1、R和Rstudio下载地址
https://cran.rstudio.com/a
2、Rstudio 的配置
外观、代码显示比例配置
选中tools
选中globle options
选中appearance
选择主题、缩放比例、字体、字体大小
---------------------------------------------华丽丽的分割线----------------------------------------------------
3、R简介
执行特定功能最基本的是R包，在使用前必须先从一些库(repository)中下载，并载入。两个最流行的R库是CRAN和Bioconductor(主要用于处理高通量测序数据)。默认情况下，R从CRAN抓取包，但根据需要你可以更换库，比如Biocondutor,，去获取其它CRAN库中没有的包。更换库不等于更换镜像，镜像是指同一个库(repository) at a different location，一个库可以含有许多镜像。
4、基本使用简介
4.0） 工作环境
>getwd() # 当前工作目录
>setwd('path/to/directory') #更换工作目录
4.1) 安装包
>install.packages('packagesname',dependency=TRUE)
>install.packages('path/to/packages.tar.gz',repos=NULL,type='source') ##从本地文件安装4.2）查看包
查看所有的包
>library()
查看默认包
>getOption('defaultPackages')
查看当前环境中所含有的包
print(.packages())
查看包里面所有的函数
>ls("package:GenomicFeatures")
4.3) 帮助文档
help(sum) 或者 ?sum
用例子来展示函数：
example(sum)
利用关键字搜素帮助文档:
>help.search('sum')
通过包名收索帮助文档:
>help(package='base')
4.4) 退出
q()
5）读取数据
5.1）对于R内置数据
>data(iris)
>load(file='mydata.RData') #载入数据对象
5.2)读取外部文件
>Mydata <- read.table('file',header='True',sep=' ',rowname=1)
>Mydata <- read.csv('file.csv')
5.3)读取excel文件
>install.packages('xlsx',dependeces=TRUE)
>library(gdata)
>mydata <- read.xlsx('mydata.xlsx')
5.4)数据探索
>class(iris)
>dim(iris)
>head(iris)
>tail(iris)
6) 保存数据
>wirte.table(x,file='myexcel.xls',append=false,quote=true,sep=' ') ##保存为table文件
>write.csv(x,col.names=NA,sep=',') ##保存为csv文件
>save(D,file='mydata.RData') ##保存为数据对象
--------------------------------------------------------------华丽丽的分割线----------------------------------------
7、R中索引方式
在R中，索引体系是[rows, columns]。
数据框$数据框名 ：表示该数据框中该列所有的数据。
These functions use R indexing with named columns (the $ sign) or index numbers. The $ sign placed after the data followed by the column name specifies the data in that column. The R indexing system for data frames is very simple, just like other scripting languages, and is represented as [rows, columns].You can represent several indices for rows and columns using the c operator . A minus(减号) sign on the indices for rows/columns removes these parts of the data. The rbind function used earlier combines the data along the rows (row-wise，行向), whereas cbind does the same along the columns (column-wise，列向).
7.1)下面举例来说，首先载入数据
data(iris) ##载入数据
str(iris) ##观察数据结构
7.2) 获取特定列数据，组成一个数据框，存放到myiris对象中
myiris <- iris[,c(1,2,5)] #虽然这种方法在实际应用中最好尽量去避免，这种写法。
View(myiris)
ls()
rm(myiris)
myiris <- iris[,-c(3,4)] #减号表示去除相应的数据，虽然这种方法也行，但在实际应用中最好尽量去避免
View(myiris)
ls()
rm(myiris)
myiris=data.frame(Sepal.Length=iris$Sepal.Length, Sepal.Width=iris$Sepal.Width,
Species= iris$Species)#提取指定列，通过datafram函数构建数据框，存放到myiris对象中
View(myiris)
7.3）添加额外列(column)到数据框中
Stalk.Length <-c(rnorm(30,1,0.1),rnorm(30,1.3,0.1), rnorm(30,1.5,0.1),rnorm(30,1.8,0.1), rnorm(30,2,0.1)) #获取150个数据，
myiris <- cbind(iris, Stalk.Length) #cbind，将Stalk.Length列合并到iris框中
dim(myiris)
colnames(myiris) #获取列名
7.4）添加额外行(raw)到数据框
newdat <- data.frame(Sepal.Length=10.1, Sepal.Width=0.5, Petal.Length=2.5, Petal.Width=0.9, Species="myspecies")
myiris <- rbind(iris, newdat) #合并行
dim(myiris)
myiris[151,] #查看最后加入的行
rownames(myiris) #这里相当于行号
7.5） 按照一定规则提取数据子集
mynew.iris <- subset(myiris, Sepal.Length == 5.0) #提取符合Sepal.Length=5.0的数据
rownames(mynewiris) #注意观察rownames是什么，是符合上述条件的数据所在的行号
也可以不用subset函数，用以下方法：
rm(mynew.iris) mynew.iris <- myiris[myiris$Sepal.Length == 5.0, ]
删除所有数据对象。
rm(list=ls())
另外一种方法是使用%in%方法
data(iris)
mylength <- c(4,5,6,7,7,2) mynew.iris <- iris[iris[,1] %in% mylength,]
