R 语言入门

本文简介了一些 R 语言的基础知识，希望读者能够理解并能利用 R 语言进行数据统计分析与绘图的方法。R is a free software environment for statistical computing and graphics.

R 是一款集数据分析与绘图功能于一体的编程语言环境(A Programming Environment for Data Analysis and Graphics)，生物信息的数据统计或绘图任务一般都可使用 R 完成。R 官网为：https://www.r-project.org/。

R 是优秀的统计工具，同时它也是一种开放的编程语言，语法简单易学，非常灵活，可编制自己的函数扩展现有的功能。R 属于 GNU 系统的一个自由、免费、源代码开放的软件，最初由新西兰奥克兰大学的 Ross Ihaka 和 Robert Gentleman 开发（两人名字都以 R 开头，因此称为 R），现在由“R 核心团队（the R Core Team）”负责开发。R 是现今最受欢迎的数据分析和可视化平台之一，可在多种平台下运行，包括 Windows、macOS 和 Linux 系统等。做生物信息分析是避免不了使用 R 语言的，特别是 R 的 bioconductor 社区，在基因组学，尤其在单细胞测序数据分析上，已经是独步江湖了。

现在很多学术期刊都对分析软件有版权要求，而免费的分析工具可以使你在这方面不会有什么担心。另一方面，如果学术界出现一种新的数据分析方法，那么要过很长一段时间才会出现在商业软件中。但开源软件的好处就在于，很快就会有人将这种方法编写成扩展包，或者你自己就可以做这件工作。

安装与运行

最新的 R 软件可以从 CRAN(Comprehensive R Archive Network)网站下载，网址为：http://cran.r-project.org。鼠标单击“Download R for Windows”链接，下载适用 Windows 系统的版本，并选择下载基础(base)安装软件包。CRAN 有许多镜像站点，打开 CRAN 网页，点击左边的 Mirrors 链接，可以选择一个下载速度比较快的中国（China）镜像站点，如中国科技大学的镜像(https://mirrors.ustc.edu.cn/CRAN/)。下载后安装程序后，鼠标双击该文件按提示默认安装即可。

对于 Ubuntu 系统，只要运行命令：apt-get install r-base 在Mac OS X系统安装R语言更为简单，进入R语言官网，单击“Download R for (Mac) OS X”，下载pkg格式文件并安装即可。程序安装成功后，可以在Applications文件夹下找到并运行R。

运行

安装后可以在桌面或开始菜单找到“R”图标来运行。若你使用的是 64 位 Windows 系统，R 在默认安装条件下，会生成两个 R 图标，一个为 32 位软件(如 R i386 3.5.1)，另一个为 64 位软件(如 R x64 3.5.1)，数字为 R 的版本号。一般运行 R x64 3.5.1 即可。图 1 R 运行界面

如图 1 所示，打开 R 后，就会显示控制台窗口(R Console)，在其命令提示符 (>)后可以输入命令或表达式(expressions)，回车后就输出命令运行结果：

> 2*3
[1] 6

因此，R 可以当计算器用，这里结果前的[1]表示 6 是结果里的第一个元素(此例仅有一个，结果可以有多个元素)。

> R.Version() #查看R版本

此命令将给出你系统所安装的 R 版本等信息。在 R 的命令行中#后面的内容是不执行的，注释符#代表后面是命令的注释。注意:R 是一种大小写敏感（case sensitive）的语言，输入命令要区分大小写！

如要退出 R，可使用命令：

> q()    #或quit()

退出 R 前会询问是否保存当前的工作空间(workspace)，工作空间含有当前会话(session)定义的所有变量。不保存工作空间，则这些变量的数据就会丢失。如果保存工作区，下次运行 R 时只要在文件菜单选“加载工作空间”就可以导入此会话的所有命令与变量。

运行脚本

在命令提示符（>）后，每次只能输入并执行一条命令。R 也可以一次性执行写在脚本文件中的一组命令。编写 R 脚本的方法如下：

鼠标点击 R 窗口的文件菜单，选择”新建程序脚本“，就可打开 R 编辑器，
在其中可输入多行命令，
再用 R 窗口的”执行代码“按钮（工具栏第三个图标）可运行全部代码，或先用鼠标选择部分代码，再执行此部分代码。

[!TIP] R 编辑器内可用快捷链"Ctrl+R"逐行运行当前光标所在行的代码, "Ctrl+Enter"运行全部代码。

查看帮助

R 要查看函数的说明，可以通过 help()或它的快捷方式(?)来查看：

> help("log10")
>?"log10"

如果你不知道什么函数名，但知道函数的一些相关内容，可以通过 help.search()它的快捷方式(??)查找帮助。如你要找一个函数来算一些数值的标准差，可以查找在描述中包含"deviation"的函数：

> help.search("deviation")
> ??"deviation"

R 作为一个开源软件有强大的社区支持，可容易获得社区帮助，国外活跃的社区有 GitHub 和 Stack Overflow 等，国内的 R 语言社区有统计之都(COS)及其旗下的 COS 论坛。

变量

变量是程序存储数据的基础，能够存储任何数据。变量可以看成内存空间（地址）的别名，变量的值代表其对应内存空间中存储的值。R变量名称是由字母、数字以及点(.)或下划线(_)组成。R 创建的所有变量(标量、矢量、矩阵等)都是对象(objects)。变量的名字称为符号，变量的取值是对象。通过变量赋值就可以使用变量名来读取变量值。R 语言可用箭头(<-)或等号(=)来给变量赋值,一般建议用箭头符号(<-)。

> x <- 2*3 #数值
> y = "AUGGUGCC" #字符串，注意为英文双引号！

如果只输入变量名，那么就会显示这个 R 对象的内容：

> x
[1] 6

也可以使用 print()函数显示变量内容：

> print(x)
[1] 6

注意 R 语言是一种区分大小写的解释型语言，R 语言的变量名要区分大小写！

R 语言中的所有事物都是对象(bojects)，如向量、列表、函数和环境等。R 语言的所有代码都是基于对象的操作，而变量则是调用对象的重要手段。可以用 ls()函数将当前运行环境中的对象都列出来：

> ls()
[1] "x" "y"

函数 rm()用来删除对象，如果要删除所有对象，可以使用：

> rm(list=ls())

基本数据类型

R 中的所有变量都有一个类(class)，表明此变量属于什么类型。R有6种基础数据类型：

逻辑型（logical）：TRUE,FALSE
数值型（numeric）：实数或小数，如1.22
整型（integer）：整数，如12
字符型 (character)：文本数据，如"good","爸爸"
原型 (raw)：字节数据，用于存储二进制数据，如48 65 6c 6c 6f
复数型 (complex)：包含实部和虚部的数值，如4i+1 最常用的是前四种，例如，大部分的数字是 numberic 类型，逻辑值是 logical 类型。

R 对象还可按内部存储类型(type)分为向量(vector)，因子(factor)，矩阵(matrix)，数组(array)，数据框(data frame)，表格(table)和列表(list)。其实，因为 R 没有标量类型(scalar type)，所以严格地说，数字向量应该是 numeric 类，逻辑向量是 logical 类。在 R 中“最小的”数据类型是向量。 R 对象的内部存储类型(type)、对象的模式(mode)等分类，可使用 class()函数、typeof()和 mode()函数查询对象的属性。这些大多是 R 语言历史遗留问题，实际中你只需要使用对象的类。

> x = pi*10^2 #pi是圆周率
> class (x) #x的class
[1] "numeric"
> typeof (x) #x的type
[1] "double"

在 R 语言中，还有 5 种经常使用的特殊值：NULL、NA、NAN、Inf。

NULL 表示变量为空；

NAN(Not a number)表示相应的计算是没有数学意义或不能正常执行的；

NA(not available)表示缺失值；

Inf 和-Inf 表示正无穷与负无穷。可以通过 is.null(), is.na(), is.nan(), is.infinite()函数来判断一个对象是否为相应的特殊值。 R使用特殊的常量值NA来表示数据集中缺失的值。你可以将NA值赋给任何其他类型的R数据元素。数据出现缺失值可能是数据未收集、未知或不相关，需要与空值或零值区分开来。如果我们还不知道商店出售的商品价格，则价格是缺失的，这绝对不是零，否则是免费赠送商品。

数据类型定义了R存储变量中包含的信息和可能值的范围。R中常见的数据类型有：

数值型数据类型存储十进制数，而整数数据类型存储整数。如果创建一个包含数字但没有指定数据类型的变量，默认情况下，R会将其存储为数值型。然而，R通常可以根据需要在数值和整数数据类型之间自动转换。数值类型为double，它是双精度浮点数的缩写，数值与双精度是可以互换的。
字符型数据类型用于存储最多65535个字符的文本字符串。
逻辑型数据类型是一个简单的二元变量，只有两个可能值：真或假。例如，在一个关于学生的数据集中有一个变量Married，对于已婚学生设置为真，对于未婚学生设置为假。
因子类型用于存储分类值。一个因子的每一个可能值都称为一个水平。例如，可以使用一个因子来存储个人的性别，男/女就是一个水平。有序因子是因子数据类型的特例，其中级别的顺序是十分重要的。例如，如果我们有一个包含低、中、高风险评级的因子，则顺序很重要(低<中<高)，有顺因子保留了这一意义。

R有一组is函数，用于测试对象是否属于特定的数据类型，如果是则返回真，如果不是则返回假。

is.logical()
is.numeric()
is.integer()
is.character()
is.factor() 这里注意整数型与数据值的区别，默认数字为数值型，如果我们想显式地创建一个整数，需要给数字添加L后缀。
```
> y <- 1
> is.numeric(y)
[1] TRUE
> is.integer(y)
[1] FALSE
> yint <- 1L
> is.integer(yint)
[1] TRUE
```
R提供一组as函数，用于将数据从一种类型转换成另一种类型。这些函数接受对象或向量作为参数，并试图将其从现在数据类型转换为函数名称的数据类型。但是，这种转转换并不总是可能的。如可将一个数值1.5转换为字符串"1.5"，但没有任何合理的方法将字符串"apple"转换为整数型。
```
> as.character(1.5)
[1] "1.5"
> as.integer("1.5")
[1] 1
> as.integer("apple")
[1] NA
Warning message:
NAs introduced by coercion 
> as.logical(1)
[1] TRUE
> as.logical(0)
[1] FALSE
```

基本运算符

运算符是连接变量的桥梁，使变量与变量之间能够执行特定的操作而产生新的数据，这就是计算机的基本工作--计算。

数学运算符：运算后给出数值结果，如+,-,,/,^, %%, %/%, %%
比较运算符：运算后给出判别结果(TRUE, FALSE)，如>, <, <=, >=, ==, !=
逻辑运算符：与(&, &&)、或(|, ||)、非(!)。其中&可对向量进行循环比较，而&&与||只比较向量的第一个元素。
其它还有赋值运算符(<-或=)、取值及条件运算符([]或.)等。

> 5 < 6
  [1] TRUE

数据结构

基本数据类型是编程语言中最简单、最基本的数据单元。它定义了数据的种类和特性。而数据结构是一种将多个值组织在一起的方式，以便更有效地处理和操作这些值。 R 语言中有多种复杂数据结构，包括向量、矩阵、数据框（与数据集类似）以及列表（各种对象的集合）等。

向量（vector）

标量只能有一个元素，而向量可以有多个元素构成。但每个在向量中的元素的类型必须相同，如数值或字符。创建向量可以用函数 c()，即 combine/concatenate 函数，表示连接：

> myvector <- c(8, 6, 9, 10, 5)
> myvector
[1]  8  6  9 10  5

前面的[1]是向量 myvector 的第一个元素的 index。我们可以通过变量名加上中括号包括的索引值来读取变量的元素：

> myvector[4]
[1] 10
> myvector[2:4] #提取从位置2到4之间的元素
[1] 6 9 10
> myvector[myvector > 8] #提取向量中大于8的元素
[1] 9 10
> myvector[-4]  #利用负号(-)删除特定位置的元素
[1] 8 6 9 5

当需要在向量中添加元素时，使用append()函数。

>newvec <- append(myvector, 22)    #在最后面添加元素
>newvec<- append(myvector,11,after=0) #在最前面添加元素，after指定位置
>newvec
[1] 11  8  6  9 10  5

针对在一定范围内，有顺序的数据可以用冒号(:)生成：

> 1:6        #生成在1到6范围的整数
[1] 1 2 3 4 5 6
> x = sample(1:200000,10000)  #从1,...,200000中随机不放回地抽取10000个值作为样本
> z = sample(x, 10, rep=TRUE) #从有放回地随机抽取10个值作为样本
> print(z)
 [1] 150517  48627 141260 179097 159144  12734 179539  91287 197402  13812
> sample(1:100,20,prob=1:100) #从1:100中不等概率随机抽样, 各数目抽到的概率与1:100成比例

向量化计算是 R 语言特有的一种并行计算方式，即当你对一个向量进行操作时，程序会对向量中每个元素进行分别计算，计算结果以向量的形式返回。向量化计算基本可以取代循环计算，高效的完成计算任务。

> x=rep(1,10); y=1:3
> x*z   #向量乘法(如果长度不同，R给出警告和结果)
 [1] 1 2 3 1 2 3 1 2 3 1
 Warning message:
 In x * z : longer object length is not a multiple of shorter object length

与向量有关的函数函数: min(x)最小值, max(x)最大值, which.min(x)显示最小值所在位置, which.max(x)显示最大值所在位置, sum(x)加, length(x)x 的长度,mean(x)均值, median(x)中值, var(x)方差, sd(x)标准差, sqrt(x)平方根, abs(x)取绝对值, unique(x)去冗余, intersect(x)取交集, union(x,y)取并集, setdiff(x,y)差集, setequal(x,y)判断两向量是否相同(对顺序无要求), identical(x,y)判断两向量是否相同(对顺序有要求)。

因子（Factor）

因子可用来存储类别变量(categorical variables)和有序变量，如性别(男女)、成绩(高中低)等。这类变量不能用来计算而只能用来分类或计数。一个因子不仅包括类别变量本身，还包括变量不同的可能水平（即使它们在数据中不出现）。一般用 factor()函数创建一个因子，下面是一些例子：

> X <- c(2,3,5,1,2,3,4,1)
> Xfactor <- factor(X)
[1] 2 3 5 1 2 3 4 1
Levels: 1 2 3 4 5
> Y <- factor(1:3, levels=1:5)
> Y
[1] 1 2 3
Levels: 1 2 3 4 5
> Z <- c("A", "B", "C", "D","B","A")
> Zfactor <- factor(Z)
> Zfactor
[1] A B C D B A
Levels: A B C D

函数 levels()用来提取一个因子中可能的水平值：

> levels(Xfactor)
[1] "1" "2" "3" "4" "5"

函数 summary()给出一个因子中水平的频率表：

> summary(Zfactor)
A B C D
2 2 1 1

注意，数字形式的因子中的元素不能作为数值进行计算，但可以通过 as.numeric()函数转换成数字。

> Xvector <- as.numeric(Xfactor)

同理，as.vector()可以把因子转变成字符串向量:

> Zvector <- as.vector(Zfactor)

矩阵(matrix)

矩阵是由相同数据类型组成的二维数组。矩阵和数组可看成是带维数的向量，矩阵就是一个二维的数值数组，每个元素都具有相同的数据类型（数值型、字符型或逻辑型）。创建矩阵的一个方便的方法是使用 matrix()函数：

> X <- matrix(1:12, nrow=3, byrow=T)
     [,1] [,2] [,3] [,4]
[1,]    1    2    3    4
[2,]    5    6    7    8
[3,]    9   10   11   12

注意矩阵默认是以按列形式填充，这里 byrow=T 将矩阵改成以按行形式填充。对矩阵进行操作的常用函数有 rownames(), colnames(),转置函数 t()等。

> rownames(X)<-LETTERS[1:3] #LETTERS是包含大写字母A-Z的内置变量
> X
  [,1] [,2] [,3] [,4]
A    1    2    3    4
B    5    6    7    8
C    9   10   11   12
> dim(X)  #行列数目
[1] 3 4
> dim(X) <- c(4,3)
> X
     [,1] [,2] [,3]
[1,]    1    6   11
[2,]    5   10    4
[3,]    9    3    8
[4,]    2    7   12
> t(X) #注意转置函数t()是小写t，与大写T代表“TRUE"不同
     A B  C
[1,] 1 5  9
[2,] 2 6 10
[3,] 3 7 11
[4,] 4 8 12
> apply (x, 1, mean) #对行(第一维)求均值
> apply (x, 2, sum) #对列(第二维)求和

数据框(data frame)

数据框可以理解为“表格”，由一个或几个向量或因子构成。每个列都有唯一的列名，且必须是等长的，但可以是不同的数据类型。数据框也是二维数组(2D array)，与矩阵不同的地方是数据框中的数据可以是各种类型同时存在，如数值、字符串或者因子等。数据框是生物医学研究中最常用的数据记录格式，数据框中每行代表一个观测研究对象，每列代表研究对象一个特性的实验结果(图 2)。图 2 数据框

可以用函数 data.frame()创建数据框：

> x <- data.frame(Name = c("tom", "Jimmy", "alice"), Age = c(18, 20, 41), Score = c(90, 30, 77))
> x
   Name Age Scorep
1   tom  18    90
2 Jimmy  20    30
3 alice  41    77

还可以使用函数 rbind()按行组合成数据框，或 cbind()按列组合成数据框。

可以使用内置命令 str()(structure 的简写)来查看数据框的基本结构属性：

> str(x)
'data.frame':   3 obs. of  3 variables:
 $ Name : Factor w/ 3 levels "alice","Jimmy",..: 3 2 1
 $ Age  : num  18 20 41
 $ Score: num  90 30 77
> names(x)  #查看数据的变量名字

下面介绍数据框中数据的提取方法：

> x[2,]   #提取某一行
   Name Age Score
2 Jimmy  20    30
> x$Name    #常用数据框的列名提取某一列，或用x[,1]
[1] tom   Jimmy alice
Levels: alice Jimmy tom
> x[x$Name == "alice",]$Age #或x[3,2]，提取某个点的数据
[1] 41
> x[1:2,1:3]   #提取前两行，前三列
> head(x) #头几行数据，与x[1:10,]相同

列表（list）

列表可用来存储多种不同类型的数据，包含向量、矩阵、数据框，甚至另一个列表。与数据框不同的是，数据框一般具有相同的长度，而列表并无此特殊规定，所以数据框可以看成是长度相同的列表。可以用函数 list()创建列表：

> mylist <- list(name="Fred", wife="Mary", myvector)
> mylist
$name
[1] "Fred"
$wife
[1] "Mary"
[[3]]
[1]  8  6  9 10  5

列表中的元素 are numbered，可以用索引值来取得，与 vector 不同，是列表名加上两个括号来包括的索引值来读取：

> mylist[[2]]
[1] "Mary"
> mylist[[3]]
[1]  8  6  9 10  5

列表中的元素 are named，列表元素可以通过列表名加上“$"，再加上元素名来读取：

> mylist$wife
[1] "Mary"

可以 atrributes()函数来查找元素名：

> attributes(mylist)
$names
[1] "name" "wife" ""

可以看到列表 mylist 有两个元素有名称，"name" 与"wife"。使用 unlist()函数可将列表转换成向量，方便我们进行算术运算。

表格(table)

另一个可能遇到的 R 对象是 table 变量。如我们有一个小孩名字的矢量 mynames,用 table()函数就可以得到一个 table 变量，包括每个名字及其对应的孩子数:

> mynames <- c("Mary", "John", "Ann", "Sinead", "Joe", "Mary", "Jim", "John", "Simon")
>mytable <-  table(mynames)
> mytable
mynames
   Ann    Jim    Joe   John   Mary  Simon Sinead
     1      1      1      2      2      1      1

与列表一样，可以通过双中括号来得到 table 变量中的元素：

> mytable[[4]]
[1] 2
> mytable[["John"]]
[1] 2

R 语言编程

流程控制

到现在，我们主要用到了 R 语言对简单表达式赋值的语法。默认情况下代码是按从上到下的顺序执行的，但是 R 作为一门编程语言也允许有条件执行和循环重复执行代码。流程控制语句可以选择相应分支运行代码，或循环重复执行一段代码。

(a) 条件执行（conditional statements）

if (条件) 表达式
if (条件) 表达式 1 else 表达式 2

比如下面的代码，判断 p 值是否显著(小于 0.05)：

p <- 0.1
if(p <= 0.05){
  print("p <= 0.05!")
}else{
  print("p > 0.05!")
}

表达式内的多条语句要用一对花括号括起来，以开括号({)开始，并以闭括号(})结束。

(b)循环结构(loop structure)

for(变量 in 向量) 表达式
while(条件) 表达式

注意: while 语句只要条件是真就会执行表达式。这个判断在循环的最开始，所以表达式可能从来不被执行。

v <- LETTERS[1:5]
for (i in v){
  if(i == 'D'){
    next
    #break
  }
  print(i)
}
# next：跳过循环的当次迭代，不终止循环，开始循环的下次迭代。
[1] "A"
[1] "B"
[1] "C"
[1] "E"
# break：当循环中遇到break语句时，循环立即终止。
[1] "A"
[1] "B"
[1] "C"

函数

函数(function)是编写可复用代码的基础结构。每个函数是组织好的，用来实现单一或相关功能的代码段。函数运行形式为函数名后面紧跟括号()[函数名()]，并将需要的参数放入括号中。一般 R 语言的函数都需要参数，即传给函数的变量，来进行一些操作，如 log10()需要一个数值，计算基于 10 的 log 值：

> log10(100)
2

R 语言的函数又分为高级函数与低级函数，高级函数内部嵌套了复杂的低级函数，如 plot()是高级绘图函数，有大量的参数可选，函数本身会根据参数的数据类型，经过程序内部的函数判别之后，绘制相关类型的图形。

使用 R 内置函数可执行基本的统计任务。当你经常需要对一些数值做同样的运算，而 R 没有内置的函数可用，可以自己编写一个函数。 R 语言的自定义函数形式为： function (对象，选项=) 例如下面自编的函数可以计算输入数值的平方加 20：

> rfunc <- function(x) { return(20 + (x*x))； }

这个函数先计算 x 的平方，然后加上 20。return()返回计算得到的值。这个函数就可以被重复使用：

> rfunc(10)
[1] 120
> rfunc(25)
[1] 645

注意，函数中如有几个表达式一定要用花括号包括在一起。当没有用 return()函数，R 函数默认返回最后一行表达式结果。

rcal<-function(x,y)
{
  z <- x^2 + y^2;
  result<-sqrt(z);
  result;
}
> rcal(3,4) #调用函数
[1] 5

当你写了许多函数可以打包成一个程序包(package)供别人使用。R 程序包是多个 R 函数、数据、帮助文件、预编译代码以一种定义完善的格式组成的集合。Windows 下的 R 程序包是已经编译好的 zip 包。

常用函数

R 有许多内置函数，如 mean(), length(), print(), plot()等。下面介绍一些常用的函数，关于函数更详细的说明，请查看 R 的帮助文档。

数值处理

seq()函数生成一组有规律的数值

> seq(2, length=4, 5)
[1] 2 3 4 5
> seq(0, 10, by = 2) #从0到10，每次增加2
[1]  0  2  4  6  8 10
> seq(-5, 5, length.out=100) #在区间[-5,5]生成100个数

rep()函数生成一组有重复的数据

> rep(1:3, each=2, time=3)
 [1] 1 1 2 2 3 3 1 1 2 2 3 3 1 1 2 2 3 3

runif()函数生成均匀分布的随机数，如 runif(10, min=0, max=3)

> x <- runif(10, 0, 3)  #生成10个在0到3之间的随机数
> x
 [1] 0.66087875 2.42687999 2.14814697 0.12664629 0.09590261 0.02613993
 [7] 1.10544266 1.26475600 1.67144153 2.83656489

rnorm()函数生成正态分布的随机数。

> rnorm(10, mean=2, sd=3) #生成10个平均值为2，方差为3的正态分布的随机数
 [1]  1.061149769  0.524625250  4.549493933  7.403447844  5.364699910
 [6]  4.939417826 -0.003161921  1.808738263  3.938803880  2.667750108

round()函数针对数值进行四舍五入的处理，设置参数为保留小数点后的位数。

> round(x, 1)
 [1] 0.1 0.6 2.5 2.4 1.5 2.8 1.8 0.5 1.0 1.2

length()函数给出向量里元素的长度(个数)

> length(x)
[1] 10

summary()函数对数据进行简要 summary 统计。

> summary(x)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
 0.1296  0.6784  1.3907  1.4411  2.2368  2.8303

字符处理

paste()是针对字符向量的连接编辑函数,默认在连接的字符串之间加上一个空格。如果不需要空格，则可以使用 paste0()函数。

> Y <- paste(LETTERS[1:5], 1:5, sep="-")
> Y
[1] "A-1" "B-2" "C-3" "D-4" "E-5"

strsplit()是用于拆分字符串的函数

> strsplit(Y[1], "-")
[[1]]
[1] "A" "1"

substr()函数是用于提取字符串的一部分内容

> substr("abcdef", 2,4)
[1] "bcd"

数据读取

在进行数据文件读取前，需要指定工作路径，可用 getwd()与 setwd()函数来显示或设置工作路径：

> getwd()    # Get Working Directory
> setwd("c://bigbook//20R")  #Set Working Directory
# 注意Windows路径用两条斜线, 路径要用反斜杠"/"或者双斜杠"\\"。
> dir() #显示目录下的内容

工作路径也可以通过 R 菜单(文件/改变工作目录)手工进行选择目录(图 3)：
图 3 改变目录

根据不同数据文件类型，可以选择不同的 R 函数来读取数据，下面介绍两种常用的文件(txt 与 csv) 读取方法:

文本数据可使用 read.table()函数

> dat <- read.table("file1.txt", header=TRUE)

由于 read.table()默认以空格当间隔符，如果数据中存在缺失项，那么软件会错误地把前后两个或多个空格当成一个间隔符，造成导入数据出现错误。因此，在使用该函数的时候，特别要注意把缺失项使用"NA"来表示出来。保存数据到文件可用 write.table()函数。

> write.table(data, file="filex.txt", sep="\t")

CSV 格式文件可用 read.csv()函数

> dat <- read.csv("file1.csv", header=TRUE)

CSV 文件为以逗号分隔的数据，这样不会出现因数据缺失而发生错行的情况，但要注意数据中的内容不能有逗号出现，特别当数据项中有描述性语句时需格外注意。同样，保存数据到 CSV 文件可用 write.csv()函数：

> write.csv(data, file="filex.csv", sep="\t")

R 语言作图

R 语言系统有非常强大的绘图函数，本节对数据作图进行基本介绍。 R 语言中最常用的绘图函数是 plot()，它可以接受多个不同的对象作为参数绘制散点图。其它常用的绘图函数有 hist()直方图, barplot()条形图, pie()饼图，boxplot()箱线图等。这里用 seq()生成 x 数据，runif()生成 y 数据,之后用默认参数运行 plot()作图：

x <- seq(1:10)
y <- round(runif(10, min=0, max=10), 1)
plot(x, y)

可以通过 plot()的参数修改，得到更佳的图片展示效果(图 4)，

> plot(x,y,ylim=c(0,12), main="plot parameters", xlab="length", ylab="height", pch=19, cex=c(1:3))

图 4 plot 结果

一般常用的参数如下：
(1)xlim, ylim 参数可以定义 X 轴与 Y 轴的刻度范围。
(2)main 参数给定图片的标题；xlab 与 ylab 用来定义 X 轴与 Y 轴的名称。
(3)pch 参数用于定义绘制点的样式，pch 用数字表示各种不同的图形标记，如数字 1 是空心圆(默认值),2 是正三角，3 是加号等。
(4)cex 参数定义图标的大小，默认值为 1，可用一个矢量如 c(1:3)设置相对于默认值的放大倍数。
(5)col 参数用于设定颜色，R 语言中预定了 657 种颜色，可以使用 color()查看。 (6)plot()函数还可以绘制出点的连线图，type 参数用于定义线条的类型，常用的类型有:"p"显示点，"l"显示线条， "b"显示点和线， "o"显示点在线上；lwd 参数设定线的宽度，lty 参数设定线条的性状。

> plot(x,y,ylim=c(0,12), main="plot parameters", xlab="length", ylab="height",pch=20, cex=1.5, type="b", lwd=2, lty=2)

另外，如果需要绘制不止一个数据的曲线，可以使用 lines()函数来完成，用 points()函数增加点，用 text()可以增加显示文本，用 arrows()画出一个箭头，用 rect()画出一个方框等(图 5)。

> z <- round(rnorm(10, sd=2, mean=4), 1)
> lines(x,z,pch=1, cex=1.5, type="l", lwd=2, lty=1, col="red")
> legend("topright",c("black", "red"), col=c("black","red"), lwd=2)
> text(2, 10, "This is text")
> rect(4,10,6,11, col="green")
> arrows(6,8,7,8)

图 5 plot 作图参数

R 作图结果默认都是输出到同一个图形设备（Graphic device），后一个绘制的图会覆盖前一个图。如果你想同时绘制多种类型的图表，可以使用 dev.new() 函数新建 Device 窗口，并在新窗口中绘制图表。注意，鼠标选中某个 Device 窗口，并不能使当前窗口成为激活状态，需要使用 dev.set()函数设置。不过，用鼠标选中某个 Device 窗口，可手动导出当前窗口的图表。可以使用 dev.list()函数查看当前 Device 窗口列表。

如果要在一个图形设备绘制多个图，可使用 par()设置默认的图形参数：

>par(mfrow=c(1,2)) #图形组合，一行两列图

图 6 图形组合

图片保存

GUI 界面完成绘制图形后，点击菜单文件(file)->另存为(save as)，然后选择合适的文件格式。
命令行如果想在命令行内把 R 作图直接保存为文件，如产生一个 TIFF 或 PDF 格式的图片，可以利用 tiff()或 pdf()打开这些文件类型的设备。执行绘图命令后，必须要用 dev.off()函数关掉当前活动的图形设备。否则，已绘制的图形将被后面的屏幕输出所覆盖。例如，下面命令将图片保存到工作目录的 PDF 文件：

> tiff(filename="test.tif", width=1000, height=1000)
> b <- c(1,3,2,6,4,7)
> plot(b)
> dev.off()

该代码将产生一个 tiff 图像，高和宽都是 1000 像素。在纸上，这通常比 10cm 宽一点。如果你发现图形中的文字已经变得很小，可以调整图的边距和文本大小。这些图形参数可以通过 par()函数来设置，例如可以用参数 mar 设置图形到边距的距离。各种图形格式都有对应的命令，如 png()，jpeg()，tiff()等。对于 PDF 图形设备，宽度与高度不是用像素指定，而是以英寸为单位。原则上，你仍然可以使用像素，但别忘了要将像素除以分辨率，否则将得到一个巨大的文件。例如，要得到 300DPI 的分辨率的文件，可以将像素的数值除以 300：

> pdf(filename="test.pdf", width=1000/300, height=1000/300)
> pdf(filename="test.pdf", width=10, height=10)

R (ggplots)： data visualization

程序包(package)

R 程序包是多个 R 函数、数据、帮助文件、预编译代码以一种定义完善的格式组成的集合。R 语言具有丰富的程序包，提供了大量的数据分析方法与功能。但许多 R 包并没有集成在基础包中，如果要使用它们需要额外安装。R 语言综合档案库 CRAN（The Comprehensive R Archive Network）包含了大量开发者贡献的扩展包，截至 2020 年 5 月 30 日，总共有 15707 个包，涉及统计分析、数值计算、量化投资、金融分析、数据挖掘、机器学习、生物信息学、生物制药、数据可视化等各个领域。

安装 R 包

在 Windows 或 MacOS 中，你可以简单地使用 R 窗口的菜单（“程序包”）来安装 R 包。也可以使用以下命令来安装：

> install.packages("mypkg")
> install.packages("mypkg", dependencies=TRUE)  #指定安装依赖包用命令
> install.packages("mypkg", repos='mirror.lzu.edu.cn/CRAN') #指定CRAN国内镜像

在 Linux 系统中，如果想让安装的 R 包让所有用户用，必须先以超级用户权限运行 R(如 sudo R)，然后 R 包会安装到系统的库目录，不然只会安装到用户目录，而其他用户将无法读取。
Windows 下的 R 程序包是已经编译好的 zip 包。可以下载 zip 包到本地，使用命令 install.packages("zip 包路径", repos=NULL)安装。

安装 Bioconductor 包

Bioconductor(www.bioconductor.org)是专门为生物信息开发的一系列R包的总集，可用于生物信息数据的处理、注释、分析与可视化等。每年都会更新两版本，2021年5月，最新的Bioconductor(Bioc3.13)已经包含2042个软件包，965个注释包，406个实验数据包及29个重要的分析流程。由于Bioconductor包更新频率较高，并需要与R语言版本严格兼容，Bioconductor包的下载与安装方法与一般R包略有不同。 Bioconductor 包的安装方法如下：

>source("https://bioconductor.org/biocLite.R")  #https or http
>biocLite("yeastExpData")

[!TIP] bioconductor 默认的下载地址都在国外，所以下载速度十分慢。但可以用它在国内的镜像来下载相关包，提高下载速度。可指定一个离你最近的国内镜像:

options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/")  #中科大镜像
options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor") #清华镜像

同样，可指定基础 R 包的国内源：

options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))

R 版本 3.6 以上版本推荐使用以下命令安装：

> if(!requireNamespace("BiocManager", quietly=TRUE)) install.packages("BiocManager")
> BiocManager::install("mypkg")   #直接将需要安装的包名作为参数

R 包的使用

R 包的存储目录称为库(library)。在使用某个包前，需要使用 library()命令载入程序包到工作环境中以进行相关的运算：

>library("yeastExpData") #导入包

载入 R 程序包后，调用程序包内的函数，与 R 内置的函数调用方法一样。在一次会话中，包只需要云载入一次，每次重启 R 软件后都需要重新载入 R 包。
同样，如果不需要程序包可以用 detach()函数卸载程序包：

>detach("yeastExpData")

表 1 R 中常见的使用包的函数

函数名称	含义
install.packages()	下载并安装包
update.packages()	更新包
remove.packages()	卸载包
liabrary()	加载（导入）包
.libPaths()	显示库所在的目录

注：你可以通过 search()命令查看当前环境下导入的包情况。

使用 dplyr 包进行数据处理

近年来，数据处理工作越来越多使用 dplyr 包，在 R 中使用 dplyr 包使数据处理更高效，它的速度比 R 基础函数快，并允许将多个函数连接使用。按照前面描述的方法安装 dplyr 包，然后加载到 R 语言环境：

> library(dplyr)

下面使用 R 基础包中的鸢尾花数据集(iris)为例介绍它的使用方法。下面代码将生成一个按 Species 分组的包括 Sepal.Length 的均值的表格，均值保存在变量 average 中。

> summarize(group_by(iris, Species), average = mean(Sepal.Length))
# A tibble: 3 x 2
  Species    average
  <fct>        <dbl>
1 setosa        5.01
2 versicolor    5.94
3 virginica     6.59

dplyr 允许使用管道操作符%>%帮助阅读代码。通过管道操作符，可以将函数连接在一起，从而避免函数之间的嵌套使用。可以从要使用的数据框开始，将多个函数连接在一起，使得第一个函数的函数值或参数可以传递给下一个函数，以此类推。下面的代码将得到和前面同样的结果：

> iris %>% group_by(Species) %>% summarize(average = mean(Sepal.Length))
# A tibble: 3 x 2
  Species    average
  <fct>        <dbl>
1 setosa        5.01
2 versicolor    5.94
3 virginica     6.59

distinct()函数可以找出一个变量中的唯一值。count()函数自动对变量进行分类计数。filter()函数可以基于一个匹配条件选取特定的行。

> distinct(iris, Species) #查看变量Species中有哪些不同的值
     Species
1     setosa
2 versicolor
3  virginica

> count(iris, Species)  #计算每个Species的数量
     Species  n
1     setosa 50
2 versicolor 50
3  virginica 50

> filter(iris, Sepal.Width > 4.0) #选取Sepal.Width大于4.0的行
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.7         4.4          1.5         0.4  setosa
2          5.2         4.1          1.5         0.1  setosa
3          5.5         4.2          1.4         0.2  setosa

接下来看一下这个数据框。首先按照 Petal.Length 的值对行进行降序排列：

> df <- arrange(iris, desc(Petal.Length))
> head(df)
  Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
1          7.7         2.6          6.9         2.3 virginica
2          7.7         3.8          6.7         2.2 virginica
3          7.7         2.8          6.7         2.0 virginica
4          7.6         3.0          6.6         2.1 virginica
5          7.9         3.8          6.4         2.0 virginica
6          7.3         2.9          6.3         1.8 virginica

通过可 select()函数选出感兴趣的变量，创建两个数据框，一个由 Sepal 开头的列组成，另一个由 Petal 开头的列和 Species 列组成，也就是不以 Se 开头的列组成。在 select()函数中指定这些特定的列即可完成上述任务，也可以用 starts_with 语法：

> iris2 <- select(iris, starts_with("Se"))
> iris3 <- select(iris, -starts_with("Se"))
> theIris <- bind_cols(iris2, iris3)  #按列合并两个数据框，相当于基础包中的cbind()函数
> head(theIris)
  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          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

可以看到合并后的 theIris 与 iris 完全一样。如果你想使用 rbind()函数那样按行连接数据，可以使用 bind_rows()函数。如果有行名称或其它关键字，还可以使用 left_join()和 inner_join()这样的函数来连接数据。 iris 数据集中一共有 150 个观测值，如果想知道 Sepal.Width 中有多少个唯一值，可以使用下面这个代码：

> summarize(iris, n_distinct(Sepal.Width))  #查看有多少个唯一值
  n_distinct(Sepal.Width)
1                      23

几乎所有大数据集中都存在重复测量值，使用 dplyr 删除重复数据也非常简单。假设想创建一个只由 Sepal.Width 中的唯一值组成的数据框，并在数据框中保留所有列，可以使用下面的代码：

> dedup <- iris %>% distinct(Sepal.Width, .keep_all = T)
> str(dedup)
'data.frame':   23 obs. of  5 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 4.4 5.4 5.8 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 2.9 3.7 4 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.4 1.5 1.2 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.2 ...
 $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

注意，这里使用管道操作符连接 iris 数据集和 distinct()函数，并在 distinct()函数中设定.keep_all = T，使得所有列都包括在新的数据框中，否则新数据框中就只有 Sepal.Width 一列。

References

Peter Dalgaard, Introductory Statistics with R (R 语言统计入门), 人民邮电出版社, 2014
Toivo GM Rebecca J Lai, Kate Haining, Greta Todorova, and Wilhelmiina. Introduction to R. Available from: https://gabymahrholz.github.io/Intro_to_R/index.html
Chang W. R Graphics Cookbook, 2nd edition. Available from: https://r-graphics.org
The R Graph Gallery: https://www.r-graph-gallery.com/
李东风，R 语言教程: https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/index.html
Giorgi FM, Ceraolo C, Mercatelli D. The R Language: An Engine for Bioinformatics and Data Science. Life. 2022; 12(5):648. https://doi.org/10.3390/life12050648
Cookbook for R 中文版：https://www.bookstack.cn/read/Cookbook-for-R-Chinese/040fb5e44c703675.md

R语言入门