1)
addmargins(trial.table,margin = 2)

计算占比

prop.table(trial.table)

计算行列占比

prop.table(trial.table,margin = 1)

#########################################

偏差和关系测试

str(beaver2)
library(lattice)
histogram(~temp |factor(activ),data = beaver2)
t.test(temp ~activ, data = beaver2)