R、RStudio和ggplot2简介
4.1 R和RStudio简介
citation("ggplo2")取包引用信息,RStudio.Version()可以获取RStudio引用信息。
4.1.1 安装R、RStudio和R包
R提供一个基于命令行的统计框架,RStudio作为IDE,所有统计分析和图形可以使用它进行。
4.1.2 设置工作目录(略)
4.1.3 RStudio进行数据分析
4.1.3.1 RStudio基本特征
更加用户友好(略)
4.1.3.2 RStudio数据展示
这部分是如何利用RStudio和hsbdemo(https://stats.idre.ucla.edu/wp-content/uploads/2017/06/hsb2demo.sas7bdat)数据来作一个boxplot。hsbdemo数据是SAS格式的,收集了200所高中学生不同科目的的成绩,性别中男标记为1,女0,总共200行11列。
首先,下载这些数据,然后把它们放在工作目录,文件--导入数据--从SAS--选中刚下载的文件,就OK啦。
导入后数据会自动打开,可以看到和书中描述一致的。
下面就是画图啦:
barplot(write~female, data = hsb2demo, main="高中学生成绩数据",xlab = "性别",ylab = "性别与写作成绩")
# Error in barplot.formula(write ~ female, data = hsb2demo, main = "高中学生成绩数据", :
# duplicated categorical values - try another formula or subset
报错啦,重复的分类值,是啥情况呢?原来图的函数用错了,是boxplot
可以使用ggplot2画更高品质的图。
4.1.4 数据导入和导出
read.table(), read.csv() , read.csv2 (), read.delim() ,以及其他函数可以执行导入。stringsAsFactors=TRUE
的默认选项是为了lm()/glm()这样的回归模型函数。但在基因和微生物组研究中这并不适用,因为它们多数只是标签,不用于建模。
raw<- "https://raw.githubusercontent.com/chvlyl/PLEASE/master/1_Data /Raw_Data/MetaPhlAn/PLEASE/G_Remove_unclassfied_Renormalized_M erge_Rel_MetaPhlAn_Result.xls"
tab <- read.table(raw,sep='\t',header=TRUE,row.names = 1, check.names=FALSE,stringsAsFactors=FALSE)
check.names=FALSE
有两个原因:1、告诉函数忽略重复变量输入(如一个样本的种级别表包含多个相同名称的种);2、另一个原因是让函数不试图去修正种的名字,来保证系统上的正确(否则,名字中的空间可能变为.)。
4.1.4.2 read.delim()
read.table()提供了更多的选项,相比read.delim()。
4.1.4.3 read.csv() 和 read.csv2()
这两个函数为了不同国家中的csv文件的定义,read.csv2()是读取";"分隔,“,”分小数的文件。read.csv()是读我们通常使用的“,”分隔,“.”分小数的文件。
4.1.4.4 gdata包
gdata包的read.xls()函数可读取excel文件,这个函数使用一个perl模块 ,需要perl安装,这是个比较古老的了,估计不是linux/mac系统不带的应该懒得装,难怪这个包这么不知名。首先这个函数把excel文件转换成csv,然后调用 read.csv()解决,这还是自己来吧!
nstall.packages("gdata")
library(gdata)
tab <- read.xls("table.xlsx",sheet=1,header=TRUE)
4.1.4.5 XLConnect包
XLConnect包可读写和操作excel文件,readWorksheetFromFile()
函数会打开一个文件的一个工作表。
> install.packages ("XLConnect")
> library (XLConnect)
> tab <- readWorksheetFromFile(file = 'table.xlsx', sheet = 1, header = T, rownames = 1)
其他的包如xlsReadWrite, xlsx也可读写和操作excel文件,大同小异。
4.1.4.6 write.table() 导出数据
quote=FALSE
是因为字符串一般被双引号引着,不输出引用。
> write.table(genus, file="genus_out.csv", quote=FALSE, row.names=FALSE,sep="\t")
> write.table(genus, file="genus_out.txt", quote=FALSE, col.names=TRUE,sep=",")
4.1.5 基本数据操作
attributes()
会输出行名,列名和class。class()可单独输出类型,dim()单独输出行列数,nrow(),ncol()分别输出行列数。
attributes(iris)
$names
[1] "Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width" "Species"
$class
[1] "data.frame"
$row.names
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
[27] 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
[53] 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78
[79] 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104
[105] 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130
[131] 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150
**检查微生物数据的多0特征 **
> tab=read.csv("VdrGenusCounts.csv",row.names=1,check.names=FALSE) > #Check total zeros in the table
> sum(tab == 0)
[1] 3103
> #Check how many non-zeros in the table > sum(tab != 0)
[1] 865
一些图形函数
par()
函数用来设置和查询图形参数,mar, mfcol,mfrow最常用。
打印边距的大小是以文本行为单位来衡量的。标记用于指定以线数表示的页边距大小,以绘制绘图的四条边:par(mar=c(bottom, left, top, right),默认是par (mar = (c(5, 4, 4, 2) + 0.1))。
mfcol,mfrow每张放几幅图,分别代表“multiple frames in rows” (mfrow) or “multiple frames in columns” (mfcol)。在同一设备上画多幅图,可以用par(mfrow), par (mfcol), par(layout), 和 par(fig), par(split.screen) ,但 par(mfrow) 最常见。par(mfrow) 两个参数,一个是图的行数,另一个是每行的列数,默认par(mfrow = c(1,1))。
layout()是mfrow() 和figure()的替代,layout(matrix, widths = w; heights = h)
,它指示n个图的位置,w是列宽,h是行高。
ng <- layout(matrix(c(1,3,2,3),2,2, byrow=TRUE), widths=c(5,2), height=c(3,4))
layout.show(ng)
options(width=65,digits=4)# 设置输出格式
4.1.6 简单汇总统计
最常用的是summary(),其他的还有mean(), median(), min(), max()。它们经常和apply系列函数结合使用:
iris_1 <- (iris[,-5])
head(apply(iris_1,1,mean))
# [1] 2.5 2.4 2.4 2.4 2.5 2.9
apply(iris_1,2,mean)
# Sepal.Length Sepal.Width Petal.Length Petal.Width
# 5.8 3.1 3.8 1.2
apply(iris_1,2,mean,na.rm=T)
# Sepal.Length Sepal.Width Petal.Length Petal.Width
# 5.8 3.1 3.8 1.2
在微生物研究中,计算每个物种的相对丰度可以用如下的代码:
tab_percent <- apply(tab, 2, function(x){x/sum(x)})
再比如,过滤在做任意样本中相对丰度小于0.1%的物种:
tab_p1<- tab[apply(tab_percent,1,max)>0.01]
另外,过滤在半数样本中均为0的OTU:
cutoff = .5
tab_d5 <- data.frame(tab[which(apply(tab, 1, function(x){length(which (x!= 0))/length(x)}) > cutoff),])
4.1.7 其他有用的R函数
- 转置
t()
- 分类和排序
sort() #升序,降序可用rev(sort())
order() #返回的是一个序号向量,升序,可以认为x[order(x)]=sort(x)
- ifelse()
R语言是向量化的,ifelse()可以遍历所有因子并避免使用循环,根据前面我们知道,循环调用函数次数超级多的话会让时间明显变长。
group <- ifelse(iris$Petal.Length < 4,1,2)
高级一些的话,ifelse()还可以嵌套使用。 - 字符串分隔strsplit()
strsplit("5_15_dryst","_")
- 模式匹配grep()和替代gsub()
正则表达式了,最常用的是grep(模式,字符串), sub(模式,替代,字符串), gsub(模式,替代,字符串)
,后两者的区别是,sub()只替代第一个,gsub()替换全部。
正则表达式中,R语言的通配符$,*等,如果匹配它们需要用"\",如果匹配“\”,得上“\\”了。其他的还是和别的语言一致的。
tax[1:3]
[1] Root;p__Proteobacteria;c__Betaproteobacteria;o__Neisseriales; f__Neisseriaceae;g__Neisseria
[2] Root;p__Bacteroidetes;c__Flavobacteria;o__Flavobacteriales; f__Flavobacteriaceae;g__Capnocytophaga
[3] Root;p__Actinobacteria;c__Actinobacteria;o__Actinomycetales; f__Actinomycetaceae;g__Actinomyces
# 这应该是贪婪模式,只用最后一个__?
tax_1 <- gsub(".+__", "", tax)
tax_1[1:3]
[1] "Neisseria" "Capnocytophaga" "Actinomyces"
grep()默认返回向量的元素序号,加参数value = TRUE
返回值。
grep("[wd]", c("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width","Species"))
[1] 2 4
grep("[wd]", c("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width","Species"), value = TRUE)
[1] "Sepal.Width" "Petal.Width"
如果不用正则表达式,直接匹配,可以加个参数fixed =TRUE。
- rep()和grep()
这两个函数可以用来创建样本分组的信息,如:
group_1 <- data.frame(c(rep("fecal",length(grep("drySt", colnames(tab)))),rep("cecal", length(grep("CeSt", colnames(tab))))))
4.2 dplyr包简介
dplyr包提供了一系列数据操纵函数,是plyr包的第二版,专注于data frames。在以行和列转换和汇总表格数据方面,非常有用,包括选择行,过滤列、排序行,增加新列和汇总。重要的函数包括:
- select() 和 rename() 基于名字选择列(变量)
- filter() 基于值过滤行(cases)
- arrange() 重新排序行 (cases)
- mutate() 和 transmute()创建新列, 例如, 通过已有变量,调用函数增加新的变量
- summarise() 汇总数值
- group_by() 分组观察值,分开和合并
- sample_n() 和 sample_frac() 随机抽样
另外,dplyr从magrittr包引入了管道%>%,在合并几个函数时非常有用。与之前的函数嵌套从里到外调用不同,管道是从左到右依次传递,例如:
install.packages("dplyr")
library(dplyr)
head(iris)
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa
iris %>% select(Sepal.Length,Sepal.Width) %>% head
# Sepal.Length Sepal.Width
1 5.1 3.5
2 4.9 3.0
3 4.7 3.2
4 4.6 3.1
5 5.0 3.6
6 5.4 3.9
select() 选择列
head(select(iris,Sepal.Length, Sepal.Width, Petal.Length, Petal.Width))
# Sepal.Length Sepal.Width Petal.Length Petal.Width
1 5.1 3.5 1.4 0.2
2 4.9 3.0 1.4 0.2
3 4.7 3.2 1.3 0.2
4 4.6 3.1 1.5 0.2
5 5.0 3.6 1.4 0.2
6 5.4 3.9 1.7 0.4
head(select(iris,Sepal.Length:Petal.Width)) #同样效果
# 排除某列
head(select(iris,-Species)) #和上面同样效果
# 排除多列
head(select(iris,-(Petal.Width:Species)))
# Sepal.Length Sepal.Width Petal.Length
1 5.1 3.5 1.4
2 4.9 3.0 1.4
3 4.7 3.2 1.3
4 4.6 3.1 1.5
5 5.0 3.6 1.4
6 5.4 3.9 1.7
还有另外的函数,基于特定标准选择列,使用select(),例如:starts_with()#起始字符, ends_with()#结束字符, matches()#正则表达式, contains()#匹配一个字符常量, 和 one_of (),基本看意思能够理解功能了。
# 匹配开头是S的列
head(select(iris,starts_with("S")))
# Sepal.Length Sepal.Width Species
1 5.1 3.5 setosa
2 4.9 3.0 setosa
3 4.7 3.2 setosa
4 4.6 3.1 setosa
5 5.0 3.6 setosa
6 5.4 3.9 setosa
filter() 选择行
# 选择Sepal.Length>=6的行
filter(iris,Sepal.Length>=6)
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 7.0 3.2 4.7 1.4 versicolor
2 6.4 3.2 4.5 1.5 versicolor
3 6.9 3.1 4.9 1.5 versicolor
# 选择Sepal.Length>=6 Sepal.Width>=3的行
filter(iris,Sepal.Length>=6,Sepal.Width>=3)
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 7.0 3.2 4.7 1.4 versicolor
2 6.4 3.2 4.5 1.5 versicolor
3 6.9 3.1 4.9 1.5 versicolor
arrange() 重新排序行
和flter()类似,但是只是重新排序
head(arrange(iris,Sepal.Length,Sepal.Width))
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 4.3 3.0 1.1 0.1 setosa
2 4.4 2.9 1.4 0.2 setosa
3 4.4 3.0 1.3 0.2 setosa
4 4.4 3.2 1.3 0.2 setosa
5 4.5 2.3 1.3 0.3 setosa
6 4.6 3.1 1.5 0.2 setosa
默认升序,desc()降序
head(arrange(iris,desc(Sepal.Length,Sepal.Width)))
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 7.9 3.8 6.4 2.0 virginica
2 7.7 3.8 6.7 2.2 virginica
3 7.7 2.6 6.9 2.3 virginica
4 7.7 2.8 6.7 2.0 virginica
5 7.7 3.0 6.1 2.3 virginica
6 7.6 3.0 6.6 2.1 virginica
# 使用管道,把前面几个函数一起用,至少比嵌套调用整洁好看和理解些吧
iris %>% select(-Species) %>% arrange(desc(Sepal.Length,Sepal.Width)) %>% head
# Sepal.Length Sepal.Width Petal.Length Petal.Width
1 7.9 3.8 6.4 2.0
2 7.7 3.8 6.7 2.2
3 7.7 2.6 6.9 2.3
4 7.7 2.8 6.7 2.0
5 7.7 3.0 6.1 2.3
6 7.6 3.0 6.6 2.1
创建新列mutate()
head(mutate(iris,average_sepal_length=sum(Sepal.Length)/n()))
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa
average_sepal_length
1 5.843333
2 5.843333
3 5.843333
4 5.843333
5 5.843333
6 5.843333
# 只保留新列
head(transmute(iris,average_sepal_length=sum(Sepal.Length)/n()))
average_sepal_length
1 5.843333
2 5.843333
3 5.843333
4 5.843333
5 5.843333
6 5.843333
summarise() 汇总数值
使用这些函数mean(), sd(), min(), max(), median(), sum(), n(), first(), last() and n_distinct()。
# 把数据框变成一个单行
summarise(iris, avg_L = mean(Sepal.Width, na.rm = TRUE))
# avg_L
1 3.057333
summarise(iris, avg_W = mean(Sepal.Width),avg_L= mean(Sepal.Length))
# avg_W avg_L
1 3.057333 5.843333
group_by() 分组观察值,分开和合并
iris %>% group_by(Species) %>% summarise( avg_W = mean(Sepal.Width),avg_L= mean(Sepal.Length))
`summarise()` ungrouping output (override with `.groups` argument)
# A tibble: 3 x 3 这是tibble是特殊的data.frame
Species avg_W avg_L
1 setosa 3.43 5.01
2 versicolor 2.77 5.94
3 virginica 2.97 6.59
sample_n() 和 sample_frac() 随机抽样
sample_n(iris,6) #按个数抽样
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 6.7 3.1 4.7 1.5 versicolor
2 5.2 2.7 3.9 1.4 versicolor
3 4.4 2.9 1.4 0.2 setosa
4 5.9 3.2 4.8 1.8 versicolor
5 6.0 2.2 4.0 1.0 versicolor
6 5.9 3.0 4.2 1.5 versicolor
sample_frac(iris, 0.02) #按比例
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.7 2.5 5.0 2.0 virginica
2 5.3 3.7 1.5 0.2 setosa
3 5.1 2.5 3.0 1.1 versicolor
sample_frac(iris, 0.02,replace = TRUE) #bootstrap重采样
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 6.3 3.3 6.0 2.5 virginica
2 6.9 3.2 5.7 2.3 virginica
3 5.0 3.2 1.2 0.2 setosa