TCGA | 以项目方式管理代码数据 以及 数据读取存储
以项目的方式管理R代码和文件，可以很大程度规避 1）工作路径不对，2）找不到文件 ，3）代码和文件不对应 ，等常见的问题。
RStudio是一款流行的R语言IDE(开发者集成环境)，在安装Rstudio之前一定要先安装R软件，本文简单的介绍如何使用Rstudio进行项目管理。
一 项目式管理代码 数据
1.1 新建New Project
打开Rstudio，点击左上角箭头所示的位置，选择New Directory，选择New Project
（或者File --- New Project --- New Directory --- New Project）
1.2 设置路径
点击 Browse 设置项目路径，然后填写工作路径，可以选择是否打开一个新的session
1.3 新建R script
然后点击Rstudio左上角的+，选择 R script ，，（R Markdown 和 R Presentation后面会介绍）
以上，就新建了一个项目。
二 数据读取 存储
数据分析当然首先需要数据，之前的推文中用到了几种，比如
- 载入R 或者 R包的内置数据集；
- 通过matrix或者data.frame等构建简单的数据集 ；
- 读取文件获取数据集 。
2.1 读取表达数据并转换Ensembl_ID
TCGA数据挖掘 | Xena - TCGA数据下载分享的是下载乳腺癌的数据，此处换为LAML，下载方式一样！
为啥？因为LAML样本少，读取快￣□￣｜｜！
1 ）读取表达量数据
rm(list = ls()) #一键清空
#载入R包
library(openxlsx)
library(tidyverse)
#读取表达量数据 TCGA-LAML.htseq_counts.tsv
fpkm <- read.table("TCGA-LAML.htseq_counts.tsv",sep = "\t" , header = T,
#row.names = "Ensembl_ID",
stringsAsFactors = FALSE ,
check.names = FALSE)
fpkm[1:4,1:4]
一些常用参数选项：
- header：逻辑值，表示文件的第一行是否包含变量的标题；
- sep：表示在同一行内，用于分割变量值的分隔符；
- row.names：字符串类型的向量，用于指定行的名称。可以是一个向量，包含所有数据行的名称，也可以指定一个字符串，该字符串是文件的列名，那么数据集使用该列的值作为行的名称。
- na.strings：用于表示缺失值的字符串向量，在读取数据时，当变量值匹配这些字符串中的任意一个时，把变量的值转换为NA。
- quote：用于对有特殊字符的字符串划定界限的符号，默认值是双引号或单引号。
- stringAsFactors：逻辑值，默认值是TRUE，用于指定是否把字符向量转换为因子。
- check.names ：逻辑值，默认值为TRUE,它会自动将变量名转换成唯一的字符型向量 。
需要注意列名，不设置`check.names`的话， 1 会变成 “X1” ，TCGA-AB-2949-03B会变成“TCGA.AB.2949.03B”，一些不识别的符号（如空格，%，#等）也会自动变化，需要特别注意。
2）读取probeMap文件，转换Ensembl_ID
下载表达矩阵的时候，记得下载对应的probeMap文件，方便将Ensembl_ID转为常见的基因symbol。
#gencode.v22.annotation.gene.probeMap
probeMap <- read.table("gencode.v22.annotation.gene.probeMap",sep = "\t" , header = T,
stringsAsFactors = FALSE ,
check.names = FALSE)
probeMap[1:4,1:4]
expr <- fpkm %>%
inner_join(probeMap, by = c("Ensembl_ID" = "id")) %>%
select(gene , starts_with("TCGA") )
gene TCGA-AB-2949-03B TCGA-AB-2918-03A TCGA-AB-2943-03A
1 TSPAN6 5.129283 3.700440 5.209453
2 TNMD 1.000000 1.000000 0.000000
3 DPM1 9.972980 9.885696 9.868823
4 SCYL3 9.980140 10.052568 10.965784详细的用法可查看：
Tidyverse| XX_join ：多个数据表（文件）之间的各种连接
盘一盘Tidyverse| 筛行选列之select，玩转列操作
3. 处理临床和随访数据
注意临床数据和随访数据分开的！
#临床数据
cli <- read.table("TCGA-LAML.GDC_phenotype.tsv", header = T,sep = "\t" ,
stringsAsFactors = FALSE)
cli[1:4,1:4]
#随访数据
surv <- read.table("TCGA-LAML.survival.tsv", header = T,
stringsAsFactors = FALSE)
surv[1:4,1:4]
#结合，提取部分列
cli_surv <- cli %>%
inner_join(surv,by = c("submitter_id.samples" = "sample")) %>%
select(submitter_id.samples,age_at_index.demographic,gender.demographic,
tumor_grade.diagnoses,tumor_stage.diagnoses,OS,OS.time)
head(cli_surv)
4. 数据保存之 write和save
write 输出文件：可以保存为多种格式，只能保存一个文件
save 保存数据：可以保存多个文件，使用时直接load即可，保存关键或者耗时的中间文件。
write.xlsx(cli_surv,"1-cli_surv.xlsx")
write.csv(cli_surv,"1-cli_surv.csv",row.names = FALSE)
write.table(cli_surv,"1-cli_surv.txt",row.names = FALSE)
save(expr,cli,surv,cli_surv ,file = "Step1_data_join.RData")
#load("Step1_data_join.RData")使用R Project 管理代码和数据，加上详细的注释，可以大大减少后面找数据，分析代码的时间！