前期文章：
1. 在TCGA中找到并下载意向数据
2. TCGA: 如果不了解数据，何以读取数据？
前言
说起来前面真的有点犯傻，在读取metaData和clinical之后，个人非常想要快点把表达量数据也读取出来，于是在这两个data里面找了半天也没找到表达量counts，然后就放。。。放弃了。今天重新打开之后注意到一个叫做raw data的文件夹，等下？这不就是我之前下载的1222个数据吗！前面还信誓旦旦的写了2. TCGA: 如果不了解数据，何以读取数据？，现在就是活生生的例子，我果然不懂数据，于是读了个寂寞。
1. 数据到底在哪儿
数据存在raw data文件夹下，可以看到每个样本都有独立的文件夹，而文件夹内只有一个.gz文件。
2. 数据长什么样
那么我们该检查一下.gz文件内的data长什么样，在windows中我们无法使用已有的软件打开.gz文件，于是我们在该文件下右键调用Git Bash Here
调用Git Bash Here之后，使用代码打开文件泳衣查阅，这里我的代码是
zcat e30e547e-eeff-4a1f-829b-b6ec9e79f02a.htseq.counts.gz | less
## 使用less发现内容太多，所以更改为head和tail检查数据表头和结尾。
zcat e30e547e-eeff-4a1f-829b-b6ec9e79f02a.htseq.counts.gz | head
zcat e30e547e-eeff-4a1f-829b-b6ec9e79f02a.htseq.counts.gz | tail
数据查阅结果如下，我们发现数据没有表头，第一列是ensemble ID，且已经按照ensemble ID依次递增排序的，对应的第二列则为表达量counts，表格结束后有几句描述的话语，这应该不是我们想要读到数据框内的内容。
3. 收集文件名用以作为数据框的表头
检查目前我们拥有的所有文件，使用代码dir()列出当前文件夹下所有文件的名字。结合我们前面了解到的情况，每个样本有单独的文件夹，因此我们通过代码dir()只能看到文件夹的名字，而真正文件的名字还是没法看到，为此我们最好把所有的.gz文件移动到同一个文件夹下面，这里我是在Git Bash Here中使用代码cp */*.gz ./
在各种翻阅数据后得知，文件名是file_name (例如：00a47e69-ef6a-4be9-827d-d48609859a7e.htseq.counts.gz)，而TCGA样本名叫做associated_entities（例如：aliquot, TCGA-AR-A1AS-01A-11R-A12P-07, e7b64cc3-9b2b-4938-9896-84b640d1586f, 7d681cc6-689d-41c8-9e84-e13733089ec9）。因此我们需要整理出一个file_name和TCGA样本名的表格。
metadata<- fromJSON( file = "metadata.cart.2020-10-08.json",
method = "C",
unexpected.escape = "error",
simplify = TRUE )
# 使用dplyr的select()函数
# select() picks variables based on their names.
library(dplyr)
metadata_id <- metadata %>%
dplyr::select(c(file_name,associated_entities))
# 使用了管道符%>%
所以我们检查metadata_id中哪一部分可以提取出TCGA ID
class(metadata_id[,2])
class(metadata_id[,2][1])
## 检查第二列数据类型，发现为list中还包含着list
metadata_id[,2][[1]]$entity_submitter_id
## 通过各种检查后发现entity_submitter_id是我们所要查找的TCGA ID
id_df <- data.frame() # 创建一个空的数据框
# 使用for循环，将metadata_id中第一列作为数据框id_df的第一列；# metadata_id第二列的entity_submitter_id作为数据框id_df的第二列。
4. 读取数据
自己写代码很复杂，推荐使用TCGAbiolinks完成。困了，下次接着写。
