本文首发于“生信补给站”公众号 https://mp.weixin.qq.com/s/ldO0rm3UM_rqlFnU3euYaA
2020年，开封 《R 数据科学》R for data science，系统学习R 数据处理。
在一个典型的数据科学项目中，需要的工具模型大体如下图所示。 --R for Data Science
数据导入和数据整理较乏味和无聊，很容易从入门到放弃！从数据转换和可视化开始，容易看到成果，保持学习的动力。
之前的推文讲了一些生信常见图形的绘制（后续会一直补充），现在开始主要依据《R数据科学》一书逐渐介绍数据分析的过程。
本文根据 msleep数据集，盘一盘“列”的操作。
一 载入R包，数据
#载入R包 #install.packages("tidyverse") library("tidyverse") #查看内置数据集 head(msleep,2) # A tibble: 6 x 11 name genus vore order conservation sleep_total sleep_rem sleep_cycle awake <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> 1 Chee~ Acin~ carni Carn~ lc 12.1 NA NA 11.9 2 Owl ~ Aotus omni Prim~ NA 17 1.8 NA 7 # ... with 2 more variables: brainwt <dbl>, bodywt <dbl>
上述数据集有11列（变量），而生信中的临床信息，实验室检验指标经常上百，基因（突变，表达）信息更是成千上万。
此时可以基于变量名，使用select() 函数快速生成一个有用的变量子集。
二 以列之名
2.1 选择对应名称列
使用select()直接选择列名称所对应的列。
#选择name, sleep_total ,awake三列，使awake在中间 msleep %>% select(name, awake, sleep_total) %>% head()
彩蛋：添加顺序即为输出顺序。
2.2 选择若干连序列
使用start_col:end_col语法选择若干的连续列。
msleep %>% select(name:vore, sleep_total:awake) %>% head(2) # A tibble: 6 x 7 name genus vore sleep_total sleep_rem sleep_cycle awake <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> 1 Cheetah Acinonyx carni 12.1 NA NA 11.9 2 Owl monkey Aotus omni 17 1.8 NA 7
与基本语法类似，：用来选择连续的列。
2.3 根据部分列名称选择列
如果列名结构相似，可使用starts_with()，ends_with()， contains()完成部分匹配。
1）starts_with()选择以“XX”开头的所有列
msleep %>% select(name, starts_with("sleep")) %>% head(2) # A tibble: 2 x 4 name sleep_total sleep_rem sleep_cycle <chr> <dbl> <dbl> <dbl> 1 Cheetah 12.1 NA NA 2 Owl monkey 17 1.8 NA 2）ends_with()选择以“XX”结尾的所有列 msleep %>% select(ends_with("e")) %>% head(2) # A tibble: 2 x 4 name vore sleep_cycle awake <chr> <chr> <dbl> <dbl> 1 Cheetah carni NA 11.9 2 Owl monkey omni NA 7 3） contains()选择包含“XX”的所有列 msleep %>% select(contains("leep")) %>% head(2) # A tibble: 2 x 3 sleep_total sleep_rem sleep_cycle <dbl> <dbl> <dbl> 1 12.1 NA NA 2 17 1.8 NA
4）matches() 选择基于正则的列
如果列名模式不相似，使用matches()选择对应正则表达式的列。
#选择任何包含“a”，后跟一个或多个其他字母和“e”的列 msleep %>% select(matches("a.+e")) %>% head(2) # A tibble: 2 x 2 name awake <chr> <dbl> 1 Cheetah 11.9 2 Owl monkey 7
三 以逻辑之名
3.1 基于数据类型选择列
使用select_if()选择所有数值列select_if(is.numeric)，此外还可用is.numeric， is.integer，is.double，is.logical，is.factor。
msleep %>% select_if(is.numeric) %>% head(2) # A tibble: 2 x 6 sleep_total sleep_rem sleep_cycle awake brainwt bodywt <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> 1 12.1 NA NA 11.9 NA 50 2 17 1.8 NA 7 0.0155 0.48
3.2 基于逻辑表达式选择列msleep%>%
msleep %>% select_if(is.numeric) %>% select_if(~mean(., na.rm=TRUE) > 10) %>% head(2) # A tibble: 2 x 3 sleep_total awake bodywt <dbl> <dbl> <dbl> 1 12.1 11.9 50 2 17 7 0.48
注：select_all / if 函数要求将函数作为参数传递。因为mean > 10 本身不是函数，所以需要前面添加“~”表示匿名函数；或者使用funs()先将函数包装。
more_than_10 <- function(x) { mean(x,na.rm=TRUE) > 10 } msleep %>% select_if(is.numeric) %>% select_if(more_than_10) %>% head(2) # A tibble: 2 x 3 sleep_total awake bodywt <dbl> <dbl> <dbl> 1 12.1 11.9 50 2 17 7 0.48 结果同上。 msleep %>% select_if(~is.numeric(.) & mean(., na.rm=TRUE) > 10) %>% head(2)
结果同上！
3.3 选择唯一值数目符合条件的列
结合 n_distinct()选择具有不少于20个不同答案的列。
msleep %>% select_if(~n_distinct(.) >= 20) %>% head(2) # A tibble: 2 x 8 name genus sleep_total sleep_rem sleep_cycle awake brainwt bodywt <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> 1 Cheetah Acinonyx 12.1 NA NA 11.9 NA 50 2 Owl monkey Aotus 17 1.8 NA 7 0.0155 0.48
四 调整列顺序
4.1 选择列名称时候直接调整
#选择name, sleep_total ,awake三列，使awake在中间 msleep %>% select(name, awake, sleep_total) %>% head(2)
4.2 everything() 返回未被选择的所有列
当只是将几列移到最前面，后面的可使用everything()，节省大量输入时间。
msleep %>% select(conservation, everything()) %>% head(2) # A tibble: 2 x 11 conservation name genus vore order sleep_total sleep_rem sleep_cycle awake <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> 1 lc Chee~ Acin~ carni Carn~ 12.1 NA NA 11.9 2 NA Owl ~ Aotus omni Prim~ 17 1.8 NA 7 # ... with 2 more variables: brainwt <dbl>, bodywt <dbl>
五 更改列名称
5.1 select更改列名
注：select语句中更改，只留下select的列。
5.2 rename更改列名
msleep %>% rename(animal = name) %>% head(2) # A tibble: 2 x 11 animal genus vore order conservation sleep_total sleep_rem sleep_cycle awake <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> 1 Cheet~ Acin~ carni Carn~ lc 12.1 NA NA 11.9 2 Owl m~ Aotus omni Prim~ NA 17 1.8 NA 7 # ... with 2 more variables: brainwt <dbl>, bodywt <dbl>
以上两种方式注意区分！
5.3 重新格式化所有列名
1）select_all()函数允许更改所有列，并以一个函数作为参数。
msleep %>% select_all(toupper) %>% head(2) # A tibble: 2 x 11 NAME GENUS VORE ORDER CONSERVATION SLEEP_TOTAL SLEEP_REM SLEEP_CYCLE AWAKE <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> 1 Chee~ Acin~ carni Carn~ lc 12.1 NA NA 11.9 2 Owl ~ Aotus omni Prim~ NA 17 1.8 NA 7 # ... with 2 more variables: BRAINWT <dbl>, BODYWT <dbl>
toupper()使所有列名变成大写形式，tolower()变成小写。
2）创建函数替换
如果输入文件的列名较混乱，根据需求逐步替换。
搞定！
六 满五赠二
6.1 删除某些列
选择的列前用“-”即可，函数用法与选择一致。
msleep %>% select(-(name:genus), -conservation,-(ends_with("e"))) %>% head(2) # A tibble: 2 x 5 order sleep_total sleep_rem brainwt bodywt <chr> <dbl> <dbl> <dbl> <dbl> 1 Carnivora 12.1 NA NA 50 2 Primates 17 1.8 0.0155 0.48
6.2 行名称改为第一列
某些数据框的行名并不是列，例如mtcars数据集：
mtcars %>% head(2) ## mpg cyl disp hp drat wt qsec vs am gear carb ## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4 ## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
使用 rownames_to_column()函数，行名改为列，且可指定列名称。
mtcars %>% tibble::rownames_to_column("car_name") %>% head(2) car_name mpg cyl disp hp drat wt qsec vs am gear carb 1 Mazda RX4 21 6 160 110 3.9 2.620 16.46 0 1 4 4 2 Mazda RX4 Wag 21 6 160 110 3.9 2.875 17.02 0 1 4 4
相信我，后面做数据链接（join）的时候，你会很希望行名是具体列的。
数据处理确实不如可视化“好看”，但前期数据处理必不可少，这个“槛”一起慢慢跨过去！
