学习小组D6笔记-年糕
2020-09-13 本文已影响0人
沏茶年糕团子
照例先上思维导图
D6.png
1. 管道符号
图片.png
(1）
数据df是否有rownanme，返回布尔型数据。
(2)
如果有rowname，移除rowname
(3)
把rownames转换成一列，该列的列名设为：A
(4)
移除原有rowname，替换成为rowid，从1自增型，
(5)
把原有数据中名为C的列变成rowname1. 內连
2. 左连
3. 全连
4. 半连接
5. 反连接
D6.png
一、Rstudio设置镜像
与R软件不同，Rstudio不会自动询问是否配置镜像，因此需要自己设置。分别为CRAN和Bioconductor的下载镜像
# options函数就是设置R运行过程中的一些选项设置
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) #对应清华源
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") #对应中科大源
但这个方法并非一劳永逸，在下次打开Rstudio时，可用options()$BioC_mirror查询镜像发现又回到官方镜像，因此要下载R包又要重新打一遍上面的代码。那有什么办法设置一下么？
-
高级设置
需要用到R的配置文件 .Rprofile
（1）首先用file.edit()来编辑文件
file.edit('~/.Rprofile')
（2）然后在其中添加好上面的两行options代码
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")
最后保存=》重启Rstudio，这时再运行一下：options()$repos和options()$BioC_mirror 就发现已经配置好了，就很方便地省了手动运行的步骤
二、安装及加载R包
install.packages(“包”) #来源CRAN网站
BiocManager::install(“包”) #来源Biocductor
library(包)
require(包)
library和require都可以用于加载R包；注意安装和加载时包名的双引号区别
三、R包实战--dplyr的5个基本函数
dplyr包主要用于数据清洗和整理，主要功能有：行选择、列选择、统计汇总、窗口函数、数据框交集等，是非常高效、友好的数据处理包
使用内置数据集iris作为示例，先把一些行提取出来
test<-iris[c(1:2,51:52,101:102),]
-
mutate():用于新增列
> mutate(test, new = Sepal.Length * Sepal.Width) #新增的列为前面两列的数据进行相乘得到的结果
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
-
select():用于按列进行筛选
> select(test,1) #按列号筛选
Sepal.Length
1 5.1
2 4.9
51 7.0
52 6.4
101 6.3
102 5.8
> select(test,c(2:4)) #筛选多列
Sepal.Width Petal.Length Petal.Width
1 3.5 1.4 0.2
2 3.0 1.4 0.2
51 3.2 4.7 1.4
52 3.2 4.5 1.5
101 3.3 6.0 2.5
102 2.7 5.1 1.9
> select(test,Sepal.Length) #按列名进行筛选，对于处理数据大表达矩阵的可以进行特定筛选
Sepal.Length
1 5.1
2 4.9
51 7.0
52 6.4
101 6.3
102 5.8
-
filter()：用于按行进行筛选
> filter(test,Species=="setosa") #设定筛选条件，由于Species列的参数是字符串，因此要有双引号
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) #可以同时设置多个条件进行精准筛选
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
> filter(test,Species %in% c("versicolor","virginica")) #%in%为管道函数
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
x %in% y 的意思是“对x里的每个元素进行判断，判断它是否在y中存在，存在就返回TRUE，不存在就返回FALSE”，多的元素在前，少的元素在后
-
arrange()：用于根据某一列或某几列对整个表格进行重新排序
> arrange(test,Sepal.Length) #对某一列进行排序，不加其他参数默认从小到大排序
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)) #利用desc设置为从大到小排序
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
对某几列进行排序：
假设有个新的数据框mydata如下
> mydata
X1 X2
1 2 7
2 2 4
3 2 6
4 1 9
5 1 7
> arrange(mydata,X1,X2) #以X1和X2联合升序排序。也就是说：首先按照X1的升序（从小到大）排序；如果在X1相等的情形下，则按照X2从小到大排序
X1 X2
1 1 7
2 1 9
3 2 4
4 2 6
5 2 7
> arrange(mydata,X1,desc(X2)) #首先按照X1的升序（从小到大）排序；如果在X1相等的情形下，则按照X2的降序（从大到小）排序
X1 X2
1 1 9
2 1 7
3 2 7
4 2 6
5 2 4
-
summarise():用于汇总数据信息，结合group_by()使用实用性强
> summarise(test, mean(Sepal.Length), sd(Sepal.Length))
mean(Sepal.Length) sd(Sepal.Length)
1 5.916667 0.8084965
# 按照Species分组
> group_by(test, Species)
A tibble: 6 x 5
Groups: Species [3] #根据Species分成了三组
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
<dbl> <dbl> <dbl> <dbl> <fct>
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3 1.4 0.2 setosa
3 7 3.2 4.7 1.4 versicolor
4 6.4 3.2 4.5 1.5 versicolor
5 6.3 3.3 6 2.5 virginica
6 5.8 2.7 5.1 1.9 virginica
# 按照Species分组，并计算每组Sepal.Length的平均值和标准差
> summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length))
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
四、dplyr 的实用技能
1. 管道符号%>% (ctr + shift + M)
> test %>%
+ group_by(Species) %>%
+ summarise(mean(Sepal.Length), sd(Sepal.Length))
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
%>%：表示将左边的结果传递给右边，通常右边是一个函数，它会对传过来的结果进行相对应的计算
2. count统计某列的unique值
> count(test,Species)
Species n
1 setosa 2
2 versicolor 2
3 virginica 2
3. 行名列与第一列之间的相关转换
图片.png
(1）
has_rownames(df)数据df是否有rownanme，返回布尔型数据。
(2)
remove_rownames(df)如果有rowname，移除rowname
(3)
rownames_to_column(df, var = "A")把rownames转换成一列，该列的列名设为：A
(4)
rowid_to_column(df, var = "rowid")移除原有rowname，替换成为rowid，从1自增型，
(5)
column_to_rownames(df, var = "C")把原有数据中名为C的列变成rowname
与data.table包合用,将基因表达矩阵读入，并将第一列设为行名：
df <- data.table::fread("inputfilename.txt")
df %>% column_to_rownames(df [,1])
五、dplyr处理关系数据
先创建两个数据框test1和test2，注意不要引入factor
> options(stringsAsFactors = F)
> 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
1. 內连inner_join：用于取交集
> inner_join(test1,test2,by="x") #以x列为基准取交集
x z y
1 b A 2
2 e B 5
3 f C 6
2. 左连left_join:以第一个表达矩阵的为准，将第二个与第一个匹配
> left_join(test1,test2,by="x") #以整个test1表为准
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") #以整个test2表为准
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：将两个表合并一起，不用管行列是否对齐，没对齐自动用NA进行补全
> full_join(test1,test2,by="x")
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：返回能够与y表匹配的x表的所有记录
> semi_join(x=test1,y=test2,by="x")
x z
1 b A
2 e B
3 f C
5. 反连接anti_join：返回无法与y表匹配的x表的所记录
> anti_join(x=test2,y=test1,by="x")
x y
1 a 1
2 c 3
3 d 4
6. 简单合并
创建三个数据框
> test3 <- data.frame(x = c(1,2,3,4), y = c(10,20,30,40))
> test3
x y
1 1 10
2 2 20
3 3 30
4 4 40
> test4 <- data.frame(x = c(5,6), y = c(50,60))
> test4
x y
1 5 50
2 6 60
> test5 <- data.frame(z = c(100,200,300,400))
> test5
z
1 100
2 200
3 300
4 400
-
bind_rows()函数将两个表格的行进行合并，要求两个表格列数相同！！相当于base包里的rbind()函数
> bind_rows(test3, test4)
x y
1 1 10
2 2 20
3 3 30
4 4 40
5 5 50
6 6 60
-
bind_cols()函数将两个表格的列进行合并，要求两个表格行数相同！！相当于base包里的cbind()函数
> bind_cols(test3, test5)
x y z
1 1 10 100
2 2 20 200
3 3 30 300
4 4 40 400
管道操作
magrittr包，主要定义了4个管道操作符，分另是
%>%,%T>%,%$%和%<>%。其中，操作符%>%是最常用的。
很多比较成熟的项目扩展包都已经实现了管道操作函数的内置（比如dplyr、rvest、leaflet等都实现了默认调用）。
具体应用及区别可参考：
在R语言中含有百分号（%）符号的含义 和 管道函数
