096-再来看看R中的数据类型
刘小泽写于19.3.29 多掌握一些R的基础知识——数据类型是很有必要的，起码看到别人的代码时不至于懵懵的
什么是Tidy Data？
整天看到花花沉浸Tidyverse不能自拔，我就心想啊，你能给我解释一下什么是Tidy data吗？数据如何才能称作"整洁”？于是花花就说了三句话送我：
- 每个观测占一行
- 每个变量占一列
- 每个值占一个格
就像这样：
## Students Subject Years Score
## 1 Mark Maths 1 5
## 2 Jane Biology 2 6
## 3 Mohammed Physics 3 4
## 4 Tom Maths 2 7
## 5 Celia Computing 3 9
使用tidy数据最大的好处是它的兼容性，比如ggplot完美兼容
既然有tidy，那么什么是untidy呢？
library(tidyverse)
sports<-data.frame(Students=c("Matt", "Matt", "Ellie", "Ellie", "Tim", "Tim", "Louise", "Louise", "Kelly", "Kelly"), Sport=c("Tennis","Tennis", "Rugby", "Rugby","Football", "Football","Swimming","Swimming", "Running", "Running"), Category=c("Wins", "Losses", "Wins", "Losses", "Wins", "Losses", "Wins", "Losses", "Wins", "Losses"), Counts=c(0,1,3,2,1,4,2,2,5,1))
sports
## Students Sport Category Counts
## 1 Matt Tennis Wins 0
## 2 Matt Tennis Losses 1
## 3 Ellie Rugby Wins 3
## 4 Ellie Rugby Losses 2
## 5 Tim Football Wins 1
## 6 Tim Football Losses 4
## 7 Louise Swimming Wins 2
## 8 Louise Swimming Losses 2
## 9 Kelly Running Wins 5
## 10 Kelly Running Losses 1
很明显，一种情况就是：（列中变量过多）untidy的数据在某一列会存在两个变量(比如这里的Wins和Losses)
变量过多就分散seperate一下，需要两个参数：key和value，将包含多个变量的列名赋值给key，将包含多个变量对应值的列名赋值给value就好
spread(sports, key=Category, value=Counts)
## Students Sport Losses Wins
## 1 Ellie Rugby 2 3
## 2 Kelly Running 1 5
## 3 Louise Swimming 2 2
## 4 Matt Tennis 1 0
## 5 Tim Football 4 1
另一种情况是：（列中变量过少） 列中没有任何变量，全是值，比如
percentages<-data.frame(student=c("Alejandro", "Pietro", "Jane"), "May"=c(90,12,45), "June"=c(80,30,100))
## student May June
## 1 Alejandro 90 80
## 2 Pietro 12 30
## 3 Jane 45 100
变量太少就聚集gather一下
gather(percentages, "May", "June", key="Month", value = "Percentage")
## student Month Percentage
## 1 Alejandro May 90
## 2 Pietro May 12
## 3 Jane May 45
## 4 Alejandro June 80
## 5 Pietro June 30
## 6 Jane June 100
综上，tidy data就是保持"居中”，保证列中的变量有一个就好，发现某一列中变量多了就seperate，变量少了就gather
【R数据科学送给你：http://r4ds.had.co.nz/ 】佩服花花学完了R数据科学整本书
什么是类（Class）？
比如单细胞scater包用的就是Bioconductor的
SingleCellExperiment 就是一个S4类，可以储存/获取spike-in信息、降维数据、每个细胞的size factor、基因/文库元数据等
R数据类型主要有四种：基础型、S3类、S4类、RC型，简单说S3和S4区别是：
我们平常使用 $ 来访问对象就是针对S3类数据（比如数据框、矩阵等），而S4数据中我们使用@
Bioconductor基本就是使用包含数据信息更多的S4类，Bioconductor的官方推荐的类如下：https://www.bioconductor.org/developers/how-to/commonMethodsAndClasses/
S4类创建对象就需要利用自己的一套系统，还是以SingleCellExperiment为例
library(SingleCellExperiment)
counts <- matrix(rpois(100, lambda = 10), ncol=10, nrow=10)
rownames(counts) <- paste("gene", 1:10, sep = "")
colnames(counts) <- paste("cell", 1:10, sep = "")
sce <- SingleCellExperiment(
assays = list(counts = counts),
rowData = data.frame(gene_names = paste("gene_name", 1:10, sep = "")),
colData = data.frame(cell_names = paste("cell_name", 1:10, sep = ""))
)
# 上面的assays就是一个列表，在S3中算是“顶配”了，如果再要新加东西(比如元数据rowData)，就需要用S4
sce
## class: SingleCellExperiment
## dim: 10 10
## metadata(0):
## assays(1): counts
## rownames(10): gene1 gene2 ... gene9 gene10
## rowData names(1): gene_names
## colnames(10): cell1 cell2 ... cell9 cell10
## colData names(1): cell_names
## reducedDimNames(0):
## spikeNames(0):
一般来说，我们是可以自定义assays中的各种名称的(比如这里目前只有一个名为counts的列表)，但是包的作者为了统一、方便起见，会给我们一些命名建议，例如：
- counts：存储raw count data，如某个基因中的reads或转录本数目
- normcounts： 归一化数据，还是和原始数据保持一个形态(原来相对大现在也是，只是绝对数量变小方便统计)，如counts值除以每个细胞特定的size factor
- logcounts： log转换的数据，因为有时counts值比较大，需要降低一个档，如
log2(counts+1) - cpm： Counts-per-million，即每个细胞中每个基因的read count值，再除以每个细胞的总reads数/文库大小(单位是M)
- tpm： Transcripts-per-million，同上，只是使用转录本数目而非reads
如果要使用作者提供的这几个名称（不一定严格意义对应），他就允许你直接使用一个快速通道去添加，比如：
normcounts(sce) <- log2(counts(sce) + 1)
sce
# 这里虽然用了取对数，但是并没有使用logcounts，而是normcounts，然后assays中就多了一个normcounts【其中存储的并不是真正的norm计算的值，而是log值】
## class: SingleCellExperiment
## dim: 10 10
## metadata(0):
## assays(2): counts normcounts
## rownames(10): gene1 gene2 ... gene9 gene10
## rowData names(1): gene_names
## colnames(10): cell1 cell2 ... cell9 cell10
## colData names(1): cell_names
## reducedDimNames(0):
## spikeNames(0):
嗯，突然想起来既然了解了tidy data，那何不看看ggplot怎么结合这个tidy的呢？
ggplot2坚持的原则
- 首先肯定要求一个数据框(tidy data跑不掉了，一会下面看个示例)
aes参数就是描述数据框中的变量怎么映射到图中去geoms这个选项就很多了，指定画什么图
来个例子：
library(ggplot2)
library(tidyverse)
set.seed(123)
# 生成随机泊松分布数
counts <- as.data.frame(matrix(rpois(100, lambda = 10), ncol=10, nrow=10))
# 数据框增加列名
colnames(counts) <- paste("cell", 1:10, sep = "")
# 数据框增加一列
Gene_ids <- paste("gene", 1:10, sep = "")
counts<-data.frame(Gene_ids, counts)
counts
## Gene_ids cell1 cell2 cell3 cell4 cell5 cell6 cell7 cell8 cell9 cell10
## 1 gene1 8 8 3 5 5 9 11 9 13 6
## 2 gene2 10 2 11 13 12 12 7 13 12 15
## 3 gene3 7 8 13 8 9 9 9 5 15 12
## 4 gene4 11 10 7 13 12 12 12 8 11 12
## 5 gene5 14 7 8 9 11 10 13 13 5 11
## 6 gene6 12 12 11 15 8 7 10 9 10 15
## 7 gene7 11 11 14 11 11 5 9 13 13 7
## 8 gene8 9 12 9 8 6 14 7 12 12 10
## 9 gene9 14 12 11 7 10 10 8 14 7 10
## 10 gene10 11 10 9 7 11 16 8 7 7 4
# 想看cell2和cell3的关系
ggplot(data = counts, mapping = aes(x = cell2, y = cell3)) + geom_point()
结果出来，发现没什么关系，因为是随机数据嘛，但是现在我们如果想看10组细胞间有什么差别，那么选择散点图就不好了，就用箱线图吧
**问题来了：**aes是要指定x和y的，那么十组数据怎么指定？难不成要一个一个画上去？
**注意：**这里tidy的思想就真正发挥了作用，再看一眼上面的数据，cell1~cell10，其中全是数据，是不是想到了变量少了就gather 这句话？是的，我们需要把cell变成一列，然后数据放在另一列
counts<-gather(counts, colnames(counts)[2:11], key = 'Cell_ID', value='Counts')
head(counts)
## Gene_ids Cell_ID Counts
## 1 gene1 cell1 8
## 2 gene2 cell1 10
## 3 gene3 cell1 7
## 4 gene4 cell1 11
## 5 gene5 cell1 14
## 6 gene6 cell1 12
#然后ggplot轻松使用
ggplot(counts,aes(x=Cell_ID, y=Counts)) + geom_boxplot()
