R语言的基础命令及实例操作
R语言的基础命令及实例操作
T & F
[1] FALSE
T & T
[1] TRUE
T | F
[1] TRUE
F | F
[1] FALSE
a <- c(T,F,T)
b <- c(F,F,T)
a & b
[1] FALSE FALSE TRUE
a | b
[1] TRUE FALSE TRUE
在 R 中，大小写是敏感的，也就是说 A 和 a 是不同的对象。
- 对象命名规则
：
- 对象名不能以数字开头，但数字可以出现在对象名的中间或结尾。例如，a1 是合法的，但 1a 不是。
- 在命名对象时，建议使用点（.）作为分隔符，这样可以提高可读性。例如：anova.result1。
- 示例：创建一个向量
：
你可以通过如下命令创建一个向量：
a <- c(10, 15, 21, 18)
这个向量 a 包含了 4 个元素，数据类型为数值型（numeric），长度为 4。
- 命名注意事项
：
- 在命名对象时，要避免与 R 中的保留名称（关键字）冲突。以下是一些保留名称示例：
- NA：缺失值
- NaN：非数值
- pi：圆周率常数
- LETTERS：包含所有大写字母的字符向量
- letters：包含所有小写字母的字符向量
- month.abb：月份的缩写
- month.name：月份的全名
- 在命名对象时，要避免与 R 中的保留名称（关键字）冲突。以下是一些保留名称示例：
避免将对象命名为这些保留名称，以免与 R 语言的内置功能冲突。
在 R 中，有几种基本的数据类型：
- 数值型（Numeric）
：
- 用于存储数字，包括整数和浮动点数。
- 示例：100, 0, -4.335
- 字符型（Character）
：
- 用于存储文本数据，通常用双引号或单引号括起来。
- 示例：“China”
- 逻辑型（Logical）
：
- 用于存储逻辑值，即 TRUE 或 FALSE。
- 示例：TRUE, FALSE
- 因子型（Factor）
：
- 用于表示分类数据，也就是不同类别或水平的变量。因子型变量可以用来表示类别，如性别、地区等。
- 示例：factor(c(“Male”, “Female”, “Female”, “Male”))
- 可以用来输入患者的信息
- 复数型（Complex）
：
- 用于存储复数数据，形式为 a + bi。
- 示例：2 + 3i
- 向量（Vector）
：
向量是同一类型元素的集合。向量是R中最基本的数据结构，可以包含数值、字符、逻辑值等。
示例：
v <- c(1, 2, 3, 4)
- 数组（Array）
：
数组是多维的数据表，可以是 任意维度 （维数 k）。数组的元素必须是相同的数据类型。
示例：创建一个二维数组
arr <- array(1:6, dim = c(2, 3))
- 矩阵（Matrix）
：
矩阵是数组的一个特例，具有 2 个维度 （即行和列）。矩阵中的元素必须是同一数据类型。
示例：
mat <- matrix(1:6, nrow = 2, ncol = 3)
- 列表（List）
：
列表是一种可以包含不同类型元素的数据结构，可以包含 向量、矩阵、数据框，甚至其他列表 。与向量不同，列表中的元素可以是不同类型。
示例：
lst <- list(a = 1, b = “text”, c = TRUE)
- 数据框（DataFrame）
：
数据框是由一个或多个向量或因子组成的二维结构，类似于数据库中的表格。数据框中的每列可以是不同的数据类型，但每列必须是 等长的 。
示例：
df <- data.frame(Name = c(“Alice”, “Bob”), Age = c(25, 30))
索引：
count = c(“a”,“b”,“c”)
count
[1] “a” “b” “c”
count[1]
[1] “a”
count[2]
[1] “b”
转置：
matrix.x <- matrix(1:12,nrow=3,byrow=T)
t(matrix.x)
[,1] [,2] [,3]
[1,] 1 5 9
[2,] 2 6 10
[3,] 3 7 11
[4,] 4 8 12
取行和列：
df <- data.frame(Name = c(“Alice”, “Bob”), Age = c(25, 30))
df
Name Age
1 Alice 25
2 Bob 30
df[2,]
Name Age
2 Bob 30
df[,2]
[1] 25 30
df[2,1]
[1] “Bob”
df$Name
[1] “Alice” “Bob”
对象类型判断：
class(count)
[1] “character”
class(df)
[1] “data.frame”
class(x)
[1] “integer”
对象类型转换：
gender = c(‘male’,‘female’,‘male’)
gender
[1] “male” “female” “male”
class(gender)
[1] “character”
as.factor(gender)
[1] male female male
Levels: female male
外部数据读取：
1. 读取 .txt 和 .csv 文件
read.table() 函数：
read.table() 是 R 中最常用的函数之一，用于读取由空格或制表符（Tab）分隔的文本文件。它的默认分隔符是 空格 或 制表符 （Tab），但可以通过参数 sep 来指定其他分隔符。
示例：
data <- read.table(“data.txt”, header = TRUE, sep = “\t”)
header = TRUE：表示文件的第一行是列名。
sep = “\t”：表示数据之间是由制表符（Tab）分隔的。
读取的结果会存储为数据框（data frame），data 变量就包含了从文件中读取的数据。
read.csv() 函数：
read.csv() 是 read.table() 的一种专门用于读取 CSV（逗号分隔值）文件的简化版本。它的默认分隔符是 逗号 （,）。
示例：
data <- read.csv(“data.csv”, header = TRUE)
header = TRUE：表示文件的第一行是列名。
读取的结果会同样存储为数据框。
2. 其他文件格式的读取
R 也可以通过一些专门的程序包来读取其他格式的数据文件。例如：
Excel 文件 ：可以使用 readxl 或 openxlsx 包来读取 .xlsx 或 .xls 文件。
library(readxl)
data <- read_excel(“data.xlsx”)
SAS 文件 ：可以使用 haven 包来读取 .sas7bdat 文件。
library(haven)
data <- read_sas(“data.sas7bdat”)
DBF 文件 ：可以使用 foreign 包来读取 DBF 格式文件。
library(foreign)
data <- read.dbf(“data.dbf”)
Matlab 文件 ：使用 R.matlab 包来读取 .mat 文件。
library(R.matlab)
data <- readMat(“data.mat”)
SPSS 文件 ：使用 haven 包读取 .sav 文件。
library(haven)
data <- read_spss(“data.sav”)
Minitab 文件 ：可以使用 foreign 包来读取 .mtw 文件。
library(foreign)
data <- read.minitab(“data.mtw”)
data <- read.table(“C:/Users/admin/Desktop/BMI.txt”, header = TRUE, sep = “\t”, stringsAsFactors = FALSE)
data
height weight
1 1.75 60
2 1.80 72
3 1.65 67
4 1.90 50
5 1.74 95
6 1.91 72
class(data)
[1] “data.frame”
查看当前的工作路径和修改工作路径：
getwd()
[1] “C:/Users/admin/Documents”
setwd(“C:/Users/admin/Desktop”)
两个点代表返回上级目录，一个点代表当前目录：
setwd("../")
getwd()
[1] “C:/Users/admin”
实例
1
：
实例2：
研究对象:肺癌，乳腺癌，膀胱癌，肝癌
研究方法:转录组测序，找到共同的差异基因
已有数据:四种肿瘤各自的差异基因
具体步骤：
1.读入数据-read.table()
2.取得交集-intersect()
3.频数统计，找到更多热点基因-table()
4.韦恩图可视化-venn.diagram()
Label.col
和
cat.col
我没写可以自己加
