R语言到底可以用来做什么？
在生物信息学领域，大数据、机器学习等方向，和Python一比，我感觉已经相形见绌，
所以为什么还要学习R语言？
1）ggplot2的绘图体系非常完美
2）R base能够完成我日常小数据的分析
有很多人说，tidyverse给了R二次生命，但是在我看来它的编程思维，稍显奇怪，不太能够适应，
但是我属于一个钻牛角尖的人，既然学了，而且R我也没有完全丢掉，也是有一定必要学习一些重获新生的R语言。
因此这篇文章就是针对我在最近的R语言刷题中的总结。
数据读入 / 写出
从R base的角度看问题
read.table()
read.csv()
write.table()
write.csv()
从readr的角度看问题
read_csv()
read_delim()
read_table()
write_delim(df, 'filename.csv')
write_csv(df, 'filename.csv')
write_excel_csv(df, 'filename.csv')
write_tsv(df, 'filename.csv')
data.frame
从R base的角度看问题
如何随心所欲的操作data.frame？
使用data.frame()创建数据库，
1）给定colname，再给定该变量对应的element（一般是vector格式），即
<center>colname=c(elements)</center>
2）依此类推，增添每一列
# 1. 数据框的创建
df <- data.frame(
"grammer" = c("Python","C","Java","GO",NA,"SQL","PHP","Python"),
"score" = c(1,2,NA,4,5,6,7,10)
)
从tidyr的角度看问题
library(tidyr)
df <- tibble(
"grammer" = c("Python","C","Java","GO",NA,"SQL","PHP","Python"),
"score" = c(1,2,NA,4,5,6,7,10)
)
# # A tibble: 8 x 2
# grammer score
# <chr> <dbl>
# 1 Python 1
# 2 C 2
# 3 Java NA
# 4 GO 4
# 5 NA 5
# 6 SQL 6
# 7 PHP 7
# 8 Python 10
dplyr的衔接
dplyr提供了一系列用C++重新编写过的函数，能够加快我们处理数据的速度。
主要包含的函数如下，
select()
filter()
mutate()
group_by()
arrange()
1）数据框列名的重新命名：names(), colnames(), rename()
R base对列名进行修改的话，使用如下格式，
# R base
names(df)[2] <- c('popularity')
# dplyr
df <- df %>% rename(popularity = score)
2）数据过滤：which(), filter()
# R base
df[which(df$popularity > 3), ]
# dplyr
df %>%
filter(popularity > 3)
# 按照范围也是一样的，
df %>%
filter(popularity > 3 & popularity <7)
3）选择某一列数据：$, select()
# R base
df$popularity
# dplyr
df <- df %>%
select(popularity, everything())
Note：
tidyverse::everything()的作用，为选择数据框中的所有变量。与
select()函数一起使用，可以改变数据框中变量的排列顺序（e.g. 将变量A从变量B后移动到变量B前），以iris数据集为例，select(iris, everything()) # A tibble: 150 x 5 # Sepal.Length Sepal.Width Petal.Length Petal.Width Species # <dbl> <dbl> <dbl> <dbl> <fct> # 1 5.1 3.5 1.4 0.2 setosa select(iris, Species, everything()) # # A tibble: 150 x 5 # Species Sepal.Length Sepal.Width Petal.Length Petal.Width # <fct> <dbl> <dbl> <dbl> <dbl> # 1 setosa 5.1 3.5 1.4 0.2可以看到
Species被提前了。
4）将一行/多行数据添加到数据框中：rbind()
row <- data.frame(
"grammer" = c("Perl"),
"popularity" = c(6.6)
)
df <- rbind(df, row)
5）分组：aggregate(), group_by
- R base：
aggregate() - dplyr：
group_by+summarise
# R base
# 使用aggregate对df进行分组计算
library(flipAPI)
data = DownloadXLSX("https://wiki.q-researchsoftware.com/images/1/1b/Aggregation_data.xlsx", want.row.names = FALSE, want.data.frame = TRUE)
data.agg = aggregate(df,
by = list(data$Role),
FUN = mean)
# dplyr
# 使用group_by()分组，并进行相关计算
library(readr)
df <- read_csv('pandas120.csv')
df %>%
group_by(education) %>% # 设置用于分组的变量，此处为education
summarise(mean = mean(salary))
6）构建新的一列变量：mutate()
# R base
# 使用cbind()函数
# dplyr
df <- df %>%
mutate(test = paste0(df$education, df$createTime))
Note：
paste0，先将变量转换为字符类型
7）将某一列的设置为索引：rownames(), column_to_rownames()
# R base
rownames(df) <- df$createTime
# dplyr
# 使用column_to_rownames，该函数将某一列设置为行名后得到
df %>%
tibble::column_to_rownames('createTime')
8）数据排序
# R base
# sort(): 返回的是排序后的结果
# order()
df <- df[order(df$popularity), ]
# dplyr
# 使用arrange()
df <- df %>%
arrange(popularity)
df <- df %>%
arrange(desc(popularity))
9）数据的总结：summary(), summarize()
略
与data.frame有关的实例
1）填补NA
1）使用R包Hmisc中的impute()函数
2）<u>使用impute函数的一般模式</u>，一为输入的向量，二为如何填充NA值所定义的<font color='yellow'>FUN</font>
Note：下列代码中的
unlist，只是为了安全作用
library(Hmisc)
index <- which(is.na(df$popularity))
df$popularity <- impute(df$popularity,
(unlist(df[index-1, 2] +
df[index+1, 2]))/2)
2）将宽数据转换为长数据
使用tidyr中的pivot_longer()函数，
一般的使用模式如下，
pivot_longer(data,
cols, names_to = "name", # cols，定义一个vector用于选择df中的列并进行合并
values_to = "value", # 每一行对应的元素
values_drop_na = FALSE)
举个例子，
library(tidyr)
df %>%
select(日期,`开盘价(元)`,`收盘价(元)`) %>%
pivot_longer(c(`开盘价(元)`,`收盘价(元)`),
names_to='type',values_to='price') %>%
ggplot(aes(日期,price,color=type)) +
geom_line(size=1.2) +
scale_color_manual(values=c('steelblue','orange')) +
theme_bw() +
theme(
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
legend.title = element_blank(),
legend.position = c(0.86, 0.9)
)
3）读入数据的测试
假设现在有一个非常大的数据集，但是可以用read.csv等函数进行读入，然后后续用到的数据实际上只占了df的2列，
1）如何找到这两列？
2）如何在后续的分析中只读取到这两列？
res <- read.csv('数据1.csv',encoding = 'GBK',nrows = 3) # 测试读入3行数据
# 获取每一列的数据类型（e.g. integer、character）
classes <- sapply(res, class)
classes[-match(c('positionName','salary'), names(classes))] <-
rep('NULL', length(classes) - 2) # 保留只想要选择的列
df <- read.csv('数据1.csv', encoding = 'GBK', nrows = 10,
colClasses = classes) # 使用"colClasses="指定列
代码的解读，
1）测试读入数据，即读取3行
2）使用sapply获取每一列的数据类型
3）去除不想要的列的数值类型，即 ->None
4）重新使用read.csv(, colClasses=)，对目的数据进行读取
4）使用sapply()创建一个数据框
df1 <- sapply(20, function(n){
replicate(n, sample(1:100, 1))
}) %>%
as.data.frame(.) %>%
dplyr::rename(`0` = V1)
R tips
str()：查看对象每一个子对象的类型
R中有非常多的对象，比如
- data.frame中的每一个变量都是一个子对象，
- 列表中的每一个
$，均为一个子对象
str(df)
# 'data.frame': 8 obs. of 2 variables:
# $ grammer: Factor w/ 6 levels "C","GO","Java",..: 5 1 3 2 NA 6 4 5
# $ score : num 1 2 NA 4 5 6 7 10
.：既是占位符，也是通配符
.在一些情况下，可以充当占位符，比如下列代码的含义为过滤掉salary小于10000的行，且查看过滤后的数据的行数，
Note：可以类比为Shell中的
-
df <- read_csv('pandas120.csv')
df %>%
filter(salary > 10000) %>%
dim(.) %>%
.[1]
.的另一种含义为通配符，但是在此处不做过多赘述。
"["：索引的另一种方式
直接举例说明，
"["(c(123, 12, 3), 1)
# 123
"["(c(123, 12, 3), 2)
# 12
基于glue的格式化输出
1）使用R包glue（集合于tidyverse中），即可以直接理解为C、Pytohn中的格式化输出（e.g. sprintf）
2）paste(, collapse=) -> .join()
# library(readr)
# df <- read_csv('600000.SH.csv')
library(glue)
for (i in names(df)){
if(sum(is.na(df[,'日期'])) != 0){
res1 <- which(is.na(df[,i]))
res2 <- paste(res1, collapse = ',')
print(glue('列名："{i}", 第[{res2}]行有缺失值'))
}
}
参考资料
[1] R语言数据处理120题
