學(xué)習(xí)R包

安裝和加載R包

1.鏡像設(shè)置
（國(guó)內(nèi)鏡像下載快很多）

file.edit('~/.Rprofile')#打開(kāi)文件編輯器镀岛，編輯器中輸入以下兩行代碼霹粥，保存坊饶，再重啟Rstudio即可
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) #對(duì)應(yīng)清華源
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") #對(duì)應(yīng)中科大源

當(dāng)然有可能會(huì)失敗，當(dāng)你檢查options()$repos發(fā)現(xiàn)不是清華源的話大概就是失敗了挫望。立润。。
這種情況下就只能每次安裝之前將后兩句直接輸在代碼框里來(lái)配置鏡像士骤。
2.安裝
安裝命令
install.packages(“包”)(在CRAN網(wǎng)站）
BiocManager::install(“包”)（在Bioconductor網(wǎng)站）
3.加載

library(包)#任選其一
require(包)#同上

4.以dplyr的安裝為例

options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) 
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") 
install.packages("dplyr")#dplyr在CRAN上范删，我們之前已經(jīng)配置好的話蕾域，只需要輸install和library兩句即可
library(dplyr)

本次的示例數(shù)據(jù)是iris：

test <- iris[c(1:2,51:52,101:102),]#就是那個(gè)鳶尾花啦~

是這樣的數(shù)據(jù)框哦：

test.png

dplyr的五個(gè)基礎(chǔ)函數(shù)

（以下的代碼行我都加了備注拷肌，沒(méi)備注的都是自動(dòng)顯示啦）

1.mutate(),新增列

mutate(test,new=Sepal.Length * Sepal.Width) #新增一個(gè)名為new的列到旦，數(shù)據(jù)為花萼長(zhǎng)*花萼寬
  Sepal.Length Sepal.Width Petal.Length Petal.Width    Species   new
1          5.1         3.5          1.4         0.2     setosa 17.85
2          4.9         3.0          1.4         0.2     setosa 14.70
3          7.0         3.2          4.7         1.4 versicolor 22.40
4          6.4         3.2          4.5         1.5 versicolor 20.48
5          6.3         3.3          6.0         2.5  virginica 20.79
6          5.8         2.7          5.1         1.9  virginica 15.66

2.select(),按列篩選
既可以按列號(hào)又可以按列名

select(test,1)#篩選出第一列
    Sepal.Length
1            5.1
2            4.9
51           7.0
52           6.4
101          6.3
102          5.8
select(test,c(1,5))#篩選出第一列和第五列
    Sepal.Length    Species
1            5.1     setosa
2            4.9     setosa
51           7.0 versicolor
52           6.4 versicolor
101          6.3  virginica
102          5.8  virginica
select(test,Sepal.Length)#篩選出花萼長(zhǎng)
    Sepal.Length
1            5.1
2            4.9
51           7.0
52           6.4
101          6.3
102          5.8
select(test,Petal.Length, Petal.Width)#篩選出花瓣長(zhǎng)和花瓣寬
    Petal.Length Petal.Width
1            1.4         0.2
2            1.4         0.2
51           4.7         1.4
52           4.5         1.5
101          6.0         2.5
102          5.1         1.9
vars<-c('Petal.Length',"Petal.Width")#給變量vars賦值
select(test,one_of(vars))#篩選vars，one_of是聲明選擇對(duì)象
    Petal.Length Petal.Width
1            1.4         0.2
2            1.4         0.2
51           4.7         1.4
52           4.5         1.5
101          6.0         2.5
102          5.1         1.9

3.filter(),篩選行

filter(test,Species=="setosa")#篩選出Species列含有setosa的行（不是行名為setosa哦巨缘，所以用了==）
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
filter(test,Species=="setosa"&Sepal.Length>5)#篩選出Species列含有含setosa并且花萼長(zhǎng)大于5的行
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
filter(test,Species%in% c("setosa","versicolor"))#篩選出Species列含有setosa和versicolor的行
  Sepal.Length Sepal.Width Petal.Length Petal.Width    Species
1          5.1         3.5          1.4         0.2     setosa
2          4.9         3.0          1.4         0.2     setosa
3          7.0         3.2          4.7         1.4 versicolor
4          6.4         3.2          4.5         1.5 versicolor

4.arrange(),按列排序,
默認(rèn)由小到大排列添忘，需倒序用desc()
注意，可以按多列排序若锁，但是除非上一列排序過(guò)程中存在等值數(shù)據(jù)搁骑，則使用下一字段的排序規(guī)則，否則按上一字段排序又固。

arrange(test,Sepal.Length)#按花萼長(zhǎng)從小到大排序
  Sepal.Length Sepal.Width Petal.Length Petal.Width    Species
1          4.9         3.0          1.4         0.2     setosa
2          5.1         3.5          1.4         0.2     setosa
3          5.8         2.7          5.1         1.9  virginica
4          6.3         3.3          6.0         2.5  virginica
5          6.4         3.2          4.5         1.5 versicolor
6          7.0         3.2          4.7         1.4 versicolor
arrange(test,desc(Sepal.Length))#按花萼長(zhǎng)從大到小排序
  Sepal.Length Sepal.Width Petal.Length Petal.Width    Species
1          7.0         3.2          4.7         1.4 versicolor
2          6.4         3.2          4.5         1.5 versicolor
3          6.3         3.3          6.0         2.5  virginica
4          5.8         2.7          5.1         1.9  virginica
5          5.1         3.5          1.4         0.2     setosa
6          4.9         3.0          1.4         0.2     setosa
arrange(test,Sepal.Length,Sepal.Width)#先按花萼長(zhǎng)再按花萼寬排序仲器，看上文注意，可以解釋為什么和直接按花萼長(zhǎng)排序一樣
  Sepal.Length Sepal.Width Petal.Length Petal.Width    Species
1          4.9         3.0          1.4         0.2     setosa
2          5.1         3.5          1.4         0.2     setosa
3          5.8         2.7          5.1         1.9  virginica
4          6.3         3.3          6.0         2.5  virginica
5          6.4         3.2          4.5         1.5 versicolor
6          7.0         3.2          4.7         1.4 versicolor
arrange(test,Sepal.Width,Sepal.Length)#先按花萼寬仰冠，后按花萼長(zhǎng)排序乏冀，和直接按花萼寬排序一樣（同上注意），和上一組做區(qū)別
  Sepal.Length Sepal.Width Petal.Length Petal.Width    Species
1          5.8         2.7          5.1         1.9  virginica
2          4.9         3.0          1.4         0.2     setosa
3          6.4         3.2          4.5         1.5 versicolor
4          7.0         3.2          4.7         1.4 versicolor
5          6.3         3.3          6.0         2.5  virginica
6          5.1         3.5          1.4         0.2     setosa

5.summarise():匯總

summarise(test,mean(Sepal.Length),sd(Sepal.Length))#計(jì)算花萼長(zhǎng)的平均值和標(biāo)準(zhǔn)差
  mean(Sepal.Length) sd(Sepal.Length)
1           5.916667        0.8084965
group_by(test,Species)#先按照Species分組
# A tibble: 6 x 5
# Groups:   Species [3]
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
         <dbl>       <dbl>        <dbl>       <dbl> <fct>     
1          5.1         3.5          1.4         0.2 setosa    
2          4.9         3            1.4         0.2 setosa    
3          7           3.2          4.7         1.4 versicolor
4          6.4         3.2          4.5         1.5 versicolor
5          6.3         3.3          6           2.5 virginica 
6          5.8         2.7          5.1         1.9 virginica 
summarise(group_by(test,Species),mean(Sepal.Length),sd(Sepal.Length))#再計(jì)算每組花萼長(zhǎng)的平均值和標(biāo)準(zhǔn)差
`summarise()` ungrouping output (override with `.groups` argument)
# A tibble: 3 x 3
  Species    `mean(Sepal.Length)` `sd(Sepal.Length)`
  <fct>                     <dbl>              <dbl>
1 setosa                     5                 0.141
2 versicolor                 6.7               0.424
3 virginica                  6.05              0.354

dplyr的兩個(gè)實(shí)用技能

1.管道操作%>%

（加載任意一個(gè)tidyverse包即可用管道符號(hào)）

test %>% #這句是打的
group_by(Species) %>% #巧了這句也是
summarise(mean(Sepal.Length), sd(Sepal.Length))
`summarise()` ungrouping output (override with `.groups` argument)
# A tibble: 3 x 3
  Species    `mean(Sepal.Length)` `sd(Sepal.Length)`
  <fct>                     <dbl>              <dbl>
1 setosa                     5                 0.141
2 versicolor                 6.7               0.424
3 virginica                  6.05              0.354

2.count統(tǒng)計(jì)某列的unique值

count(test,Species)#統(tǒng)計(jì)Species出現(xiàn)過(guò)的unique值
     Species n
1     setosa 2
2 versicolor 2
3  virginica 2

用dplyr處理關(guān)系數(shù)據(jù)

即將2個(gè)表進(jìn)行連接洋只，注意：不要引入factor

options(stringsAsFactors = F)#防止字符串轉(zhuǎn)換為factor
test1 <- data.frame(x = c('b','e','f','x'), z = c("A","B","C",'D'), stringsAsFactors = F)
#把這個(gè)數(shù)據(jù)框賦給test1
test1
  x z
1 b A
2 e B
3 f C
4 x D
test2 <- data.frame(x = c('a','b','c','d','e','f'), y = c(1,2,3,4,5,6),stringsAsFactors = F)
#把這個(gè)數(shù)據(jù)框賦給test2
test2 
  x y
1 a 1
2 b 2
3 c 3
4 d 4
5 e 5
6 f 6
inner_join(test1, test2, by = "x")#內(nèi)連辆沦，取交集
  x z y
1 b A 2
2 e B 5
3 f C 6
left_join(test1, test2, by = 'x')#左連，以左邊的為準(zhǔn)（這里是test1的x列）
  x z  y
1 b A  2
2 e B  5
3 f C  6
4 x D NA
left_join(test2, test1, by = 'x')#同上识虚，這里是test2的x列
  x y    z
1 a 1 <NA>
2 b 2    A
3 c 3 <NA>
4 d 4 <NA>
5 e 5    B
6 f 6    C
full_join( test1, test2, by = 'x')#全連肢扯，以test1的x為基準(zhǔn)，全部連接
  x    z  y
1 b    A  2
2 e    B  5
3 f    C  6
4 x    D NA
5 a <NA>  1
6 c <NA>  3
7 d <NA>  4
semi_join(x = test1, y = test2, by = 'x')#取test1的x并與test2的y表匹配担锤，返回所有符合的x值并輸出x,y
  x z
1 b A
2 e B
3 f C
anti_join(x = test2, y = test1, by = 'x')#反取蔚晨，不取test1的x與test2的y匹配的值，然后輸出
  x y
1 a 1
2 c 3
3 d 4

下面是簡(jiǎn)單合并：

相當(dāng)于base包里的cbind()函數(shù)和rbind()函數(shù);
注意肛循，bind_rows()函數(shù)需要兩個(gè)表格列數(shù)相同蛛株，而bind_cols()函數(shù)則需要兩個(gè)數(shù)據(jù)框有相同的行數(shù)

test1 <- data.frame(x = c(1,2,3,4), y = c(10,20,30,40))#給test1重賦值
test1
  x  y
1 1 10
2 2 20
3 3 30
4 4 40
test2 <- data.frame(x = c(5,6), y = c(50,60))#給test2重賦值
test2
  x  y
1 5 50
2 6 60
test3 <- data.frame(z = c(100,200,300,400))#給test3賦值
test3
    z
1 100
2 200
3 300
4 400
> bind_rows(test1, test2)#相同列數(shù)的表格（數(shù)據(jù)框）合并
  x  y
1 1 10
2 2 20
3 3 30
4 4 40
5 5 50
6 6 60
> bind_cols(test1, test3)#相同行數(shù)的表格（數(shù)據(jù)框）合并
  x  y   z
1 1 10 100
2 2 20 200
3 3 30 300
4 4 40 400

今天就這樣啦~