【原】R学习 从Tidyverse学起，入门R语言（tidyr和stringr）

tidyverse出自于R大神Hadley Wickham之手，他是Rstudio首席科学家，也是ggplot2的作者。tidyverse就是他将自己所写的包整理成了一整套数据处理的方法，包括ggplot2，dplyr，tidyr，readr，purrr，tibble，stringr, forcats。同时也出了一本《R for Data Science》，这本书里面也详细介绍了tidyverse的使用方法。

R学习往期回顾：

R学习 从Tidyverse学起，入门R语言（tibble，readr和dplyr）

R学习：字符串

R学习：环境和函数

R学习：数据框的基本操作

R学习：R for Data Science（五）

R学习：R for Data Science（四）

R学习：R for Data Science（三）

R学习：R for Data Science（二）

R学习：R for Data Science（一）

tidyverse包含日常处理数据使用的核心包

我们可以将这些包进行分类：数据导入、数据整理、数据转换、可视化、建模、编程。

上回我们学习了tibble，readr和dplyr

今天我们学习tidyr和stringr

参考：

https://zhuanlan.zhihu.com/p/22265154

https://www.jianshu.com/p/f58ccc1ea30b

#install.packages("tidyverse")library(tidyverse)

tidyr

在tidyr包中，有四个常用的函数，分别是：

• gather()：宽数据转换为长数据，将行聚集成列

• spread()：长数据转换为宽数据，将列展开为行
  

• unite()：多列合并为一列

• separate()：将一列分离为多列.

我们平常所见的数据基本上是行为基因，列为样本，或是行为基因，列是样本

而在R中的清洁数据（Tidy data）原则是 每一列代表一次观测，每一行代表一个变量

而变量不仅有数字变量，还有分类变量

在我们上面的例子中，基因的ID，样品名称以及基因的表达量都是变量，而每一个基因在每一个样品中的表达量可以成为一次观测。因此，按照Tidy data的原则，应该将上述图表中的数据整理成如下格式：

这就是我们所谓的清洁数据

我们的目的是要把上边的数据转换成下边的格式。这里要引入键的概念，用于连接每对数据表的变量称为键。键是能唯一标识观测的变量（或变量集合） 要实现转换结果，在GeneId一定的情况下，我们可以把每一个样品和其对应的基因表达量看做一个键-值对（key-value pair）。比如：在GeneID为gene1时，sample1对应的表达量是3，sample2对应的表达量是4。因此，我们在转换数据时，只需按照上述规则，并指定要转换的列即可。使用tidyr包中的gather函数即可实现转换。

gather函数用法

gather函数宽数据转换为长数据，将行聚集成列，将列聚集到键值对中。

调用公式如下

> gather(data=,key=,value=,...,na.rm=,convert=,factor_key=)# key：创建一个新的列名，原数据的旧列名成为新列名的观测值# value：再创建一个新的列名，原数据的所有旧列名的观测值成为新列名的观测值# ...：按照实际需要自行指定需要转换的列# na.rm：逻辑值，是否删除缺失值# convert：逻辑值，在key列是否进行数据类型转换# factor_key:逻辑值，若是F，则key自动转换为字符串，反之则是因子（原始level水平保持不变）

构建一个表达矩阵

test <- tibble( sample = c(1:10), gene1 = rnorm(10, 0, 1), gene2 = rnorm(10, 0, 2), gene3 = rnorm(10, 0, 4))

宽数据转换为长数据

test %>% gather("gene", "expression", -sample)#或者test %>% gather( key ="gene",value = "expression",gene1,gene2,gene3)

spread函数用法

spread()函数将长数据转为宽数据，即将列展开为行，调用公式如下

> spread(data = ,key = ,value = ,fill = ,convert = ,drop = )# key:指定转换的某列，其观测值作为转换后的列名# value:其他列的观测值分散到相对应的各个单元# fill:设定某个值，替换缺失值

test1<-test %>% gather( key ="gene",value = "expression",gene1,gene2,gene3)

长转宽

test1%>% spread(key ="gene",value = "expression")

unite函数用法

unite()函数是将数据框中多列合并为一列，调用公式如下：

> unite(data = ,col = ,... = ,sep = ,remove = )# col:指定组合为新列的名字# ...:指定数据中哪些列组合在一起# sep：组合后新列中数据之间的分隔符# remove:逻辑值，是否保留参与组合的列

构建数据

df <- expand_grid(x = c("a", NA), y = c("b", NA))df

将x和y合并

df %>% unite("z", x:y, remove = FALSE)

用+合并

df %>% unite("z", x:y, sep='+',remove = FALSE)

去掉缺失值

df %>% unite("z", x:y, na.rm = TRUE, remove = FALSE)

separate函数用法

在学习了unite()函数后，separate()函数就很好理解了，它的作用正好和unite相反，即将数据框中的某列按照分隔符拆分为多列，一般用于时间序列的拆分，调用公式如下：

> separate(data = ,col = ,into = ,sep = ,remove = ,+ convert = ,extra = ,fill = ,...)# col：待拆分的某列# into:定义拆分后新的列名# sep:分隔符# remove:逻辑值，是否删除拆分后的列

我们使用上面得到的数据集，对它进行拆分

df %>% unite("xy", x:y)

df %>% unite("xy", x:y) %>% separate(xy, c("x", "y"))

df %>% unite("z", x:y, sep='+')

df %>% unite("z", x:y, sep='+')%>% separate(z, c("x", "y"))

stringr

stringr,顾名思义，处理字符串专用包

str_c连接字符串

str_c("x", "y","z") str_c("x", "y", sep =", ")

str_length计算字符串长度

x <- c("why", "video", "cross", "extra", "deal", "authority")str_length(x) #> [1] 3 5 5 5 4 9

str_sub取子集

str_sub(x, 1, 2)#> [1] "wh" "vi" "cr" "ex" "de" "au"str_sub(x, 1, 3)#> [1] "why" "vid" "cro" "ext" "dea" "aut"

str_split函数进行拆分

fruits <- c( "apples and oranges and pears and bananas", "pineapples and mangos and guavas")
str_split(fruits, " and ")


默认返回的是列表

可以使用unlist（）

unlist(str_split(fruits, " and "))

使用simplify = TRUE返回矩阵

str_split(fruits, " and ", simplify = TRUE)

使用 n= 可以限制拆分个数

str_split(fruits, " and ", n = 3)str_split(fruits, " and ", n = 2)

使用str_split_fixed也可以返回矩阵

str_split_fixed(fruits, " and ", 3)str_split_fixed(fruits, " and ", 4)

str_order()，str_sort()对字符向量排序

## 返回排序后的索引> str_order(x, decreasing = FALSE, na_last = TRUE, locale = "", ...)## 返回排序后的实际值> str_sort(x, decreasing = FALSE, na_last = TRUE, locale = "", ....)# decreasing：排序方式，默认为升序# na_last：是否将缺失值置于末尾，默认为TRUE

str_order(letters)str_sort(letters)

排序法则，默认是locale = "en"

str_order(letters, locale = "en")str_sort(letters, locale = "en")str_order(letters, locale = "haw")str_sort(letters, locale = "haw")

str_replace字符串替换

str_replace(string, pattern, replacement)str_replace_all(string, pattern, replacement)#string：需要处理的字符向量#pattern：指定匹配模#replacement：指定新的字符串用于替换匹配的模式#str_replace与str_replace_all的区别在于前者只替换一次匹配的对象，而后者可以替换所有匹配的对象

fruits <- c("one apple", "two pears", "three bananas")str_replace(fruits, "[aeiou]", "-")str_replace_all(fruits, "[aeiou]", "-")str_replace_all(fruits, "[aeiou]", toupper)str_replace_all(fruits, "b", NA_character_)

str_replace(fruits, "[aeiou]", c("1", "2", "3"))str_replace(fruits, c("a", "e", "i"), "-")

还有其他一些函数的用法，详见下图