作者:周运来,男,长大了才会遇到的帅哥,稳健,潇洒,大方,靠谱。
大型测序工厂的螺丝钉,一个R者,一个随机森林中靠统计觅食的人。
1. 什么是R语言
R语言是一个开源的数据分析环境,起初是由数位统计学家建立起来,以更好的进行统计计算和绘图,这篇wiki中包含了一些基本情况的介绍。由于R可以通过安装扩展包(Packages)而得到增强,所以其功能已经远远不限于统计分析,如果感兴趣的话可以到官方网站了解关于其功能的更多信息。
至于R语言名称的由来则是根据两位主要作者的首字母(Robert Gentleman and Ross Ihaka),但过于简短的关键词也造成在搜索引擎中很不容易找到相关的资料。不过这个专门的搜索网站可以帮到你。
2. 为什么要学习R语言
给你一千个R的理由( 地址: https://www.burns-stat.com/documents/tutorials/why-use-the-r-language/ )可能你想说,“我已经学会了spss/sas/stata...,为什么还要去学习R呢?”
如下几方面可能会吸引到你:
-
编程入门语言:如果你之前没有编程经验,但是学习工作中经常需要计算、统计、绘图,那R是你的首选(Python也许不太同意,不管他)。语法结构简单,上手较快,而且函数和pckages都有很好的实例文档。R是一门自学型语言,来R吧,你不会孤独。
-
R是免费开源软件:现在很多学术期刊都对分析软件有版权要求,而免费的分析 工具 可以使你在这方面不会有什么担心。另一方面,如果学术界出现一种新的数据分析方法,那么要过很长一段时间才会出现在商业软件中。但开源软件的好处就在于,很快就会有人将这种方法编写成扩展包,或者你自己就可以做这件工作。
-
命令行工作方式:许多人喜欢类似SPSS菜单式的操作,这对于初学者来说很方便入门,但对于数据分析来说,命令行操作会更加的灵活,更容易进行编程和自动化处理。而且命令行操作会更容易耍酷,不是嘛,一般人看到你在狂敲一推代码后得到一个分析结果,对你投来的目光是会不一样的。
-
小巧而精悍:R语言的安装包更小,大约不到40M,相比其它几个大家伙它算是非常小巧精悍了。目前R语言非常受到专业人士欢迎,根据对数据挖掘大赛胜出者的调查可以发现,他们用的工具基本上都是R语言。此外,从最近几次R语言大会上可以了解到,咨询业、金融业、医药业都在大量的使用R语言,包括google/facebook的大公司都在用它。因此,学习R语言对你的职业发展一定是有帮助的。
3. R语言的学习方法
学习R是一件非常轻松的事情,初学者需要记住的就是:
利用丰富的帮助文档
亲手键入代码并理解其意义
在笔记里记下一些重点或心得(个人推荐Evernote)
坚持练习,对手边的数据进行应用分析
理解背景知识,细节很重要。
R的获取
R包(package):R函数、数据、帮助文件、预编译代码以一种定义完善的格式组成的集合。
.libPaths("E:/Rstudio/R_packages") #指定安装包的路径联网安装 install.packages(“vegan”) #安装普通包source(“https://bioconductor.org/biocLite.R”)#安装Bioconductor包biocLite("DESeq2") 安装本地zip包 Packages>install packages from local files library(vegan) #加载包,也可用require()update.packages("vegan") #包的更新installed.packages() #查看已安装的包
1.基础数据结构
1.1 向量
# 创建向量a <-c(1, 2, 3, 4, 5, 6) b<-c("one", "two", "three") c<-c(TRUE, FALSE, TRUE, TRUE, FALSE)#向量索引a[2] #第二个元素a[-2] #删除第二个元素a[c(2:4)] #取出第二到第四个元素[1] 2[1] 2[1] 1 3 4 5 6
1.2 矩阵
#创建矩阵mymat <- matrix(c(1:10), nrow=2, ncol=5, byrow=TRUE)#矩阵索引mymat[2,] #取第二行mymat[,2] #取第二列mymat[1,5] #第一行第五列的元素
1.3 数组
#创建数组myarr <- array(c(1:12),dim=c(2,3,2)) dim(myarr) #取矩阵或数组的维度myarr[1,2,1] #取第一个矩阵的第一行第二列
1.4 数据框
# 创建数据框kids <- c("Wang", "Li") age <- c("18", "16") df <- data.frame(kids, age)#数据框索引df[1,] #第一行df[,2] #第二列df[1:2,1:2]#前两行,前两列df$kids #根据列名称#数据框常用函数str(df) #数据框的结构rownames(df) #行名称colnames(df) #列名称
1.4.1 因子变量
变量:类别变量,数值变量
类别数据对于分组数据研究非常有用。(男女,高中低)
R中的因子变量类似于类别数据。
#向量因子化status<-c("Poor", "Improved", "Excellent", "Poor") status<-factor(status,ordered=TRUE, levels= c("Poor","Improved", "Excellent"), labels=c("P","I","E")) index <- sample(1:100,75) plotdata <- data.frame(index,status) attach(plotdata) boxplot(index~status,col="red")
类别变量,有序变量称为因子,决定了数据的分析方式和视觉呈现形式
Attach()可以将数据框添加到R的搜索路径中,当R遇到一个变量名后,将检测搜索路径中的数据框,定位这个变量
1.5 列表
列表以一种简单的方式组织和调用不相干的信息,R函数的许多运行结果都是以列表的形式返回
#创建列表lis <- list(name='fred', wife='mary', no.children=3, child.ages=c(4,7,9))#列表索引lis$name #列表组件名lis[[1]] #列表位置访问
常用函数
R流程控制
p <- 0.1 if(p<=0.05){ print("p<=0.05!") }else{ print("p>0.05!") }
for(i in 1:10) { print(i) } i <- 1while(i<10) { print(i) i <- i + 1 }
v <- LETTERS[1:6]for (i in v){ if(i == 'D'){ next } print(i) }
v <- LETTERS[1:6]for (i in v){ if(i == 'D'){ break } print(i) }
2.5 R函数
函数是组织好的,可重复使用的,用来实现单一,或相关联功能的代码段
rcal<-function(x,y){ z <- x^2 + y^2; result<-sqrt(z) ; result; } rcal(3,4)# 调用函数
3. 读写数据
#数据读入
getwd()
setwd('C:/Users/Administrator/Desktop/file')
dir()
top<-read.table("otu_table.p10.relative.tran.xls",header=T,row.names=1,sep='\t',stringsAsFactors = F)
top10<-t(top)
head(top10, n=2)#数据写出logtop10<-log(top10+0.000001)
write.csv(logtop10,file="logtop10.csv", quote=FALSE, row.names = TRUE)
write.table(logtop10,file="logtop10.xls",sep="\t", quote=FALSE,
row.names = TRUE, col.names = TRUE)
其他常用函数
4.数据清理
4.1 tidyr包
tidyr包的四个函数
宽数据转为长数据:gather()
长数据转为宽数据:spread()
多列合并为一列: unite()
将一列分离为多列:separate()
library(tidyr) gene_exp <- read.table('geneExp.csv',header = T,sep=',',stringsAsFactors = F) head(gene_exp) #gather 宽数据转为长数据gene_exp_tidy <- gather(data = gene_exp, key = "sample_name", value = "expression", -GeneID) head(gene_exp_tidy)#spread 长数据转为宽数据gene_exp_tidy2<-spread(data = gene_exp_tidy, key = "sample_name", value = "expression") head(gene_exp_tidy2)
4.2 dplyr包
dplyr包五个函数用法:
筛选: filter
排列: arrange()
选择: select()
变形: mutate()
汇总: summarise()
分组: group_by()
library(tidyr) library(dplyr) gene_exp <- read.table("geneExp.csv",header=T,sep=",",stringsAsFactors = F) gene_exp_tidy <- gather(data = gene_exp, key = "sample_name", value = "expression", -GeneID)#arrange 数据排列gene_exp_GeneID <- arrange(gene_exp_tidy, GeneID)#降序加deschead(gene_exp_GeneID )#filter 数据按条件筛选gene_exp_fiter <- filter(gene_exp_GeneID ,expression>10) head(gene_exp_fiter)#select 选择对应的列gene_exp_select <- select(gene_exp_fiter ,sample_name,expression) head(gene_exp_select)
5. 绘图
5.1 长数据与宽数据
library(tidyr) library(ggplot2)#基础绘图file <- read.table("geneExp.csv",header=T,sep=",",stringsAsFactors = F,row.names = 1)#宽数据file barplot(as.matrix(file),names.arg = colnames(file), beside =T ,col=terrain.colors(6)) legend("topleft",legend = rownames(file),fill = terrain.colors(6))#ggplot2绘图gene_exp <- read.table("geneExp.csv",header=T,sep=",",stringsAsFactors = F) gene_exp_tidy <- gather(data = gene_exp, key = "sample_name", value = "expression", -GeneID)#长数据head(gene_exp_tidy) ggplot(gene_exp_tidy,aes(x=sample_name,y=expression,fill=GeneID)) + geom_bar(stat='identity',position='dodge')
5.2 图形参数位置
x <- rnorm(20, 2, 1) y <- rnorm(20, 4, 2) plot(x, y, cex=c(1:3), type="p", pch=19, col = "blue", cex.axis=1.5, col.axis="darkgreen", font.axis=2, main="这是主标题:plot初试", font.main=2, cex.main=2, col.main="green", sub="这是副标题:图1", font.sub=3, cex.sub=1.5, col.sub="red", xlab="这是x轴标签", ylab="这是y轴标签",cex.lab=1.5, font.lab=2, col.lab="grey20", xlim=c(0,3), ylim=c(0,7)) abline(h=2, v=3, lty=1:2, lwd=2,col="red") legend("topright", legend="我是图例\n我在这儿", text.col="red", text.width=0.5)#Rnorm正态分布 个数 平均值 标准差 plot是泛型函数,根据输入类型的不同而变化#Type p 代表点 l 代表线 b 代表两者叠加
-
图形参数:
符号和线条:pch、cex、lty、lwd
颜色:col、col.axis、col.lab、col.main、col.sub、fg、bg
文本属性:cex、cex.axis、cex.lab、cex.main、cex.sub、font、font.axis、font.lab、font.main、font.sub
-
文本添加、坐标轴的自定义和图例
title()、main、sub、xlab、ylab、text()
axis()、abline()
legend()
-
多图绘制时候,可使用par()设置默认的图形参数
par(lwd=2, cex=1.5)
-
图形参数设置:
par(optionname=value,…)
par(pin=c(width,height)) 图形尺寸
par(mfrow=c(nr,nc)) 图形组合,一页多图
layout(mat) 图形组合,一页多图
par(mar=c(bottom,left,top,right)) 边界尺寸
par(fig=c(x1,x2,y1,y2),new=TURE) 多图叠加或排布成一幅图
#图形组合:attach(mtcars) opar <- par(no.readonly=TRUE) #复制当前图形参数设置par(mfrow=c(2,2))#设置图形参数#layout(matrix(c(1,2,2,3),2,2,byrow=TRUE))plot(wt,mpg,main="Scatterplot of wt vs mpg") hist(wt,main="Histogram of wt") boxplot(wt,main="Boxplot of wt") par(opar) #返回原始图形参数detach(mtcars)
5.3 柱形图
file <- read.table("barData.csv",header=T,row.names=1,sep=",",stringsAsFactors = F) dataxx <- as.matrix(file) #转化为矩阵cols <- terrain.colors(3) #抽取颜色#误差线函数plot.error <- function(x, y, sd, len = 1, col = "black") { len <- len * 0.05 arrows(x0 = x, y0 = y, x1 = x, y1 = y - sd, col = col, angle = 90, length = len) arrows(x0 = x, y0 = y, x1 = x, y1 = y + sd, col = col, angle = 90, length = len) } x <- barplot(dataxx, offset = 0, ylim=c(0, max(dataxx) * 1.1),axis.lty = 1, names.arg = colnames(dataxx), col = cols, beside = TRUE) box() legend("topright", legend = rownames(dataxx), fill = cols, box.col = "transparent") title(main = "An example of barplot", xlab = "Sample", ylab = "Value") sd <- dataxx * 0.1 for (i in 1:3) { plot.error(x[i, ], dataxx[i, ], sd = sd[i, ]) }
5.4 二元图
matdata <- read.table("plot_observed_species.xls", header=T) tbl_df(matdata) #查看数据属性和结构y<-matdata[,2:145] attach(matdata) matplot(series,y, ylab="Observed Species Number",xlab="Sequences Number", lty=1,lwd=2,type="l",col=1:145,cex.lab=1.2,cex.axis=0.8) legend("topleft",lty=1, lwd=2, legend=names(y)[1:8], cex=0.5,col=1:145) detach(matdata)
5.5 饼状图
relative<-c(0.270617,0.177584,0.194911,0.054685,0.048903,0.033961, 0.031195,0.188143) taxon<-c("Sordariales","Pleosporales","Agaricales","Hypocreales", "Pezizales","Eurotiales","Helotiales","Others") ratio<-round(relative*100,2) ratio<-paste(ratio,"%",sep="") label<-paste(taxon,ratio,sep=" ") pie(relative,labels=label, main="ITS1-Sample S1", radius=1,col=rainbow(length(label)),cex=1.3) library(plotrix) fan.plot(relative,labels=label,main="Fan plot") pie3D(relative,labels=label, height=0.2, theta=pi/4, explode=0.1, col=rainbow(length(label)), border="black",font=2,radius=1,labelcex=0.9)
5.6 直方图
seqlength<-rnorm(1000, 350, 30)hist(seqlength,breaks=100, col="red",freq=FALSE, main="Histogram with dengsitycurve", ylab="Density", xlab="Sequence length")lines(density(seqlength),col="blue4",lwd=2)
5.7 聚类图
clu <- read.table("unweighted_unifrac_dm.txt", header=T, row.names=1, sep="\t") head(clu) dis <- as.dist(clu) h <- hclust(dis, method="average") plot(h, hang = 0.1, axes = T, frame.plot = F, main="Cluster Dendrogram based on unweighted_unifrac", sub="UPGMA")
5.8 维恩图
library(VennDiagram)
ven<-list(sample1=20:50, sample2=c(1:30,50:80), sample3=40:90, sample4=c(10:30,70:100))
venn.diagram(ven, filename='venn.png', cex=1.2, col="black", alpha= 0.50,lwd =1.2, cat.cex=1.4,
fill=c("cornflowerblue", "green", "Gold1","darkorchid1"), margin=0.15)
图片输出
-
直接导出
-
命令
pdf(file="file.pdf", width=7, height=10) png(file="file.png",width=480,height=480) jpeg(file="file.png",width=480,height=480) tiff(file="file.png",width=480,height=480) dev.off()
参考资料:
1. R|home https://www.r-project.org
2. 雪晴网 http://www.xueqing.tv
3. 统计之都 https://cosx.org
4. R语言基础入门之一:引言
https://www.cnblogs.com/wentingtu/archive/2012/03/03/2377969.html
5. R语言在生态学研究中的应用分析
http://blog.sciencenet.cn/blog-267448-1058416.html
6.为什么生态学家要学习 Python 或者R?
http://blog.sciencenet.cn/blog-255662-1093799.html
7. Statistical tools for high-throughput data analysis http://www.sthda.com/french/
8. why-use-the-r-language
https://www.burns-stat.com/documents/tutorials/why-use-the-r-language/
9. Why R? The pros and cons of the R language
10.Why use R? Five reasons
本文由R语言中文社区 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。