Day4：R语言课程（向量和因子取子集）
注意：微信自动屏蔽外链，所以链接打不开，请查看原版材料。 原课程链接：
https://hbctraining.github.io/Intro-to-R/lessons/04_introR-data-wrangling.html
学习目标
- 构建数据结构以存储外部数据
- 查看R的数据结构
- 从数据结构中对数据进行子集化。
1.将数据读入R
无论要执行的R中的具体分析是什么，通常都需要导入数据用于分析。我们使用的R中的函数将取决于我们引入的数据文件的类型（例如文本，Stata，SPSS，SAS，Excel等）以及该文件中的数据如何分开或分隔。下表列出了可用于从常见文件格式导入数据的函数。
数据类型 | 后缀 | 函数 | 包 |
|---|---|---|---|
逗号分隔值 | CSV | read.csv() | utils（默认） |
read_csv() | readr（tidyverse） | ||
制表符分隔值 | TSV | read_tsv() | readr |
其他分隔格式 | 文本 | read.table() | utils |
read_table() | readr | ||
read_delim() | readr | ||
Stata version 13-14 | DTA | readdta() | haven |
Stata version 7-12 | DTA | read.dta() | foreign |
SPSS | SAV | read.spss() | foreign |
SAS | sas7bdat | read.sas7bdat() | sas7bdat |
Excel | xlsx，xls | read_excel() | readxl（tidyverse） |
例如，逗号分隔文本文件可以使用read.csv函数。但是，如果数据在文本文件中由不同的分隔符分隔，我们可以使用泛型read.table函数并将分隔符指定为函数中的参数。
基因组数据通常有一个metadata文件，其中包含有关数据集中每个样本的信息。用read.csv函数读入metadata文件。查看函数的参数以了解函数选项：
?read.csv
read.csv函数有一个必需参数和几个可选参数。必须参数是文件和文件名的路径，例如data/mouse_exp_design.csv。我们将函数写在赋值运算符的右侧，则任何输出都将保存为左侧的变量名。
metadata <- read.csv(file="data/mouse_exp_design.csv")
注意：
read.csv默认将包含字符（即文本）的列强制转换为factor数据类型。根据用户要对数据执行的操作，如需将这些列保留为character，可以设置read.csv()和read.table()的参数stringsAsFactors为FALSE。
2.检查数据结构
R有很多基本函数可用于检查数据并对其进行汇总。以测试数据metadata为例。
输入变量名metadata，回车来查看数据框; 变量中包含样本信息。每行包含单个样本的信息，列分别是有关样本genotype（WT或KO）， celltype（typeA或typeB）和replicate number（1,2或3）的分类信息。
metadata
genotype celltype replicate
sample1 Wt typeA 1
sample2 Wt typeA 2
sample3 Wt typeA 3
sample4 KO typeA 1
sample5 KO typeA 2
sample6 KO typeA 3
sample7 Wt typeB 1
sample8 Wt typeB 2
sample9 Wt typeB 3
sample10 KO typeB 1
sample11 KO typeB 2
sample12 KO typeB 3
文件行数更多时，不需要在控制台中显示所有内容，用函数head()查看data.frame的前6行：
head(metadata)
之前已经提到data.frame默认使用字符值转换为因子。使用str函数可以看到这种更改。str显示每列的具体信息：
str(metadata)
'data.frame': 12 obs. of 3 variables:
$ genotype : Factor w/ 2 levels "KO","Wt": 2 2 2 1 1 1 2 2 2 1 ...
$ celltype : Factor w/ 2 levels "typeA","typeB": 1 1 1 1 1 1 2 2 2 2 ...
$ replicate: num 1 2 3 1 2 3 1 2 3 1 ...
可见，genotype和celltype列属于factor类，而replicate列是整型。
您还可以从RStudio的“environment”选项卡中获取此信息。
数据检查函数列表
已经看到函数head()和str()可以查看data.frame的内容和结构。以下是一个非详尽的函数列表，用于了解数据的内容/结构。
- 所有数据结构 - 内容显示：
- `str()`：紧凑的数据内容显示（环境）
- `class()`：向量的数据类型（例如字符，数字等）以及数据帧，矩阵和列表的数据结构。
- `summary()`：详细显示，包括描述性统计，频率
- `head()`：将打印变量的开始条目
- `tail()`：将打印变量的结束条目
- 向量和因子变量：
- `length()`：返回向量或因子中的元素数
- 数据框和矩阵变量：
- `dim()`：返回数据集的维度
- `nrow()`：返回数据集中的行数
- `ncol()`：返回数据集中的列数
- `rownames()`：返回数据集中的行名称
- `colnames()`：返回数据集中的列名称
3.使用索引和序列选择数据
在分析数据时，我们经常要对数据进行分区，以便只处理选定的列或行。数据框或矩阵只是组合在一起的向量集合。因此，从向量开始，学习如何访问不同的元素，然后将这些概念扩展到数据框。
（1）向量
选择使用索引
从向量中提取一个或多个值，可以使用方括号[ ]语法提供一个或多个索引。索引表示一个向量中的元素数目（桶中的隔室编号）。R索引从1开始。编程语言如Fortran，MATLAB和R从1开始计数，符合人类的思维模式。C系列中的语言（包括C ++，Java，Perl和Python）从0开始计算，因为这对计算机来说更简单。
创建一个名为age的向量：
age <- c(15, 22, 45, 52, 73, 81)
向量索引
提取这个向量的第五个值，使用以下语法：
age[5]
提取除了这个向量的第五个值之外的所有值，使用：
age[-5]
如果我们想要选择多个元素，我们仍然会使用方括号语法，但不是使用单个值，而是传递几个索引值的向量：
idx <- c(3,5,6) # create vector of the elements of interest
age[idx]
要从向量中选择一系列连续值，我们将使用:哪个是一个特殊函数，它以递增或递减顺序创建整数数字向量。让我们从年龄中选择前四个值：
age[1:4]
或者，如果您希望反向可以尝试4:1例如，并查看返回的内容。
练习
- 使用以下字母C，D，X，L，F创建一个名为字母的向量。
- 使用关联的索引
[ ]以执行以下操作：- 仅显示C，D和F.
- 显示除X外的所有内容
- 以相反的顺序显示字母（F，L，X，D，C）
选择使用带有逻辑运算符的索引
我们也可以使用带有逻辑运算符的索引。逻辑运算符包括大于（>），小于（<）和等于（==）。R中逻辑运算符的完整列表如下所示：
操作符号 | 描述 |
|---|---|
> | 大于 |
> = | 大于或等于 |
< | 少于 |
<= | 小于或等于 |
== | 等于 |
！= | 不等于 |
＆ | 和 |
| | 或 |
使用逻辑表达式来确定特定条件是真还是假。仍以age向量为例：
age
想知道age向量中的每个元素是否大于50，可以使用：
age > 50
返回的是具有与age相同长度的逻辑值的向量，其中TRUE和FALSE值指示向量中的每个元素是否大于50。
[1] FALSE FALSE FALSE TRUE TRUE TRUE
使用这些逻辑向量仅选择具有与逻辑向量中相同位置或索引处的TRUE值的向量中的元素。
使用逻辑运算符创建索引，以选择age向量中超过50 或 age小于18的所有值：
idx <- age > 50 | age < 18
idx
age
age[idx]
使用`which()`函数使用逻辑运算符进行索引
虽然逻辑表达式将返回相同长度的TRUE和FALSE值的向量，但我们可以使用该which()函数输出值为TRUE的索引。使用任一方法建立索引都会生成相同的结果，使用哪种方法取决于个人偏好。例如：
idx <- which(age > 50 | age < 18)
idx
age[idx]
请注意，无论是否使用which()，都会得到相同的结果。另请注意，虽然which()与索引的逻辑表达式的工作方式相同，但它可以用于多个其他操作，它们不能与逻辑表达式互换。
关于嵌套函数的注意事项：
idx我们可以将逻辑运算和/或函数放在括号中，而不是先创建idx对象。age[which(age > 50 | age < 18)]与age[idx]上面相同。
(2) 因子
由于因子是特殊的向量，因此索引选择值的相同规则适用于因子。之前创建的expression因子的元素具有以下level：low，medium，high。
让我们用高表达式提取因子的值，在这里使用嵌套：
expression[expression == "high"] ## This will only return those elements in the factor equal to "high"
嵌套说明： 上面的代码使用嵌套更有效; 使用了一步代替两步，如下所示： Step1（无嵌套）：
idx <- expression == "high"Step2（无嵌套）：expression[idx]
练习
仅提取samplegroup不是KO的元素（可选嵌套逻辑操作）。
因子的relevel
我们已经简要地讨论了一些因子，但只有在实战之后，这种数据类型才会变得更加直观。稍微绕道而行，了解如何在一个因素中重新定义类别。
要查看整数分配，可以使用str()：
expression
str(expression)
Factor w/ 3 levels "high","low","medium": 2 1 3 1 2 3 1
这些类别被称为“因子水平”。如前所述，expression因子中的级别按字母顺序分配整数，高= 1，低= 2，中等= 3。然而，如果low = 1，medium = 2和high = 3，对我们来说更有意义，即我们有必要“重新定位”这个因素中的类别。
要重新定义类别，可以将levels参数添加到factor()函数中，并为其提供一个向量，其中包含按所需顺序列出的类别：
expression <- factor(expression, levels=c("low", "medium", "high")) # you can re-factor a factor
str(expression)
Factor w/ 3 levels "low","medium",..: 1 3 2 3 1 2 3
重排序后，low为第一类，medium为第二类，high为第三类。这体现在它们在str()中输出的方式以及在各个类别的编号在因子中的位置。
注意：当您需要将因子中的特定类别作为“基础”类别（即等于1的类别）时，需要重新调整。例如，将RNA-seq实验中的“对照组”作为“base” 。
练习
使用上节课创建的samplegroup 因子进行relevel，顺序是 KO、 CTL 、 OE。