我们已经使用Tidyr将数据进行了变形，使其符合Tidy data的原则。而在对数据进行正式的统计分析之前，通常还需要进行一些必要的数据处理，如：

• 改变结构：排序，修改列名
• 按行操作：过滤，选取，抽样
• 按列操作：筛选特定列
• 统计、分组统计：最大值，最小值等

要完成以上这些分析，我们可以使用R中非常强大的一个包dplyr，通过几个简单的命令，即可完成我们想要的分析。

1.dplyr包的安装和加载

# 安装dplyr包
>install.packages("dplyr")
# 加载dplyr包
>library(dplyr)

2.使用dplyr进行数据管理

（1）排序：arrange

在使用tidyr对数据进行处理后，如下：

image
在上面的图表中，是以SampleName进行排序的，我们可以以GeneId进行排序：

# arrange（数据框名，要排序的列名）
gene_exp_GeneId <- arrange(gene_exp_tidy, GeneId)

按GeneId排序后的效果如下：

image

如果我们想要在GeneId排序的基础上，再以Expression排序：

gene_exp_GeneId_Exp <- arrange(gene_exp_tidy, GeneId, Expression)

image
默认条件下，是以升序排列的，如果我们想要以降序排列，只需在需要降序排列的列名前添加desc即可：

# 降序排列
gene_exp_GeneId_descExp <- arrange(gene_exp_tidy, GeneId, desc(Expression))

image

（2）按行（观测）筛选：filter

筛选出表达量大于1的观测：

# filter(数据框名，筛选条件)
filter(gene_exp_tidy, Expression > 1)

image

筛选出表达量大于1，并且基因名为gene1的观测：

filter(gene_exp_tidy, Expression > 1, GeneId == "gene1")

image

（3）按列筛选：select

select函数用于选择需要展示的列：

# 只展示SampleName和Expression列
select(gene_exp_tidy, SampleName, Expression)

image

使用select函数，我们还可以进行模糊的筛选：

# 筛选所有列名中包含"me"的列
select(gene_exp_tidy, contains("me"))

image

# 展示所有列名中，以G开始的列
select(gene_exp_tidy, starts_with("G"))

image

（4）管道操作符：%>%

我们对数据的筛选和排序操作，可以使用管道符连接起来，一步即可完成：

# 先筛选出表达量大于1的观测，再按GeneId升序排列，同时按Expression降序排列
filter(gene_exp_tidy, Expression >1) %>% arrange(GeneId, desc(Expression))
# 说明：使用管道符连接时，第一个操作的输出结果会成为第二个操作的输入，因此在arrange中不再需要指定数据框的名称

image

（5）去除重复：distinct

使用distinct函数，我们可以去除数据框中有重复的行：

# 去除GeneId中有重复的行
distinct(gene_exp_tidy, GeneId)

image

（6）添加新变量：mutate

mutate函数用于根据已有的变量，产生一个新的变量：

# 产生一个表达量是现有表达量10倍的变量
mutate(gene_exp_tidy, "10Exp" = Expression * 10)

image

# 得到表达量变为10倍的变量后，去除原来的Express列
mutate(gene_exp_tidy, "10Exp" = Expression * 10) %>%
  select(-Expression)

image

# 在每一个GeneId前面，添加Os字符，用于说明是水稻的基因，并去除原来的GeneId列
# paste函数用来连接字符
mutate(gene_exp_tidy, Gene_ID = paste("Os", GeneId, sep = "_" ) ) %>%
  select(Gene_ID, SampleName, Expression)

image

（7）分组统计：group_by %>% summarise

使用summarise函数，可以对数据进行简单的统计：

# 计算Expressin的平均值
summarise(gene_exp_tidy, avg = mean(Expression))

image

先对数据进行分组，再进行统计：

# 先以GeneId进行分组，再计算平均值
gene_exp_tidy %>%
  group_by(GeneId)%>%
  summarise(avg = mean(Expression))

image

# 计算每个基因在三个样品中表达量的标准差sd
gene_exp_tidy %>%
  group_by(GeneId)%>%
  summarise(sd = sd(Expression))

image