class: center, middle, inverse, title-slide .title[ # R tips ] .subtitle[ ## for advanced use ] .author[ ### Peng Chen email: <a href="mailto:pengchen2001@zju.edu.cn" class="email">pengchen2001@zju.edu.cn</a> ] .institute[ ### ZJU LSI Jianglab ] .date[ ### 2023/7/7 ] --- class: middle ## Lv1. Use R ## .gray-title[Lv2. R programming] ## .gray-title[Lv3. R markdown (to everything)] ## .gray-title[Lv4. R package/shiny] .footnote[[*] 才疏学浅，仅代表本人学习经验，R是一个宝库，此处只是冰山一角。] --- # R语言简介 R语言是S语言的一个变种。S语言由Rick Becker等人在贝尔实验室开发（著名的C语言、Unix系统开发实验室）。 R是一个自由源代码软件，GPL授权，于1997年发布，实现了与S语言基本相同的功能和统计功能。 现在由R核心团队开发，但全世界的用户都可以贡献软件包。 R的网站: http://www.r-project.org/ 特点： - 自由软件，免费、开放源代码，支持各个主要计算机系统； - 具有完善的数据类型，代码简洁、可读； - **强调交互式数据分析，支持复杂算法描述，图形功能强**； - 统计科研工作者广泛使用R进行计算和发表算法。R有**上万扩展包**(截止2023年7月5日在R包网站CRAN上有19784个)。 --- # 技术特点 S语言作者，R语言专家J. M. Chambers指出R的.red[本质特征]： - R中所有的存在都是**对象**（object）； - R中发生的动作都是**函数调用**（function call）。 -- 详细地说R有如下技术特点： - 函数编程（functional programming）。 - 支持对象类和类方法，面向对象的程序设计。 - 动态类型语言，解释执行，速度较慢。 - 数据框（data.frame）是基本数据类型，类似于数据库的表。 - 可以用作C和C++、FORTRAN语言编写的算法库的接口。 - 内部数值算法采用已广泛测试和采纳的算法实现，如排序、线性代数等。 --- background-image: url(images/R.jpg) background-size: 100px background-position: 90% 8% # R & Rstudio - R是一种统计学编程语言 - Rstudio是R语言最好的IDE（Integrated development environment） <img src="images/Rstudio.png" alt="Rstudio" width="80%"> ??? 进入Rstudio看一看 介绍更多的东西 --- ## More about Rstudio 2022年RStudio公司正式改名Posit，拥抱大数据科学生态：R、Python、Julia... <img src="images/Rstudio2.png" alt="Rstudio" width="70%" style="float:left"> RStudio使用方法概要PDF下载：[rstudio-ide.pdf](https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/rstudio-ide.pdf) Rstuido的魔法：按住Ctrl（Command）单击某个变量名或函数名，如果是data.frame就可以进入预览窗格， 如果是函数就可以进入函数内部看具体的代码。 其实是调用了`View()`函数，对于不是以上类型的对象我们可以手动调用。 --- ## 学习资料 ### 全面教程 小白上手首推北大李老师的课程讲义[《R语言教程》](https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/index.html)，中文讲义，简单易读，甚至整本书就是用Rbookdown编写的，电子书也比较好复制代码进行学习。 [《R语言实战》](https://www.zhihu.com/search?q=R%E8%AF%AD%E8%A8%80%E5%AE%9E%E6%88%98&search_source=Entity&hybrid_search_source=Entity&hybrid_search_extra=%7B%22sourceType%22%3A%22answer%22%2C%22sourceId%22%3A217799209%7D)，也有中文版，介绍地更加全面且有不少进阶知识，值得一看！ <img src="images/Rshizhan.jpg" alt="Rshizhan" width="25%" style="float:right"> 然后是著名的英文书和参考手册： - [《An Introduction to R》](cran.r-project.org/doc/manuals/R-intro.pdf) - [《R Cookbook》](https://rc2e.com/) --- ## 学习资料 ###数据处理 tidyverse全家桶，其中包含ggplot2，tibble，dplyr，readr，stringr等常用的全面的数据处理包，能够很好的满足我们下游数据处理需求： <a href="https://bookdown.org/roy_schumacher/r4ds/"> <img src="images/Rdatasci.png" alt="R data science" width="20%" style="float:right"></a> - 读取数据 - 清洗数据 - 转换数据 - 合并数据 - 筛选数据 - 可视化 官方教程：[《R for Data Science》](https://bookdown.org/roy_schumacher/r4ds/)，非常建议熟读并使用 --- ## 学习资料 <a href="https://ggplot2-book.org/"> <img src="images/ggplot2.jpg" alt="R data science" width="20%" style="float:right"></a> ###可视化 ggplot官方教程：[《ggplot2: Elegant Graphics for Data Analysis》](https://ggplot2-book.org/) <a href="https://www.data-to-viz.com"> <img src="images/data2viz.png" alt="ggplot2" width="50%" style="float:left"></a> <br> <br> <br> <br> <br> <br> <br> 为可视化而建的网站：[From data to Viz \| Find the graphic you need](https://www.data-to-viz.com) --- ## 学习资料 ###R编程 <a href="https://adv-r.hadley.nz/"> <img src="images/advancer.png" alt="advanced r" width="20%" style="float:right"></a> [《Advanced R》](https://adv-r.hadley.nz/)，对R高级编程技术进行讲解 更多关于R的书可以在[Home \| Bookdown](https://bookdown.org/)这里找到。 <br> <br> <a href="https://www.data-to-viz.com"> <img src="images/rbooks.png" alt="ggplot2" width="55%"></a> --- # 基本使用 很多人使用 R，只为用其中的某个包的某个功能，只需学会以下几步即可： 1. 装好R & Rstudio ✅ 2. 认识基本数据类型，结构 3. 装好需要的包 4. 正确数据/图像读入和写出 5. 关闭R走人 --- ### 基本使用 2&#46; 认识基本数据类型 .pull-left[ - 数值型常量 `1,1e2,5L,Inf,-Inf`; - 字符型常量 `"str",'str'`; - 逻辑型常量 `TRUE,FALSE,T,F`; - 缺失值 `NaN,NA`, 空值 `NULL`; - 复数常量 `2.2 + 3.5i`; - 变量，区分大小写的字母、数字、下划线和句点组成变量名，支持但不建议中文; ] .pull-right[ ```r typeof(c(123,10e2,12L,Inf,-Inf)) ``` ``` ## [1] "double" ``` ```r typeof(c("str",'str')) ``` ``` ## [1] "character" ``` ```r typeof(c(TRUE,FALSE,T,F)) ``` ``` ## [1] "logical" ``` ```r typeof(2.2 + 3.5i) ``` ``` ## [1] "complex" ``` ```r typeof(NULL) ``` ``` ## [1] "NULL" ``` ] --- ### 基本使用 2&#46; 认识基本数据结构：向量(vector) 用`c()`函数把多个元素或向量组合成一个**向量**。如果元素基本类型不同，将统一转换成最复杂的一个，复杂程度从简单到复杂依次为： logical<integer<double<character。此外还可以有Date和factor类型的元素 ```r x <- c(1:3, 10:13);x ``` ``` ## [1] 1 2 3 10 11 12 13 ``` ```r x[2]=T #类型转换，T为1，F为0 x ``` ``` ## [1] 1 1 3 10 11 12 13 ``` ```r x[1]="T" #类型升档，全部变为character x ``` ``` ## [1] "T" "1" "3" "10" "11" "12" "13" ``` ```r is.vector(x) ``` ``` ## [1] TRUE ``` --- ### 基本使用 2&#46; 认识基本数据结构：列表(list) 列表(list)类型包装保存不同类型的数据。单个列表元素必须用两重方括号格式访问,单重方括号结果还是列表而不是列表元素。 ```r rec <- list(name="李明", age=30,scores=c(85, 76, 90)) rec ## $name ## [1] "李明" ## ## $age ## [1] 30 ## ## $scores ## [1] 85 76 90 typeof(rec) ## [1] "list" rec[[1]] ## [1] "李明" typeof(rec[[1]]) ## [1] "character" rec[1] ## $name ## [1] "李明" typeof(rec[1]) ## [1] "list" ``` 普通有names属性的列表可以用`$`访问元素，S4对象可以用`@`访问元素。 --- ### 基本使用 2&#46; 认识基本数据结构：矩阵，数组(matrix, array) 矩阵用matrix函数定义，实际存储成一个向量，根据保存的行数和列数对应到矩阵的元素， 存储次序为按列存储。 ```r A <- matrix(11:16, nrow=3, ncol=2) ;A ``` ``` ## [,1] [,2] ## [1,] 11 14 ## [2,] 12 15 ## [3,] 13 16 ``` 矩阵是一个二维数组，我们可以定义多维数组 ```r ara <- array(1:24, dim=c(1,2,2)) ;ara ``` ``` ## , , 1 ## ## [,1] [,2] ## [1,] 1 2 ## ## , , 2 ## ## [,1] [,2] ## [1,] 3 4 ``` --- ### 基本使用 2&#46; 认识基本数据结构：数据框(data.frame) 数据框类似于一个矩阵，有多个横行、多个纵列，各列允许有不同类型：数值型、因子、字符、日期时间，但同一列的数据类型相同。取子集应注意`drop` 。 ```r d <- data.frame(name=c("李明", "张聪", "王建"),age=c(30, 35, 28), height=c(180, 162, 175)) str(d) ``` ``` ## 'data.frame': 3 obs. of 3 variables: ## $ name : chr "李明" "张聪" "王建" ## $ age : num 30 35 28 ## $ height: num 180 162 175 ``` ```r d[1:2, "age"] ``` ``` ## [1] 30 35 ``` ```r d[1:2, "age",drop=FALSE] ``` ``` ## age ## 1 30 ## 2 35 ``` ```r is.list(d) ``` ``` ## [1] TRUE ``` 大多数更高级的对象本质上都是list，包括data.frame --- ### 基本使用 2&#46; 认识基本数据结构：改进数据框(tibble) tibble类型是一种改进的数据框，tidyverse全家桶推荐使用，确实有不少好处： 不会随意改变我们的数据名称，类型。打印优美。 ```r class(d) ``` ``` ## [1] "data.frame" ``` ```r library(tibble) td=as_tibble(d) td ``` ``` ## # A tibble: 3 × 3 ## name age height ## <chr> <dbl> <dbl> ## 1 李明 30 180 ## 2 张聪 35 162 ## 3 王建 28 175 ``` ```r class(td) ``` ``` ## [1] "tbl_df" "tbl" "data.frame" ``` --- ### 基本使用 3&#46; 装好需要的包 包是R函数、数据、预编译代码以一种定义完善的格式组成的集合。 - 找到包，主要平台： - [CRAN](https://cran.r-project.org/) 官方存储库，多个镜像 - [BioConductor](https://www.bioconductor.org/) 用于生物信息学的开源软件专题库 - [Github](https://github.com/) 开发版本，无限惊喜，但也可能缺少维护 - Bitbucket、SVN... - 装在哪，本机位置： 计算机上存储包的目录称为库（library）。 函数`.libPaths()`能够显示库所在的位置，函数`library()`可以显示库中有哪些包。 ```r .libPaths() ``` ``` ## [1] "/Library/Frameworks/R.framework/Versions/4.2-arm64/Resources/library" ``` 这个地址很重要，有时候会有多个（如Windows分区），我们要搞清楚装在哪里。 --- ### 基本使用 3&#46; 装好需要的包 - 怎么装，[例子](https://cran.r-project.org/web/packages/pcutils/index.html)：大部分情况下CRAN用 `install.packages("pkg")`，BioConductor用`BiocManager::install("pkg")`，Github用`devtools::install_github("repos")`即可。 但有时候会有依赖包相关的报错，我们可以手动下载特定版本包文件后安装。 <a href="https://r-pkgs.org/structure.html#sec-package-states"> <img src="images/pkg_state.png" alt="converting between package states" width="60%" style="float:right"></a> - source， 源码，一堆R脚本和文本文件，我们直接在github上看的就是这个。 - bundle， 捆绑态，其实就是打包过的source，一般.tar.gz结尾。 - binary， 二进制版本，架构不一样，.zip(Windows)或.tgz(macOS)结尾。 所谓安装包就是把source变成binary在放在我们的`.libPaths()`文件夹下。 还有问题，谷歌大法，或github问包作者。 带C++的R包出问题会麻烦一些，需要考察自己本机的C语言编译器。 --- ### 基本使用 3&#46; 装好需要的包 - 怎么用包 首先可以用`library(pkg)`或`require(pkg)`将包导入内存，这样便可以调用其中的函数。 `search()`函数可以查看我们已经library的包。 ```r library(pcutils) search() ``` ``` ## [1] ".GlobalEnv" "package:pcutils" "package:tibble" ## [4] "package:stats" "package:graphics" "package:grDevices" ## [7] "package:utils" "package:datasets" "package:methods" ## [10] "Autoloads" "package:base" ``` ```r if(!require("pcutils")) install.packages("pcutils") ``` 使用`pkg::`加上tab键可以列出某个包里所有导出的函数，多用`help(pkg::func)`或`?pkg::func`查看某个函数的用法。 如果不想用某个包了，可以用`detach`从当前环境移除（不是删除包） ```r detach("package:pcutils") ``` --- ### 基本使用 4&#46; 正确的数据/图像读入和写出 各种表格读取：read.table(), read.csv(), read.delim() [test.txt](test.txt) ```r read.table("test.txt") #无法读取 ``` 当我们的表格含有 `", ', #` 或者列名中含有任何非变量名字符时都要小心 ```r read.table("test.txt",header = T,sep = "\t",comment.char = "",quote = "",check.names = F) ``` 建议在readr包的支持下用read_csv(), read_table2(), read_delim()等函数读入。 保存为tibble类型，快得多，也不自动将字符型列转换成因子，不自动修改变量名为合法变量名。 ```r readr::read_delim("test.txt",delim = "\t") ``` excel用`readxl`包，剪切板可用`datapasta`包或`clipr::read_clip()`。表格写出用`write_*()`，与读入一致。 --- ### 基本使用 4&#46; 正确的数据/图像读入和写出 任意文件访问，跟python很像，使用`file()`打开文件，`close()`关闭。 - r—文本型只读; w—文本型只写; a—文本型末尾添加; - rb—二进制只读; wb—二进制只写; ab—二进制末尾添加; - r+或r+b—读写; w+或w+b—读写，清空文件; a+或a+b—读和末尾添加。 或者可以用`cat()`直接输出任意文本到文件。 `clipr::write_clip()`可以把R数据框或向量写入剪切板，可以直接粘贴他处。 图片保存： ```r pdf("new.pdf") #png(),jpg(),tiff(),bmp() #画一些图 dev.off() #要记得关闭设备 ``` ```r ggplot2::ggsave("new.pdf",plot = p,device = "pdf") #p是一个ggplot对象，device可选各种文件格式 ``` --- ### 基本使用 4&#46; 正确数据/图像读入和写出 R变量储存： R的`save()`命令可以将一个或者多个R变量保存到文件(`.rda`或`.RData`)中，保存结果是经过压缩的，在不同的R运行环境中兼容。 使用`load()`可以恢复保存的变量。 强烈建议传递数据时用这种文件，避免了数据写入和读取时引起的差异。 使用`save.image()`可以把整个环境的所有变量保存，方便结果复现。 保存单变量时推荐使用`saveRDS()`，用`readRDS()`载入并返回变量，这样可以将某个变量赋值给某个拟定的变量名，避免某个变量值变了我们还不知道， 如 ```r saveRDS(old,file = "tmp.RDS") new=readRDS("tmp.RDS") ``` --- class: left, middle ## .gray-title[Lv1. Use R] ## Lv2. R programming ## .gray-title[Lv3. R markdown (to everything)] ## .gray-title[Lv4. R package/shiny] --- # 程序控制结构 1. 分支结构 ```r x=1 if(x>0) { print("x > 0") } else { print("x <= 0") } ``` ``` ## [1] "x > 0" ``` ```r #或者用switch函数 switch (x>0, T = {print("x > 0")}, F = {print("x <= 0")} ) ``` ``` ## [1] "x > 0" ``` ```r #或者用ifelse函数，向量式 x <- c(-2, 0, 1) ifelse(x >=0, 1, 0) ``` ``` ## [1] 0 1 1 ``` --- # 程序控制结构 2&#46; 循环结构 ```r for (i in 1:3) { print(i) } #或者用while函数 i=1 while (i<4) { print(i) i=i+1 } #或者用repeat函数 i=1 repeat{ print(i) i=i+1 if(i>3)break } ``` 注意用到的判断条件必须是逻辑标量值，不能为NA或零长度。 这是R编程时比较容易出错的地方。 --- # 程序控制结构 循环结构进阶，`apply()`家族 上述显式循环是R运行速度较慢的部分，有循环的程序也比较冗长，建议使用`apply, sapply, lapply, vapply, tapply`等函数替代。 ```r func=function(i)print(i) a=lapply(1:3, func) ``` ``` ## [1] 1 ## [1] 2 ## [1] 3 ``` 另外，建议循环过程不要制作副本： 类似于`x <- c(x, y)`这样的累积结果每次运行都会制作一个x的副本， 在x存储量较大或者重复修改次数很多时会减慢程序。 而是应该在循环前设置好用来保存结果的数据结构： ```r x=numeric(100) x[[i]]={i循环100次产生的结果} ``` --- # 程序控制结构 3&#46; 管道 原生管道，R从4.1.0版本开始提供了一个`|>`运算符实现管道，如计算 `\(e^{\sqrt{2}}\)`： ```r 2 |> sqrt() |> exp() ``` ``` ## [1] 4.11325 ``` 但是我还是更喜欢用`magrittr`提供的`%>%`，支持更复杂的应用，比如用`.`代表产生的中间变量放到合适的参数位置： ```r library(magrittr) "hhh"%>%paste0("prefix_",.) ``` ``` ## [1] "prefix_hhh" ``` 还有`%<>%`等方便的变体: ```r a="hhh"; a%<>%paste0("prefix_",.) a ``` ``` ## [1] "prefix_hhh" ``` --- # 函数 使用自定义函数， 优点是代码复用、模块化设计。 >函数名 <- function(形式参数表) 函数体 **特殊形参**：`...` ```r my_mean=function(...)sum(...)/length(c(...)) my_mean(1,2,3,4) ``` ``` ## [1] 2.5 ``` **无名函数**: 不定义函数名也可以调用 ```r a=lapply(1:3, \(i)print(i)) ``` ``` ## [1] 1 ## [1] 2 ## [1] 3 ``` **变量作用域**：全局变量 vs 局部变量 --- # 函数 - .red[R中所有的存在都是**对象**（object）] 对象其实就是一种封装的概念，它把事物封装成一个类(class)，然后提供类的方法(method)，而具体的过程人们看不到。 ```r class(mean) ``` ``` ## [1] "function" ``` - .red[R中发生的动作都是**函数调用**（function call）???] 函数调用有四种方式： 1 前缀形式。 这也是一般的格式 ```r mean(1:2) ``` ``` ## [1] 1.5 ``` --- # 函数 2 中缀形式。二元运算符实际上都是函数 ```r 1+1 ``` ``` ## [1] 2 ``` ```r `+`(1,1) ``` ``` ## [1] 2 ``` ```r `%love%`=function(a,b)paste0(a," loves ",b) "Romeo"%love%"Juliet" ``` ``` ## [1] "Romeo loves Juliet" ``` --- # 函数 3 替换形式。 ```r x <- 1:2 names(x) <- c("a", "b") x ``` ``` ## a b ## 1 2 ``` ```r print(`names<-`) ``` ``` ## function (x, value) .Primitive("names<-") ``` --- # 函数 4 特殊形式。x[1], x[[1]]这些取子集或元素等 ```r x <- 1:5 x[1] ``` ``` ## [1] 1 ``` ```r `[`(x, 1) ``` ``` ## [1] 1 ``` 确实，.red[R中发生的动作都是**函数调用**（function call）]，知晓函数调用的形式，可以让我们在用某些包的函数时明确问题来源，查找源码等。 --- # Debug 某个函数突然失灵了 1. 工作环境变化 环境是R语言比较困难的概念，一般不需要深入了解也能用。 但我们要知道，大多数时候我们处于Global Environment，我们敲出来的每一个变量名(函数名)都是优先在全局环境找，找不到的话就`search()`里面按顺序去每个环境找。 所以要注意环境优先级以及变量名冲突，极端情况如下： ```r 1+1 ``` ``` ## [1] 2 ``` ```r #定义了`+`,或者新导入的包包含一个`+`的函数名，覆盖了base的加法 `+`=`-` 1+1 ``` ``` ## [1] 0 ``` 常使用`pkg::func`的形式调用函数是个好习惯，可以防止不同包的同名函数冲突。 --- # Debug 2&#46; 断点，`traceback()`，`debug()`， `browser()` 反向追踪(traceback)将错误定位到某一函数调用。 可以用`debug(func)`命令对函数func开启跟踪运行。 用`undebug(func)`取消对func的这种操作。 [例子](test.Rmd) --- # Debug 3&#46; 我要debug的函数在哪？ 一般来说我们可以找到报错的代码行以及具体的函数，便可以使用`debug()`。 但有时候会发现一些函数无法被正确定位，具体代码也只能看到`UseMethod()`：其实是我们碰到了**泛型函数**。下面同样一个`summary`函数，为啥对women和fit做出了完全不同的处理？ ```r summary(women) fit <- lm(weight ~ height, data=women) summary(fit) ``` ```r class(women); class(fit) ``` ``` ## [1] "data.frame" ``` ``` ## [1] "lm" ``` 原来他们是不同的类（class），泛型函数会更具对象的类选择运行什么样的代码（即见人说人话，见鬼说鬼话）： 调用`func.class()`函数，上述就是分别调用了`summary.data.frame()`，`summary.lm()`。`print`和`plot`也是非常常见的泛型函数。 --- # Debug 3&#46; 我要debug的函数在哪？ 或者我们可能发现某些报错函数not found（但我们又确定有这样一个函数）： 其实是我们碰到了**非导出函数**（R包开发者不想用户看到所有的函数，只把有用的导出）。 ```r library(reshape2) class(mtcars) #melt是泛型函数，那应该调用melt.data.frame melt.data.frame(mtcars,id.vars = "cyl") ## Error in melt.data.frame(mtcars, id.vars = "cyl") : ## could not find function "melt.data.frame" ``` 找到这些函数的方法也很简单（毕竟R包需要都开源）：`pkg:::func`即可 ```r reshape2:::melt.data.frame(mtcars,id.vars = "cyl") ``` 有时候我们通过debug可以发现一些有用的内部函数（比如从那种一步/很久完成XX分析的函数中找到我们需要的功能）， 这样我们便可以使用`pkg:::func`做想做的部分。 --- # 代码整理 我们在做数据分析时会产生大量代码，做好整理非常重要。 - 最开始，每一个独立的R脚本进行分析 （代码冗余度太高，后期很难快速看懂） - 学会编写函数，复制函数到不同的R脚本使用（n个地方的函数需要修改n次） - 将常用的函数放在一个R脚本下，要用的时候`source()`整个脚本（全局环境中出现大量函数名，可能还会引起冲突） - 将常用函数整理成R包，写好注释和帮助文档，方便调用和分享 （嘎嘎香) --- class: left, middle ## .gray-title[Lv1. Use R] ## .gray-title[Lv2. R programming] ## Lv3. R markdown (to everything) ## .gray-title[Lv4. R package/shiny] .footnote[[*] 3,4部分非必需，但我觉得学习后便会有惊喜] --- # R Markdown R Markdown是一种文本格式，用于创建具有代码、文本、图形和输出结果的可重复性报告。 是“文学式编程”(literate programming, (Knuth 1984))思想的实践。 它是在R语言环境中开发的，也可以与其他编程语言（如Python，shell）结合使用。 优点： - 可重复性：代码和结果都是可重复的，有助于确保研究结果的可靠性和透明度。 - 效率：使用R Markdown在单个文件中组织和记录所有内容，节省时间和精力。 - 灵活性：R Markdown支持多种格式和输出选项，根据需要自定义样式布局。 总之，比word好用，比Latex好学😂 Yihui Xie大佬的官方文档：[R Markdown: The Definitive Guide (bookdown.org)](https://bookdown.org/yihui/rmarkdown/) 以及参考书：[R Markdown Cookbook (bookdown.org)](https://bookdown.org/yihui/rmarkdown-cookbook/) ??? 进入Rstudio打开一个Rmd看看 如果什么进阶功能都不用，光用来做个R脚本也不错，毕竟可以优美的查看表格，留存每一个代码块的图等等 --- # To Documents Rmd文档头部是YAML元数据，可指定各种输出参数 1. [HTML](to_document/test.html) 2. [PDF](to_document/test.pdf) 3. Word 优点： 1. 公式，化学分子式非常好写 2. 文献插入也不错（配合Zotero） 2. 图表自动编号和引用、链接（我觉得比word好用点） 3. 支持交互式图形（HTML） --- # To Presentation R Markdown支持生成各种幻灯片文件（此幻灯片也是由Rmd生成的😂） 1. PowerPoint 常用，易分享 2. ioslide/Slidy 网页格式的幻灯片，支持交互 3. Beamer PDF幻灯片，模版众多，大学课堂热衷使用 --- # To Interactive Presentation 地图 (拜托，PPT可交互真的很酷)： <div class="leaflet html-widget html-fill-item-overflow-hidden html-fill-item" id="htmlwidget-fa132714da3c9d516cce" style="width:504px;height:504px;"></div> <script type="application/json" data-for="htmlwidget-fa132714da3c9d516cce">{"x":{"options":{"crs":{"crsClass":"L.CRS.EPSG3857","code":null,"proj4def":null,"projectedBounds":null,"options":{}}},"calls":[{"method":"addTiles","args":["https://{s}.tile.openstreetmap.org/{z}/{x}/{y}.png",null,null,{"minZoom":0,"maxZoom":18,"tileSize":256,"subdomains":"abc","errorTileUrl":"","tms":false,"noWrap":false,"zoomOffset":0,"zoomReverse":false,"opacity":1,"zIndex":1,"detectRetina":false,"attribution":"© <a href=\"https://openstreetmap.org\">OpenStreetMap<\/a> contributors, <a href=\"https://creativecommons.org/licenses/by-sa/2.0/\">CC-BY-SA<\/a>"}]}],"setView":[[30,120],4,[]]},"evals":[],"jsHooks":[]}</script> --- # To Research Papers `rticle`包，包含一套自定义 R Markdown 格式和模板，用于创作期刊文章和会议提交。 例子： - [Frontiers](to_article/Test/Test.pdf) - [Bioinformatics](to_article/Bioinfo/Bioinfo.pdf) --- # To Website Rmarkdown可以帮助我们搭建简易网站： - index.Rmd是主页内容， 可以在此处人工加入其它页面链接。 - _site.yml是一个YAML文件， 其中包含站点的设定和输出设定。 [例子](to_website/_site/index.html)： File -> New Project -> New directory -> Simple R Markdown Website -> Create Project (click Open in new session) -> Build -> Build Website --- # To Blog <a href="https://bookdown.org/yihui/blogdown/"> <img src="images/blogdown.jpg" alt="Rshizhan" width="25%" style="float:right"></a> R扩展包[blogdown](https://github.com/rstudio/blogdown)可以与Hugo软件配合制作简单的静态博客网站。 网站的所有文件都在一个目录中，只要上传到任意的网站服务器就可以发布，没有任何限制。 我的博客：[Asa's blog](https://asa-blog.netlify.app/) 参考书：[blogdown: Creating Websites with R Markdown (bookdown.org)](https://bookdown.org/yihui/blogdown/) --- # To Book <a href="https://bookdown.org/yihui/bookdown/"> <img src="images/bookdown.jpg" alt="Rshizhan" width="25%" style="float:right"></a> R的[bookdown](https://github.com/rstudio/bookdown)扩展包 在bookdown的管理下：一本书的内容可以分解成多个Rmd文件， 其中可以有可执行的R代码， R代码生成的文字结果、表格、图形可以自动插入到生成的内容中， 表格和图形可以是浮动排版的。 输出格式主要支持gitbook格式的网页图书。 我也稍微尝试写了一下：[MetaNet Tutorial](../../R/MetaNet_tutorial/_book/index.html) 参考书：[bookdown: Authoring Books and Technical Documents with R Markdown](https://bookdown.org/yihui/bookdown/) --- class: left, middle ## .gray-title[Lv1. Use R] ## .gray-title[Lv2. R programming] ## .gray-title[Lv3. R markdown (to everything)] ## Lv4. R package/shiny --- # 写R包 <a href="https://r-pkgs.org/"> <img src="images/rpackge.png" alt="RPackage" width="18%" style="float:right"></a> 包是可重现 R 代码的基本单元，包括可重用的 R 函数、描述如何使用它们的文档和示例数据。 一个包将代码、数据、文档和测试捆绑在一起，并且很容易与他人共享。 简单例子（需要下载`roxygen2`包）： File -> New Project -> New directory -> R package -> Create Project (click Open in new session)-> Package name -> Build -> Install <img src="images/rfile.png" alt="RPackage file" width="50%" style="float:right"> 最简单的包只需要这些目录和文件即可， - [R]()目录下放在我们编写的R函数脚本 - [man](https://r-pkgs.org/man.html)目录放着所有函数的帮助文档（`roxygenise()`函数生成，不要自己写） - [DECRIPTION](https://r-pkgs.org/description.html)定义了包的各种元数据，包名/版本/依赖包等等，非常重要 - [NAMESPACE](https://r-pkgs.org/description.html)控制函数的可视性（`roxygenise()`函数生成，不要修改！） 参考书：[R Packages (2e) (r-pkgs.org)](https://r-pkgs.org/) --- # 写R包 如果真的有意开发R包，建议走`devtools`的流程，要比前面的简单例子好用。 ```r library(devtools) #创建R包 create_package("testpkg") #配置git用于版本控制 use_git() #创建一个R脚本，开始写函数 use_r("first") #生成man文件和NAMESPACE document("./") #使所有函数可用（没有install但R包已在内存） load_all("./") #检查R包语法，建议每次重要修改后运行一次，解决完所有的Error，Warning，Note再进一步修改，不要积累较多错误 check("./") #打包为bundle包，.tar.gz build("./") #install我们写好的R包 install("./") #定义一些测试例子 use_testthat() ``` 循环后面几步：function -> document -> load_all -> check ->install，直到功能完善，check无误。 --- # 写R包 [写一个函数试试](testpkg/R/test.R) - 函数应该功能明确，不能使用`library`，而应该用pkg::func调用，并且这里的pkg一定要在DESCRIPTION中声明。 - 函数不应该产生不良副作用，比如修改用户环境变量，谨慎使用`option`, `par`, `setwd`等函数。 - 函数的头文件很重要，包含了帮助文档以及决定函数性质的参数： - 使用Shift+option+command+R可以帮助生成头文件 .pull-left[ <table class="table" style="font-size: 12px; margin-left: auto; margin-right: auto;"> <thead> <tr> <th style="text-align:left;"> 标签 </th> <th style="text-align:left;"> 描述 </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> @title </td> <td style="text-align:left;"> 函数名 </td> </tr> <tr> <td style="text-align:left;"> @description </td> <td style="text-align:left;"> 一行的函数描述 </td> </tr> <tr> <td style="text-align:left;"> @details </td> <td style="text-align:left;"> 多行的函数描述(第一行之后要有缩进) </td> </tr> <tr> <td style="text-align:left;"> @param </td> <td style="text-align:left;"> 函数参数 </td> </tr> <tr> <td style="text-align:left;"> @export </td> <td style="text-align:left;"> 添加函数到NAMESPACE </td> </tr> <tr> <td style="text-align:left;"> @method generic class </td> <td style="text-align:left;"> 泛型S3方法的文档 </td> </tr> <tr> <td style="text-align:left;"> @import importFrom </td> <td style="text-align:left;"> 声明调用的函数或包 </td> </tr> </tbody> </table> ] .pull-right[ <table class="table" style="font-size: 12px; margin-left: auto; margin-right: auto;"> <thead> <tr> <th style="text-align:left;"> 标签 </th> <th style="text-align:left;"> 描述 </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> @return </td> <td style="text-align:left;"> 函数返回的值 </td> </tr> <tr> <td style="text-align:left;"> @author </td> <td style="text-align:left;"> 作者和联系地址 </td> </tr> <tr> <td style="text-align:left;"> @rdname </td> <td style="text-align:left;"> 绑定到其他函数 </td> </tr> <tr> <td style="text-align:left;"> @examples </td> <td style="text-align:left;"> 使用函数的例子 </td> </tr> <tr> <td style="text-align:left;"> @note </td> <td style="text-align:left;"> 使用函数的注意事项 </td> </tr> <tr> <td style="text-align:left;"> @aliases </td> <td style="text-align:left;"> 用户能够找到文档的额外的别名 </td> </tr> <tr> <td style="text-align:left;"> @references </td> <td style="text-align:left;"> 函数所涉及的方法的参考文档 </td> </tr> </tbody> </table> ] --- # 写R包 发布包: - [CRAN submission](https://xmpalantir.wu.ac.at/cransubmit/) 请仔细阅读[CRAN Repository Policy](https://cran.r-project.org/web/packages/policies.html)，然后必须让代码通过`R CMD check`再提交，不然会直接拒收。我们提交的包是bundle包，.tar.gz格式。过了机检后就会有“审包人”联系（一般是志愿者，我们应当态度好些）， 再积极沟通修改代码就好，最后通过审核一天就能在CRAN上看到了。 - [BioConductor submission](https://www.bioconductor.org/) 用于生物信息学的开源软件专题库，上传前仔细阅读[Guidelines](https://contributions.bioconductor.org/submission-overview.html)， 明确包的主题要跟生物有相关性（ Software, Experiment Data, Annotation and Workflow.），发布包的流程是[Github issues](https://github.com/Bioconductor/Contributions/issues)， 审核过程全公开透明，你现在就能点进去看有哪些包正在提交。 - [Github](https://github.com/) 这里就最自由了，你可以随意上传在自己的仓库，也可以邀请别人直接从github安装。 --- # 写R包 我写的几个包，欢迎使用与批评指正： 1. [MetaNet](https://github.com/Asa12138/MetaNet), Network analysis for omics data, you can find the [MetaNet Tutorial](MetaNet_tutorial) here. 2. [pcutils](https://github.com/Asa12138/pcutils), which contains many useful tools or functions for statistics or visualization. I always use this package for productivity. 3. [pctax](https://github.com/Asa12138/pctax), which contains some helpful functions for microbiome analysis. 4. [ReporterScore](https://github.com/Asa12138/ReporterScore), it is ReporterScore Functional Enrichment Method for Microbiome. --- # 制作Shiny APP <a href="https://mastering-shiny.org/"> <img src="images/rshiny.png" alt="Rshizhan" width="20%" style="float:right"></a> Shiny 是一个 R 包，可轻松地直接从 R 构建交互式 Web 应用程序。 可以在网页上托管独立应用程序或将它们嵌入 R Markdown 文档。还可以使用 CSS 主题、html 小部件和 JavaScript 操作扩展Shiny 应用程序。 [例子](test_shiny/app.R)： File -> New Project -> New directory -> Shiny Application -> Create Project (click Open in new session) -> Run App ```r shiny::runApp("test_shiny/app.R") ``` 官方教程：[Shiny Learning Resources](https://shiny.rstudio.com/tutorial/) 参考书：[Mastering Shiny](https://mastering-shiny.org/) --- # 制作Shiny APP 我的实践： [**iphylo visual**](), which is developed in cooperation with Li Yueer. <img src="images/iphylo.png" alt="Rshizhan" width="80%"> --- class: center, middle, inverse # 谢谢🙏 本幻灯片使用 R 包 [**xaringan**](https://github.com/yihui/xaringan) 制作； -- 依赖于[remark.js](https://remarkjs.com)、[**knitr**](https://yihui.org/knitr)、以及 [R Markdown](https://R markdown.rstudio.com)。 -- 参考资料： [李东风《R语言教程》](https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/index.html) -- 以及文中提到的其他各种学习资料 -- 感谢chatGPT老师 -- . -- . -- . -- THE END