064-R的知识迭代之基础操作

Dec 10, 2018 9 min read cnposts

刘小泽写于18.12.10

生信必备三大件：生物、统计、技术，我想要借助R来学习统计学知识，因为平时使用R比较频繁，理解起来应该也会更快一些。先来一次R的知识迭代，更新下知识库

先看一些比较基础的R操作

这其中有一些是我之前没有学习到的，第一次get感觉超级有用

  • 我们一般都会查询陌生的函数如何使用，会用到help()。默认状态下，help()函数只会在载入加载过的程序包中搜索，如果想在所有包中进行搜索，又不想先加载它，可以用help("xx", try.all.packages=TRUE)；如果已经知道函数在哪个包中，可以用help("xx", package="yy")

  • 数据直接编辑：借助edit()函数，我们可以直接在R中进行数据修改（这个功能我其实一直在寻找，但最近才发现，这样就不用导出后修改然后再导入R了）。 例如，我们要修改mtcars这个数据集，但是为了避免修改原有的数据集，可以新保存到一个变量如new <- edit(mtcars) ，然后修改完点quit就好； 如果想在现有数据集基础上修改，不想新建，那么可以用fix（mtcars） ； 创建一个新的数据集，再向其中填充数据new <- edit(data.frame()) ，默认创建两列，然后拖动右下角就出现更多的列；

    Windows是可以直接使用edit的，Mac的话需要先安装XQuartz这个工具

  • 如果想研究数据集中的某个变量，比如mtcars中的mpg，可以使用mtcars$mpg，但是如果还需要别的变量，那还是多敲几遍mtcars$；其实可以先将数据集激活，放到环境中，什么时候想提取，就直接输变量名就好了，比如先attach(mtcars)，就是将mtcars当做当前数据集，然后想调用mpg变量直接输入mpg就好；不想用了就detach(mtcars)

  • 不同数据，不同目的，不同分析：

    属性数据

    例如mtcars中的cyl数据（记录气缸数）是属性变量。先激活mtcars数据集，然后使用table(cyl)得到cyl中的三个值：4，6，8和相应的频数；还可以barplot画直方图barplot(table(cyl)) ，直接barplot(cyl)也能画，但是分组信息就体现不出来，失去了意义

    数值型数据

    这一类在统计分析中经常用到，例如mtcars中的mpg变量就是数值型数据；另外不同函数反映的意义也是不同的。

    作图可以画直方图hist(mpg)，箱线图boxplot()；

    统计分析可以分析均值mean()；计算截掉5%的均值mean(mpg, trim=.05) ；按分组变量cyl来计算mpg的分组均值tapply(mpg, cyl, mean) ；计算cyl为6的mpg的均值mean(mpg[cyl == 6 ]) ；计算常用分位数（包括极小、极大、中位数、两个四分位数）quantile(mpg)或者fivenum(mpg) 或者summary(mpg)；计算四分位数的极差IQR(mpg)；标准差sd(mpg)；中位绝对离差(median absolute deviation) mad(mpg)

    探索二元关系

    1 拟合线性回归，例如

    > z <- lm(cyl~mpg)
> z
# 结果
Call:
lm(formula = cyl ~ mpg)
  
Coefficients:
(Intercept)          mpg  
    11.2607      -0.2525 
# 线性回归截距11.26，斜率-0.25

    2 相关系数：考察回归拟合的好坏，例如相关系数R可以用cor(cyl, mpg) 表示，更常用的R^2^ 就能计算出来为0.726，表示数据变化的72.6%可以用气缸数（cyl）与每加仑的英里数（mpg）表示

    3 残差分析：残差是估计值与观测值的偏差

    z <- lm(cyl ~ mpg) #将回归分析的结果作为对象保存在lm.res中
lm.resids <- resid(z) # 提取残差向量
plot(lm.resids) # 画个散点图
hist(lm.resids) # 画个直方图，是否为钟形？
qqnorm(lm.resids) # QQ图(Quantile-Quantile Plots)是否落在直线上？
# 都是为了检验数据集分布假设是否有效

了解下R的对象

对象属性

R运行都是靠对象，所有的对象都有两个内在属性：类型和长度

类型包括四种：数值型、字符型、复数型、逻辑型（T/F/NA），用函数mode()查看。另外不管什么类型的数据，缺失值都是用NA（Not Available）表示，不是数值用NaN(Not a Number)表示；

  • 数值型：数值太大用指数形式表示，如N <- 2e20 ， Inf表示正无穷

  • 字符型：输入时要加上双引号，如果要在其中继续引用双引号的话，可以用\进行转义；或者直接用单引号

    > x <- "Double quotes \" delimitate R's strings." # 双引号
> x <- 'Double quotes " delimitate R\'s strings.' # 单引号
>x
[1] "Double quotes \" delimitate R's strings." # 在R中显示的状态[注意这里在R中显示的还带着转义符，其实显示出来是没有的]
> cat(x)
Double quotes " delimitate R's strings. # 实际上的状态

长度是对象中元素的数目，用length()查看

对象类别

只有数据框和列表支持多种对象并存；因子只有两种类型

向量是一个变量的取值；因子是一个分类变量；数组是一个k维的数据表；矩阵是数组的特例【数组或者矩阵的所有元素都是一种】；数据框是一个或几个向量/因子构成，并且它们必须等长，可以是不同的类型；列表可以包含任何类型的对象（也可以列表包含列表）

浏览对象

利用ls()可以查看当前在内存中的对象，但是这个函数只列出了对象名，并且是所有的；

想要查看名称中含有某个指定字符（如x）的对象，可以指定pattern：ls(pat = "x");

想要看以某个字母开头的对象，可以利用ls(pat = "^x") ;

如果想看所有对象的详细信息呢？ls.str()

删除对象

  • rm(x,y)删除对象x和y
  • rm(list=ls()) 删除所有对象
  • rm(list=ls(pat="^x")) 删除所有x开头的对象

了解下R的向量

建立向量

数值型向量

  • 向量没规律：c()

  • 向量的规律比较简单：seq()或“:”

    > 1:10
# 1 2 3 4 5 6 7 8 910
> 1:10-1
# 0 1 2 3 4 5 6 7 8 9
> 1:(10-1) # 注意有括号与上面没有的区别
# 1 2 3 4 5 6 7 8 9
> z <- seq(1,5,by=0.5)
# 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
> z <- seq(1,10,length=11)
# 1.0 1.9 2.8 3.7 4.6 5.5 6.4 7.3 8.2 9.1 10.0

  • 向量的规律比较复杂：rep()

    > z <- rep(2:5,2)
# 2 3 4 5 2 3 4 5
> z <- rep(2:5,each=2)
# 2 2 3 3 4 4 5 5

  • 通过键盘输入向量scan()

    > z <- scan()
1: 1 2 3 4 5 6 
7: 
# Read 6 items
> z
# 1 2 3 4 5 6
字符型向量

注意引号在输入时应该写作：\" ；paste（）可以连接多个参数成为字符串，其中如果有数值，那么数值会被强制转为字符串；默认空格分割各个字符，使用sep=自定义

逻辑型向量

TRUE、FALSE可以简写成T、F；如果转换为数值，FALSE为0，TRUE为1

因子型向量

利用factor（）建立

factor(x, levels = sort(unique(x), na.last = TRUE),
         labels = levels, exclude = NA, ordered = is.ordered(x))

levels 指定因子水平（缺省值是向量x中不同的值）； labels 指定水平名称； ordered是逻辑型选项，表示因子水平是否有顺序

  • 字符型因子转为数值型因子【反之亦然】
> a <- c("x","y","z","x")
> a
[1] "x" "y" "z" "x"
> levels(a) <- c(1,2,3)
> a
[1] 1 2 3 1
Levels: 1 2 3

  • 产生规则的因子序列，利用gl(k,n) ，k是水平数，n是重复数；另外还有两个选项，length指定总共数据个数，label指定每个水平名称

    > gl(2,3)
[1] 1 1 1 2 2 2
Levels: 1 2
> gl(2,3,length=10)
[1] 1 1 1 2 2 2 1 1 1 2
Levels: 1 2
> gl(2,3,labels = c("x","y"))
[1] x x x y y y
Levels: x y

向量提取

这里简单说下根据逻辑值提取

# 例如x向量是这样的
> x <- c(20, 15, 11, 6)
> x>10 # 这个仅仅是判断，返回的也是F/T
[1]  TRUE  TRUE  TRUE FALSE
> x[x>10] # 提取大于10的元素
[1] 20 15 11
> x[ x < 15 & x > 10] # 限定多个提取条件
[1] 11

> y <- x[!is.na(x)] # 找到x中的非缺失值
> z <- x[(!is.na(x))&(x>0)] # 非负非缺失值

了解下R的矩阵 Matrix

相比于数组，矩阵使用频率更高，构建矩阵使用matrix

> x <- matrix(1:3, 2, 3) # 默认按列填充
> x
     [,1] [,2] [,3]
[1,]    1    3    2
[2,]    2    1    3
# 如果改成按行填充，将 byrow=TRUE就好

矩阵元素的替换

> x[,3] <- NA
> x
     [,1] [,2] [,3]
[1,]    1    3   NA
[2,]    2    1   NA
> x[is.na(x)] <- 1 # 缺失值用1代替
> x
     [,1] [,2] [,3]
[1,]    1    3    1
[2,]    2    1    1

矩阵统计运算

矩阵的排列是有方向性的，规定矩阵按列排列，一般不说明的时候，统计函数也是按列计算（但是可以用MARGIN来改变，等于1代表列，等于2代表行）

cov()与cor()分别计算矩阵的协方差矩阵和相关系数阵；

可以进行标准化scale(x, center=T, scale=T) ；

按列求均值apply(x, MARGIN=2, FUN=mean)

了解下R的数据框 Data frame

虽然说数据框与矩阵很相似，也是二维表格，也是要求各个变量的观测值长度相等，但是，在数据框中，行和列的意义是不一样的， 其中列表示变量，行为观测

提取

  • 提取一列：数据框名$变量名
  • 提取满足条件子集：例如 subset(df, con1 == "treated" & con2 > 100)

添加

  • 基本方法：df$val1 <- con df是数据框，val1是新变量，con是定义的val1元素
  • 使用with：df$val1 <- with(df, con)
  • transform一次增加多个变量：df <- transform(df, val1 = con, val2 = con2)

数据保存

一般用write.table()或者save()

  • 保存为简单的文本文件： write.table(df, file="/path/", row.names = F, quote = F) row.names =F 表示行名不写入文件；quote = F表示变量名不放在双引号中

  • 保存为逗号分隔（csv）：用write.csv()

  • 保存为R格式文件： save(df, file="/path/")

    或者保存全部save.image() ，它等价于save(list =ls(all=TRUE), file=".RData")

数据读取

读取数据集

R内置的基本数据集有100多个（常为数据框和列表）。它们随R的启动全部一次性自动载入，通过命令data() 可以查看全部的数据集（也包含了通过library()加载的包中数据集）；使用data(package = "pkname") 可以列出包pkname中的所有数据集，但是可能还未被加载，确定要用的时候可以加载包

读取Rdata

涉及多个数据集的分析时，最常使用load("/path/")

R的编程思维

  • 控制结构中，条件语句少不了，例如if (条件) 表达式1 else 表达式2 ，但是这样有些冗余，可以利用ifelse(条件， 表达式1， 表达式2)

  • 循环结构中，知道终止条件用for（）；不知道运行次数用while（）

  • 一般将一组命令放在大括号中=》模块化编程

    # 一般格式：函数名 = function(变量列表) 函数体
# 例如一个画图函数
> myfun <- function(x, y) {
     data <- read.table(x)
     plot(data$V1, data$V2, type="l")
     title(y)
}

  • 代码要增加注释，设置行前自动缩进

  • 命令向量化（vectorization） ，就是将循环隐含在表达式中，例如条件语句可以用逻辑索引向量代替

    for (i in 1:length(x)){
     if (x[i] == b)
          x[i] <- 0
    else
        y[i] <- 1
}
# 这么长的函数，其实就是为了判断x中元素是否为b，等于b就赋值0；不等就赋值1
# 可以用下面代替
x[x == b] <- 0
x[x != b] <- 1

    向量化快的原因是：R中使用向量化会立即调用C语言，计算时比R快100倍

  • 创建project来运行项目，这样一是可以方便读取存储；二是不同项目分类存放，方便查找更新

  • 想要把脚本从头到尾运行一遍，用source()，记得添加绝对路径

R
Yunze Liu
Yunze Liu
Bioinformatics Sharer

Co-founder of Bioinfoplanet(生信星球)

Next
Previous

Related