两个神奇的R包介绍，外加实用小抄
认识Tidy Data1.Reshape Data2.Handle Missing Values3.Expand Tables4.split cells一、测试数据1.新建数据框2.用tidyr进行处理3.按照geneid排序4.空值操作用表二、Dplyr能实现的小动作1.arrange 排序2.fliter3.distinct4.select5.mutate6.summarise7.bind_rows8.交集、并集、全集9.关联
小抄准备好
1.准备工作
准备好Rstudio
安装tydir：install.packages("tydir")
加载tydir：library（tydir）
2.key-value：键值对 键和值都是列名，如SampleName和Expression的对应。
3.函数后面跟括号，括号里第一个参数是都数据框名
4.字符串要加双引号，行名和列名不用加，其他单元格（姑且这么叫了）里出现的字符串要加。
行 raw
列 column，简化为col
5.有一个问题，你需要先学会新建数据框，才能复制我的示例数据哈哈。
举个例子，看怎么新建
bioplanet<-data.frame(GeneId = rep("gene5",times=3),
SampleName =paste("Sample",1:3,sep=""),
Expression=(14，19，18) 得到的数据框是
新建一个数据框并赋值给bioplanet这个变量（赋值符号<-还记得嘛）括号里是“列名”=列值，这里列名要加双引号。这里涉及的几个给列填充数值的函数有
rep，重复，括号中填要重复的字符和重复次数。
paste，连接两个字符串，括号要填两个代连接字符并指定分隔符（sep），没有分隔符就填sep=“”。
1：3表示从1到三。如需一列中需要填入三个无规律的数字，可以用向量c（1，3，4），同样如果填是字符串也需要加双引号。
认识Tidy Data
TidyData？泰迪数据是神马数据？我想到了如下两坨：
皮一下我就是很开心！皮完查字典去：
这是一种组织表格数据的方式，提供了一种能够跨包使用的统一的数据格式。
有多统一？
每个变量（variable）占一列，每个情况（case，姑且这么翻译）和观测值（observation）占一行。
举个栗子
看到吗？一列是一列，是魔鬼的步伐。不要让sample1，2，3当列名，让他们多重复几遍，合并到一列。
数据由九宫格变成了一列，就可以用来跨包处理啦。
这就是实现了数据框的变形?。
1.Reshape Data
哦，我知道你想要魔法棒，来。
gather：我就是刚才的魔法棒
spread：我能让tidy data一夜回到解放前。
gather括号里的分别是：
数据框名，需合并的列名，合并后的key列名，value列名。
（正常来说列名不需要加‘’，大概是因为示例中这个列名是纯数字的缘故。）
其中，需合并的列名也可以列在最后，这样，key=和value=可以省略。
其中，合并前的列名如果比较多，可以用排除法，在上图例子中可用
gather（table4a,year,cases,-country）2.Handle Missing Values
处理丢失的数据。就是某些单元格有空值的情况。
三种处理方式：删除整行，根据上下文（瞎）蒙一个，同一列的空值填上同一个数。
drop_na（）括号里填数据框名，依据的列名
fill（）同上
replace_na（）括号里填数据框名，要填的列名=要填的值
3.Expand Tables
1532868312448.png
这个地方，简直看不懂。不过经过一番试验，搞明白了用法。
complete（填空系列）
我用的示例数据是
其中有三个空值，我要填充上ddd relate
1532868462756.png
试了多次，成功了但不知道咋回事。
expand（列出每列值所有可能的组合，天哪我是写到这里的时候刚看懂的！）
来看示例
我是看到了结果才知道我干了啥的喂。就是选中的列中的值各种组合，成为一个新表。（我想给自己打个优秀）
4.split cells
把一列拆成两列。目测要有分隔符才行啊好像。
separate：按列分割
sparate_rows：按行分割
unite：分割完了再合并回去
（此处让我想起一个小学老师，他把学校发的家庭作业本扣下了，让我们写家庭作业的时候每次给发一张纸（separate），说期末给我们一页页订起来（unite），当时我虽然只有十岁，但我知道他八成在骗人。嗯后来用剩下的本子被他贪污了。更恶心的是，竟然有同学以我的纸和别人颜色不一样，不是老师今天发的为由告我的状！！！）
这坨包的操作格式必须是tidy data。
准备工作：
准备好Rstudio
安装tydir：install.packages("dplyr")
加载tydir：library（dplyr）
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.按照geneid排序
frame1<-arrange(frame1,geneid) 
4.空值操作用表
由于涉及空值操作，再新建一个
frame2<-data.frame(geneid = paste("gene",1:3,sep=""),annotion=paste( c("aaa","bbb","ccc"),"relate") )
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（data，col1）
arrange（data，col1，col2）#在按col1排序的基础上，按col2排序
arrange（data，col1，desc（col2））2.fliter
按行筛选 （筛选符合要求的行）
举三个栗子
filter(data,col3>1)
filter(data,col3>1|col1=="gene1") #“|”表示or，或者。
filter(tidy2,Expression>1) %>% arrange(Expression) #%>%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（其实就是列出某一列所有的不同值）
distinct（frame1，geneid）
distinct（frame1，geneid，Sampleid）#列出这两个值都重复的行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)
mutate(frame3,E=expression*10) %>% select(-expression)
mutate(frame3,id=paste("ath",GeneId,sep = "_")) %>% select(-geneid)
mutate(frame3,id=paste("ath",GeneId,sep = "_")) %>% select(id,SampleName,Expression)
mutate(frame3,he=cumsum(Expression)) %>% select(-GeneId) 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。
#%>%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,Sampleid=="Sample1")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
rbind(frame1,frame4)#
frame1 %>%bind_rows(frame4)8.交集、并集、全集
intersect(frame1,frame4)
union(frame1,frame4)
union_all(frame1,frame4)
这图是我用ppt画的
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。
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)
inner_join：只保留两个表格共有的行
full_jion：保留全部的行
left,right,inner,full_join
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
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
哦，忘记说了，这些R包是有对应的小抄的，如果你还不懂什么是小抄，请出门自行谷歌了解一下哈！
在我们生信技能树后台回复 小抄 或者 cheatsheet 即可获取哈。