很多人推薦《R語言實戰(zhàn)》這本書來入門R忽妒，當然玩裙，這本書非常不錯，我也是通過這本書開始接觸的R段直。這種入門的學習路徑屬于base R first吃溅，學習的流程基本是先了解變量的類型、數(shù)據(jù)的結(jié)構(gòu)鸯檬，再深入點就會學到循環(huán)與自定義函數(shù)决侈。有些類似于先認識編程，再按照數(shù)據(jù)處理喧务、可視化赖歌、統(tǒng)計分析等應(yīng)用方向開始下一個學習的旅程枉圃。但是對于很多人來說，R僅僅是一個可視化工具庐冯，來做出漂亮的圖孽亲，或者是一個可以方便的做回歸分析，生存分析展父，顯著性檢驗的統(tǒng)計工具墨林。那么，tidyverse就提供了一個很好的學習思路（tidyverse first）犯祠，讓我們先忽略編程這道大關(guān)，其理念是一開始不談向量酌呆、矩陣衡载、數(shù)據(jù)框、因子隙袁、流程控制等概念痰娱，直接從數(shù)據(jù)的操縱入手，讓初學者在最短時間內(nèi)學會數(shù)據(jù)的處理與可視化應(yīng)用菩收。
有這么一句話“數(shù)據(jù)分析師的80%的時間梨睁，都消耗在數(shù)據(jù)清理上”，清理出可視化和統(tǒng)計分析可以直接使用的數(shù)據(jù)娜饵，往往最費精力和繁瑣的過程坡贺，而tidyverse的一大亮點就是提供非常優(yōu)秀的數(shù)據(jù)清理、整合和可視化的“一站式服務(wù)”箱舞。
tidyverse 是什么
tidyverse出自于R大神Hadley Wickham之手遍坟，他是Rstudio首席科學家，也是ggplot2的作者晴股。tidyverse就是他將自己所寫的包整理成了一整套數(shù)據(jù)處理的方法愿伴，包括ggplot2，dplyr电湘，tidyr隔节，readr，purrr寂呛，tibble怎诫，stringr, forcats。同時也出了一本《R for Data Science》昧谊，這本書里面也詳細介紹了tidyverse的使用方法刽虹，這本書的電子版獲取方式見微信公眾號本文。
library(tidyverse) will load the core tidyverse packages:
ggplot2, for data visualisation. (畫圖呢诬，可視化數(shù)據(jù))
dplyr, for data manipulation. (操控數(shù)據(jù)涌哲，過濾胖缤、排序等)
tidyr, for data tidying. (清理數(shù)據(jù)，轉(zhuǎn)為ggplot可用的格式)
readr, for data import. (從文件中讀取數(shù)據(jù))
purrr, for functional programming. (提供好用的編程函數(shù))
tibble, for tibbles, a modern re-imagining of data frames. (data.frame升級款)
stringr, for strings. (處理字符阀圾，查找哪廓、替換等)
forcats, for factors. (處理因子問題)
tidyverse的安裝也很簡單，在R中輸入以下命令：
#安裝包
install.packages("tidyverse")
#使用前初烘，記得載入包
library(tidyverse)
tidyverse的數(shù)據(jù)處理流程大致分為以下三類：
- 數(shù)據(jù)導(dǎo)入
- 數(shù)據(jù)整理
- 數(shù)據(jù)探索（可視化涡真，統(tǒng)計分析）
數(shù)據(jù)導(dǎo)入
readr：readcsv(); readtsv(); readdelim(); readfwf(); readtable(); readlog();
readxl：readxls(); readxlsx();
haven：打開SAS 、SPSS肾筐、Stata等外部數(shù)據(jù)哆料。
以read_csv為例，把需要分析的數(shù)據(jù)存為csv文件（逗號分隔的文件吗铐，execl文件可以另存為csv文件）东亦，然后R讀取即可：
data <- read.csv("data_for_input.csv")
類似的，readtsv()可以讀取tab分隔的數(shù)據(jù)唬渗，readxls()可以直接讀取execl的數(shù)據(jù)典阵。
數(shù)據(jù)整理
tibble格式
R中的對多變量數(shù)據(jù)的標準保存形式是 dataframe，而tibble是dataframe的進化版镊逝，它有如下優(yōu)點：
- 生成的數(shù)據(jù)框數(shù)據(jù)每列可以保持原來的數(shù)據(jù)格式壮啊，不會被強制性改變,即字符串，不會莫名其妙的變成因子格式撑蒜；
- 查看數(shù)據(jù)時歹啼，不再會一行顯示不下，多行顯示得非常丑减江；
- 數(shù)據(jù)操作速度會更快
如下圖染突，直接查看tibble格式的數(shù)據(jù)，可以一目了然的看清數(shù)據(jù)的大小和每列的格式
有兩種方式來創(chuàng)建tibble格式的數(shù)據(jù)
1. 直接創(chuàng)建
2. 其他格式轉(zhuǎn)化辈灼，例如用read.csv讀取的數(shù)據(jù)默認是dataframe格式份企，就可以使用as_tibble轉(zhuǎn)換為tibble格式
管道函數(shù) %>%
在tidyverse中，管道符號是數(shù)據(jù)整理的主力巡莹，它的功能和Linux上的管道符“|”類似司志，可以把許多功能連在一起，而且簡潔好看降宅，比起R的基本代碼更加容易閱讀骂远！
x %>% f(y) means that x is‘piped’ into the function f(x,y)
以R中自帶的iris（鳶尾花數(shù)據(jù)集）為例：
%>% 的作用就是將iris數(shù)據(jù)用于管道后面的head函數(shù)。
dplyr包
dplyr基本包含了我們整理數(shù)據(jù)的所有功能腰根，堪比瑞士軍刀激才，這里介紹以下函數(shù)：
filter: filters out rows according to some conditions （根據(jù)條件過濾數(shù)據(jù)）
arrange: reorders rows according to some conditions （根據(jù)某一列的數(shù)據(jù)對行排序）
select: selects a subset of columns （只保留部分列的數(shù)據(jù)）
mutate: adds a new column as a function of existing columns （增加新的列）
summarise: collapses a data frame to a single row （概述數(shù)據(jù)的統(tǒng)計特征）
group_by: breaks a data frame into groups of rows （對數(shù)據(jù)分組）
1. filter
只選取Species列中，值為virginica的數(shù)據(jù)
（這里也是用到了管道符，將filter函數(shù)作用于iris數(shù)據(jù)）
選取Species為virginica瘸恼，并且Sepal.Length大于7.5的數(shù)據(jù)
2. select
只保留Species 和 Sepal.Length 這兩列
除了Species以外劣挫，其他的列都保留
利用管道符，先過濾（filter）东帅，然后只保留Petal.Width函數(shù)（select）
3. mutate
增加一列压固，列名為Sepal.Area，值為width和length相乘靠闭，然后不保留原來的Sepal.Length 和 Sepal.Width兩列
4. summarise
下面的例子的summarise中帐我， n() 是統(tǒng)計有多少行的數(shù)據(jù)，mean() 函數(shù)是計算平均值愧膀。
利用summarise可以指定統(tǒng)計的列拦键，或者統(tǒng)計方式（求方差，求和等）檩淋，最后得到的結(jié)果形成一個新的數(shù)據(jù)矿咕。
5. summarise & group_by
group_by通常與summarise搭配使用，如果我們需要對不同species的數(shù)據(jù)計算均值狼钮，那么利用group_by指定需要分組的列，summarise就幫我們統(tǒng)計出了結(jié)果捡絮，避免一個一個的去求均值
tidyr包
tidyr的兩個主要函數(shù)是 gather()和 spread()熬芜。這些函數(shù)允許在長數(shù)據(jù)格式（long data）和寬數(shù)據(jù)格式（wide data）之間進行轉(zhuǎn)換（功能類似于reshape包，但是比reshape更好用福稳，并且可以用于管道%>%連接）涎拉。
gather() 把數(shù)據(jù)從寬數(shù)據(jù)（wide）變成長數(shù)據(jù)（long），指定key的圆，value就做出下面的變換鼓拧，這種長數(shù)據(jù)特別適合用于ggplot2的畫圖中。
spread() 把數(shù)據(jù)從長數(shù)據(jù)（long）還原成寬數(shù)據(jù)（wide）越妈，對比gather()的變換季俩，指定你需要變長的key和value列即可~
數(shù)據(jù)探索
可視化：ggplot2
利用ggplot2實現(xiàn)可視化，具體的ggplot2就不做詳細的介紹了梅掠，這里提供ggplot2的速查表（cheatsheet）酌住，可以很方便的知道哪種圖對應(yīng)的ggplot2里面的哪個函數(shù)。原始的cheatsheet pdf版的獲取方式見微信公眾號本文阎抒。
統(tǒng)計：broom
broom是一個用于數(shù)學建模的包酪我，以回歸分析為例，R中的各種回歸分析往往不會返回一個整齊的data frame結(jié)果且叁，而broom 則幫助我們直接將統(tǒng)計結(jié)果轉(zhuǎn)化為data frame格式直接將統(tǒng)計結(jié)果轉(zhuǎn)化為data frame格式都哭。
下圖是一般的回歸分析結(jié)果的格式
下面是broom對 fit 格式化之后的結(jié)果，可以看到是一個方便讀取的data frame格式。
同樣欺矫，也可以與tidyverse中的管道和group_by結(jié)合纱新，批量的做回歸分析，并且得到整理好的結(jié)果汇陆。
總結(jié)
初學者從tidyverse 入門是一個不錯的使用R的切入方式怒炸，它提供了一整套data science的工具，而且還特別好用毡代。當然阅羹，入門之后如果使用者在未來需要使用R完成更細膩的分析時，再分配較充足的時間學習base R教寂。
歡迎關(guān)注公眾號："生物信息學"
