R语言基础知识的一些检验，最好是对照几本R基础语法书籍来理解。
全部答案及视频在：[link]https://github.com/jmzeng1314/R_bilibili
首先做完了周末班工作， 包括软件安装以及R包安装：[link]http://www.bio-info-trainee.com/3727.html
作业1：打开 Rstudio告诉我它的工作目录。
作业2：新建6个向量，基于不同的原子类型。（重点是字符串，数值，逻辑值）
作业3：告诉我在你打开的rstudio里面 getwd()代码运行后返回的是什么？
作业4：是数据框，矩阵）
作业5：在你新建的数据框进行切片操作，比如首先取第1，3行， 然后取第4，6列
作业5：使用data函数来加载R内置数据集rivers描述它。并且可以查看更多的R语言内置的数据集：[link]https://mp.weixin.qq.com/s/dZPbCXccTzuj0KkOL7R31g
作业6：下载[link] https://www.ncbi.nlm.nih.gov/sra?term=SRP133642 里面的 RunInfo Table文件读入到R里面，了解这个数据框，多少列，每一列都是什么属性的元素。（参考B站生信小技巧获取runinfo table） 这是一个单细胞转录组项目的数据，共768个细胞，如果你找不到RunInfo Table文件，可以点击下载，然后读入你的R里面也可以。
作业7：下载[link] https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE111229 里面的样本信息``````sample.csv读入到R里面，了解这个数据框，多少列，每一列都是什么属性的元素。（参考[link]https://mp.weixin.qq.com/s/fbHMNXOdwiQX5BAlci8brA 获取样本信息sample.csv）如果你实在是找不到样本信息文件sample.csv，也可以点击下载。
作业8：把前面两个步骤的两个表（RunInfo Table文件，样本信息sample.csv）关联起来，使用merge函数。
基于下午的统计可视化
作业9：对前面读取的 RunInfo Table文件在R里面探索其MBases列，包括 箱线图(boxplot)和五分位数(fivenum)，还有频数图(hist)，以及密度图(density) 。
作业10：把前面读取的样本信息表格的样本名字根据下划线分割看第3列元素的统计情况。第三列代表该样本所在的plate
作业11：根据plate把关联到的 RunInfo Table信息的MBases列分组检验是否有统计学显著的差异。
作业12：分组绘制箱线图(boxplot)，频数图(hist)，以及密度图(density) 。
作业14：使用ggplot2把上面的图进行重新绘制。
作业15：使用ggpubr把上面的图进行重新绘制。
rm(list = ls())
options(stringsAsFactors = F)
# 或者下载：http://www.bio-info-trainee.com/tmp/5years/SraRunTable.txt
a=read.table('SraRunTable.txt',sep = '\t',header = T)
# 或者下载：http://www.bio-info-trainee.com/tmp/5years/sample.csv
b=read.csv('sample.csv')
colnames(a)
colnames(b)
d=merge(a,b,by.x = 'Sample_Name',by.y = 'Accession')
e=d[,c("MBases","Title")]
save(e,file = 'input.Rdata')
rm(list = ls())
options(stringsAsFactors = F)
load(file = 'input.Rdata')
e[,2]
plate=unlist(lapply(e[,2],function(x){
# x=e[1,2]
x
strsplit(x,'_')[[1]][3]
}))
table(plate)
boxplot(e[,1]~plate)
t.test(e[,1]~plate)
e$plate=plate
library(ggplot2)
colnames(e)
ggplot(e,aes(x=plate,y=MBases))+geom_boxplot()
library(ggpubr)
p <- ggboxplot(e, x = "plate", y = "MBases",
color = "plate", palette = "jco",
add = "jitter")
# Add p-value
p + stat_compare_means(method = 't.test')
