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。

1. 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。
2. 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。
3. 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

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：

1. 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
2. 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"
3. 逻辑型（Logical）：
   • 用于存储逻辑值，即 TRUE 或 FALSE。
   • 示例：TRUE, FALSE
4. 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
5. 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