一文学会使用dplyr包进行数据转换
大家好，我是阿琛。可视化是展示结果的重要途径与手段。在之前的内容中，从认识ggplot2开始，我们相继介绍了箱型图，桑基图，棒棒糖图，以及雷达图等等。然而，不同的作图方法对输出数据的格式要求也不尽相同。在训练营以及平时的交流中，我发现即使将整个绘图的代码摆在眼前，很多小伙伴仍然感到无从下手，不知道如何将数据整理到合适格式。
当我们拿到一份数据，无论是TCGA下载的转录组数据，GEO数据库中的芯片表达数据，亦或者是自己测序等途径得到的数据内容，其数据格式正好完全符合我们需求的情况，是非常罕见的。一般来讲，我们需要对数据进行预处理，比如提取其中的某些变量值，变量的重命名，创建一些新的统计变量等等，从而使得数据格式达到输入要求，变得更容易处理。
关于这些内容，Hadley Wickham大神已经体我们充分进行了考虑，并由此创造了一个新的数据处理方式，即tidyverse中的一个核心R包---dplyr包。在介绍中，Hadley提到，dplyr是一种新的数据处理的语法，提供了一组一致的动词来帮助您解决最常见的数据处理难题，它们分别是：
按值筛选变量（filter()）
对行进行重新排序（arrange()）
按名称选取变量（select()）
使用现有变量的函数创建新变量（mutate()）
将多个值总结为一个摘要统计量（summarize()）
接下来，我们一起来看一下这几个函数的使用方法。
1.R包的安装与读取以及数据的读取
1.1 R包准备
首先加载tidyverse包，讲解中的dplyr包属于tidyverse包。
if(!require(tidyverse))install.packages("tidyverse")library(tidyverse)
在加载tidyverse包时，在输出信息中我们可以看到存在一些冲突信息，它会告诉你在dplyr包中有两个函数与基础R包的函数存在冲突。当我们要在加载了tidyverse包后，想使用基础R包的这两个函数时，需要提供其完整的名称分别是stats::filter()和stats::lag()两个。
1.2 数据准备
dat <-read.table("exp.txt", header=T,sep="\t", check.names=F,row.names = 1)dat[1:4,1:4] #查看数据类型
随后，将数据读取进来。在分析前，提取其前4行4列，我们先看一下这个数据的结构与内容，当然，也可以直接在RStudio中通过View(dat)来查看整个数据框。可以发现，在该数据集中，共包含80行，132列内容，其中行名为患者的编号，第一列为患者的生存状态（fustat），第二列为患者的分期（Stage），其后为130个不同的基因。
2.使用filter()筛选行
首先，我们来筛选一下fustat为1，Stage为2的所有患者：
dat2 <-filter(dat, fustat == 1,Stage == 2)
运行以后，dplyr包会执行相应的筛选操作，并返回一个新的数据框。但是，需要注意的是，dplyr包中的函数从来不会修改原数据框内容。因此，如果想要保存运行结果，需要将其赋值给一个新的变量。可以发现，经过筛选，最终得到7个样本所组成的新数据集dat2。
补充内容：比较运算符与逻辑运算符
在筛选的过程中，我们需要熟悉如何运用比较运算或者逻辑运算过程，来快速且准确的筛选变量信息。
2.1 比较运算符
在R语言中，其提供了一整套用于比较运算的符号，分别是：>，>=，<，<=，!=，以及==六种。
#筛选stage为3和4的样本（即Stage >= 3） dat3 <- filter(dat, Stage >= 3) #筛选fustat为1的患者（即fustat == 1或者fustat != 0） dat4 <- filter(dat, fustat == 1) dat4 <- filter(dat, fustat != 0) #得到的结果与上一句一致 #筛选LSR基因表达量小于4的样本（即LSR < 4） dat5 <- filter(dat, LSR < 4)
大部分的比较方法与我们常规在数学或日常学习中的使用是一致的；
但是，需要注意的是：
在此判断是否相等使用的是==，而不是=（在R中，=表示赋值的含义）；
关于“浮点数”的问题
sqrt(2)^2 == 2#[1] FALSE 1/49 * 49 == 1#[1] FALSE
是不是觉得十分神奇呢？这是因为计算机使用的是有限精度运算，每一步运算后其保存的均是一个近似值。因此，在比较这类运算结果时，我们不能使用==，而应该借助near()函数的帮助：
#near() near(sqrt(2)^2, 2) #[1] TRUE near(1/49 * 49, 1) #[1] TRUE
2.2 逻辑运算符
关于逻辑运算符，大家想必不会陌生吧。常用的布尔逻辑运算符包括：&（与），|（或），以及!（非）三种。
#筛选stage为3和4的样本（即Stage == 3 | Stage == 4） dat6<- filter(dat, Stage == 3 | Stage == 4) #筛选fustat为0，且stage为3的样本（fustat != 1 & Stage == 3） dat7<- filter(dat, fustat != 1 & Stage == 3)
此外，还有一种十分有用的简写形式，即x %in% y（表示选取x是y中的一个值时的所有行）。这样，上面的代码就可以简化为以下的形式：
#%in%的使用 dat8 <- filter(dat, Stage %in% c(3,4)) #筛选stage为3和4的样本 identical(dat6, dat8) #比较两个数据集是否相同 #[1] TRUE
可以发现，使用|得到的dat6与使用%in%得到的dat8之间是完全相同的两个数据集。
3.使用arrange()排列行
arrange()函数的使用方法与filter()函数比较相似，但是arange()函数的作用是改变行的顺序。
3.1 将Stage按降序进行排列
arrange(dat, desc(Stage))
3.2 将数据框以fustat,Stage,以及XYLT2基因的表达量来进行排列
arrange(dat, fustat, Stage, XYLT2)
可以发现，当列名不止一个时，它会自动使用后面的列在前面排序的基础上继续排列，即当fustat相同时，根据Stage进行进一步的排列，依次往下。
4.使用select()选择列
4.1 按名称选择列
select(dat, fustat, Stage)
4.2 选择在第一列fustat和第三列XYLT2之间的所有列
select(dat, fustat:XYLT2)
4.3 选择不在第一列fustat和第三列XYLT2之间的所有列
select(dat, -(fustat:XYLT2))
4.4 select()与everything()联用
当我们想要将几个变量移动到数据框开头时，则需要同时借助select()与everything()的作用。
select(dat, XYLT2, LSR, everything())
运行后，我们可以发现，第三列XYLT2和第四列LSR被移动到了整个数据框的前两列。
此外，还可以在select()函数中使用一些辅助函数，比如：
starts_with("abc")：匹配以“abc”开头的名称
ends_with("xyz")：匹配以“xyz”结尾的名称
contains("ijk")：匹配包含“abc”的名称
matches("(.)\1")：选择匹配正则表达式的变量
num_range("x", 1:3)：匹配x1，x2和x3
好啦，本次的内容先介绍到这里，剩下的两个函数mutate()和summarize()，以及管道符号%>%的使用，我们将在下一期的内容中进行详细的介绍~以简单易懂的介绍，带领大家快速入门数据处理，我们下期再见~~
欢迎大家关注解螺旋生信频道-挑圈联靠公号~
继续阅读
阅读原文