TCGA临床数据matrix构建（处理.xml文件）和RNAseq matrix构建（不完全版）

经历过linux下载TCGA数据的洗礼，算是把linux系统重新看了一遍最基础的东西，以后遇到新问题在去解决吧。接着往下走，首先是TCGA数据的处理，简单说就是构建用于后期分析的矩阵。TCGA的clinical文件都是“.xml”结尾的文件，所以这个要用R包处理一下。RNAseq文件都是“.counts”文件，这个文件好像和“.txt”没什么区别，我点进去看了就是两列数据，分别为ensembl编号（gene名）和counts数。正常的话，我们RNAseq matrix，行名为样本编号，列名为基因名（后期还要把ensembl名换为symbol基因名），这里我只做了三分之一，后期还要继续研究，好了，下面上代码。

1.clinical matrix构建

rm(list = ls())
library('XML')
library('methods')
getwd()
setwd("C:\\Users\\Solomonteng\\Desktop\\TCGA test\\clinical merge")   #这里我用的都是自己的路径，需要的话请修改
dir="C:\\Users\\Solomonteng\\Desktop\\TCGA test\\clinical merge"
cl = lapply(list.files(path = 'C:\\Users\\Solomonteng\\Desktop\\TCGA test\\clinical merge',pattern = '*.xml*')  #这里是个lapply循环语句
       ,function(x){
  result <- xmlParse(file = file.path(dir,x))  #简单说就是把文件丢给‘XML’包去处理了
  rootnode <- xmlRoot(result)
  xmldataframe <- xmlToDataFrame(rootnode[2])  #构建矩阵，但是用的是rootnood【2】，因为【1】是目录文件，【2】才是有实质内容的
  return(t(xmldataframe))
})

cl_df <- t(do.call(cbind,cl))  #这里有个t（），是行名和列名互换
save(cl_df,file = 'GDC_TCGA_STAD_clinical_df.Rdata')  

2.RNAseq matrix构建

rm(list = ls())
getwd()
setwd('C:/Users/Solomonteng/Desktop/TCGA test/RNAseq merge/')
dir='C:/Users/Solomonteng/Desktop/TCGA test/RNAseq merge/'

mi = lapply(list.files(path = dir,pattern = '*.counts')  #循环语句，批量处理
            , function(x){
  result <- read.table(file = file.path(dir,x),sep = '\t')[,1:2]  #读表格
  return(result)
  })

mi_df <- t(do.call(cbind,mi))  #将mi文件的列，合并
dim(mi_df)
mi_df[1:4,1:4]
colnames(mi_df)=mi_df[1,]  #第一行的行名还是要的
mi_df=mi_df[seq(2,nrow(mi_df),by=2),]
mi_df[1:4,1:4]

save(mi_df,file = 'GDC_TCGA_STAD_RNAseq_df.Rdata')

这样就处理好了，都是用了lapply，所以都是批量处理，但是RNAseq matrix还没有完成，所以明天继续策！加油！