R：进阶-Tidyverse和条件循环

Tidyverse

《R数据科学》 （大神全套体系）

  • ggplot2：数据可视化
  • dplyr：数据转换和处理数据关系
  • readr：数据导入
  • stringr：处理字符串

    • 一、tidyr

    数据清理，转化为标准表格，tidydata每个变量（variable）占一列，每个观测（observation）占一行

    1. 数据清理 

    test <- data.frame(geneid = paste0("gene",1:4),
                 sample1 = c(1,4,7,10),
                 sample2 = c(2,5,0.8,11),
                 sample3 = c(0.3,6,9,12))

    （1）扁变长
    

    test_gather <- gather(data = test,
                    key = sample_nm,
                    value = exp,
                    - geneid)
head(test_gather)

    （2）长变扁
    

    test_re <- spread(data = test_gather,
                key = sample_nm,
                value = exp)
head(test_re)

    2. 分割和合并
    

    test <- data.frame(x = c( "a,b", "a,d", "b,c"));test

    （1）分割
    

    test_seprate <- separate(test,x, c("X", "Y"),sep = ",");test_seprate

    （2）合并
    

    test_re <- unite(test_seprate,"x",X,Y,sep = ",")

    3. 处理NA
    

    X<-data.frame(X1 = LETTERS[1:5],X2 = 1:5)
X[2,2] <- NA
X[4,1] <- NA

    （1）去掉含有NA的行,可以选择只根据某一列来去除
    

    drop_na(X)
drop_na(X,X1)
drop_na(X,X2)

    （2）替换NA
    

    replace_na(X$X2,0)

    （3）用上一行的值填充NA
    

    fill(X,X2)

    完整操作：https://www.rstudio.com/resources/cheatsheets/
    

    二、dplyr
    

    test <- iris[c(1:2,51:52,101:102),]
rownames(test) =NULL

    1. 五个基础函数
    

    （1）mutate()：新增列
    

    mutate(test, new = Sepal.Length * Sepal.Width)
test$new = test$Sepal.Length * test$Sepal.Width #base包方式

    （2）select()：按列筛选
    

  • 按列号筛选
    • 

    select(test,1)
select(test,c(1,5))

  • 按列名筛选
    • 

    select(test,Sepal.Length)
select(test, Petal.Length, Petal.Width)
vars <- c("Petal.Length", "Petal.Width")
select(test, one_of(vars))

  • 一组来自tidyselect的有用函数
    • 

    select(test, starts_with("Petal"))
select(test, ends_with("Width"))
select(test, contains("etal"))
select(test, matches(".t."))
select(test, everything())
select(test, last_col())
select(test, last_col(offset = 1))

  • 利用everything() 列名可以重排序
    • 

    select(test,Species,everything())

    （3）filter()：筛选行
    

    filter(test, Species == "setosa")
filter(test, Species == "setosa"&Sepal.Length > 5 )
filter(test, Species %in% c("setosa","versicolor"))

    （4）arrange()：按某一列对整个表格进行排序
    

    arrange(test, Sepal.Length) #默认从小到大排序
arrange(test, desc(Sepal.Length)) #desc即从大到小
arrange(test, desc(Sepal.Width),Sepal.Length) #但两行相同时，亚条件排序

    （5）summarise()：汇总
    

    对数据进行汇总操作,结合group_by使用实用性强
    

    summarise(test, mean(Sepal.Length), sd(Sepal.Length)) #计算Sepal.Length的平均值和标准差
# 先按照Species分组，计算每组Sepal.Length的平均值和标准差
group_by(test, Species)
tmp = summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length))

    2. 两个实用技能
    

    （1）管道操作 %>% (cmd/ctr + shift + M)
    

    library(dplyr)
x1 = filter(iris,Sepal.Width>3)
x2 = select(x1,c("Sepal.Length","Sepal.Width" ))
x3 = arrange(x2,Sepal.Length)
colnames(iris)
iris %>% 
  filter(Sepal.Width>3) %>% 
  select(c("Sepal.Length","Sepal.Width" ))%>%
  arrange(Sepal.Length)
#上一行结果做下一行的主对象

    （2）count：统计某列的unique值
    

    count(test,Species) #数据框
table(test$Species) #base包，向量

    3. 处理关系数据：将2个表进行连接，注意：不要引入factor
    

    options(stringsAsFactors = F)
test1 <- data.frame(name = c('jimmy','nicker','doodle'), 
                    blood_type = c("A","B","O"))
test1
test2 <- data.frame(name = c('doodle','jimmy','nicker','tony'),
                    group = c("group1","group1","group2","group2"),
                    vision = c(4.2,4.3,4.9,4.5))
test2 
test3 <- data.frame(NAME = c('doodle','jimmy','lucy','nicker'),
                    weight = c(140,145,110,138))
merge(test1,test2,by="name")
merge(test1,test3,by.x = "name",by.y = "NAME")

    （1）內连inner_join：取交集，相同行，合并列
    

    inner_join(test1, test2, by = "name")
inner_join(test1,test3,by = c("name"="NAME"))

    （2）左连left_join：取主表行，合并列，缺失值NA
    

    left_join(test1, test2, by = 'name') #前为主表
left_join(test2, test1, by = 'name')

    （3）全连full_join：全两表所有行，合并列
    

    full_join(test1, test2, by = 'name')

    （4）半连接：返回能够与y表匹配的x表所有记录，取x与y表相同行，x所有列
    

    semi_join(x = test1, y = test2, by = 'name')

    （5）反连接：返回无法与y表匹配的x表的所记录 取x与y表差异行，x所有列
    

    anti_join(x = test2, y = test1, by = 'name')

    （6）数据的简单合并
    

  • 相当于base包里的cbind()函数和rbind()函数
    • 

  • bind_rows()函数需要两个表格列数相同，而bind_cols()函数则需要两个数据框有相同的行数
    • 

    test1 <- data.frame(x = c(1,2,3,4), y = c(10,20,30,40))
test1
test2 <- data.frame(x = c(5,6), y = c(50,60))
test2
test3 <- data.frame(z = c(100,200,300,400))
test3
bind_rows(test1, test2)
bind_cols(test1, test3)

    三、stringr
    

    str_split(x," ") #列表
x2 = str_split(x," ")[[1]] #取列表
y = c("jimmy 150","nicker 140","tony 152")
str_split(y," ")
str_split(y," ",simplify = T) #simplify后得到矩阵
str_c(x2,collapse = " ") #x2的所有元素按空格“ ”连接在一起
str_c(x2,1234,sep = "+") #两个参数

    3. 提取字符串的一部分
    

    str_sub(x,5,9)

    4. 大小写转换
    

    str_to_upper(x2)
str_to_lower(x2)
str_to_title(x2)

    5. 字符串定位
    

    str_locate(x2,"th")
str_locate(x2,"h")

    6. 字符检测
    

    str_detect(x2,"h") #生成与X2等长的逻辑向量，可以取子集
str_starts(x2,"T")
str_ends(x2,"e")

    与sum和mean连用，可以统计匹配的个数和比例
    

    sum(str_detect(x2,"h")) #Ture的个数
mean(str_detect(x2,"h")) #Ture占全部的比例

    7. 提取匹配到的字符串
    

    str_extract(x2,"th|Th") #|或者，默认提取第一次出
str_extract_all(x2,"o") #列表
str_extract_all(x2,"o",simplify = T) #矩阵，“”空字符串

    8. 字符删除
    

    str_remove(x," ") #只删掉第一个
str_remove_all(x," ")  #删除所有
str_remove_all(x2,"th")

    9. 字符串替换
    

    str_replace(x2,"o","A") #只替换第一个
str_replace_all(x2,"o","A")

    结合正则表达式更加强大
    

    条件语句和循环语句
    

    一、条件语句
    

    1.if(){ }
    

    (1)只有if没有else，那么条件是FALSE时就什么都不做，只有一个逻辑值
    

    i = -1
if (i<0) print('up')
if (i>0) print('up')
#理解下面代码
if(!require(tidyr)) install.packages('tidyr')

    (2)有else：只有一个逻辑值
    
if (i>0){
  cat('+') #看看里面是什么内容 
} else {
  print("-") #向量

    （3）ifelse：自带循环属性，可以有多个逻辑值，重点！
    

    ifelse(i>0,"+","-") 
x=rnorm(3)
ifelse(x>0,"+","-")

    (4)多个条件
    

    i = 0
if (i>0){
  print('+')
} else if (i==0) {
  print('0')
} else if (i< 0){
  print('-')
ifelse(i>0,"+",ifelse((i<0),"-","0"))

    2. switch()
    

    cd = 3
foo <- switch(EXPR = cd, 
              #EXPR = "aa", 
              aa=c(3.4,1),
              bb=matrix(1:4,2,2),
              cc=matrix(c(T,T,F,T,F,F),3,2),
              dd="string here",
              ee=matrix(c("red","green","blue","yellow")))

    二、循环语句
    

    1.f or循环
    

    #**顺便看一下next和break**
x <- c(5,6,0,3)
for (i in x){
  s=s+i
  #if(i == 0) next
  #if (i == 0) break
  print(c(i,s))
#x下标循环
x <- c(5,6,0,3)
s = 0
for (i in 1:length(x)){
  s=s+x[[i]]
  print(c(x[[i]],s))

    如何将结果存下来?
    

    s = 0
result = list()  #先声明是列表，然后往列表里一个一个加元素
for(i in 1:length(x)){
  s=s+x[[i]]
  result[[i]] = c(x[[i]],s)
do.call(cbind,result)

    2. while 循环
    

    i = 0
while (i < 5){
  print(c(i,i^2))
  i = i+1

    3. repeat 语句
    

    #注意：必须有break
repeat{
 i = i + 1
 s = s + i
 print(c(i,s))
 if(i==50) break

    4. apply函数
    

  • apply（x,MARGIN,FUN）
    • 

  • x是数据框/矩阵名
    • 

  • MARGIN为1表示取行，2表示取列
    • 

  • FUN是函数
    • 

  • 对x的每一行/列进行FUN这个函数
    • 

  • sapply(list,fun) #对列表进行循环
    • 

    长脚本管理方式
    

    1. 分成多个脚本，每个脚本最后将变量保存到Rdata，下一个脚本开头清空再加载
    
file.rename(from,to)
file.append(file1, file2)
file.copy(from, to, overwrite = recursive, recursive = FALSE, copy.mode = TRUE, copy.date = FALSE)