2020-06-06 day6 导入dplyr包---cat

1. 设置镜像网站，用于快速下载包

(1). 初级模式

运行这两条命令,对应清华镜像网站；

下次再打开Rstudio会发现，下载Bioconductor可能还是会回到官方镜像，可以通过options()$BioC_mirror命令查询是否是需要的镜像网站。

options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) 
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")
options()$BioC_mirror

(2). 高级模式

设置Rstudio开始运行时，检测环境的文件，打开并运行上面两个镜像命令。

设置后每次打开R studio自动链接到设置好的镜像网站，不用每次再运行。

file.edit('~/.Rprofile')
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) 
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/")
options()$BioC_mirror

---

2. 学习下载packages

（以下载dplyr为例）

dplyr是一个专门用于处理数据框的包。强大的dplyr包，可以非常灵活、快速的实现数据的预处理。

(1) 导入并加载dplyr这个包

install.packages('dplyr')
library(dplyr)

---

3. dplyr包的大致学习

(1) 打开示例表格, 命名为test

通过帮助查到，iris is a data frame with 150 cases (rows) and 5 variables (columns) that named Sepal.Length, Sepal.Width, Petal.Length, Petal.Width, and Species.

test <- iris[c(1:2,51:52,101:102),]

(2) mutate命令，新增列，新增列名new, 值=第一列乘以第二列

mutate(test,new=Sepal.Length*Sepal.Width)

(3) 行和列的选择和筛选

选择test的第1列/第2,4列/直接按列名筛选

select(test,1)
select(test,c(2,4))
select(test, Petal.Length, Petal.Width)

按元素选择，如，vars这里设置为Petal.Length, Petal.Width字符串向量；

用one_of()来声明选择对象；比如one_of("x","y")就是表明选择x,y变量

vars <- c("Petal.Length", "Petal.Width")
select(test, one_of(vars))

筛选species这一列，名为setosa的行。

注意：双等号的意思，双等号表示等于，单等号为赋值。

filter(test, Species=='setosa')
filter(test,Species=='setosa'&Sepal.Length> 5)
## 双重筛选，setosa和Sepal.Length大于5的行

filter(test, Species %in% c("setosa","versicolor"))
## 筛选，%in%适用于前后两个向量重叠的部分。
### 管道符号将左边的对象作为第一个参数传递到右边的函数中
***

(4) 其他数据的排列，分组以及表格的整合命令学习

arrange(test, Sepal.Length)
arrange(test, desc(Sepal.Length))
## 排序，对test中的Sepal.Length这一列进行排序，默认从小到大排序
## 用desc命令从大到小

summarise(test, mean(Sepal.Length), sd(Sepal.Length))
## 对数据进行简单的统计汇总，计算Sepal.Length的平均值和标准差

summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length))
## 先对test按Species分组，分组后分别进行统计汇总

install.packages('tidyverse')
library('tidyverse')
## 任意一个tidyverse包即可用管道符号

test %>%
  group_by(Species) %>%
  summarise(mean(Sepal.Length), sd(Sepal.Length))

group_by(test,Species) %>%
  summarise(mean(Sepal.Length), sd(Sepal.Length))
  ## dplyr包中的管道操作%>%，该命令将左边的对象作为第一个参数传递到右边的函数中
### 注意，在运行管道命令时，左侧命令中出现的表格或命令行或列，不要再出现在右侧的命令中。
### 我认为管道命令相当于一个层级递进的关系

count(test,Species)
count(test,Sepal.Length)
## count 用于计算某一列的唯一的值，如Species这一列就有三个unique的值，且分别有两个。

test1 <- data.frame(x = c('b','e','f','x'), 
                    z = c("A","B","C",'D'),
                    stringsAsFactors = F)
test2 <- data.frame(x = c('a','b','c','d','e','f'), 
                    y = c(1,2,3,4,5,6),
                    stringsAsFactors = F)
inner_join(test1,test2,by='x')
left_join(test1,test2,by='x')
left_join(test2,test1,by='x')
## 新建数据框test1，test2，注意数据框中不能有factor。
### inner_join命令，取test1 and test2中，x列相同的行和列。
### left_join命令，以test1的x列为参照合合并两个表格，注意，这里x是两个数据框都有的。
#### 并且以test1的x列全部列出，不管test2的x比test1多还是少，均以test1为主。互换test2后，同理。

full_join(test1,test2,by='x')
## 两个数据框按共有的x列，全部合并，注意，这里by=也只能选两个数据框都有的列名。

semi_join(x = test1, y = test2, by = 'x')
##这里我还没弄清楚什么意思

test03<- data.frame(x=c(1,2,3,4,5,6),y=c(10,20,30,40,50,60))
test04<- data.frame(x=c(11111,22222),y=c(100,200))
test05<- data.frame(z=c(12,23,34,45,56,67))
bind_cols(test03,test05)
bind_rows(test03,test04)
## 注意，bind_rows()函数需要两个数据框列数相同；
## 注意，bind_cols()函数需要两个数据框行数相同；

在运行studio时，每一个命令，我都在script中做了注释，所以直接引用到这里，需要在学习时，只需要将这些代码和注释直接复制，一步步运行并参照注释。