R语言 | 一些常用的数据整理的技巧（一）

在使用下面的部分函数之前，需要加载一下R包。

library(data.table) #loading packages
library(dplyr)
library(tidyr)

1. 按照特定的分割符，拆分某列。

（1）按照单一的分隔符。

ExtensionDat<- data %>% separate(gene.TE, c("transcript","gene","family","class"),sep = ":") #根据“:”，将数据框data中的gene.TE列拆分为4列，列名分别为"transcript","gene","family","class"。

（2）按照多于1个的分隔符。

gtff<-gtf %>% separate(V2, c("chromsome","start","stop","strand"),sep = "[-|:]") #根据“:”，“|”，“-”，将数据框gtf中的V2列拆分为4列，列名分别为"chromsome","start","stop","strand"。在这行代码中，分隔符为一系列，用中括号括起来。

2. 宽数据变成长数据，但在转换的过程中不改变某些列。

LengthDat_long <- gather(LengthDat, key = "sample", value = "expression",
                    -`transcript`,-`chromsome`, -`start`, -`stop`, -`strand` ,-`length`, -`gene`, -`family`, -`class`)
                    #将数据框LengthDat的一些行的值，合并后的数据，多出来两列，第一列为sample，即原先的列名，第二列为expression，为原先的每一列所对应的值；在转换的过程中，保证其他列，如“transcript”不改变。

3. 分组计数

CountTable<-FilterDat_long %>% group_by(sample,gene) %>% summarize(notZero = sum(expression!=0),total=sum(!is.na(expression))) #按照sample，gene列进行分组，统计每组中，expression的值不为零的值的加和，以及expression值不为NA的数目（细细品味两者的区别）；

mean_length <- aggregate(fa.bed$length, by=list(fa.bed$TE_subfamily, fa.bed$class_family), FUN=mean) #这个也是分组计数，按照列TE_subfamily和class_family进行分组，然后计算组中的均值，设为length的值；

CountTable<-StructureDat%>% count(gene,class.x,name = 'count') #按照gene和class.x组进行简单统计行数，新列命名为count行

4.当数据集过大时，用fread()进行快速读取。

library(data.table) #该函数位于data.table包里。
fa.bed.o<-fread("hg38.fa.out",fill=T,header=T)

5.按条件赋值

（1）大于小于

LengthDat_long$Length_label[LengthDat_long$length>6000] <-">6k" #当length大于6000，给Length_label赋值为">6k"
LengthDat_long$Length_label[LengthDat_long$length<=6000 & LengthDat_long$length>4000 ] <-"4k-6k"
LengthDat_long$Length_label[LengthDat_long$length<=4000 & LengthDat_long$length>2000 ] <-"2k-4k"
LengthDat_long$Length_label[LengthDat_long$length<= 2000] <-"<=2k"

（2）等于

data_ext3[which(data_ext3$strand=="+)"),]$strand<-"+"
data_ext3[which(data_ext3$strand=="-)"),]$strand<-"-"

annotationDat[is.na(annotationDat$class),]$class<-"not-enough-length" #是否为na

（3）包含

data_ext3[grepl("ORF2",data_ext3$subject.acc.ver),"ORF"]<-"ORF2"
data_ext3[grepl("ORF1",data_ext3$subject.acc.ver),"ORF"]<-"ORF1"

FilterDat_noZero_L1$group[FilterDat_noZero_L1$sample%in%c("ESC-1","ESC-2","ESC-3")] <-"ESC"
FilterDat_noZero_L1$group[FilterDat_noZero_L1$sample%in%c("Neuron_pro-1","Neuron_pro-2","Neuron_pro-3")] <-"Neuron_pro"
FilterDat_noZero_L1$group[FilterDat_noZero_L1$sample%in%c("Neuron-1","Neuron-2","Neuron-3")] <-"Neuron"

（4）新列赋值

data_ext4[,"label"]<-"null" #给新列label，全部赋值为“null”
#特定位置赋值
data_ext4[i,]$label<-"1rd"
data_ext4[i+1,]$label<-"1rd"

6. rbind之前，保证列数和列名相同

b=as.data.frame(c(data_ext4[i,1:6],min(a),max(a),rep(NA,8),data_ext4[i,17],"2rd"))
colnames(b)<-colnames(data_ext4)
data_ext4<-rbind(data_ext4,b)

7.判断两行的对应列的内容是否相同

if(sum(data_ext8[m,c(1:6)]==data_ext8[m+1,c(1:6)])==6)

8.paste合并列，按照特定的连接符

data_ext8$label<-paste(paste(paste(paste(data_ext8$chromsome,data_ext8$start,sep=":"),data_ext8$stop,sep="-"),data_ext8$strand,sep="("),"",sep=")")
data_ext8$label2<-paste(paste(paste(data_ext8$chromsome,data_ext8$start,sep=":"),data_ext8$stop,sep="-"),data_ext8$strand,sep=":")

9.筛选特定的数据子集

FilterDat2<-FilterDat[FilterDat$family=="L1",]  #筛选family列为L1的数据子集

CountTable2<-CountTable%>% filter(gene%in%c("L1HS","L1PA2","L1PA3","L1PA4","L1PA5","L1PA6","L1PA7","L1PA8")) #筛选gene列为"L1HS","L1PA2","L1PA3","L1PA4","L1PA5","L1PA6","L1PA7","L1PA8"的数据子集；

Savedfiles_repFilterDat_noZero_L1<-repFilterDat_noZero_L1 %>% filter(n==3) #n列为3的数据子集

TE.esc<-cbind(row.names(data[!grepl("ENSG*", row.names(data)),]),data[!grepl("ENSG*", row.names(data)),])  #用grepl函数，筛选出rownames中包含"ENSG*"的行，然后取差集（！）。