生信星球学习笔记第6天
package安装加载
镜像设置
设置cran和bioconductor镜像，可以加速包的下载
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
下载和加载package
install.packages("dplyr")
library(dplyr)
以dplyr为例学习r操作
当需要对函数进行特殊处理时需要加载特定的package，而不同的package往往有不同的函数和调用函数的命令。
0.建立test数据
> test <- iris[c(1:2,51:52,101:102),]
> test
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
51 7.0 3.2 4.7 1.4 versicolor
52 6.4 3.2 4.5 1.5 versicolor
101 6.3 3.3 6.0 2.5 virginica
102 5.8 2.7 5.1 1.9 virginica
#test数据一共有6个variable，每个变量有5个observation。
1.mutate（），新增列
mutate(test, new = Sepal.Length * Sepal.Width) #在test数据中新增名为“new”的列，其每项数值为两项相乘结果。
2.select
select(test,1)#选择test第一列
select(test,c(1,3))#选择test第1和3列
select(test,c(1:3))#选择test1至3列
select(test,Petal.Length, Petal.Width)#根据test中的列名选择
3.filiter
filter(test, Species == "setosa")#选择变量Species为“setosa”的行.
filter(test, Species == "setosa"&Sepal.Length > 5 )#增加了一个条件，"&"and"&&" indicate logical AND;| and || indicate logical OR.
filter(test, Species %in% c("setosa","versicolor"))#暂时根据返回结果理解为c中任意一个.
4.arrange
arrange(test, Sepal.Length)#默认从小到大排序
arrange(test, desc(Sepal.Length))#用desc从大到小
5.summarise()：汇总
summarise(test, mean(Sepal.Length), sd(Sepal.Length))# 计算Sepal.Length的平均值和标准差
group_by(test, Species)#根据species对test进行分组。
summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length))
#group_by对test进行分组，将test分为三组，处理的变量也变为3个，再进行summarise计算，后面为结果
# 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
管道操作 %>%
管道操作需要tidyverse包，dplyr中含有tidyverse包
test %>% #管道操作
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
count统计
count(test,Species)#可以统计某列中的unique值
dplyr处理数据关系
连接两个表。
注意不要引入factor。factor因子，用于分类统计；string字符串
options(stringsAsFactors = F)
test1 <- data.frame(x = c('b','e','f','x'),
z = c("A","B","C",'D'),
stringsAsFactors = F) # stringsAsFactors = F,即将字符串固定为字符串否则会对将字符串认定为因子，并进行计数。
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
内连inner_join，取交集
inner_join(test1, test2, by = "x") # 将两个集合中含有x的量集合起来。
## x z y
## 1 b A 2
## 2 e B 5
## 3 f C 6
左连
left_join(test1, test2, by = 'x')#向左连接，将右边数据集中与左边数据集中相同的项，合并到左边数据集中。以左边数据集为准。
## 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')
## x y z
## 1 a 1
## 2 b 2 A
## 3 c 3
## 4 d 4
## 5 e 5 B
## 6 f 6 C
全连
full_join( test1, test2, by = 'x')#以x为基准，合并两个数据集的所有数据。
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
半连接
print(test1)
x z
1 b A
2 e B
3 f C
4 x D
> print(test2)
x y
1 a 1
2 b 2
3 c 3
4 d 4
5 e 5
6 f 6
> semi_join(x = test1, y=test2, by='x')#返回能够与y表匹配的x表所有记录semi_join，一直没理解好x和y表，后来发现，x和y没有意义，只是代指两个表而已。
x z
1 b A
2 e B
3 f C
> semi_join(test1, test2, by='x') #删去x和y，返回结果一样。即返回第一个表中与第二个表中相同的“x”项的记录。
x z
1 b A
2 e B
3 f C
反连接
> anti_join(test1, test2, by='x')#与半连接相反，返回不匹配的项
x z
1 x D
简单合并
> test1
x y
1 1 10
2 2 20
3 3 30
4 4 40
> test2
x y
1 5 50
2 6 60
> test3
z
1 100
2 200
3 300
4 400
> bind_cols(test1,test3) #列合并，要求行数相同
x y z
1 1 10 100
2 2 20 200
3 3 30 300
4 4 40 400
> cbind(test1,test3) #cbind是base包的基础函数
x y z
1 1 10 100
2 2 20 200
3 3 30 300
4 4 40 400
> cbind(test1,test2) #test2只有两行，test2被使用两次。
x y x y
1 1 10 5 50
2 2 20 6 60
3 3 30 5 50
4 4 40 6 60
> bind_cols(test1,test2) #直接报错
Error: Argument 2 must be length 4, not 2
> bind_rows(test1,test2)
x y
1 1 10
2 2 20
3 3 30
4 4 40
5 5 50
6 6 60
> rbind(test1,test2)
x y
1 1 10
2 2 20
3 3 30
4 4 40
5 5 50
6 6 60
> bind_rows(test1,test3)#列数不同，合成直接扩大了数据框行数和列数。
x y z
1 1 10 NA
2 2 20 NA
3 3 30 NA
4 4 40 NA
5 NA NA 100
6 NA NA 200
7 NA NA 300
8 NA NA 400
> bind_rows(test1,test3)
x y z
1 1 10 NA
2 2 20 NA
3 3 30 NA
4 4 40 NA
5 NA NA 100
6 NA NA 200
7 NA NA 300
8 NA NA 400
>
今日学习总结
学习时间不够，学习环境不好。要主动出击！
