学习小组DAY6笔记-HOO
一、设置镜像
通过file.edit('~/.Rprofile')来编辑R配置文件.Rprofile
在.Rprofile中添加options代码：
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")
保存后重启RStudio，运行options()$repos和options()$BioC_mirror，可看到镜像网站已经配置成功。
镜像配置成功
二、安装包
install.packages(“包”) 存在于CRAN
BiocManager::install(“包”) 存在于BiocManager
三、加载包
library(包)
require(包)
四、dplyr五个基础函数
创建示例数据
test <- iris[c(1:2,51:52,101:102),]
新建一个名为test的数据集，取iris数据集中第1-2行、51-52行、101-102行的数据。
Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据样本，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。
来源百度百科
1. mutate()：新增列
mutate(test, new = Sepal.Length * Sepal.Width)
在test数据集中新建一列，命名为new，new为Sepal.Length与Sepal,Width的乘积
Sepal.Length Sepal.Width Petal.Length Petal.Width Species new
1 5.1 3.5 1.4 0.2 setosa 17.85
2 4.9 3.0 1.4 0.2 setosa 14.70
3 7.0 3.2 4.7 1.4 versicolor 22.40
4 6.4 3.2 4.5 1.5 versicolor 20.48
5 6.3 3.3 6.0 2.5 virginica 20.79
6 5.8 2.7 5.1 1.9 virginica 15.66
2.select()：筛选列
（1） 按列号筛选
-
select(test,1)
筛选出test数据集中的第一列
Sepal.Length
1 5.1
2 4.9
51 7.0
52 6.4
101 6.3
102 5.8
-
select(test,c(1,5))
筛选出test数据集中的第一和五列
Sepal.Length Species
1 5.1 setosa
2 4.9 setosa
51 7.0 versicolor
52 6.4 versicolor
101 6.3 virginica
102 5.8 virginica
-
select(test,Sepal.Length)
筛选出test数据集中Sepal.Length这一列
Sepal.Length
1 5.1
2 4.9
51 7.0
52 6.4
101 6.3
102 5.8
（2） 按列名筛选
- 直接筛选
select(test, Petal.Length, Petal.Width)
筛选出test数据集中Petal.Length和Petal.Width这两列
1 1.4 0.2
2 1.4 0.2
51 4.7 1.4
52 4.5 1.5
101 6.0 2.5
102 5.1 1.9
- 赋值向量
vars <- c("Petal.Length", "Petal.Width")
select(test, one_of(vars))
Petal.Length Petal.Width
1 1.4 0.2
2 1.4 0.2
51 4.7 1.4
52 4.5 1.5
101 6.0 2.5
102 5.1 1.9
one_of()用来声明选择对象。
3. filter()：筛选行
-
filter(test, Species == "setosa")
筛选出test数据集中种类为setosa的行
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
- filter(test, Species == "setosa"&Sepal.Length > 5 )
筛选出test数据集中种类为setosa且Sepal.Length > 5 的行
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
-
filter(test, Species %in% c("setosa","versicolor"))
筛选出test数据集中种类为setosa和versicolor的行
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 7.0 3.2 4.7 1.4 versicolor
4 6.4 3.2 4.5 1.5 versicolor
%in%相当于match()函数的一个缩写。反映了向量之间的包含关系。
4. arrange() ：按某1列或某几列对整个表格进行排序
-
arrange(test, Sepal.Length)
以Sepal.Length大小排序，默认从小到大
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 4.9 3.0 1.4 0.2 setosa
2 5.1 3.5 1.4 0.2 setosa
3 5.8 2.7 5.1 1.9 virginica
4 6.3 3.3 6.0 2.5 virginica
5 6.4 3.2 4.5 1.5 versicolor
6 7.0 3.2 4.7 1.4 versicolor
-
arrange(test, desc(Sepal.Length))
用desc()从大到小
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 7.0 3.2 4.7 1.4 versicolor
2 6.4 3.2 4.5 1.5 versicolor
3 6.3 3.3 6.0 2.5 virginica
4 5.8 2.7 5.1 1.9 virginica
5 5.1 3.5 1.4 0.2 setosa
6 4.9 3.0 1.4 0.2 setosa
5. summarise()：汇总
-
summarise(test, mean(Sepal.Length), sd(Sepal.Length))
计算test数据集中Sepal.Length的平均值和标准差
mean(Sepal.Length) sd(Sepal.Length)
1 5.916667 0.8084965
-
summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length))
先将test数据集按照Species分组，分别计算每一组中Sepal.Length的平均值和标准差
# A tibble: 3 x 3
Species `mean(Sepal.Length)` `sd(Sepal.Length)`
<fct> <dbl> <dbl>
1 setosa 5 0.141
2 versicolor 6.7 0.424
3 virginica 6.05 0.354
tibble是一种在R语言中进行数据分析处理的二维表格的数据结构，主要在dplyr和tibble包中有效，主要关注于列list，支持整洁格式
五、dplyr两个实用技能
1. 管道操作 %>% (cmd/ctr + shift + M)
test %>% group_by(Species) %>% summarise(mean(Sepal.Length), sd(Sepal.Length))
管道函数%>% 将左边的值发送给右边的表达式，并作为右边表达式函数的第一个参数。
# A tibble: 3 x 3
Species `mean(Sepal.Length)` `sd(Sepal.Length)`
<fct> <dbl> <dbl>
1 setosa 5 0.141
2 versicolor 6.7 0.424
3 virginica 6.05 0.354
上述代码不使用管道函数则写作：
summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length))
2. count统计某列的unique值
count(test,Species)
对test数据集中Species的所有行进行计数
# A tibble: 3 x 2
Species n
<fct> <int>
1 setosa 2
2 versicolor 2
3 virginica 2
六、dplyr处理关系数据
设定两个数据集
test1 <- data.frame(x = c('b','e','f','x'), z = c("A","B","C",'D'), stringsAsFactors = F)
test1
x z
1 b A
2 e B
3 f C
4 x D
test2 <- data.frame(x = c('a','b','c','d','e','f'), y = c(1,2,3,4,5,6), stringsAsFactors = F)
test2
x y
1 a 1
2 b 2
3 c 3
4 d 4
5 e 5
6 f 6
stringsAsFactors = F意味着数据中的字符串数据不变成属性数据，直接按字符串读入。
1. 內连inner_join,取交集
inner_join(test1, test2, by = "x")
取test1和test2中x的交集
x z y
1 b A 2
2 e B 5
3 f C 6
2. 左连left_join
-
left_join(test1, test2, by = 'x')
将test2中的数值按照x-y的关系和test1合并在一起
x z y
1 b A 2
2 e B 5
3 f C 6
4 x D NA
- left_join(test2, test1, by = 'x')
将test1中的数值按照x-y的关系和test2合并在一起
x y z
1 a 1 <NA>
2 b 2 A
3 c 3 <NA>
4 d 4 <NA>
5 e 5 B
6 f 6 C
3. 全连full_join
full_join( test1, test2, by = 'x')
将test1和test2全部合并在一起
x z y
1 b A 2
2 e B 5
3 f C 6
4 x D NA
5 a <NA> 1
6 c <NA> 3
7 d <NA> 4
4. 半连接semi_join
semi_join(x = test1, y = test2, by = 'x')
返回能够与test2（y表）匹配的test1（x表）中所有记录
x z
1 b A
2 e B
3 f C
5. 反连接anti_join
anti_join(x = test2, y = test1, by = 'x')
返回无法与test1（y表）匹配的test2（x表）的所有记录
x y
1 a 1
2 c 3
3 d 4
6. 简单合并
test1 <- data.frame(x = c(1,2,3,4), y = c(10,20,30,40))
test1
x y
1 1 10
2 2 20
3 3 30
4 4 40
test2 <- data.frame(x = c(5,6), y = c(50,60))
test2
x y
1 5 50
2 6 60
test3 <- data.frame(z = c(100,200,300,400))
test3
z
1 100
2 200
3 300
4 400
- （1）
bind_rows(test1, test2)
将test1和test2两个数据集的行合并
1 1 10
2 2 20
3 3 30
4 4 40
5 5 50
6 6 60
bind_rows()函数需要两个表格列数相同，“列数相同合并行”
- （2）
bind_cols(test1, test3)
将test1和test3两个数据集的列合并
x y z
1 1 10 100
2 2 20 200
3 3 30 300
4 4 40 400
bind_cols()函数需要两个数据框有相同的行数,"行数相同合并列“
