一文學會使用dplyr包進行數(shù)據(jù)轉(zhuǎn)換大家好，我是阿琛。可視化是展示結(jié)果的重要途徑與手段。在之前的內(nèi)容中，從認識ggplot2開始，我們相繼介紹了箱型圖，?；鶊D，棒棒糖圖，以及雷達圖等等。然而，不同的作圖方法對輸出數(shù)據(jù)的格式要求也不盡相同。在訓(xùn)練營以及平時的交流中，我發(fā)現(xiàn)即使將整個繪圖的代碼擺在眼前，很多小伙伴仍然感到無從下手，不知道如何將數(shù)據(jù)整理到合適格式。
當我們拿到一份數(shù)據(jù)，無論是TCGA下載的轉(zhuǎn)錄組數(shù)據(jù)，GEO數(shù)據(jù)庫中的芯片表達數(shù)據(jù)，亦或者是自己測序等途徑得到的數(shù)據(jù)內(nèi)容，其數(shù)據(jù)格式正好完全符合我們需求的情況，是非常罕見的。一般來講，我們需要對數(shù)據(jù)進行預(yù)處理，比如提取其中的某些變量值，變量的重命名，創(chuàng)建一些新的統(tǒng)計變量等等，從而使得數(shù)據(jù)格式達到輸入要求，變得更容易處理。 關(guān)于這些內(nèi)容，Hadley Wickham大神已經(jīng)體我們充分進行了考慮，并由此創(chuàng)造了一個新的數(shù)據(jù)處理方式，即tidyverse中的一個核心R包---dplyr包。在介紹中，Hadley提到，dplyr是一種新的數(shù)據(jù)處理的語法，提供了一組一致的動詞來幫助您解決最常見的數(shù)據(jù)處理難題，它們分別是： 使用現(xiàn)有變量的函數(shù)創(chuàng)建新變量（mutate()）將多個值總結(jié)為一個摘要統(tǒng)計量（summarize()） 接下來，我們一起來看一下這幾個函數(shù)的使用方法。
1.R包的安裝與讀取以及數(shù)據(jù)的讀取 首先加載tidyverse包，講解中的dplyr包屬于tidyverse包。if(!require(tidyverse))install.packages("tidyverse")library(tidyverse)
在加載tidyverse包時，在輸出信息中我們可以看到存在一些沖突信息，它會告訴你在dplyr包中有兩個函數(shù)與基礎(chǔ)R包的函數(shù)存在沖突。當我們要在加載了tidyverse包后，想使用基礎(chǔ)R包的這兩個函數(shù)時，需要提供其完整的名稱分別是stats::filter()和stats::lag()兩個。dat <- read.table("exp.txt", header=T, sep="\t", check.names=F, row.names = 1)dat[1:4,1:4] #查看數(shù)據(jù)類型
隨后，將數(shù)據(jù)讀取進來。在分析前，提取其前4行4列，我們先看一下這個數(shù)據(jù)的結(jié)構(gòu)與內(nèi)容，當然，也可以直接在RStudio中通過View(dat)來查看整個數(shù)據(jù)框?？梢园l(fā)現(xiàn)，在該數(shù)據(jù)集中，共包含80行，132列內(nèi)容，其中行名為患者的編號，第一列為患者的生存狀態(tài)（fustat），第二列為患者的分期（Stage），其后為130個不同的基因。首先，我們來篩選一下fustat為1，Stage為2的所有患者：dat2 <- filter(dat, fustat == 1, Stage == 2)
運行以后，dplyr包會執(zhí)行相應(yīng)的篩選操作，并返回一個新的數(shù)據(jù)框。但是，需要注意的是，dplyr包中的函數(shù)從來不會修改原數(shù)據(jù)框內(nèi)容。因此，如果想要保存運行結(jié)果，需要將其賦值給一個新的變量?？梢园l(fā)現(xiàn)，經(jīng)過篩選，最終得到7個樣本所組成的新數(shù)據(jù)集dat2。在篩選的過程中，我們需要熟悉如何運用比較運算或者邏輯運算過程，來快速且準確的篩選變量信息。在R語言中，其提供了一整套用于比較運算的符號，分別是：>，>=，<，<=，!=，以及==六種。#篩選stage為3和4的樣本（即Stage >= 3） dat3 <- filter(dat, Stage >= 3) #篩選fustat為1的患者（即fustat == 1或者fustat != 0） dat4 <- filter(dat, fustat == 1) dat4 <- filter(dat, fustat != 0) #得到的結(jié)果與上一句一致 #篩選LSR基因表達量小于4的樣本（即LSR < 4） dat5 <- filter(dat, LSR < 4)
大部分的比較方法與我們常規(guī)在數(shù)學或日常學習中的使用是一致的；
在此判斷是否相等使用的是==，而不是=（在R中，=表示賦值的含義）； 關(guān)于“浮點數(shù)”的問題
sqrt(2)^2 == 2 #[1] FALSE 1/49 * 49 == 1 #[1] FALSE
是不是覺得十分神奇呢？這是因為計算機使用的是有限精度運算，每一步運算后其保存的均是一個近似值。因此，在比較這類運算結(jié)果時，我們不能使用==，而應(yīng)該借助near()函數(shù)的幫助：#near() near(sqrt(2)^2, 2) #[1] TRUE near(1/49 * 49, 1) #[1] TRUE
關(guān)于邏輯運算符，大家想必不會陌生吧。常用的布爾邏輯運算符包括：&（與），|（或），以及!（非）三種。#篩選stage為3和4的樣本（即Stage == 3 | Stage == 4） dat6 <- filter(dat, Stage == 3 | Stage == 4) #篩選fustat為0，且stage為3的樣本（fustat != 1 & Stage == 3） dat7 <- filter(dat, fustat != 1 & Stage == 3)
此外，還有一種十分有用的簡寫形式，即x %in% y（表示選取x是y中的一個值時的所有行）。這樣，上面的代碼就可以簡化為以下的形式：#%in%的使用 dat8 <- filter(dat, Stage %in% c(3,4)) #篩選stage為3和4的樣本 identical(dat6, dat8) #比較兩個數(shù)據(jù)集是否相同 #[1] TRUE
可以發(fā)現(xiàn)，使用|得到的dat6與使用%in%得到的dat8之間是完全相同的兩個數(shù)據(jù)集。arrange()函數(shù)的使用方法與filter()函數(shù)比較相似，但是arange()函數(shù)的作用是改變行的順序。arrange(dat, desc(Stage))
3.2 將數(shù)據(jù)框以fustat,Stage,以及XYLT2基因的表達量來進行排列arrange(dat, fustat, Stage, XYLT2)
可以發(fā)現(xiàn)，當列名不止一個時，它會自動使用后面的列在前面排序的基礎(chǔ)上繼續(xù)排列，即當fustat相同時，根據(jù)Stage進行進一步的排列，依次往下。select(dat, fustat, Stage)
4.2 選擇在第一列fustat和第三列XYLT2之間的所有列select(dat, fustat:XYLT2)
4.3 選擇不在第一列fustat和第三列XYLT2之間的所有列select(dat, -(fustat:XYLT2))
4.4 select()與everything()聯(lián)用當我們想要將幾個變量移動到數(shù)據(jù)框開頭時，則需要同時借助select()與everything()的作用。select(dat, XYLT2, LSR, everything())
運行后，我們可以發(fā)現(xiàn)，第三列XYLT2和第四列LSR被移動到了整個數(shù)據(jù)框的前兩列。此外，還可以在select()函數(shù)中使用一些輔助函數(shù)，比如：starts_with("abc")：匹配以“abc”開頭的名稱 ends_with("xyz")：匹配以“xyz”結(jié)尾的名稱 contains("ijk")：匹配包含“abc”的名稱 matches("(.)\1")：選擇匹配正則表達式的變量 num_range("x", 1:3)：匹配x1，x2和x3 好啦，本次的內(nèi)容先介紹到這里，剩下的兩個函數(shù)mutate()和summarize()，以及管道符號%>%的使用，我們將在下一期的內(nèi)容中進行詳細的介紹~以簡單易懂的介紹，帶領(lǐng)大家快速入門數(shù)據(jù)處理，我們下期再見~~
|
