【原】TCGA | 以项目方式管理代码数据 以及 数据读取存储

以项目的方式管理R代码和文件，可以很大程度规避  1）工作路径不对，2）找不到文件 ，3）代码和文件不对应 ，等常见的问题。

RStudio是一款流行的R语言IDE(开发者集成环境)，在安装Rstudio之前一定要先安装R软件，本文简单的介绍如何使用Rstudio进行项目管理。

一  项目式管理代码 数据

1.1 新建New Project

打开Rstudio，点击左上角箭头所示的位置，选择New Directory，选择New Project

（或者File --- New Project --- New Directory --- New Project）

1.2 设置路径

点击 Browse 设置项目路径，然后填写工作路径，可以选择是否打开一个新的session

1.3 新建R script

然后点击Rstudio左上角的+，选择 R script ，，（R Markdown 和 R Presentation后面会介绍）

以上，就新建了一个项目。

二 数据读取 存储

数据分析当然首先需要数据，之前的推文中用到了几种，比如

• 载入R 或者 R包的内置数据集；

• 通过matrix或者data.frame等构建简单的数据集 ；

• 读取文件获取数据集 。

2.1 读取表达数据并转换Ensembl_ID

TCGA数据挖掘 | Xena - TCGA数据下载分享的是下载乳腺癌的数据，此处换为LAML，下载方式一样！

为啥？因为LAML样本少，读取快￣□￣｜｜！

1 ）读取表达量数据

rm(list = ls()) #一键清空
#载入R包
library(openxlsx)
library(tidyverse)

#读取表达量数据 TCGA-LAML.htseq_counts.tsv
fpkm <- read.table("TCGA-LAML.htseq_counts.tsv",sep = "\t" , header = T,
                  #row.names = "Ensembl_ID",
                  stringsAsFactors = FALSE ,
                  check.names = FALSE)
fpkm[1:4,1:4]

一些常用参数选项：

• header：逻辑值，表示文件的第一行是否包含变量的标题；

• sep：表示在同一行内，用于分割变量值的分隔符；

• row.names：字符串类型的向量，用于指定行的名称。可以是一个向量，包含所有数据行的名称，也可以指定一个字符串，该字符串是文件的列名，那么数据集使用该列的值作为行的名称。

• na.strings：用于表示缺失值的字符串向量，在读取数据时，当变量值匹配这些字符串中的任意一个时，把变量的值转换为NA。

• quote：用于对有特殊字符的字符串划定界限的符号，默认值是双引号或单引号。

• stringAsFactors：逻辑值，默认值是TRUE，用于指定是否把字符向量转换为因子。

• check.names ：逻辑值，默认值为TRUE,它会自动将变量名转换成唯一的字符型向量 。

需要注意列名，不设置`check.names`的话， 1 会变成 “X1” ，TCGA-AB-2949-03B会变成“TCGA.AB.2949.03B”，一些不识别的符号（如空格，%，#等）也会自动变化，需要特别注意。

2）读取probeMap文件，转换Ensembl_ID

下载表达矩阵的时候，记得下载对应的probeMap文件，方便将Ensembl_ID转为常见的基因symbol。

#gencode.v22.annotation.gene.probeMap
probeMap <- read.table("gencode.v22.annotation.gene.probeMap",sep = "\t" , header = T,
                  stringsAsFactors = FALSE ,
                  check.names = FALSE)
probeMap[1:4,1:4]

expr <- fpkm %>%
 inner_join(probeMap, by = c("Ensembl_ID" = "id")) %>%
 select(gene , starts_with("TCGA") )

   gene TCGA-AB-2949-03B TCGA-AB-2918-03A TCGA-AB-2943-03A
1 TSPAN6         5.129283         3.700440         5.209453
2   TNMD         1.000000         1.000000         0.000000
3   DPM1         9.972980         9.885696         9.868823
4  SCYL3         9.980140        10.052568        10.965784

详细的用法可查看：

Tidyverse| XX_join ：多个数据表（文件）之间的各种连接

盘一盘Tidyverse| 筛行选列之select，玩转列操作

3. 处理临床和随访数据

注意临床数据和随访数据分开的！

#临床数据
cli <- read.table("TCGA-LAML.GDC_phenotype.tsv", header = T,sep = "\t" ,
                      stringsAsFactors = FALSE)
cli[1:4,1:4]
#随访数据
surv <- read.table("TCGA-LAML.survival.tsv", header = T,
                  stringsAsFactors = FALSE)
surv[1:4,1:4]
#结合，提取部分列
cli_surv <- cli %>%
 inner_join(surv,by = c("submitter_id.samples" = "sample")) %>%
 select(submitter_id.samples,age_at_index.demographic,gender.demographic,
        tumor_grade.diagnoses,tumor_stage.diagnoses,OS,OS.time)
head(cli_surv)

4. 数据保存之 write和save

write 输出文件：可以保存为多种格式，只能保存一个文件

save 保存数据：可以保存多个文件，使用时直接load即可，保存关键或者耗时的中间文件。

write.xlsx(cli_surv,"1-cli_surv.xlsx")
write.csv(cli_surv,"1-cli_surv.csv",row.names = FALSE)
write.table(cli_surv,"1-cli_surv.txt",row.names = FALSE)

save(expr,cli,surv,cli_surv ,file = "Step1_data_join.RData")
#load("Step1_data_join.RData")

使用R Project 管理代码和数据，加上详细的注释，可以大大减少后面找数据，分析代码的时间！

PS：大家可以点一点哈，欢迎留言或者私信 更详细的点！！！

【觉得不错，右下角点个“在看”，期待您的转发，谢谢！】