今天介绍R语言里面的数据框，
Note
这是对一个初学者来说，R语言中最常用，重要的内容，没有之一。
数据框
数据框，data.frame，可能是大家最常用的数据结构了。我们的excel数据读进来一般默认都是数据框结构。
数据框由不同的行和列构成，不同的列可以是不同类型（数值型、字符型、逻辑型等）的数据，比如可以其中一列是数值型，另一列是逻辑型，另一列是字符型，等。但是同一列中必须是相同的类型。
创建数据框
数据框可通过函数data.frame()创建，使用方式如下：
mydata <- data.frame(col1, col2, col3,...)其中的列向量col1、col2、col3等可为任何类型（如字符型、数值型或逻辑型）。
以下代码会创建一个数据框，这个数据框有4列，第一列的名字是patientID，是数值型；第二列的名字是age，也是数值型；第三列的名字是diabetes，是字符型；第4列的名字是status，也是字符型：
# 创建4个向量
patientID <- c(1, 2, 3, 4)
age <- c(25, 34, 28, 52)
diabetes <- c("Type1", "Type2", "Type1", "Type1")
status <- c("Poor", "Improved", "Excellent", "Poor")
# 把4个向量放到一个数据框中
patientdata <- data.frame(patientID, age, diabetes, status)
patientdata
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 2 2 34 Type2 Improved
## 3 3 28 Type1 Excellent
## 4 4 52 Type1 Poor我们首先建立了4个向量，然后使用函数data.frame()将4个向量组合在一起，就变成了一个数据框data.frame，所以你也可以把数据框看成是多个向量的组合。
当你对这个操作足够熟悉后，你也可以直接这样写：
patientdata <- data.frame(
patientID = c(1, 2, 3, 4),
age = c(25, 34, 28, 52),
diabetes = c("Type1", "Type2", "Type1", "Type1"),
status = c("Poor", "Improved", "Excellent", "Poor")
)
patientdata
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 2 2 34 Type2 Improved
## 3 3 28 Type1 Excellent
## 4 4 52 Type1 Poor
class(patientdata)
## [1] "data.frame"上一章中从外部读取的数据，默认就是数据框结构：
library(readxl)
brca_expr <- read_xlsx("datasets/brca_expr.xlsx", col_names = T)
class(brca_expr)
## [1] "tbl_df" "tbl" "data.frame"Note
readxl是tidyverse系列R包的一员，如果你使用了这个系列的R包，那么默认的数据框就不再单单是data.frame类型，还会增加tbl_df和tbl类型，这会在某些操作中报错，千万要注意。
如何变成单纯的data.frame类型？只需要使用as.data.frame()函数即可：
# 转换类型
brca_expr <- as.data.frame(brca_expr)
class(brca_expr) # 查看类型
## [1] "data.frame"探索数据框
查看数据框的基本信息，比如，有几行几列？每一列是什么类型？列名是什么？
# 像Excel一样查看数据框，注意，数据太大会直接卡死
View(patientdata) # 或者在环境面板中直接点击数据框名字
# 查看类型
class(patientdata) # 数据框
## [1] "data.frame"
# 查看数据框的维度，dim是dimension的缩写
dim(patientdata)
## [1] 4 4
# 查看几行几列
ncol(patientdata)
## [1] 4
nrow(patientdata)
## [1] 4
# 查看数据框的结构：str是structure的缩写
str(patientdata)
## 'data.frame': 4 obs. of 4 variables:
## $ patientID: num 1 2 3 4
## $ age : num 25 34 28 52
## $ diabetes : chr "Type1" "Type2" "Type1" "Type1"
## $ status : chr "Poor" "Improved" "Excellent" "Poor"
# 查看前6行和最后6行
head(patientdata)
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 2 2 34 Type2 Improved
## 3 3 28 Type1 Excellent
## 4 4 52 Type1 Poor
tail(patientdata)
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 2 2 34 Type2 Improved
## 3 3 28 Type1 Excellent
## 4 4 52 Type1 Poor
# 默认是6行，可以更改，比如改成2行
head(patientdata, 2)
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 2 2 34 Type2 Improved
# 查看数据框的列名
names(patientdata)
## [1] "patientID" "age" "diabetes" "status"
# 或者使用以下方法查看列名
colnames(patientdata)
## [1] "patientID" "age" "diabetes" "status"
# 查看行名
rownames(patientdata)
## [1] "1" "2" "3" "4"
# 总结数据信息，摘要
summary(patientdata)
## patientID age diabetes status
## Min. :1.00 Min. :25.00 Length:4 Length:4
## 1st Qu.:1.75 1st Qu.:27.25 Class :character Class :character
## Median :2.50 Median :31.00 Mode :character Mode :character
## Mean :2.50 Mean :34.75
## 3rd Qu.:3.25 3rd Qu.:38.50
## Max. :4.00 Max. :52.00行列选择
如果我们要选择其中的某些行或者某些列，或者某个元素（比如，第2行第3列的值），有多种不同的方法实现。
可以通过方括号实现，就像访问向量的元素一样。
数据框和向量不一样，向量是一维的，数据框既有行也有列，数据框是二维的，所以在使用方括号时，我们也要指定行和列，行和列之间用,隔开，,前面表示行，后面表示列。
以下是常见方法，必须要记住：
patientdata[1, 2] # 取第1行第2列的值
## [1] 25
patientdata[1:2,] # 取第1行到第2行，以及所有列，省略数字就是取所有
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 2 2 34 Type2 Improved
patientdata[, 1:3] # 取所有行，以及第1列到第3列
## patientID age diabetes
## 1 1 25 Type1
## 2 2 34 Type2
## 3 3 28 Type1
## 4 4 52 Type1
patientdata[c(1,4), c(1,3)] # 取第1行和第4行，以及第1列和第3列
## patientID diabetes
## 1 1 Type1
## 4 4 Type1如果你在方括号中不写,，那么默认是选取其中的列和所有行：
patientdata[c(1,3)] # 取第1列和第3列，所有的行
## patientID diabetes
## 1 1 Type1
## 2 2 Type2
## 3 3 Type1
## 4 4 Type1除了使用数字序号这种，也可以直接使用列名进行选取（是不是和向量操作非常像？）：
patientdata[, "patientID"] # 取patientID这一列和所有的行 ,可省略，下面的也是
## [1] 1 2 3 4
patientdata[, c("patientID", "diabetes")] # 取patientID和diabetes两列及所有行
## patientID diabetes
## 1 1 Type1
## 2 2 Type2
## 3 3 Type1
## 4 4 Type1除了使用方括号，还可以使用美元符号$选取列：
# 选取patientID这一列
patientdata$patientID
## [1] 1 2 3 4如果要同时选择部分行和列，还有一个专门的函数subset()：
subset(patientdata, # 数据
age > 30, # 选择行，age>30的行
select = c("patientID","diabetes","age") # 选择列
)
## patientID diabetes age
## 2 2 Type2 34
## 4 4 Type1 52tidyverse中的
filter和select也能完成此操作
patientdata这个数据集有4列，每一列都有一个列名，我们可以通过列名很轻松的选取其中的列，但是这个数据集没有行名，我们可以给它添加行名，这个数据共有4行，所以我们要准备4个名字，然后使用rownames()添加行名：
# 准备4个名字
rws <- c("第一行", "第二行", "第三行", "第四行")
# 添加行名：
rownames(patientdata) <- rws
patientdata
## patientID age diabetes status
## 第一行 1 25 Type1 Poor
## 第二行 2 34 Type2 Improved
## 第三行 3 28 Type1 Excellent
## 第四行 4 52 Type1 Poor这样就可以通过行名选择你想要的行了，比如选择第1行和第3行，所有的列：
patientdata[c("第一行", "第三行"), ]
## patientID age diabetes status
## 第一行 1 25 Type1 Poor
## 第三行 3 28 Type1 Excellent选择年龄大于30岁的行以及第2列和第3列：
patientdata[patientdata$age > 30, c(2,3)]
## age diabetes
## 第二行 34 Type2
## 第四行 52 Type1此时其实是通过TRUE/FALSE进行选择，首先看patientdata$age > 30：
# 第2个和第4个是TRUE，所以就是选择第2行和第4行
patientdata$age > 30
## [1] FALSE TRUE FALSE TRUE这种方法非常有用，大家一定要记住。
增加/删除行列
增加行列，删除行列：
# 增加1列weight
patientdata$weight <- c(20,30,40,50)
patientdata
## patientID age diabetes status weight
## 第一行 1 25 Type1 Poor 20
## 第二行 2 34 Type2 Improved 30
## 第三行 3 28 Type1 Excellent 40
## 第四行 4 52 Type1 Poor 50
# 删除第2列，
# 注意此时不重新赋值的话其实patientdata是没有变化的，和向量一样
patientdata[,-2]
## patientID diabetes status weight
## 第一行 1 Type1 Poor 20
## 第二行 2 Type2 Improved 30
## 第三行 3 Type1 Excellent 40
## 第四行 4 Type1 Poor 50
# 或者使用以下方法删除列，这种方法不用重新赋值
patientdata$weight <- NULL
patientdata
## patientID age diabetes status
## 第一行 1 25 Type1 Poor
## 第二行 2 34 Type2 Improved
## 第三行 3 28 Type1 Excellent
## 第四行 4 52 Type1 Poor
#patientdata[,- "age"] # 这种写法是错误的修改和重编码
patientdata <- data.frame(
patientID = c(1, 2, 3, 4),
age = c(25, 34, 28, 52),
diabetes = c("Type1", "Type2", "Type1", "Type1"),
status = c("Poor", "Improved", "Excellent", "Poor")
)
patientdata
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 2 2 34 Type2 Improved
## 3 3 28 Type1 Excellent
## 4 4 52 Type1 Poor比如，把diabetes这一列中的Type1变成类型1：
# 选择要修改的列，选择要修改的值，重新赋值即可
patientdata$diabetes[patientdata$diabetes == "Type1"] <- "类型1"
patientdata
## patientID age diabetes status
## 1 1 25 类型1 Poor
## 2 2 34 Type2 Improved
## 3 3 28 类型1 Excellent
## 4 4 52 类型1 Poor把age这一列中大于30岁的变成中年人，小于等于30岁的变成青年人：
patientdata$age[patientdata$age > 30] <- "中年人"
patientdata$age[patientdata$age <= 30] <- "青年人"
patientdata
## patientID age diabetes status
## 1 1 青年人 类型1 Poor
## 2 2 中年人 Type2 Improved
## 3 3 青年人 类型1 Excellent
## 4 4 中年人 类型1 Poor行列转置
行变成列，列变成行，也就是旋转90°：
patientdata
## patientID age diabetes status
## 1 1 青年人 类型1 Poor
## 2 2 中年人 Type2 Improved
## 3 3 青年人 类型1 Excellent
## 4 4 中年人 类型1 Poor
pdt <- t(patientdata) # transpose缩写
pdt
## [,1] [,2] [,3] [,4]
## patientID "1" "2" "3" "4"
## age "青年人" "中年人" "青年人" "中年人"
## diabetes "类型1" "Type2" "类型1" "类型1"
## status "Poor" "Improved" "Excellent" "Poor"
class(pdt)
## [1] "matrix" "array"数据框转置后会变成矩阵，如果要变成数据框，使用as.data.frame()即可：
pdt <- as.data.frame(t(patientdata))
pdt
## V1 V2 V3 V4
## patientID 1 2 3 4
## age 青年人 中年人 青年人 中年人
## diabetes 类型1 Type2 类型1 类型1
## status Poor Improved Excellent Poor
class(pdt)
## [1] "data.frame"行列拼接
可以分为:
-
拼接列：把列拼起来，也就是对多个数据框水平堆叠，也就是在一个数据框的右侧添加另一个数据框，要求行数相同
-
拼接行：把行拼起来，也就是对多个数据框垂直堆叠，也就是在一个数据框的下方添加另一个数据框，要求列数相同
比如现在如下两个数据框df1和df2：
df1 # 3行4列
## # A tibble: 3 × 4
## barcode patient sample sample_type
## <chr> <chr> <chr> <chr>
## 1 TCGA-BH-A1FC-11A-32R-A13Q-07 TCGA-BH-A1FC TCGA-BH-A1FC-11A Solid Tissue Normal
## 2 TCGA-AC-A2FM-11B-32R-A19W-07 TCGA-AC-A2FM TCGA-AC-A2FM-11B Solid Tissue Normal
## 3 TCGA-BH-A0DO-11A-22R-A12D-07 TCGA-BH-A0DO TCGA-BH-A0DO-11A Solid Tissue Normal
df2 # 3行5列
## # A tibble: 3 × 5
## initial_weight ajcc_pathologic_stage days_to_last_follow_up gender
## <dbl> <chr> <chr> <chr>
## 1 260 Stage IIA NA female
## 2 220 Stage IIB NA female
## 3 130 Stage I 1644 female
## # ℹ 1 more variable: age_at_index <dbl>现在我们把两个数据框按列拼接：
cbind(df1, df2) # column bind，变成3行9列
## barcode patient sample
## 1 TCGA-BH-A1FC-11A-32R-A13Q-07 TCGA-BH-A1FC TCGA-BH-A1FC-11A
## 2 TCGA-AC-A2FM-11B-32R-A19W-07 TCGA-AC-A2FM TCGA-AC-A2FM-11B
## 3 TCGA-BH-A0DO-11A-22R-A12D-07 TCGA-BH-A0DO TCGA-BH-A0DO-11A
## sample_type initial_weight ajcc_pathologic_stage
## 1 Solid Tissue Normal 260 Stage IIA
## 2 Solid Tissue Normal 220 Stage IIB
## 3 Solid Tissue Normal 130 Stage I
## days_to_last_follow_up gender age_at_index
## 1 NA female 78
## 2 NA female 87
## 3 1644 female 78假如还有两个数据框df3和df4：
df3 # 3行2列
## # A tibble: 3 × 2
## barcode patient
## <chr> <chr>
## 1 TCGA-BH-A1FC-11A-32R-A13Q-07 TCGA-BH-A1FC
## 2 TCGA-AC-A2FM-11B-32R-A19W-07 TCGA-AC-A2FM
## 3 TCGA-BH-A0DO-11A-22R-A12D-07 TCGA-BH-A0DO
df4 # 2行2列
## # A tibble: 2 × 2
## barcode patient
## <chr> <chr>
## 1 TCGA-E2-A1BC-11A-32R-A12P-07 TCGA-E2-A1BC
## 2 TCGA-BH-A0BJ-11A-23R-A089-07 TCGA-BH-A0BJ进行按行拼接：
rbind(df3,df4) # row bind，变成5行2列
## # A tibble: 5 × 2
## barcode patient
## <chr> <chr>
## 1 TCGA-BH-A1FC-11A-32R-A13Q-07 TCGA-BH-A1FC
## 2 TCGA-AC-A2FM-11B-32R-A19W-07 TCGA-AC-A2FM
## 3 TCGA-BH-A0DO-11A-22R-A12D-07 TCGA-BH-A0DO
## 4 TCGA-E2-A1BC-11A-32R-A12P-07 TCGA-E2-A1BC
## 5 TCGA-BH-A0BJ-11A-23R-A089-07 TCGA-BH-A0BJ数据框合并
具有共同信息的两个数据框可以合并到一个数据框中。比如表格1中包含甲乙丙丁4个病人的年龄和性别信息，表格2中包含甲乙丙丁4个病人的生化指标，那么这样的两个表格就可以合并到一个表格中。
df1 <- data.frame(
patientID = c("甲","乙","丙","丁"),
age = c(23,43,45,34),
gender = c("男","女","女","男")
)
df2 <- data.frame(
patientID = c("甲","乙","丙","丁"),
hb = c(110,124,138,142),
wbc = c(3.7,4.6,6.4,4.2)
)
df1
## patientID age gender
## 1 甲 23 男
## 2 乙 43 女
## 3 丙 45 女
## 4 丁 34 男
df2
## patientID hb wbc
## 1 甲 110 3.7
## 2 乙 124 4.6
## 3 丙 138 6.4
## 4 丁 142 4.2这两个数据框储存着同一批病人（都是甲乙丙丁4个人）的不同信息，直接拼接起来不是我们想要的结果，因为patientID会出现两次：
cbind(df1,df2)
## patientID age gender patientID hb wbc
## 1 甲 23 男 甲 110 3.7
## 2 乙 43 女 乙 124 4.6
## 3 丙 45 女 丙 138 6.4
## 4 丁 34 男 丁 142 4.2正确的方法是根据两个数据框共有的信息把它们合并起来。这两个数据框共有的信息是patientID这一列，表示的都是甲乙丙丁4个病人，这种情况的正确做法是使用merge函数。
# 根据共有信息合并2个数据框
df3 <- merge(df1, df2, by = "patientID")
df3
## patientID age gender hb wbc
## 1 丙 45 女 138 6.4
## 2 丁 34 男 142 4.2
## 3 甲 23 男 110 3.7
## 4 乙 43 女 124 4.6顺序不一样也没有影响，会自动对应好。比如下面这个数据框，它的顺序不是甲乙丙丁，而是甲丁乙丙：
df4 <- df2[order(df2$wbc),]
df4
## patientID hb wbc
## 1 甲 110 3.7
## 4 丁 142 4.2
## 2 乙 124 4.6
## 3 丙 138 6.4这个数据框和df1也可以直接合并，不会出错：
merge(df1, df4)
## patientID age gender hb wbc
## 1 丙 45 女 138 6.4
## 2 丁 34 男 142 4.2
## 3 甲 23 男 110 3.7
## 4 乙 43 女 124 4.6两个数据框共有信息的名字不一样也可以！
# 这个数据框表示病人ID的列名是id，不是patientID
names(df4)[1] <- "id"
df4
## id hb wbc
## 1 甲 110 3.7
## 4 丁 142 4.2
## 2 乙 124 4.6
## 3 丙 138 6.4
df1
## patientID age gender
## 1 甲 23 男
## 2 乙 43 女
## 3 丙 45 女
## 4 丁 34 男也可以直接合并，只要指定各自的列名即可：
merge(df1,df4, by.x = "patientID", by.y = "id")
## patientID age gender hb wbc
## 1 丙 45 女 138 6.4
## 2 丁 34 男 142 4.2
## 3 甲 23 男 110 3.7
## 4 乙 43 女 124 4.6这就是表格的合并，也就是把存储相同信息的多个表格合并到一个表格中，注意共同的列(上面的例子是patientID，可以列名不同，但是必须是相同的一类信息或者标识符)不能有重复的观测（比如不能有多个“甲”，只能有一个）。
根据具体情况不同，可以分为以下几类：
-
内连接：保留两个表格中共有的观测。
-
左连接：保留表1中的所有观测。
-
右连接：保留表2中的所有观测。
-
全连接：保留表1和表2中的所有观测。
假设两个数据框存储了病人的不同信息，如下所示：
df1 <- data.frame(
patientID = c("甲","乙","丙","丁"),
age = c(23,43,45,34),
gender = c("男","女","女","男")
)
df2 <- data.frame(
patientID = c("甲","乙","戊","几","庚"),
hb = c(110,124,138,142,108),
wbc = c(3.7,4.6,6.4,4.2,5.6)
)
df1
## patientID age gender
## 1 甲 23 男
## 2 乙 43 女
## 3 丙 45 女
## 4 丁 34 男
df2
## patientID hb wbc
## 1 甲 110 3.7
## 2 乙 124 4.6
## 3 戊 138 6.4
## 4 几 142 4.2
## 5 庚 108 5.6内连接，即保留两个表格中共有的观测：
merge(df1, df2, by = "patientID")
## patientID age gender hb wbc
## 1 甲 23 男 110 3.7
## 2 乙 43 女 124 4.6左连接，即保留表1中的所有观测，表2中没有的信息自动填充NA：
merge(df1, df2, all.x = T)
## patientID age gender hb wbc
## 1 丙 45 女 NA NA
## 2 丁 34 男 NA NA
## 3 甲 23 男 110 3.7
## 4 乙 43 女 124 4.6右连接，和左连接刚好相反，保留表2中的所有观测：
merge(df1, df2, all.y = T)
## patientID age gender hb wbc
## 1 庚 NA <NA> 108 5.6
## 2 几 NA <NA> 142 4.2
## 3 甲 23 男 110 3.7
## 4 戊 NA <NA> 138 6.4
## 5 乙 43 女 124 4.6
#等价于
merge(df2, df1, all.x = T)
## patientID hb wbc age gender
## 1 庚 108 5.6 NA <NA>
## 2 几 142 4.2 NA <NA>
## 3 甲 110 3.7 23 男
## 4 戊 138 6.4 NA <NA>
## 5 乙 124 4.6 43 女全连接，即保留表1和表2中的所有观测：
merge(df1, df2, all = T)
## patientID age gender hb wbc
## 1 丙 45 女 NA NA
## 2 丁 34 男 NA NA
## 3 庚 NA <NA> 108 5.6
## 4 几 NA <NA> 142 4.2
## 5 甲 23 男 110 3.7
## 6 戊 NA <NA> 138 6.4
## 7 乙 43 女 124 4.6上面4种连接是最常见的，其实还有半连接和反连接，暂不介绍，感兴趣的可以自己学习一下。
排序
patientdata <- data.frame(
patientID = c(1, 2, 3, 4),
age = c(25, 34, 28, 52),
diabetes = c("Type1", "Type2", "Type1", "Type1"),
status = c("Poor", "Improved", "Excellent", "Poor")
)
patientdata
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 2 2 34 Type2 Improved
## 3 3 28 Type1 Excellent
## 4 4 52 Type1 Poor根据某一列进行排序，比如根据age从小到大对数据框重新排序：
patientdata[order(patientdata$age),]
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 3 3 28 Type1 Excellent
## 2 2 34 Type2 Improved
## 4 4 52 Type1 Poor根据age从大到小对数据框重新排序：
patientdata[order(patientdata$age, decreasing = T),]
## patientID age diabetes status
## 4 4 52 Type1 Poor
## 2 2 34 Type2 Improved
## 3 3 28 Type1 Excellent
## 1 1 25 Type1 Poor
# 或者
patientdata[order(- patientdata$age),]
## patientID age diabetes status
## 4 4 52 Type1 Poor
## 2 2 34 Type2 Improved
## 3 3 28 Type1 Excellent
## 1 1 25 Type1 Poor还可以根据多个变量进行排序，比如，按照年龄从小到大，并且diabetes从1型到2型的顺序排序：
patientdata[order(patientdata$age, patientdata$diabetes),]
## patientID age diabetes status
## 1 1 25 Type1 Poor
## 3 3 28 Type1 Excellent
## 2 2 34 Type2 Improved
## 4 4 52 Type1 Poor计数
如果要查看某一列有几个类别及数量：
table(patientdata$status)
##
## Excellent Improved Poor
## 1 1 2如果你想生成diabetes和status的列联表，可以使用table()函数：
table(patientdata$diabetes, patientdata$status)
##
## Excellent Improved Poor
## Type1 1 0 2
## Type2 0 1 0医学生应该都能看懂这个结果什么意思吧？
在每个变量名前都键入一次patientdata$的写法是不符合编程思想的，是很繁琐的，所以给大家介绍一个with()函数，在with()函数内部，你可以不用写数据集的名字：
with(patientdata,
table(diabetes, status)
)
## status
## diabetes Excellent Improved Poor
## Type1 1 0 2
## Type2 0 1 0数据框实战
这个数据是我从TCGA官网（官网，不是XENA）下载的乳腺癌患者的临床信息，包含：患者ID、样本ID、样本类型（normal还是tumor？）、年龄、性别等。
# 读取文件
library(readxl)
brca_clin <- read_xlsx("F:/R_books/R_beginners/brca_clin.xlsx", col_names = T)
# 查看数据基本情况
dim(brca_clin)
## [1] 20 9
head(brca_clin)
## # A tibble: 6 × 9
## barcode patient sample sample_type initial_weight ajcc_pathologic_stage
## <chr> <chr> <chr> <chr> <dbl> <chr>
## 1 TCGA-BH-A1FC-… TCGA-B… TCGA-… Solid Tiss… 260 Stage IIA
## 2 TCGA-AC-A2FM-… TCGA-A… TCGA-… Solid Tiss… 220 Stage IIB
## 3 TCGA-BH-A0DO-… TCGA-B… TCGA-… Solid Tiss… 130 Stage I
## 4 TCGA-E2-A1BC-… TCGA-E… TCGA-… Solid Tiss… 260 Stage IA
## 5 TCGA-BH-A0BJ-… TCGA-B… TCGA-… Solid Tiss… 200 Stage IIB
## 6 TCGA-E2-A1LH-… TCGA-E… TCGA-… Solid Tiss… 60 Stage I
## # ℹ 3 more variables: days_to_last_follow_up <chr>, gender <chr>,
## # age_at_index <dbl>
colnames(brca_clin)
## [1] "barcode" "patient" "sample"
## [4] "sample_type" "initial_weight" "ajcc_pathologic_stage"
## [7] "days_to_last_follow_up" "gender" "age_at_index"变量名修改：
colnames(brca_clin)[c(5,6,7,9)] <- c("weight","stage","days","age")
colnames(brca_clin)
## [1] "barcode" "patient" "sample" "sample_type" "weight"
## [6] "stage" "days" "gender" "age"选择第5~9列：
brca_clin <- brca_clin[,c(5:9)]
brca_clin
## # A tibble: 20 × 5
## weight stage days gender age
## <dbl> <chr> <chr> <chr> <dbl>
## 1 260 Stage IIA NA female 78
## 2 220 Stage IIB NA female 87
## 3 130 Stage I 1644 female 78
## 4 260 Stage IA 501 female 63
## 5 200 Stage IIB 660 female 41
## 6 60 Stage I 3247 female 59
## 7 320 Stage IIB NA female 60
## 8 310 Stage IIIA NA female 39
## 9 100 Stage IIB 1876 female 54
## 10 250 Stage IIB 707 female 51
## 11 130 Stage IIA 5749 female 51
## 12 110 Stage IA NA female 44
## 13 470 Stage IIA 1972 female 64
## 14 90 Stage I 1321 female 56
## 15 200 Stage IIA 385 female 71
## 16 70 Stage IIA 1800 female 71
## 17 130 Stage IIB 214 female 63
## 18 770 Stage IIIA 1206 female 47
## 19 200 Stage IA 2442 female 54
## 20 250 Stage IIIC NA female 36按照age从小到大排序数据框：
brca_clin[order(brca_clin$age),]
## # A tibble: 20 × 5
## weight stage days gender age
## <dbl> <chr> <chr> <chr> <dbl>
## 1 250 Stage IIIC NA female 36
## 2 310 Stage IIIA NA female 39
## 3 200 Stage IIB 660 female 41
## 4 110 Stage IA NA female 44
## 5 770 Stage IIIA 1206 female 47
## 6 250 Stage IIB 707 female 51
## 7 130 Stage IIA 5749 female 51
## 8 100 Stage IIB 1876 female 54
## 9 200 Stage IA 2442 female 54
## 10 90 Stage I 1321 female 56
## 11 60 Stage I 3247 female 59
## 12 320 Stage IIB NA female 60
## 13 260 Stage IA 501 female 63
## 14 130 Stage IIB 214 female 63
## 15 470 Stage IIA 1972 female 64
## 16 200 Stage IIA 385 female 71
## 17 70 Stage IIA 1800 female 71
## 18 260 Stage IIA NA female 78
## 19 130 Stage I 1644 female 78
## 20 220 Stage IIB NA female 87按照从大到小的顺序排列：
brca_clin[order(brca_clin$age, decreasing = T),]
## # A tibble: 20 × 5
## weight stage days gender age
## <dbl> <chr> <chr> <chr> <dbl>
## 1 220 Stage IIB NA female 87
## 2 260 Stage IIA NA female 78
## 3 130 Stage I 1644 female 78
## 4 200 Stage IIA 385 female 71
## 5 70 Stage IIA 1800 female 71
## 6 470 Stage IIA 1972 female 64
## 7 260 Stage IA 501 female 63
## 8 130 Stage IIB 214 female 63
## 9 320 Stage IIB NA female 60
## 10 60 Stage I 3247 female 59
## 11 90 Stage I 1321 female 56
## 12 100 Stage IIB 1876 female 54
## 13 200 Stage IA 2442 female 54
## 14 250 Stage IIB 707 female 51
## 15 130 Stage IIA 5749 female 51
## 16 770 Stage IIIA 1206 female 47
## 17 110 Stage IA NA female 44
## 18 200 Stage IIB 660 female 41
## 19 310 Stage IIIA NA female 39
## 20 250 Stage IIIC NA female 36查看有几个类别，以及每个类别的数量：
table(brca_clin$stage)
##
## Stage I Stage IA Stage IIA Stage IIB Stage IIIA Stage IIIC
## 3 3 5 6 2 1变量重编码和修改：
brca_clin$stage[brca_clin$stage == "Stage IIB"] <- "Stage_2"
brca_clin
## # A tibble: 20 × 5
## weight stage days gender age
## <dbl> <chr> <chr> <chr> <dbl>
## 1 260 Stage IIA NA female 78
## 2 220 Stage_2 NA female 87
## 3 130 Stage I 1644 female 78
## 4 260 Stage IA 501 female 63
## 5 200 Stage_2 660 female 41
## 6 60 Stage I 3247 female 59
## 7 320 Stage_2 NA female 60
## 8 310 Stage IIIA NA female 39
## 9 100 Stage_2 1876 female 54
## 10 250 Stage_2 707 female 51
## 11 130 Stage IIA 5749 female 51
## 12 110 Stage IA NA female 44
## 13 470 Stage IIA 1972 female 64
## 14 90 Stage I 1321 female 56
## 15 200 Stage IIA 385 female 71
## 16 70 Stage IIA 1800 female 71
## 17 130 Stage_2 214 female 63
## 18 770 Stage IIIA 1206 female 47
## 19 200 Stage IA 2442 female 54
## 20 250 Stage IIIC NA female 36全部修改：
brca_clin$stage[brca_clin$stage == "Stage IIA"] <- "Stage_2"
brca_clin$stage[brca_clin$stage == "Stage IA"] <- "Stage_1"
brca_clin$stage[brca_clin$stage == "Stage I"] <- "Stage_1"
brca_clin$stage[brca_clin$stage == "Stage IIIA"] <- "Stage_3"
brca_clin$stage[brca_clin$stage == "Stage IIIC"] <- "Stage_3"
brca_clin
## # A tibble: 20 × 5
## weight stage days gender age
## <dbl> <chr> <chr> <chr> <dbl>
## 1 260 Stage_2 NA female 78
## 2 220 Stage_2 NA female 87
## 3 130 Stage_1 1644 female 78
## 4 260 Stage_1 501 female 63
## 5 200 Stage_2 660 female 41
## 6 60 Stage_1 3247 female 59
## 7 320 Stage_2 NA female 60
## 8 310 Stage_3 NA female 39
## 9 100 Stage_2 1876 female 54
## 10 250 Stage_2 707 female 51
## 11 130 Stage_2 5749 female 51
## 12 110 Stage_1 NA female 44
## 13 470 Stage_2 1972 female 64
## 14 90 Stage_1 1321 female 56
## 15 200 Stage_2 385 female 71
## 16 70 Stage_2 1800 female 71
## 17 130 Stage_2 214 female 63
## 18 770 Stage_3 1206 female 47
## 19 200 Stage_1 2442 female 54
## 20 250 Stage_3 NA female 36查看修改后的stage:
table(brca_clin$stage)
##
## Stage_1 Stage_2 Stage_3
## 6 11 3根据年龄进行分组，大于60岁是old，小于等于60岁是young:
# 先看下年龄是不是数值型
str(brca_clin)
## tibble [20 × 5] (S3: tbl_df/tbl/data.frame)
## $ weight: num [1:20] 260 220 130 260 200 60 320 310 100 250 ...
## $ stage : chr [1:20] "Stage_2" "Stage_2" "Stage_1" "Stage_1" ...
## $ days : chr [1:20] "NA" "NA" "1644" "501" ...
## $ gender: chr [1:20] "female" "female" "female" "female" ...
## $ age : num [1:20] 78 87 78 63 41 59 60 39 54 51 ...
is.numeric(brca_clin$age)
## [1] TRUE开始修改：
brca_clin$age[brca_clin$age > 60] <- "old"
brca_clin$age[brca_clin$age <= 60] <- "young"
brca_clin
## # A tibble: 20 × 5
## weight stage days gender age
## <dbl> <chr> <chr> <chr> <chr>
## 1 260 Stage_2 NA female old
## 2 220 Stage_2 NA female old
## 3 130 Stage_1 1644 female old
## 4 260 Stage_1 501 female old
## 5 200 Stage_2 660 female young
## 6 60 Stage_1 3247 female young
## 7 320 Stage_2 NA female young
## 8 310 Stage_3 NA female young
## 9 100 Stage_2 1876 female young
## 10 250 Stage_2 707 female young
## 11 130 Stage_2 5749 female young
## 12 110 Stage_1 NA female young
## 13 470 Stage_2 1972 female old
## 14 90 Stage_1 1321 female young
## 15 200 Stage_2 385 female old
## 16 70 Stage_2 1800 female old
## 17 130 Stage_2 214 female old
## 18 770 Stage_3 1206 female young
## 19 200 Stage_1 2442 female young
## 20 250 Stage_3 NA female youngNA修改(这个数据框里的NA是字符型，并不是真正的NA)：
brca_clin$days_1 <- ifelse(brca_clin$days == "NA", NA, brca_clin$days)
brca_clin
## # A tibble: 20 × 6
## weight stage days gender age days_1
## <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 260 Stage_2 NA female old <NA>
## 2 220 Stage_2 NA female old <NA>
## 3 130 Stage_1 1644 female old 1644
## 4 260 Stage_1 501 female old 501
## 5 200 Stage_2 660 female young 660
## 6 60 Stage_1 3247 female young 3247
## 7 320 Stage_2 NA female young <NA>
## 8 310 Stage_3 NA female young <NA>
## 9 100 Stage_2 1876 female young 1876
## 10 250 Stage_2 707 female young 707
## 11 130 Stage_2 5749 female young 5749
## 12 110 Stage_1 NA female young <NA>
## 13 470 Stage_2 1972 female old 1972
## 14 90 Stage_1 1321 female young 1321
## 15 200 Stage_2 385 female old 385
## 16 70 Stage_2 1800 female old 1800
## 17 130 Stage_2 214 female old 214
## 18 770 Stage_3 1206 female young 1206
## 19 200 Stage_1 2442 female young 2442
## 20 250 Stage_3 NA female young <NA>