今天是生信星球陪你的第96天

   你想找辆共享单车，发现满街都是别家车，没有一辆你能骑。

   你想学点生信，搜了“初学者教程”，满眼尽是高大上，没有一句能看懂。

   终于你跨越茫茫宇宙，来到生信星球，发现了初学者的新大陆！

　　这是一个根据学习小组提出的问题优化过的教程

　　这坨包是对表格进行进一步操刀的工具，还是属于数据处理的基本功。值得一提的是，他的操作格式必须是tidy data，这就要用到神器tidyr了。

这个教程代码必须手打，不要复制，否则练不好的。

首先还是要下载:

install.packages("dplyr")

加载:

library(dplyr)

下面要用到tidyr，所以也加载一下

library(tidyr)

一、测试数据

1.新建数据框

frame1<-data.frame(geneid=paste("gene",1:4,sep=""),Sample1=c(1,3,6,9),Sample2=c(2,5,0.8,11),Sample3=(c(40,70,80,35)))

2.用tidyr进行处理

frame1<-gather(frame1,"Sampleid","expression",Sample1,Sample2,Sample3)

3.排序

现在是按照Sampleid列排序的，我们按用geneid排：

frame1<-arrange(frame1,geneid) 

（这里的arrange命令下面会讲到）

4.空值操作用表

由于涉及空值操作，再新建一个frame2

frame2<-data.frame(geneid = paste("gene",1:3,sep=""),annotion=paste( c("aaa","bbb","ccc"),"relate") )

（请大胆忽略报错信息）

frame3<-left_join(frame1,frame2,by="geneid")

二、Dplyr能实现的小动作

1.arrange 排序

按某一/两列值的大小，按照升/降对行排序。

举三个栗子

arrange(frame1,geneid) #这是刚才准备测试数据时写下的

arrange(frame1,geneid,expression)#在按col1排序的基础上，按col2排序

arrange(frame1,geneid,desc(expression))

（这里请新手注意一个问题：如果你不赋值，直接打命令的话，结果会出现在控制台，但变量不会改变。但你加上赋值，会改变变量本身，并出现在左上窗口里。）

2.fliter

按行筛选 （筛选符合要求的行）

举三个栗子

filter(frame1,expression>3) 
filter(frame1,expression>3|geneid=="gene2")  #注意“|”表示or，或者。
filter(frame1,expression>3) %>% arrange(expression) #筛选后排序
 #%>%是管道操作符，将第一个函数的结果输出为第二个结果的操作文件，可以少些重复。

（这开发者符合我的审美啊，懒惰是一种美德！）

3.distinct

去除重复行（其实就是列出某一/两列所有的不同值）

distinct(frame1,geneid)
distinct(frame1,geneid,Sampleid) 

4.select

按列筛选（选择符合要求的列）

select(frame3,geneid,expression) #选择特定两列
select(frame3,-Sampleid) #反选，all but Sampleid
select(frame3,contains("n")) #列名包含n的列
select(frame3,starts_with("a")) #以a开头的列

5.mutate

根据原有的列生成新的列

mutate(frame3,E=expression *10)  #生成新列E，是expression列值的10倍
mutate(frame3,E=expression*10) %>% select(-expression)  #生成新列后，去掉把原有的expression列
mutate(frame3,id=paste("ath",geneid,sep = "_")) %>% select(-geneid) #（在列添加前缀ath）
mutate(frame3,id=paste("ath",geneid,sep = "_")) %>% select(id,Sampleid,expression) #和上一行本质上是一样的，这行比较笨
mutate(frame3,cum=cumsum(expression)) %>% select(-geneid) #请查一下cumsum这个函数的意思

6.summarise

对数据进行简单统计

summarise(frame3,avg=mean(expression)) #对expression列平均值
frame3 %>% group_by(geneid)%>%summarise(avg=mean(expression))#按照geneid分组并求平均值（更有意义），请注意这里分组的函数group_by。
#%>%是管道操作符（想起了linux的 |）

7.bind_rows

表格拼接（按行拼接）

先新建一个frame4用于拼接（由于我懒，所以直接从frame1筛选几行生成一个）

frame4 <- filter(frame1,expression>8)

两种办法拼起来~

一个是R自带的rbind，一个是dplyr里的bind_rows

按行拼接时，列数、列名需要一致,否则报错

rbind(frame1,frame4)
frame1 %>%bind_rows(frame4)

结果就是---俩表粘起来了呗。也不管有没有重复行什么的就这么粗暴。（当然有重复行了。。。）

8.交集、并集、全集

intersect(frame1,frame4)
union(frame1,frame4)
union_all(frame1,frame4)

交集并集巴啦啦的可是高中数学第一册第一章，我记得好清楚。（给自己卡个优秀）

intersect是中间阴影，union是包括AB全部，重复部分出现一次。 union后加上all，重复部分不会被筛出，出现两次。

9.关联

关联分两组：左、右、内、全和半、反。
第一组：：左、右、内、全连接
左连接：把表2添加到表1

left_join(frame1,frame2)

右连接：把表1添加到表2

right_join(frame1,frame2)

内连接：只保留两个表格共有的行inner_join(frame1,frame2)
全连接：保留全部的行full_join(frame1,frame2)

注意下，截图中我打出的命令下面有一行蓝字，写了by ="geneid"。这是根据相同的列名进行合并，当在两个表格中列名不一样时，需要在括号内加

by=c("col1"="col2")

其中col1和2分别是在两个表格中的需合并的列名
（2）半、反连接
也就是semi_join，anti_join。这两种关联方式都是以表格1为基础，根据表格2与其共有的那一列进行筛选。

•semi_join只保留第二个表格中包含的id

只是把表1中的gene4去掉了，但并没有加上表2的annotion列。

•anti_join只保留第二个表格中不包含的id

点击底部的“阅读原文”，获得更好的阅读体验哦😻