我們已經使用Tidyr將數據進行了變形，使其符合Tidy data的原則。而在對數據進行正式的統計分析之前，通常還需要進行一些必要的數據處理，如：
- 改變結構：排序，修改列名
- 按行操作：過濾，選取，抽樣
- 按列操作：篩選特定列
- 統計、分組統計：最大值，最小值等
要完成以上這些分析，我們可以使用R中非常強大的一個包dplyr，通過幾個簡單的命令，即可完成我們想要的分析。
1.dplyr包的安裝和加載
# 安裝dplyr包
>install.packages("dplyr")
# 加載dplyr包
>library(dplyr)
2.使用dplyr進行數據管理
（1）排序：arrange
在使用tidyr對數據進行處理后，如下：
image
在上面的圖表中，是以SampleName進行排序的，我們可以以GeneId進行排序：
# arrange（數據框名，要排序的列名）
gene_exp_GeneId <- arrange(gene_exp_tidy, GeneId)
按GeneId排序后的效果如下：
image
如果我們想要在GeneId排序的基礎上，再以Expression排序：
gene_exp_GeneId_Exp <- arrange(gene_exp_tidy, GeneId, Expression)
image
默認條件下，是以升序排列的，如果我們想要以降序排列，只需在需要降序排列的列名前添加desc即可：
# 降序排列
gene_exp_GeneId_descExp <- arrange(gene_exp_tidy, GeneId, desc(Expression))
image
（2）按行（觀測）篩選：filter
篩選出表達量大于1的觀測：
# filter(數據框名，篩選條件)
filter(gene_exp_tidy, Expression > 1)
image
篩選出表達量大于1，并且基因名為gene1的觀測：
filter(gene_exp_tidy, Expression > 1, GeneId == "gene1")
image
（3）按列篩選：select
select函數用于選擇需要展示的列：
# 只展示SampleName和Expression列
select(gene_exp_tidy, SampleName, Expression)
image
使用select函數，我們還可以進行模糊的篩選：
# 篩選所有列名中包含"me"的列
select(gene_exp_tidy, contains("me"))
image
# 展示所有列名中，以G開始的列
select(gene_exp_tidy, starts_with("G"))
image
（4）管道操作符：%>%
我們對數據的篩選和排序操作，可以使用管道符連接起來，一步即可完成：
# 先篩選出表達量大于1的觀測，再按GeneId升序排列，同時按Expression降序排列
filter(gene_exp_tidy, Expression >1) %>% arrange(GeneId, desc(Expression))
# 說明：使用管道符連接時，第一個操作的輸出結果會成為第二個操作的輸入，因此在arrange中不再需要指定數據框的名稱
image
（5）去除重復：distinct
使用distinct函數，我們可以去除數據框中有重復的行：
# 去除GeneId中有重復的行
distinct(gene_exp_tidy, GeneId)
image
（6）添加新變量：mutate
mutate函數用于根據已有的變量，產生一個新的變量：
# 產生一個表達量是現有表達量10倍的變量
mutate(gene_exp_tidy, "10Exp" = Expression * 10)
image
# 得到表達量變?yōu)?0倍的變量后，去除原來的Express列
mutate(gene_exp_tidy, "10Exp" = Expression * 10) %>%
select(-Expression)
image
# 在每一個GeneId前面，添加Os字符，用于說明是水稻的基因，并去除原來的GeneId列
# paste函數用來連接字符
mutate(gene_exp_tidy, Gene_ID = paste("Os", GeneId, sep = "_" ) ) %>%
select(Gene_ID, SampleName, Expression)
image
（7）分組統計：group_by %>% summarise
使用summarise函數，可以對數據進行簡單的統計：
# 計算Expressin的平均值
summarise(gene_exp_tidy, avg = mean(Expression))
image
先對數據進行分組，再進行統計：
# 先以GeneId進行分組，再計算平均值
gene_exp_tidy %>%
group_by(GeneId)%>%
summarise(avg = mean(Expression))
image
# 計算每個基因在三個樣品中表達量的標準差sd
gene_exp_tidy %>%
group_by(GeneId)%>%
summarise(sd = sd(Expression))
image
