哈佛R语言课程–4.向量和因子取子集

学习目标

• 构建数据结构以存储外部数据

• 查看R的数据结构

• 从数据结构中对数据进行子集化。

1.将数据读入R

无论要执行的R中的具体分析是什么，通常都需要导入数据用于分析。我们使用的R中的函数将取决于我们引入的数据文件的类型（例如文本，Stata，SPSS，SAS，Excel等）以及该文件中的数据如何分开或分隔。下表列出了可用于从常见文件格式导入数据的函数。

例如，逗号分隔文本文件可以使用read.csv函数。但是，如果数据在文本文件中由不同的分隔符分隔，我们可以使用泛型read.table函数并将分隔符指定为函数中的参数。

基因组数据通常有一个metadata文件，其中包含有关数据集中每个样本的信息。用read.csv函数读入metadata文件。查看函数的参数以了解函数选项：

?read.csv

read.csv函数有一个必需参数和几个可选参数。必须参数是文件和文件名的路径，例如data/mouse_exp_design.csv。我们将函数写在赋值运算符的右侧，则任何输出都将保存为左侧的变量名。

metadata <- read.csv(file="data/mouse_exp_design.csv")

注意：read.csv默认将包含字符（即文本）的列强制转换为factor数据类型。根据用户要对数据执行的操作，如需将这些列保留为character，可以设置read.csv()和read.table()的参数stringsAsFactors为FALSE。

2.检查数据结构

R有很多基本函数可用于检查数据并对其进行汇总。以测试数据metadata为例。

输入变量名metadata，回车来查看数据框; 变量中包含样本信息。每行包含单个样本的信息，列分别是有关样本genotype（WT或KO）， celltype（typeA或typeB）和replicate number（1,2或3）的分类信息。

metadata

          genotype celltype replicate
sample1        Wt    typeA        1
sample2        Wt    typeA        2
sample3        Wt    typeA        3
sample4        KO    typeA        1
sample5        KO    typeA        2
sample6        KO    typeA        3
sample7        Wt    typeB        1
sample8        Wt    typeB        2
sample9        Wt    typeB        3
sample10       KO    typeB        1
sample11       KO    typeB        2
sample12       KO    typeB        3

文件行数更多时，不需要在控制台中显示所有内容，用函数head()查看data.frame的前6行：

head(metadata)

之前已经提到data.frame默认使用字符值转换为因子。使用str函数可以看到这种更改。str显示每列的具体信息：

str(metadata)

'data.frame':    12 obs. of  3 variables:
 $ genotype : Factor w/ 2 levels "KO","Wt": 2 2 2 1 1 1 2 2 2 1 ...
 $ celltype : Factor w/ 2 levels "typeA","typeB": 1 1 1 1 1 1 2 2 2 2 ...
 $ replicate: num  1 2 3 1 2 3 1 2 3 1 ...

可见，genotype和celltype列属于factor类，而replicate列是整型。

您还可以从RStudio的“environment”选项卡中获取此信息。

数据检查函数列表

已经看到函数head()和str()可以查看data.frame的内容和结构。以下是一个非详尽的函数列表，用于了解数据的内容/结构。

• 所有数据结构 – 内容显示：

• `str()`：紧凑的数据内容显示（环境）

• `class()`：向量的数据类型（例如字符，数字等）以及数据帧，矩阵和列表的数据结构。

• `summary()`：详细显示，包括描述性统计，频率

• `head()`：将打印变量的开始条目

• `tail()`：将打印变量的结束条目

• 向量和因子变量：

• `length()`：返回向量或因子中的元素数

• 数据框和矩阵变量：

• `dim()`：返回数据集的维度

• `nrow()`：返回数据集中的行数

• `ncol()`：返回数据集中的列数

• `rownames()`：返回数据集中的行名称

• `colnames()`：返回数据集中的列名称

3.使用索引和序列选择数据

在分析数据时，我们经常要对数据进行分区，以便只处理选定的列或行。数据框或矩阵只是组合在一起的向量集合。因此，从向量开始，学习如何访问不同的元素，然后将这些概念扩展到数据框。

（1）向量

选择使用索引

从向量中提取一个或多个值，可以使用方括号[ ]语法提供一个或多个索引。索引表示一个向量中的元素数目（桶中的隔室编号）。R索引从1开始。编程语言如Fortran，MATLAB和R从1开始计数，符合人类的思维模式。C系列中的语言（包括C ++，Java，Perl和Python）从0开始计算，因为这对计算机来说更简单。

创建一个名为age的向量：

age <- c(15, 22, 45, 52, 73, 81)

提取这个向量的第五个值，使用以下语法：

age[5]

提取除了这个向量的第五个值之外的所有值，使用：

age[-5]

如果我们想要选择多个元素，我们仍然会使用方括号语法，但不是使用单个值，而是传递几个索引值的向量：

idx <- c(3,5,6) # create vector of the elements of interest
age[idx]

要从向量中选择一系列连续值，我们将使用:哪个是一个特殊函数，它以递增或递减顺序创建整数数字向量。让我们从年龄中选择前四个值：

age[1:4]

或者，如果您希望反向可以尝试4:1例如，并查看返回的内容。

练习

1. 使用以下字母C，D，X，L，F创建一个名为字母的向量。

2. 使用关联的索引[ ]以执行以下操作：

• 仅显示C，D和F.

• 显示除X外的所有内容

• 以相反的顺序显示字母（F，L，X，D，C）

选择使用带有逻辑运算符的索引

我们也可以使用带有逻辑运算符的索引。逻辑运算符包括大于（>），小于（<）和等于（==）。R中逻辑运算符的完整列表如下所示：

使用逻辑表达式来确定特定条件是真还是假。仍以age向量为例：

age

想知道age向量中的每个元素是否大于50，可以使用：

age > 50

返回的是具有与age相同长度的逻辑值的向量，其中TRUE和FALSE值指示向量中的每个元素是否大于50。

[1] FALSE FALSE FALSE  TRUE  TRUE  TRUE

使用这些逻辑向量仅选择具有与逻辑向量中相同位置或索引处的TRUE值的向量中的元素。

使用逻辑运算符创建索引，以选择age向量中超过50 或 age小于18的所有值：

idx <- age > 50 | age < 18

idx

age

age[idx]

使用`which()`函数使用逻辑运算符进行索引

虽然逻辑表达式将返回相同长度的TRUE和FALSE值的向量，但我们可以使用该which()函数输出值为TRUE的索引。使用任一方法建立索引都会生成相同的结果，使用哪种方法取决于个人偏好。例如：

idx <- which(age > 50 | age < 18)

idx

age[idx]

请注意，无论是否使用which()，都会得到相同的结果。另请注意，虽然which()与索引的逻辑表达式的工作方式相同，但它可以用于多个其他操作，它们不能与逻辑表达式互换。

关于嵌套函数的注意事项：

idx我们可以将逻辑运算和/或函数放在括号中，而不是先创建idx对象。

age[which(age > 50 | age < 18)] 与 age[idx]上面相同。

(2) 因子

由于因子是特殊的向量，因此索引选择值的相同规则适用于因子。之前创建的expression因子的元素具有以下level：low，medium，high。

让我们用高表达式提取因子的值，在这里使用嵌套：

expression[expression == "high"]    ## This will only return those elements in the factor equal to "high"

嵌套说明：

上面的代码使用嵌套更有效; 使用了一步代替两步，如下所示：

Step1（无嵌套）：idx <- expression == "high"

Step2（无嵌套）：expression[idx]

练习

仅提取samplegroup不是KO的元素（可选嵌套逻辑操作）。

因子的relevel

我们已经简要地讨论了一些因子，但只有在实战之后，这种数据类型才会变得更加直观。稍微绕道而行，了解如何在一个因素中重新定义类别。

要查看整数分配，可以使用str()：

expression

str(expression)
Factor w/ 3 levels "high","low","medium": 2 1 3 1 2 3 1

这些类别被称为“因子水平”。如前所述，expression因子中的级别按字母顺序分配整数，高= 1，低= 2，中等= 3。然而，如果low = 1，medium = 2和high = 3，对我们来说更有意义，即我们有必要“重新定位”这个因素中的类别。

要重新定义类别，可以将levels参数添加到factor()函数中，并为其提供一个向量，其中包含按所需顺序列出的类别：

expression <- factor(expression, levels=c("low", "medium", "high"))     # you can re-factor a factor 

str(expression)
Factor w/ 3 levels "low","medium",..: 1 3 2 3 1 2 3

重排序后，low为第一类，medium为第二类，high为第三类。这体现在它们在str()中输出的方式以及在各个类别的编号在因子中的位置。

注意：当您需要将因子中的特定类别作为“基础”类别（即等于1的类别）时，需要重新调整。例如，将RNA-seq实验中的“对照组”作为“base” 。

练习

使用上节课创建的samplegroup 因子进行relevel，顺序是 KO、 CTL 、 OE。

本课程由Harvard Chan Bioinformatics Core (HBC)
的教学团队成员开发，中文版由简书ID@小洁忘了怎么分身（公众号@生信星球）整理。