好巧 在學(xué)習(xí)課程之前自己先安裝了Biocductor，想要安裝chipseeker包，出現(xiàn)了一些問(wèn)題；希望學(xué)完這個(gè)課程，能解決現(xiàn)在存在的問(wèn)題。
* R包是多個(gè)函數(shù)的集合，具有詳細(xì)的說(shuō)明和示例。
* 學(xué)生信，R語(yǔ)言必學(xué)：豐富的圖表和Biocductor上面的各種生信分析R包。
* 包的使用 一通百通（以dplyr為例學(xué)習(xí)R包）
* R平臺(tái)細(xì)節(jié)：
* R version 4.0.3 (2020-10-10)
* Platform: x86_64-w64-mingw32/x64 (64-bit)
* 用'citation()'會(huì)告訴你如何在出版物中正確地引用R或R程序包。
* 用'demo()'來(lái)看一些示范程序，用'help()'來(lái)閱讀在線(xiàn)幫助文件，或
* 用'help.start()'通過(guò)HTML瀏覽器來(lái)看幫助文件。
* 用'q()'退出R.
安裝和加載R包
1.鏡像設(shè)置：兩行代碼（）可以搞定；失敗的話(huà)就每次需要下載R包時(shí)運(yùn)行這兩句代碼即可。配置Rstudio的下載鏡像(是CRAN的鏡像)
（1）初級(jí)模式：設(shè)置流程tool-packages-primary CRAN repository(change)-Tsinghau;下載Bioconductor的包，這個(gè)鏡像是沒(méi)有辦法用的;通過(guò)options()$repos來(lái)檢驗(yàn) Rstudio是不是從CRAN去下載包。
（2）升級(jí)模式：自定義CRAN和Bioconductor的下載鏡像，在Rstudio中進(jìn)行設(shè)置：運(yùn)行這兩行代碼
options函數(shù)就是設(shè)置R運(yùn)行過(guò)程中的一些選項(xiàng)設(shè)置
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) #對(duì)應(yīng)清華源
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") #對(duì)應(yīng)中科大源
(3) 高級(jí)模式：
R的配置文件 .Rprofile：.Rprofile就是一個(gè)代碼文件，如果啟動(dòng)時(shí)找到這個(gè)文件，那么就替我們先運(yùn)行一遍（這個(gè)過(guò)程就是在啟動(dòng)Rstudio時(shí)完成的
用file.edit()來(lái)編輯文件： file.edit('~/.Rprofile')
添加好上面??的兩行options代碼：
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")
保存=》
重啟Rstudio，這時(shí)你再運(yùn)行一下：options()BioC_mirror
配置完成
2.安裝
聯(lián)網(wǎng)
R包安裝命令是install.packages(“包”)或者BiocManager::install(“包”)；注 取決于要安裝的包存在于CRAN網(wǎng)站還是Biocductor，存在于哪里？可以谷歌搜到。
加載
兩個(gè)命令均可：
* library(包)
* require(包)
-
安裝加載三部曲
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")
install.packages("dplyr")
library(dplyr)
-
dplyr五個(gè)基礎(chǔ)函數(shù)
dplyr包主要用于數(shù)據(jù)清洗和整理，主要功能有：行選擇、列選擇、統(tǒng)計(jì)匯總、窗口函數(shù)、數(shù)據(jù)框交集等；是非常高效、友好的數(shù)據(jù)處理包，大大提高數(shù)據(jù)處理及分析效率。
-
1.mutate(),新增列：
- mutate(test, new = Sepal.Length * Sepal.Width)
-
2. select(),按列篩選：
-
1)按列號(hào)篩選 ：
select(test,1)--- test文件的第一列
select(test,c(1,5))--- test文件的第一和第五列
select(test,Sepal.Length) ---Sepal.Length這一列
-
2)按列名篩選：
select(test, Petal.Length, Petal.Width)----Petal.Length, Petal.Width的這兩列
vars <- c("Petal.Length", "Petal.Width")
-
select(test, one_of(vars))
* 3.filter()篩選行【先固定列，再按行的元素篩選】
* filter(test, Species == "setosa") 篩選列 Species 中含setosa行
* filter(test, Species == "setosa"&Sepal.Length > 5 )篩選列 Species 中含setosa行。并且&Sepal.Length > 5
* filter(test, Species %in% c("setosa","versicolor")) 篩選前面一個(gè)向量Species 內(nèi)的元素是否在后面一個(gè)向量中c("setosa","versicolor")； "setosa","versicolor" 就是一個(gè)篩選條件
* 4.arrange(),按某一列或某幾列對(duì)整個(gè)表格進(jìn)行排序
* arrange(test, Sepal.Length) # 默認(rèn)從小到大排序
* arrange(test, desc(Sepal.Length)) # 用desc從大到小
* 5.summarise()：匯總
* 對(duì)數(shù)據(jù)進(jìn)行匯總操作,結(jié)合group_by使用實(shí)用性強(qiáng)
* summarise(test, mean(Sepal.Length), sd(Sepal.Length)) # 計(jì)算；Sepal.Length的平均值和標(biāo)準(zhǔn)差
先按照Species分組，計(jì)算每組Sepal.Length的平均值和標(biāo)準(zhǔn)差
group_by(test, Species)
summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length))
dplyr兩個(gè)實(shí)用技能
管道操作 %>% (cmd/ctr + shift + M)
test %>%
group_by(Species) %>%
summarise(mean(Sepal.Length), sd(Sepal.Length))
count 統(tǒng)計(jì)某列的unique值
count(test,Species)
dplyr處理關(guān)系數(shù)據(jù)：即將2個(gè)表進(jìn)行連接，注意：不要引入factor
1.內(nèi)連inner_join,取交集
inner_join(test1, test2, by = "x")
2.左連left_join ：
left_join(test1, test2, by = 'x') 依據(jù)text1的x取交集
left_join(test2, test1, by = 'x') 依據(jù)text2的x取交集，空值輸出NA補(bǔ)全
3.全連full_join
full_join( test1, test2, by = 'x') ；full_join( test2, test1, by = 'x')
4.半連接semi_join：
返回能夠與y表匹配的x表所有記錄：semi_join(x = test1, y = test2, by = 'x')
5.反連接anti_join：
返回?zé)o法與y表匹配的x表的所記錄：anti_join(x = test2, y = test1, by = 'x')
6.簡(jiǎn)單合并bind_rows()：
相當(dāng)于base包里的cbind()函數(shù)和rbind()函數(shù);
注意，bind_rows()函數(shù)需要兩個(gè)表格列數(shù)相同，
而bind_cols()函數(shù)則需要兩個(gè)數(shù)據(jù)框有相同的行數(shù)
