很多人推薦《R語言實戰》這本書來入門R，當然，這本書非常不錯，我也是通過這本書開始接觸的R。這種入門的學習路徑屬于base R first，學習的流程基本是先了解變量的類型、數據的結構，再深入點就會學到循環與自定義函數。有些類似于先認識編程，再按照數據處理、可視化、統計分析等應用方向開始下一個學習的旅程。但是對于很多人來說，R僅僅是一個可視化工具，來做出漂亮的圖，或者是一個可以方便的做回歸分析，生存分析，顯著性檢驗的統計工具。那么，tidyverse就提供了一個很好的學習思路（tidyverse first），讓我們先忽略編程這道大關，其理念是一開始不談向量、矩陣、數據框、因子、流程控制等概念，直接從數據的操縱入手，讓初學者在最短時間內學會數據的處理與可視化應用。
有這么一句話“數據分析師的80%的時間，都消耗在數據清理上”，清理出可視化和統計分析可以直接使用的數據，往往最費精力和繁瑣的過程，而tidyverse的一大亮點就是提供非常優秀的數據清理、整合和可視化的“一站式服務”。
tidyverse 是什么
tidyverse出自于R大神Hadley Wickham之手，他是Rstudio首席科學家，也是ggplot2的作者。tidyverse就是他將自己所寫的包整理成了一整套數據處理的方法，包括ggplot2，dplyr，tidyr，readr，purrr，tibble，stringr, forcats。同時也出了一本《R for Data Science》，這本書里面也詳細介紹了tidyverse的使用方法，這本書的電子版獲取方式見微信公眾號本文。
library(tidyverse) will load the core tidyverse packages:
ggplot2, for data visualisation. (畫圖，可視化數據)
dplyr, for data manipulation. (操控數據，過濾、排序等)
tidyr, for data tidying. (清理數據，轉為ggplot可用的格式)
readr, for data import. (從文件中讀取數據)
purrr, for functional programming. (提供好用的編程函數)
tibble, for tibbles, a modern re-imagining of data frames. (data.frame升級款)
stringr, for strings. (處理字符，查找、替換等)
forcats, for factors. (處理因子問題)
tidyverse的安裝也很簡單，在R中輸入以下命令：
#安裝包
install.packages("tidyverse")
#使用前，記得載入包
library(tidyverse)
tidyverse的數據處理流程大致分為以下三類：
- 數據導入
- 數據整理
- 數據探索（可視化，統計分析）
數據導入
readr：readcsv(); readtsv(); readdelim(); readfwf(); readtable(); readlog();
readxl：readxls(); readxlsx();
haven：打開SAS 、SPSS、Stata等外部數據。
以read_csv為例，把需要分析的數據存為csv文件（逗號分隔的文件，execl文件可以另存為csv文件），然后R讀取即可：
data <- read.csv("data_for_input.csv")
類似的，readtsv()可以讀取tab分隔的數據，readxls()可以直接讀取execl的數據。
數據整理
tibble格式
R中的對多變量數據的標準保存形式是 dataframe，而tibble是dataframe的進化版，它有如下優點：
- 生成的數據框數據每列可以保持原來的數據格式，不會被強制性改變,即字符串，不會莫名其妙的變成因子格式；
- 查看數據時，不再會一行顯示不下，多行顯示得非常丑；
- 數據操作速度會更快
如下圖，直接查看tibble格式的數據，可以一目了然的看清數據的大小和每列的格式
有兩種方式來創建tibble格式的數據
1. 直接創建
2. 其他格式轉化，例如用read.csv讀取的數據默認是dataframe格式，就可以使用as_tibble轉換為tibble格式
管道函數 %>%
在tidyverse中，管道符號是數據整理的主力，它的功能和Linux上的管道符“|”類似，可以把許多功能連在一起，而且簡潔好看，比起R的基本代碼更加容易閱讀！
x %>% f(y) means that x is‘piped’ into the function f(x,y)
以R中自帶的iris（鳶尾花數據集）為例：
%>% 的作用就是將iris數據用于管道后面的head函數。
dplyr包
dplyr基本包含了我們整理數據的所有功能，堪比瑞士軍刀，這里介紹以下函數：
filter: filters out rows according to some conditions （根據條件過濾數據）
arrange: reorders rows according to some conditions （根據某一列的數據對行排序）
select: selects a subset of columns （只保留部分列的數據）
mutate: adds a new column as a function of existing columns （增加新的列）
summarise: collapses a data frame to a single row （概述數據的統計特征）
group_by: breaks a data frame into groups of rows （對數據分組）
1. filter
只選取Species列中，值為virginica的數據
（這里也是用到了管道符，將filter函數作用于iris數據）
選取Species為virginica，并且Sepal.Length大于7.5的數據
2. select
只保留Species 和 Sepal.Length 這兩列
除了Species以外，其他的列都保留
利用管道符，先過濾（filter），然后只保留Petal.Width函數（select）
3. mutate
增加一列，列名為Sepal.Area，值為width和length相乘，然后不保留原來的Sepal.Length 和 Sepal.Width兩列
4. summarise
下面的例子的summarise中， n() 是統計有多少行的數據，mean() 函數是計算平均值。
利用summarise可以指定統計的列，或者統計方式（求方差，求和等），最后得到的結果形成一個新的數據。
5. summarise & group_by
group_by通常與summarise搭配使用，如果我們需要對不同species的數據計算均值，那么利用group_by指定需要分組的列，summarise就幫我們統計出了結果，避免一個一個的去求均值
tidyr包
tidyr的兩個主要函數是 gather()和 spread()。這些函數允許在長數據格式（long data）和寬數據格式（wide data）之間進行轉換（功能類似于reshape包，但是比reshape更好用，并且可以用于管道%>%連接）。
gather() 把數據從寬數據（wide）變成長數據（long），指定key，value就做出下面的變換，這種長數據特別適合用于ggplot2的畫圖中。
spread() 把數據從長數據（long）還原成寬數據（wide），對比gather()的變換，指定你需要變長的key和value列即可~
數據探索
可視化：ggplot2
利用ggplot2實現可視化，具體的ggplot2就不做詳細的介紹了，這里提供ggplot2的速查表（cheatsheet），可以很方便的知道哪種圖對應的ggplot2里面的哪個函數。原始的cheatsheet pdf版的獲取方式見微信公眾號本文。
統計：broom
broom是一個用于數學建模的包，以回歸分析為例，R中的各種回歸分析往往不會返回一個整齊的data frame結果，而broom 則幫助我們直接將統計結果轉化為data frame格式直接將統計結果轉化為data frame格式。
下圖是一般的回歸分析結果的格式
下面是broom對 fit 格式化之后的結果，可以看到是一個方便讀取的data frame格式。
同樣，也可以與tidyverse中的管道和group_by結合，批量的做回歸分析，并且得到整理好的結果。
總結
初學者從tidyverse 入門是一個不錯的使用R的切入方式，它提供了一整套data science的工具，而且還特別好用。當然，入門之后如果使用者在未來需要使用R完成更細膩的分析時，再分配較充足的時間學習base R。
歡迎關注公眾號："生物信息學"
