学习小组Day6笔记--饭饭

2020-04-08
今天的内容是学习R包（多个函数的集合），以dplyr为例。

一、配置Rstudio的下载镜像

CRAN的镜像没办法用来下载Bioconductor的包，为了保证我们可以自定义CRAN和Bioconductor的下载镜像，可以在Rstudio中通过两行代码进行设置。参考文章：你还在每次配置Rstudio的下载镜像吗?中的介绍，发现使用两行代码配置好下载镜像后，再次打开Rstudio设置的国内镜像就不存在了，还需重新进行配置。

图1.png

这里需要科普Rstudio最重要的两个配置文件：在刚开始运行Rstudio的时候，程序会查看许多配置内容，其中一个就是.Renviron，它是为了设置R的环境变量；而.Rprofile就是一个代码文件，如果启动时找到这个文件，那么就替我们先运行一遍（这个过程就是在启动Rstudio时完成的）。

file.edit('~/.Rprofile')  #编辑文件
options("repos" =c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))  #对应清华源
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")  #对应中科大源，当然其他地区的镜像也可以

最后，保存、重启Rstudio、再运行options()$repos和options()$BioC_mirror即可发线还是我们配置的国内镜像，无需再次进行。

图2.png

二、安装R包

重要！！！ 确保联网操作！

R包的安装命令：
包存在于CRAN网站：install.packages("包")
包存在于Bioconductor网站：BiocManager::install("包")

如何知道包存在于哪里？----谷歌搜索吖。

图3.png

花花：“学R语言要高冷，能拒绝就拒绝。”

三、加载R包

library(包)或者require(包)均可

图4.png

四、dplyr五个基础函数学习

示例数据使用内置数据集iris的简化版，选取iris中1-2行，51-52行，101-102行的元素。
test <- iris[c(1:2,51:52,101:102)，]

R语言内置了许多著名的数据集，iris是其中的一种，中文名是鸢尾花，有四个属性，分别是Sepal.Length（花萼长度），Sepal.Width（花萼宽度），Petal.Length（花瓣长度），Petal.Width（花瓣宽度），以及一个类别标签Species。

• 新增列：mutate()
mutate(test, 新增的列名 = 新增的内容)
  图5.png
• 按列筛选：select()
selsect(test, 列号或者列名)
  
  图6.png
• 筛选行：filter()
filter(test,Species=="setosa")某一列名加上限制条件
  图7.png
• 按某一列或某几列对表格进行排序：arrange()
arrange(test, Sepal.Length) #默认按照这一列从小到大排序
arrange(test, desc(Sepal.Length)) #按照这一列从大到小排序
  图8.png
• 汇总：summarise()
  结合group_by进行分组，实用性更强
  group_by(test, Species) #按照Species分组
summarise(test, mean(Sepal.Length), sd(Sepal.Length)) #计算Sepal.Length的平均值和标准差
summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length)) #先按照Species分组，计算每组Sepal.Length的平均值和标准差
  图9.png

五、dplyr两个实用技能

• ** 管道操作 %>% (快捷键：cmd/ctr + shift + M)**
  内涵：将左边的值管道输出为右边调用的函数的第一个参数。
  test %>% group_by(Species) %>% summarise(mean(Sepal.Length), sd(Sepal.Length)) #把按照Species分组的结果给后面summarise命令使用
  图10.png
• 统计某列的unique值count()
count(test,Species) #统计Species列中每项的重复数
  图11.png

六、dplyr处理关系数据

将2个表进行连接，注意不要引入factor

• 取交集：内连inner_join()
inner_join(test1, test2, by = "x") #取两个表中x的交集，连在一起
  图13.png
• 左连：left_join()
left_join(test1, test2, by = 'x') #以test1的x为基准将2个表连起来
left_join(test2, test1, by = 'x') #以test1的x为基准将2个表连起来
  图14.png
• 全连：full_join()
full_join( test1, test2, by = 'x')
  图15.png
• 半连接：semi_join #返回能够与y表匹配的x表所有记录
semi_join(x = test1, y = test2, by = 'x') #
  图16.png
• 反连接：anti_join() #返回无法与y表匹配的x表所有记录
anti_join(x = test2, y = test1, by = 'x') #返回test2中x与test1中无法匹配的内容
• *简单合并

注意，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。

首先建立三个数据框test1、test2、test3，其中test1与test2有相同的列数，test1与test3有相同的行数。

图18.png

图19.png

今天的内容有点多，脑袋懵懵的......是一堆需要经常用才会记住的内容了～